一、模板匹配分析

所谓模板匹配，就是在给定的图片中查找和模板最相似的区域，该算法的输入包括模板和图片，整个任务的思路就是按照滑窗的思路不断的移动模板图片，计算其与图像中对应区域的匹配度，最终将匹配度最高的区域选择为最终的结果。

1、实现流程

（1）准备两副图像

原图像（I）：在这幅图中，找到与模板相匹配的区域
模板（T）：与原图像进行比对的图像块

（2）滑动模板图像和原图像进行比对

（3）对于每一个位置将计算的相似结果保存在结果矩阵（R）中

（4）获得上述图像后，查找最大值所在的位置。

获得上述图像后，查找最大值所在的位置，那么该位置对应的区域就被认为是最匹配的。对应的区域就是以该点为定点，长宽和模板图像一样大小的矩阵。

2、API介绍

3、简单案例

做一个梅西的模板，以梅西的脸部为模板，分别检测几种不同的检测方法

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('images/messi5.jpg', 0)
img2 = img.copy()
template = cv.imread('images/messi_face.jpg', 0)
w, h = template.shape[::-1]# All the 3 methods for comparison in a list
methods = ['cv.TM_CCOEFF', 'cv.TM_CCORR', 'cv.TM_SQDIFF']
for meth in methods:img = img2.copy()method = eval(meth)# Apply template Matchingres = cv.matchTemplate(img, template, method)min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)# If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimumif method in [cv.TM_SQDIFF, cv.TM_SQDIFF_NORMED]:top_left = min_locelse:top_left = max_locbottom_right = (top_left[0] + w, top_left[1] + h)cv.rectangle(img, top_left, bottom_right, 255, 2)plt.subplot(121), plt.imshow(res, cmap='gray')plt.title('Matching Result'), plt.xticks([]), plt.yticks([])plt.subplot(122), plt.imshow(img, cmap='gray')plt.title('Detected Point'), plt.xticks([]), plt.yticks([])plt.suptitle(meth)plt.show()

检测结果如下：

cv.TM_CCOEFF：

cv.TM_CCORR：

cv.TM_SQDIFF：

注：可以看到使用cv.TM_CCORR的结果不如我们预期的那样好。

与多个对象匹配的模板

在上面我们搜索了梅西的脸的图像，在图像中只出现了一次。假设您正在搜索一个多次出现的对 象，cv.minMaxLoc()不会给出所有的位置。在这种情况下，我们将使用阈值化。在这个例子中，我们将使用著名游戏马里奥的截图，我们将在其中找到硬币。

python zip()函数：

zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。zip(*loc[::-1])

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img_rgb = cv.imread('images/mario.jpg')
img_gray = cv.cvtColor(img_rgb, cv.COLOR_BGR2GRAY)
template = cv.imread('images/coin.jpg', 0)
w, h = template.shape[::-1]
res = cv.matchTemplate(img_gray, template, cv.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):cv.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 2)
cv.imshow('res.png', img_rgb)
cv.waitKey(0)
cv.destroyAllWindows()

二、霍夫变换分析

霍夫变换常用来提取图像中的直线和圆等几何形状，详情如下介绍：

1、实现流程

假设有一个大小为100 * 100的图片，使用霍夫变换检测图片中的直线，则步骤如下所示：

2、霍夫线检测

霍夫线检测的整个流程如下图所示，这是在stackflow上一个关于霍夫线变换的解释：

（1）简单使用

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#设置字体
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/STHUPO.TTF")#1、加载图片，转换二值图
img = cv.imread("./images/feilin.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 100)#2、霍夫线变换
lines = cv.HoughLines(edges, 0.8, np.pi / 180, 150)#3、将检测到的线绘制在图像上（注意是极坐标）
for line in lines:rho, theta = line[0]a = np.cos(theta)b = np.sin(theta)x0 = a * rhoy0 = b * rhox1 = int(x0 + 1000 * (-b))y1 = int(y0 + 1000 * (a))x2 = int(x0 - 1000 * (-b))y2 = int(y0 - 1000 * (a))cv.line(img, (x1, y1), (x2, y2), (0, 255, 0))#4、图像显示
plt.figure(figsize=(10,8), dpi=100)
plt.imshow(img[:,:,::-1])
plt.title("霍夫变换线检测", fontproperties=my_font)
plt.xticks([]), plt.yticks([])
plt.show()

3、霍夫圆检测

（1）API介绍

（2）简单使用

介绍：cv.circle(img,(520,430),300,(255,0,0),8)

在img原始图片中划圈，其圈的中心点为（520，430），半径=300，颜色为（255，0，0），粗细=8

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#字体设置
my_font = font_manager.FontProperties(fname="C:/Windows/Fonts/STHUPO.TTF")#1、读取图像，并转换为灰度图
plants = cv.imread("./images/star.jpg")
gray_img = cv.cvtColor(plants, cv.COLOR_BGR2GRAY)#2、进行中值滤波，去除噪点
img = cv.medianBlur(gray_img, 7)#3、霍夫圆检测
circles = cv.HoughCircles(img, cv.HOUGH_GRADIENT, 1, 100, param1=100, param2=30, minRadius=0, maxRadius=100)#4、将检测结果绘制在图像上
for i in circles[0, :]: #遍历矩阵每一行的数据#绘制图形cv.circle(plants, (i[0], i[1]), i[2], (0,0,255), 2)#绘制圆心cv.circle(plants, (i[0], i[1]), 2, (0,0,255), 3)#5、图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.imshow(plants[:,:,::-1])
plt.title("霍夫变换圆检测", fontproperties=my_font)
plt.xticks([]),plt.yticks([])
plt.show()