Python----计算机视觉处理（Opencv:模板匹配)

一、 概念

        模板匹配就是用模板图（通常是一个小图）在目标图像（通常是一个比模板图大的图片）中不断的滑动 比较，通过某种比较方法来判断是否匹配成功。

 二、应用场景

1. 目标检测与识别：在计算机视觉领域，模板匹配常用于目标检测与识别。 通过提前准备好的模板图像，可以在输入图像或视频流中识别出具有相似 特征的目标物体，从而实现目标检测与识别。

2. 视频分析与目标跟踪：在视频分析中，模板匹配可用于实现目标物体的跟 踪与追踪。借助模板匹配算法，可以在视频序列中追踪目标物体的运动轨 迹，实现目标跟踪功能。

 三、匹配方法

3.1、平方差匹配TM_SQDIFF

        以模板图与目标图所对应的像素值使用平方差公式来计算，其结果越小，代表匹配程度越高。

3.2、归一化平方差匹配TM_SQDIFF_NORMED

        与平方差匹配类似，只不过需要将值统一到0到1，计算结果越小，代表匹配程度越高

3.3、相关匹配TM_CCORR

        使用对应像素的乘积进行匹配，乘积的结果越大其匹配程度越高

3.4、归一化相关匹配TM_CCORR_NORMED

        与相关匹配类似，只不过是将其值统一到0到1之间，值越大，代表匹配程度越高

3.5、相关系数匹配TM_CCOEFF

        需要先计算模板与目标图像的均值，然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程 度，1表示完美的匹配，-1表示最差的匹配

3.6、归一化相关系数匹配TM_CCOEFF_NORMED

        也是将相关系数匹配的结果统一到0到1之间，值越接近1代表匹配程度越高

四、绘制轮廓 

 导入模块

import cv2
import numpy as np

输入图像

img = cv2.imread('mali.png')
img_template = cv2.imread('jinbi.png')

灰度化

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
img_template_gray = cv2.cvtColor(img_template, cv2.COLOR_BGR2GRAY)

模板匹配

res = cv2.matchTemplate(img_gray, img_template_gray, cv2.TM_CCOEFF_NORMED)

 筛选数据

threshold = 0.73
location = np.where(res > threshold)

绘制轮廓

for i in zip(*location[::-1]):
    right_bottom = (i[0] + w, i[1] + h)
    cv2.rectangle(img, i, right_bottom, (0, 0, 255))

 输出图像

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

完整代码

import cv2  
import numpy as np  

# 读取原始图像  
img = cv2.imread('mali.png')  

# 读取模板图像  
img_template = cv2.imread('jinbi.png')  

# 将原始图像转换为灰度图像  
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

# 将模板图像转换为灰度图像  
img_template_gray = cv2.cvtColor(img_template, cv2.COLOR_BGR2GRAY)  

# 获取模板灰度图像的高度（h）和宽度（w）  
h, w = img_template_gray.shape  

# 在原始灰度图像中执行模板匹配  
res = cv2.matchTemplate(img_gray, img_template_gray, cv2.TM_CCOEFF_NORMED)  

# 设置匹配的阈值，只有大于该值的匹配才会被考虑  
threshold = 0.73  

# 找到所有匹配结果的位置  
location = np.where(res > threshold)  

# 在每个匹配位置绘制矩形框  
for i in zip(*location[::-1]):  # 反转位置元组（从列开始）  
    right_bottom = (i[0] + w, i[1] + h)  # 计算矩形的右下角坐标  
    cv2.rectangle(img, i, right_bottom, (0, 0, 255), thickness=2)  # 绘制红色矩形框  

# 显示带有矩形框的图像  
cv2.imshow('img', img)  

# 等待用户按键  
cv2.waitKey(0)  

# 关闭所有OpenCV窗口  
cv2.destroyAllWindows()  

疑难解读

np.where(res > threshold)

        np.where 返回的是一个包含多维数组索引的元组。对于二维图像（如模板匹配的结果），返回的 location 是一个元组，包含两个数组：一个是所有行坐标，一个是所有列坐标。

zip(*location[::-1])

        location[::-1]:
        这个操作是用来反转元组的顺序。元组的格式是 (行数组, 列数组)，反转之后会成为 (列数组, 行数组)，这样做是为了确保接下来的 zip 操作可以正确地将坐标组合成元组。

        zip(*location[::-1]):
        zip 函数用于将多个可迭代对象的元素组合成元组。在这里，* 运算符用于解包 location[::-1]，把反转后的元组传入到 zip 函数中。

五、库函数

5.1、matchTemplate()

cv.matchTemplate(	image, templ, method[, result[, mask]]	) ->	result

Enumerator
TM_SQDIFF  Python: cv.TM_SQDIFF
TM_SQDIFF_NORMED  Python: cv.TM_SQDIFF_NORMED
TM_CCORR  Python: cv.TM_CCORR
TM_CCORR_NORMED  Python: cv.TM_CCORR_NORMED
TM_CCOEFF  Python: cv.TM_CCOEFF
TM_CCOEFF_NORMED  Python: cv.TM_CCOEFF_NORMED

5.2、np.where() 

        numpy.where 是 NumPy 库中的一个非常有用的函数，它可以根据指定的条件返回 满足该条件的元素的索引。

        当 numpy.where 接受一个条件作为参数时，它会返回一个元组，其中包含满足该条 件的元素的索引。

numpy.where(condition)

详情查看 

Python----数据分析（Numpy四：广播机制，数组的运算，统计计算，where函数）_数组广播-CSDN博客