opencv学习十：模板匹配

模板匹配原理

模板匹配是在一幅图像中寻找一个特定目标的方法之一，这种方法的原理非常简单，遍历图像中的每一个可能的位置，比较各处与模板是否“相似”，当相似度足够高时，就认为找到了我们的目标。

其实模板匹配实现的思想也是很简单很暴力的，就是拿着模板图片在原图中从左上至右下依次滑动，直到遇到某个区域的相似度低于我们设定的阈值，那么我们就认为该区域与模板匹配了，也就是我们找到了要找的的位置，并把它标记出来。
用T表示模板图像，I表示待匹配图像，切模板图像的宽为w高为h，用R表示匹配结果，匹配过程如下图所示：
在这里插入图片描述
OpenCV提供了6种模板匹配算法：
CV_TM_SQDIFF 平方差匹配法，最好的匹配为0，值越大匹配越差
CV_TM_SQDIFF_NORMED 归一化平方差匹配法
CV_TM_CCORR 相关匹配法，采用乘法操作，数值越大表明匹配越好
CV_TM_CCORR_NORMED 归一化相关匹配法
CV_TM_CCOEFF 相关系数匹配法，最好的匹配为1，-1表示最差的匹配
CV_TM_CCOEFF_NORMED 归一化相关系数匹配法
前面两种方法为越小的值表示越匹配，后四种方法值越大越匹配。

在这里插入图片描述

OpenCV模板匹配实现

cv2.matchTemplate(image, templ, method, result=None, mask=None)

image：待搜索图像
templ：模板图像
method：计算匹配程度的方法
result：匹配结果,是一个矩阵

cv2.minMaxLoc(src, mask=None)
src是一个矩阵。输入cv2.matchTemplate的返回值

函数功能：假设有一个矩阵a,现在需要求这个矩阵的最小值，最大值，并得到最大值，最小值的索引。索引即位置坐标

import cv2 as cv
import numpy as np

def template_demo():
    tpl = cv.imread("C:/Users/lenovo/Desktop/opencv/daima/banknum/template-matching-ocr/images/tpl.png") #模板
    target = cv.imread("C:/Users/lenovo/Desktop/opencv/daima/banknum/template-matching-ocr/images/credit_card_01.png")#待检测图
    cv.imshow("template image", tpl)
    cv.imshow("target image", target)
    methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED]#归一化均方误差，归一化相关匹配，归一化相关系数
    th, tw = tpl.shape[:2] #取出模板的高宽 [:n]表示此列表的前n维度
    for md in methods:
        print(md)
        result = cv.matchTemplate(target, tpl, md)
        min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)#寻找最小值，最大值。最小值位置，最大值位置
        if md == cv.TM_SQDIFF_NORMED:
            tl = min_loc #tl是矩形左上角的点
        else:
            tl = max_loc
        br = (tl[0] + tw, tl[1] + th);
        cv.rectangle(target, tl, br, (0, 0, 255), 2)#rectangle函数用法，第一个参数是在哪个图上绘图，第二个和第三个是左上、右下位置顶点坐标，颜色为红色，宽度为2
        #cv.imshow("match--"+np.str(md), target)
        cv.imshow("match--" + np.str(md), result)
#match1 是平方不同的归一化，3是相关性的归一化，5是相关性因子的归一化
#以0~255的灰度范围标记算法算出来的相关性，目标图像的区域越白，这个区域与template的相关性越大


cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)

template_demo()
cv.waitKey(0)
cv.destroyAllWindows()

运行截图：
match1 是平方不同的归一化，3是相关性的归一化，5是相关性因子的归一化
在这里插入图片描述
还可以运行result查看：
以0~255的灰度范围标记算法算出来的相关性，目标图像的区域越白，这个区域与template的相关性越大

为什么result的图像比待检测图像小？
因为result减去了模板的宽高，模板四个顶点全覆盖的区域，它的中心点刚好是宽高的二分之一处
在这里插入图片描述