模板匹配

原理

模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。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)。

方法

cv2.matchTemplate(img, template, methods)
参数methods可以用下面几种方法：

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
具体公式可参考：Opencv官网

举例说明：

要求：用下图所示的模板来匹配图片，将图片中此模板对应的区域用矩形圈出来。
在这里插入图片描述

img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)
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']
# 先使用计算平方的方法匹配模板
res = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
# 得到计算值的最大值、最小值以及它们的左上角的位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# 运用所有方法
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；否则取最大值。
    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    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()

最终结果为：
在这里插入图片描述
由结果可知，大多数情况下模板匹配是成功的（除CCORR方法外）。
左图代表的是每种方法的评价标准，除了平方差匹配TM_SQDIFF或归一化平方差匹配TM_SQDIFF_NORMED外，其他方法都是在某点的计算数值越大，匹配度越高。

匹配多个对象

如果需要匹配多个对象，则不能直接用cv2.minMaxLoc(res)来找匹配度最高的区域。而是应该设一个较大的阈值，只要匹配度大于这个阈值，都应该被视为“匹配”。
如有下面的图片和模板：
在这里插入图片描述

img_rgb = cv2.imread('mario.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('mario_coin.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，而不是找匹配度最大的坐标。
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):  # *号表示可选参数；[:,:,-1]表示调转loc中坐标的顺序，比如原来是(40, 69)，现在变成(69, 40)。
    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)

得到结果：
在这里插入图片描述
由于这种方法是通过设置阈值来实现的，所以匹配到的图片位置可能更多，比如匹配到的左上角坐标是(69, 40)，但由于(70, 40)离得比较近，故这个点也会被考虑在匹配范围之内，从而再画一个矩形。

PS: np.where()函数的用法

方法1：

np.where(condition, x, y)

满足条件(condition)，输出x，不满足输出y。

方法2：

np.where(condition)

输出满足条件 (即非0) 元素的坐标。这里的坐标以元组的形式给出，通常原数组有多少维，输出的元组中就包含几个数组，分别对应符合条件元素的各维坐标。
如上面马里奥的例子，输出的元组loc中有两个数组，代表两个维度，即y方向和x方向。

cofisher

发布了36 篇原创文章 · 获赞 1 · 访问量 542

私信关注

Opencv之模板匹配