機器學習進階-圖像金字塔與輪廓檢測-模板匹配（單目標匹配和多目標匹配）1.cv2.matchTemplate(進行模板匹配) 2.cv2.minMaxLoc(找出矩陣最大值和最小值的位置(x,y)) 3.cv2.rectangle(在圖像上畫矩形)

1. cv2.matchTemplate(src, template, method)  # 用於進行模板匹配

參數說明： src目標圖像， template模板，method使用什么指標做模板的匹配度指標

2. min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)  # 找出矩陣中最大值和最小值，即其對應的(x, y)的位置
參數說明：min_val， max_val, min_loc, max_loc 分別表示最小值，最大值，即對應的位置， ret輸入的矩陣

3. cv2.rectangle(img, (x, y), (x+w. y+h), (0, 0, 255), 2) 用於在圖像上畫出矩陣

參數說明：img表示圖片，(x, y)表示矩陣左上角的位置，(x+w, y+h)表示矩陣右下角的位置, (0, 0, 255)表示顏色，2表示線條  

模板匹配：表示使用一個圖像的模板，在一副主圖上：從左到右，從上到下進行滑動，每次只滑動一個像素，最終結果的維度為(h - ht + 1, w - wt + 1)，

h表示主圖的長，ht表示模板的長, w表示主圖的寬，wt表示模板的寬

對於結果的求法：這里使用幾個指標：

 

這是模板匹配中的6個指標

第一個指標，用於計算均分根誤差，均方根誤差越小，表示模板與主圖的部分匹配度越高

第二個指標，表示相關性, 即dot(x, y), 相關性越大說明，模板與主圖部分的匹配度越高

第三個指標， 表示相關性系數，即dot(x-x', y-y') x' 和 y’表示的是x的均值和y的均值，相關性系數越大，模板與主圖部分的匹配度越高

下面三個指標的歸一化表示,  /sqrt(dot(∑x^2 + ∑y^2)) , 下面是數學公式

 

單個目標的模板匹配

代碼：

第一步：讀入目標圖片，讀入模板圖片，對目標圖片和模板圖片進行灰度化操作

第二步：使用cv2.matchtemplate(img, template, cv2.TM_CCOEFF_NORMED) 進行模板匹配，獲得大量的ret結果
第三步：使用min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)  # 找出最大值數所在的位置

第四步：使用cv2.rectangle(original, max_loc, (max_loc[0] + w, max_loc[1] + h), (0, 0, 255), 2) 進行畫圖操作

第五步：我們對上述的方法進行循環，嘗試各種方法所得到的結果

import cv2
import numpy as np
import matplotlib.pyplot as plt

original = cv2.imread('lena.jpg')
img = cv2.imread('lena.jpg', 0)
template = cv2.imread('face.jpg', 0)

h, w = template.shape[:2]

methods = ['cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCOEFF', 'cv2.TM_SQDIFF_NORMED', 'cv2.TM_SQDIFF',
           'cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED']
ret = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)

draw_img = original.copy()
ret = cv2.rectangle(draw_img, max_loc, (max_loc[0]+w, max_loc[1]+h), (0, 0, 255), 2)
cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()

for method in methods:
    draw_img = img.copy()
    op = eval(method)
    ret = cv2.matchTemplate(img, template, op)
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(ret)
    if method in ['cv2.TM_SQDIFF_NORMED', 'cv2.TM_SQDIFF']:
        loc = min_loc
    else:
        loc = max_loc
    rect = cv2.rectangle(draw_img, loc, (loc[0] + w, loc[1] + h), (0, 0, 255), 2)
    plt.subplot(121)
    plt.imshow(ret, cmap='gray')
    plt.title(method)
    plt.subplot(122)
    plt.imshow(rect, cmap='gray')
    plt.title(method)
    plt.show()

多目標匹配， 多目標匹配使用的是一個閾值，當大於這個閾值時，我們認為已經獲得一個目標的匹配值

而使用cv2.matchTemplate匹配出的ret實際是一些上述指標的數值

代碼：

第一步:讀入圖片，對目標圖片和模板進行灰度化

第二步：匹配模板，獲得ret

第三步：使用np.where(ret>0.8) 刪選合適的位置，這個位置是(0, 2)即0表示豎的，2表示橫着的

第四步：使用index[::-1]將位置進行調換，使用*index[::-1]使得矩陣發生拆分，使用zip進行兩兩組合

第五步：使用cv2.rectangle進行畫多個矩陣

第六步：使用cv2.imshow展示圖片

original = cv2.imread('mario.jpg')
img = cv2.imread('mario.jpg', 0)
template = cv2.imread('mario_coin.jpg', 0)
h, w = template.shape[:2]
ret = cv2.matchTemplate(img, template, cv2.TM_CCORR_NORMED)

index = np.where(ret > 0.8)

draw_img = original.copy()
for i in zip(*index[::-1]):
    rect = cv2.rectangle(draw_img, i, (i[0]+w, i[1]+h), (0, 0, 255), 1)

cv2.imshow('rect', np.hstack((original, rect)))
cv2.waitKey(0)
cv2.destroyAllWindows()