一、介紹

1、模板匹配

通俗講就是以圖找圖，通過圖中的一部分來找它在圖中的位置(模板匹配就是在整個圖像區域發現與給定子圖像匹配的小塊區域)。

模板匹配是一種最原始、最基本的模式識別方法，研究某一特定對象物的圖案位於圖像的什么地方，進而識別對象物，這就是一個匹配問題。
它是圖像處理中最基本、最常用的匹配方法。

2、作用有局限性

必須在指定的環境下，才能匹配成功，是受到很多因素的影響，所以有一定的適應性

模板匹配具有自身的局限性，主要表現在它只能進行平行移動，若原圖像中的匹配目標發生旋轉或大小變化，該算法無效。

3、工作原理

在待檢測圖像上，從左到右，從上向下計算模板圖像與重疊子圖像的匹配度，匹配程度越大，兩者相同的可能性越大。

常見的幾種模板匹配算法

①TM_SQDIFF是平方差匹配；TM_SQDIFF_NORMED是標准平方差匹配。利用平方差來進行匹配,最好匹配為0.匹配越差,匹配值越大。所以這個函數和其他函數是不一樣的

②TM_CCORR是相關性匹配；TM_CCORR_NORMED是標准相關性匹配。采用模板和圖像間的乘法操作,數越大,越接近1表示匹配程度較高, 0表示最壞的匹配效果。

③TM_CCOEFF是相關性系數匹配；TM_CCOEFF_NORMED是標准相關性系數匹配。將模版對其均值的相對值與圖像對其均值的相關值進行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列)。

總結：隨着從簡單的測量(平方差)到更復雜的測量(相關系數),我們可獲得越來越准確的匹配(同時也意味着越來越大的計算代價)。

在這里我們是通過這三種方式來匹配：cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED

4、涉及函數

（1）目標匹配函數result = cv.matchTemplate(target,tpl,md)

函數原型為：matchTemplate(image, templ, method[, result[, mask]]) -> result

image 參數表示待搜索源圖像，必須是8位整數或32位浮點。

templ 參數表示模板圖像，必須不大於源圖像並具有相同的數據類型。

method 參數表示計算匹配程度的方法。

result 參數表示匹配結果圖像，必須是單通道32位浮點。如果image的尺寸為W x H，templ的尺寸為w x h，則result的尺寸為(W-w+1)x(H-h+1)。

（2）min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)

opencv的函數minMaxLoc：在給定的矩陣中尋找最大和最小值，並給出它們的位置。該功能不適用於多通道陣列。如果您需要在所有通道中查找最小或最大元素，要先將陣列重新解釋為單通道。
函數minMaxLoc原型為：minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc
src參數表示輸入單通道圖像。
mask參數表示用於選擇子數組的可選掩碼。
minVal參數表示返回的最小值，如果不需要，則使用NULL。
maxVal參數表示返回的最大值，如果不需要，則使用NULL。
minLoc參數表示返回的最小位置的指針（在2D情況下）；如果不需要，則使用NULL。
maxLoc參數表示返回的最大位置的指針（在2D情況下）；如果不需要，則使用NULL。

tpl = cv.imread('11.jpg')
target = cv.imread('1.jpg')
cv.imshow('template_butterfly',tpl)
cv.imshow('target',target)
methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]
tpl_h,tpl_w = tpl.shape[:2]
for md in methods:
    result = cv.matchTemplate(target,tpl,md)    #result是模板圖像去匹配源圖像，在源圖像的區域位置圖像
    min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
    print("--------------%s--------------" % md)
    print("min_val", min_val)
    print("max_val", max_val)
    print("min_loc", min_loc)
    print("max_loc", max_loc)
    print("--------------%s--------------\n" % md)



--------------1--------------
min_val 6.713293259963393e-05　　　　#標准差越小，匹配效果越好
max_val 0.6963181495666504
min_loc (180, 90)
max_loc (478, 235)
--------------1--------------

--------------3--------------
min_val 0.7413668632507324
max_val 0.9770615100860596　　　　#相關性越接近一，匹配效果越好
min_loc (496, 85)
max_loc (180, 90)
--------------3--------------

--------------5--------------
min_val -0.43208545446395874
max_val 0.8136414289474487　　　　#相關性越接近一，匹配效果越好
min_loc (871, 75)
max_loc (180, 90)
--------------5--------------

查看min_loc和max_loc關系

cv.line(target,min_loc,max_loc,(0,255,255),2)

二、代碼實現

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

def template_demo():
    tpl = cv.imread('11.jpg')
    target = cv.imread('1.jpg')
    cv.imshow('template_butterfly',tpl)
    cv.imshow('target',target)
    methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]
    tpl_h,tpl_w = tpl.shape[:2]
    for md in methods:
        result = cv.matchTemplate(target,tpl,md)    #result是模板圖像去匹配源圖像，再源圖像的區域位置圖像
        min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result) #獲取的是每種公式中計算出來的值，每個像素點都對應一個值

　　　　 if md == cv.TM_SQDIFF_NORMED:
            t1 = min_loc　　　　#最小位置指針 else:
            t1 = max_loc　　　　#最大位置指針
        br = (t1[0]+tpl_w,t1[1] + tpl_h)
        cv.rectangle(target,t1,br,(0,0,255),2)　　#畫個矩形
        #cv.line(target,min_loc,max_loc,(0,255,255),2)　　#畫條線，連接最小位置和最大位置（就是匹配的圖片左上角和右下角）
        cv.imshow('match_%s'%md,target)

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