总目录

图像处理总目录←点击这里

十一、模板匹配

11.1、原理

找一个图片上有的模板，和原图像进行模板匹配
模板图像在待匹配图像上滑动，记录下每次滑动后的参数值（如平方差，相关性）。
寻找最小值或最大值，得到该值在待匹配图像上的位置就是匹配的位置

注意：模板图像一定要小于待匹配的图像

模板匹配的计算方法在opencv里有6种，

TM_SQDIFF：计算平方不同，计算出来的值越小，越相关
TM_CCORR：计算相关性，计算出来的值越大，越相关
TM_CCOEFF：计算相关系数，计算出来的值越大，越相关
TM_SQDIFF_NORMED：计算归一化平方不同，计算出来的值越接近0，越相关
TM_CCORR_NORMED：计算归一化相关性，计算出来的值越接近1，越相关
TM_CCOEFF_NORMED：计算归一化相关系数，计算出来的值越接近1，越相关

假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

cv2.matchTemplate(img, template, method)

第一个参数 → 原图像
第二个参数 → 模板图像
第三个参数 → 上面的六个方法之一

11.2、单个模板匹配

import cv2
import numpy as np
import matplotlib.pyplot as plt# 模板匹配
# 原始图像，0表示是灰度图
img = cv2.imread('./image/lena.jpg', 0)
# 要匹配的模板
template = cv2.imread('./image/face.jpg', 0)
# 模板的h，w
h, w = template.shape[:2]methods = ['cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR','cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED']for meth in methods:img2 = img.copy()# 匹配方法的真值method = eval(meth)res = cv2.matchTemplate(img, template, method)min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)# 如果是平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED，取最小值，越小越好if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:top_left = min_locelse:top_left = max_loc# 得到匹配的长宽bottom_right = (top_left[0] + w, top_left[1] + h)# 画矩形cv2.rectangle(img2, top_left, bottom_right, 255, 2)plt.subplot(121), plt.imshow(res, cmap='gray')plt.xticks([]), plt.yticks([])  # 隐藏坐标轴plt.subplot(122), plt.imshow(img2, cmap='gray')plt.xticks([]), plt.yticks([])plt.suptitle(meth)plt.show()

六个方法处理效果
在这里插入图片描述

11.3、多个模板匹配

import cv2
import numpy as npimg_rgb = cv2.imread('./image/yangs.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('./image/yang.jpg', 0)
h, w = template.shape[:2]res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
# 取匹配程度大于%80的坐标
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数bottom_right = (pt[0] + w, pt[1] + h)cv2.rectangle(img_rgb, pt, bottom_right, (0, 0, 255), 2)cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)