OpenCV模板匹配

本文使用python实现。

OpenCV中模板匹配使用的公式以下

函数（1）：平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。
函数（2）：归一化平方差匹配法
函数（3）：相关匹配法：该方法采用乘法操做；数值越大代表匹配程度越好。
函数（4）：归一化相关匹配法
函数（5）：相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
函数（6）：归一化相关系数匹配法

代码以下

import cv2 as cv
import numpy as np


def template_demo():
    tpl = cv.imread("C:/Users/admin/Desktop/sample.jpg")
    target = cv.imread("C:/Users/admin/Desktop/bird.jpg")
    cv.imshow("template image", tpl)
    cv.imshow("target image", target)
    methods = [cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED]
    th, tw = tpl.shape[:2]  # 获取图像的高和宽
    for md in methods:
        print(md)
        result = cv.matchTemplate(target, tpl, md)
        '''
        def matchTemplate(image: Any,       # 待匹配的源图像
                  templ: Any,               # 模板图像
                  method: Any,              # 模板匹配算法
                  result: Any = None,       # 保存结果，咱们能够经过minMaxLoc()肯定结果矩阵的最大值和最小值的位置.
                  mask: Any = None) -> None
        关于模板匹配算法，有如下6种：
        enum { 
            TM_SQDIFF=0,            # 平方差匹配法：该方法采用平方差来进行匹配；最好的匹配值为0；匹配越差，匹配值越大。
            TM_SQDIFF_NORMED=1,     # 归一化平方差匹配法
            TM_CCORR=2,             # 相关匹配法：该方法采用乘法操做；数值越大代表匹配程度越好。
            TM_CCORR_NORMED=3,      # 归一化相关匹配法
            TM_CCOEFF=4,            # 相关系数匹配法：1表示完美的匹配；-1表示最差的匹配。
            TM_CCOEFF_NORMED=5 };   # 归一化相关系数匹配法
        TM_SQDIFF，TM_SQDIFF_NORMED匹配数值越低表示匹配效果越好，其它四种反之。
        TM_SQDIFF_NORMED，TM_CCORR_NORMED，TM_CCOEFF_NORMED是标准化的匹配，获得的最大值，最小值范围在0~1之间，其它则须要本身对结果矩阵归一化。
        不一样的方法会获得差别很大的结果，能够经过测试选择最合适的方法。
        '''
        min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
        '''
        def minMaxLoc(src: Any,
              mask: Any = None) -> None
        函数功能：假设有一个矩阵a,如今须要求这个矩阵的最小值，最大值，并获得最大值，最小值的索引。
        使用这个cv2.minMaxLoc()函数就可所有解决。函数返回的四个值就是上述所要获得的。
        '''
        if md == cv.TM_SQDIFF_NORMED:
            tl = min_loc
        else:
            tl = max_loc
        br = (tl[0]+tw, tl[1]+th)
        cv.rectangle(target, tl, br, (0, 0, 255), 2)    # 在图上绘制矩形
        '''
        def rectangle(img: Any,         # 图像
              pt1: Any,                 # 矩形的一个顶点
              pt2: Any,                 # 矩形对角线上的另外一个顶点
              color: Any,               # 矩形线条颜色(RGB)或亮度（灰度图像），(0, 0, 255)表示红色
              thickness: Any = None,    # 组成矩形的线条的粗细程度。取负值时（如 CV_FILLED）函数绘制填充了色彩的矩形。
              lineType: Any = None,     # 线条的类型
              shift: Any = None) -> None    # 坐标点的小数点位数。 
        '''
        cv.imshow("match-"+np.str(md), target)


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

使用cv.TM_SQDIFF_NORMED计算出的结果：

使用cv.TM_CCORR_NORMED计算出的结果

使用cv.TM_CCOEFF_NORMED计算出的结果

这三种方式均可以获得正确结果。