（纯新手教学）计算机视觉（opencv）实战十四——模板与多个对象匹配

图片旋转、图片镜像相关教学：
（纯新手教学）计算机视觉（opencv）实战十三——图片旋转、图片镜像 的几种常用方法-CSDN博客https://blog.csdn.net/2302_78022640/article/details/151356600?spm=1011.2415.3001.5331

模板与多个对象匹配

在计算机视觉中，模板匹配（Template Matching）是一种常见的图像处理方法，能够在大图像中寻找与小模板相似的区域。很多时候，模板在目标图像中可能不止出现一次，并且还可能存在旋转的情况。因此，模板与多个对象的匹配技术就显得非常重要。

下面的代码演示了如何使用 OpenCV 进行模板匹配，并支持在目标图像中同时查找多个方向的模板对象。

 核心函数：cv2.matchTemplate

OpenCV 提供了 cv2.matchTemplate 函数来实现模板匹配。

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

参数说明：

• image：待搜索的图像（通常比模板大）。

• templ：模板图像，需要在大图中被搜索的目标。

• method：匹配方法，用来衡量相似度。

• result：存放匹配结果的矩阵，一般不用手动传入，函数会自动生成。

• mask：掩膜，可选参数，某些方法不支持。

常见匹配方法

模板匹配的效果依赖于所选择的计算方式。OpenCV 提供了六种主要方法：

1. TM_SQDIFF（平方差匹配法）

   • 使用平方差衡量误差。

   • 匹配越好，结果值越小。

2. TM_CCORR（相关匹配法）

   • 采用乘法运算，计算图像与模板的相关性。

   • 数值越大表示匹配程度越高。

3. TM_CCOEFF（相关系数匹配法）

   • 通过相关系数计算相似度，排除了亮度影响。

   • 数值越大说明匹配效果越好。

4. TM_SQDIFF_NORMED（归一化平方差匹配法）

   • 与 TM_SQDIFF 类似，但结果被归一化。

   • 匹配越好，值越小。

5. TM_CCORR_NORMED（归一化相关匹配法）

   • 在 TM_CCORR 的基础上进行归一化，结果范围更稳定。

   • 数值越大，匹配越好。

6. TM_CCOEFF_NORMED（归一化相关系数匹配法）

   • 在 TM_CCOEFF 的基础上进行归一化，最常用的一种方法。

   • 结果范围通常在 -1 到 1 之间，越接近 1 匹配越好。

图片准备：

arrow.jpg

arrows.jpg

运行结果图：

代码解析

import cv2
import numpy as np

img_rgb = cv2.imread('arrows.jpg')
cv2.imshow('img_gray', img_rgb)
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)

template1=cv2.imread('./arrow.jpg', flags=0)
# 旋转 90 度，k=-1 表示顺时针旋转 90 度
template2 = np.rot90(template1, k=-1)
# 旋转 90 度，k=1 表示逆时针旋转 90 度
template3 = np.rot90(template1, k=1)
template4 = np.rot90(template1, k=2)
cv2.imshow('template1', template1)
cv2.imshow('template2', template2)
cv2.imshow('template3', template3)
cv2.imshow('template4', template4)
cv2.waitKey(0)

templates=[template1,template2,template3,template4]

for template in templates:
    h, w = template.shape[:2]

    # 使用模板匹配方法 cv2.matchTemplate 进行模板匹配
    res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
    threshold = 0.9  # 设定匹配阈值

    # 获取匹配结果中所有符合阈值的点的坐标
    loc = np.where(res >= threshold)  # 符合条件的行，符合条件的列
    # print(loc)

    # 遍历所有匹配点
    for pt in zip(*loc[::-1]):
        # 在原图上绘制匹配区域的矩形框
        cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), color=(0, 0, 255), thickness=1)

cv2.imshow('result', img_rgb)
cv2.waitKey(0)

核心步骤讲解

1. 读取图像并灰度化

   • 使用 cv2.imread 读取原始图像 arrows.jpg，并转换为灰度图。

   • 灰度图可以减少计算量，同时保留了模板匹配所需的主要信息。

2. 加载模板并进行旋转

   • 模板 arrow.jpg 作为基本形状。

   • 使用 np.rot90 对模板进行旋转，生成 4 个方向的模板（0°、90°、180°、270°）。

   • 这样就能应对目标图像中箭头方向不一致的情况。

3. 模板匹配

   • cv2.matchTemplate 用于计算模板与目标图像各个位置的匹配程度。

   • 选择 cv2.TM_CCOEFF_NORMED 方法，该方法会输出归一化相关系数，值越接近 1 表示越相似。

4. 匹配阈值设定

   • 设置 threshold = 0.9，即相似度大于等于 0.9 的区域才认为是有效匹配。

   • 阈值过低可能引入误检，过高可能漏检。

5. 定位与绘制

   • np.where(res >= threshold) 找到所有符合条件的点。

   • 使用 cv2.rectangle 在原图 img_rgb 上绘制矩形框，标记出匹配区域。

6. 结果展示

   • 使用 cv2.imshow 显示最终带有标记的图像。

应用场景

1. 目标检测
   在工厂生产线上检测零件是否存在、方向是否正确。

2. 游戏自动化
   在屏幕截图中查找某个按钮或图标的位置，实现自动点击。

3. 文档处理
   在扫描件中查找特定的标志或符号。

4. 视频监控
   在实时视频中检测特定物体的出现与方向。

方法优缺点

• 优点

  • 实现简单，代码量少。

  • 适合已知模板的精确匹配任务。

  • 可以通过旋转模板来解决方向差异。

• 缺点

  • 对尺度变化不敏感（如果模板大小与目标图像中对象大小不同，效果不好）。

  • 对光照、噪声等变化敏感。

  • 计算效率在大规模匹配时较低。

总结

通过这段代码，可以看到如何使用 OpenCV 的模板匹配方法，结合旋转操作，在图像中查找多个方向的相同目标对象。该方法在简单场景下效果显著，尤其适合对象外形固定、尺寸不变的任务。