python實現模板匹配

目錄：

（一）原理

（二）代碼實現和幾種常見的模板匹配算法

 

 

 

正文：

（一）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。

 

 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。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。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。

（二）代碼實現和幾種常見的模板匹配算法

代碼實現：

import cv2 as cv
import numpy as np

def template_demo():
    tpl = cv.imread("./temp.png")
    target = cv.imread("./1.png")
    cv.imshow("template image",tpl)
    cv.imshow("target image",target)
    methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]　　#各種匹配算法
    th,tw = tpl.shape[:2]　　#獲取模板圖像的高寬
    for md in methods:
        result = cv.matchTemplate(target,tpl,md)
        # result是我們各種算法下匹配后的圖像
        # cv.imshow("%s"%md,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
        min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
        if md == cv.TM_SQDIFF_NORMED:
            tl = min_loc    #tl是左上角點
        else:
            tl = max_loc
        br = (tl[0]+tw,tl[1]+th)    #右下點
        cv.rectangle(target,tl,br,(0,0,255),2)　　#畫矩形,(0,0,255),2---紅色，線寬

 23 cv.imshow("match-%s"%md,target) 24 25 26 src = cv.imread("./1.png") #讀取圖片 27 cv.namedWindow("input image",cv.WINDOW_AUTOSIZE) #創建GUI窗口,形式為自適應 28 cv.imshow("input image",src) #通過名字將圖像和窗口聯系 29 template_demo() 30 cv.waitKey(0) #等待用戶操作，里面等待參數是毫秒，我們填寫0，代表是永遠，等待用戶操作 31 cv.destroyAllWindows() #銷毀所有窗口

幾種常見的模板匹配算法：

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。

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)。

相關性是越接近1越大越好
平方差是越小越好
所以TM_SQDIFF在使用時和其他的是有所區別的

參考：

https://www.cnblogs.com/ssyfj/p/9271883.html