本文共 1570 字，大约阅读时间需要 5 分钟。

1，模板匹配的概念及原理

模板匹配是一项在一幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术.

我们需要2幅图像:

模板 (T): 将和原图像比照的图像块 原图像 (I): 在这幅图像里,我们希望找到一块和模板匹配的区域

我们的目标是检测最匹配的区域：

为了确定匹配区域, 我们不得不滑动模板图像和原图像进行比较： 通过滑动, 我们的意思是图像块一次移动一个像素 (从左往右,从上往下). 在每一个位置, 都进行一次度量计算来表明它是 “好” 或 “坏” 地与那个位置匹配 (或者说块图像和原图像的特定区域有多么相似) 对于 T 覆盖在 I 上的每个位置,你把度量值 保存 到 结果图像矩阵 R中. 在 R 中的每个位置 (x,y) 都包含匹配度量值: 上图就是 TM_CCORR_NORMED 方法处理后的结果图像 R . 最白的位置代表最高的匹配. 正如您所见, 红色椭圆框住的位置很可能是结果图像矩阵中的最大数值, 所以这个区域 (以这个点为顶点,长宽和模板图像一样大小的矩阵) 被认为是匹配的. 实际上, 我们使用函数 minMaxLoc 来定位在矩阵 R 中的最大值点 (或者最小值, 根据函数输入的匹配参数) . OpenCV通过函数 matchTemplate 实现了模板匹配算法. 可用的方法有6个: 源代码：

import cv2 as cvimport numpy as npdef template_demo():    tpl = cv.imread("F:/images/T.png")  #模板图像    target = cv.imread("F:/images/I.png")#原图像    cv.imshow("template image", tpl)    cv.imshow("target image", target)    methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED] #标准平方差匹配 ，标准相关匹配，标准相关系数匹配    th, tw = tpl.shape[:2]  #模板的高宽    for md in methods:       # print(md)        result = cv.matchTemplate(target, tpl, md)   #像素点的相关度量值        min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result) #寻找匹配最值（大小和位置）        if md == cv.TM_SQDIFF_NORMED:            tl = min_loc        else:            tl = max_loc        br = (tl[0]+tw, tl[1]+th);  #确定匹配区域        cv.rectangle(target, tl, br, (0, 0, 255), 2)#将匹配区域绘制到原图上        cv.imshow("match-"+np.str(md), target)       # cv.imshow("match-" + np.str(md), result)src = cv.imread("F:/images/I.png")cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)cv.imshow("input image", src)template_demo()cv.waitKey(0)cv.destroyAllWindows()

运行结果：

转载地址：http://exhwi.baihongyu.com/