作用有局限性，必须在指定的环境下，才能匹配成功，是受到很多因素的影响，所以有一定的适应性

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。
它是图像处理中最基本、最常用的匹配方法。
模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域[/code]

工作原理：在待检测图像上，从左到右，从上向下计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性越大。

代码实现：

import cv2 as cvimport numpy as npdef 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]　　#各种匹配算法 th,tw = tpl.shape[:2]　　#获取模板图像的高宽 for md in methods: result = cv.matchTemplate(target,tpl,md) # result是我们各种算法下匹配后的图像 # cv.imshow("%s"%md,result) #获取的是每种公式中计算出来的值，每个像素点都对应一个值 min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result) if md == cv.TM_SQDIFF_NORMED: tl = min_loc #tl是左上角点 else: tl = max_loc br = (tl[0]+tw,tl[1]+th) #右下点 cv.rectangle(target,tl,br,(0,0,255),2)　　#画矩形 cv.imshow("match-%s"%md,target)src = cv.imread("./1.png") #读取图片cv.namedWindow("input image",cv.WINDOW_AUTOSIZE) #创建GUI窗口,形式为自适应cv.imshow("input image",src) #通过名字将图像和窗口联系template_demo()cv.waitKey(0) #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作cv.destroyAllWindows() #销毁所有窗口

补充：

1.几种常见的模板匹配算法

①TM_SQDIFF是平方差匹配；TM_SQDIFF_NORMED是标准平方差匹配。利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大。

②TM_CCORR是相关性匹配；TM_CCORR_NORMED是标准相关性匹配。采用模板和图像间的乘法操作,数越大表示匹配程度较高, 0表示最坏的匹配效果。

③TM_CCOEFF是相关性系数匹配；TM_CCOEFF_NORMED是标准相关性系数匹配。将模版对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。

总结：随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价)。

相关性是越接近1越大越好

平方差是越小越好
所以TM_SQDIFF在使用时和其他的是有所区别的

2.result = cv.matchTemplate(target,tpl,md)

opencv的目标匹配函数为matchTemplate，函数原型为：matchTemplate(image, templ, method[, result[, mask]]) -> result
image参数表示待搜索源图像，必须是8位整数或32位浮点。
templ参数表示模板图像，必须不大于源图像并具有相同的数据类型。
method参数表示计算匹配程度的方法。
result参数表示匹配结果图像，必须是单通道32位浮点。如果image的尺寸为W x H，templ的尺寸为w x h，则result的尺寸为(W-w+1)x(H-h+1)。

其中result是模板图像去匹配的区域位置图像[/code]

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

opencv的函数minMaxLoc：在给定的矩阵中寻找最大和最小值，并给出它们的位置。 该功能不适用于多通道阵列。 如果您需要在所有通道中查找最小或最大元素，要先将阵列重新解释为单通道。
函数minMaxLoc原型为：minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc
src参数表示输入单通道图像。
mask参数表示用于选择子数组的可选掩码。
minVal参数表示返回的最小值，如果不需要，则使用NULL。
maxVal参数表示返回的最大值，如果不需要，则使用NULL。
minLoc参数表示返回的最小位置的指针（在2D情况下）； 如果不需要，则使用NULL。
maxLoc参数表示返回的最大位置的指针（在2D情况下）； 如果不需要，则使用NULL。

结合每种匹配算法，我们看看获取的数值

result = cv.matchTemplate(target,tpl,md) #获取的是每种公式中计算出来的值，每个像素点都对应一个值 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--------------" % md)--------------1--------------　　#TM_SQDIFF_NORMED标准平方差匹配min_val 0.0　　#标准差是越小为0代表匹配上了max_val 0.22279763221740723min_loc (108, 248)max_loc (3, 480)--------------1----------------------------3--------------　　#TM_CCORR_NORMED标准相关性匹配min_val 0.9228140115737915max_val 1.0　　#相关性是越接近1代表匹配上了min_loc (9, 378)max_loc (108, 248)--------------3----------------------------5--------------　　#TM_CCOEFF_NORMED标准相关性系数匹配min_val -0.10706906020641327max_val 1.0　　#相关性越接近1越好min_loc (186, 248)max_loc (108, 248)--------------5--------------

查看min_loc和max_loc关系

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

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。