OpenCV笔记：cv2.matchTemplate()单模板匹配和多模板匹配

导读

        模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。

        模板匹配实现简单（2~3行代码），计算效率高，不需要执行阈值化、边缘检测等操作来生成二值化图像。但是：如果输入图像中存在变化的因素，包括旋转、缩放、视角变化等，模板匹配很容易就会失效。除非：输入图像的旋转、缩放、视角变化在恒定的情况下，模板匹配也可以完美发挥作用。

        你可能需要的文章：

• OpenCV笔记：cv2.matchTemplate()、cv2.minMaxLoc() 、cv2.rectangle() 方法介绍
• 关于：Python基础，爬虫，机器学习，常见异常和面试【篇】（专题汇总）

正文

        OpenCV 为我们提供了函数： cv2.matchTemplate() 用于实现模板匹配，并使用 cv2.minMaxLoc() 计算匹配结果。

        至于模板的匹配方法，这里不做详细介绍，需要的小伙伴可以查看：【导读】- 你可能需要的文章。

一、单模板匹配

1.1 图片准备

        之前的教程里，我一直匹配“脸部”这种特征明显的图形，所以本讲换一个思路，匹配更容易混淆的衣服部分。玩个游戏吧，大家可以看看下面的图片取自哪里，看看是你快，还是机器学习快。

• 底图 image（博客首页的图），模板图片 templ 如下：

         注意：模板图片要从模板图片中截出来使用，如果二者分辨率差距太大，很容易匹配失败。

1.2 代码展示

# _*_coding:utf-8_*_
# 作者： Java Punk
# 时间： 2022-10-09 14:49:45import cv2 as cv2# 单个模板匹配
def one_match(image, templ):img = cv2.imread(image)template = cv2.imread(templ)h, w = template.shape[:2]# 匹配模板res = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)# 计算矩形左边top_left = max_locbottom_right = (top_left[0] + w, top_left[1] + h)# 画矩形cv2.rectangle(img, top_left, bottom_right, (0, 0, 255), 5)# 展示结果cv2.imshow(&＃39;img_rgb&＃39;, img)cv2.waitKey(0)passif __name__ == &＃39;__main__&＃39;:print("———————————————————— start ————————————————————\n")# 图片路径自己设置，下面是我本地的路径，记得替换！！！one_match(&＃39;../img/test/guimie_03.jpg&＃39;, &＃39;../img/test/guimie_04.jpg&＃39;)print("———————————————————— end ————————————————————\n")

1.3 效果展示

        完美匹配到了，我的模板就是从这里接出来的。

二、多模板匹配

     上面的单模板匹配使用了函数 cv2.minMaxLoc() 输出结果，特点是：只会输出一个匹配系数最大值，无法给出所有匹配区域的位置信息。但是，有些情况下，要搜索的模板图像很有可能在输入图像内出现了多次，这时就需要找出多个匹配结果。

        多模板匹配引入了“匹配系数” - threshold，利用数学计算函数 numpy 删选出所有大于 threshold 的图形。

2.1 图片准备 

• 模板图片 templ → 底图 image：

2.2 代码展示

# _*_coding:utf-8_*_
# 作者： Java Punk
# 时间： 2022-10-09 14:49:45import cv2 as cv2
import numpy as np# 多个模板匹配
def more_match(image, templ):img = cv2.imread(image)img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)template = cv2.imread(templ, 0)h, w = template.shape[:2]res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)# 取匹配程度大于%90的坐标threshold = 0.9# np.where返回的坐标值(x,y)是(h,w)，注意h,w的顺序loc = np.where(res >= threshold)for pt in zip(*loc[::-1]):bottom_right = (pt[0] + w, pt[1] + h)cv2.rectangle(img, pt, bottom_right, (255, 0, 0), 1)print(pt, bottom_right)cv2.imshow(&＃39;img_rgb&＃39;, img)cv2.waitKey(0)passif __name__ == &＃39;__main__&＃39;:print("———————————————————— start ————————————————————\n")# 图片路径自己设置，下面是我本地的路径，记得替换！！！more_match(&＃39;../img/test/zhipai_03.jpg&＃39;, &＃39;../img/test/zhipai_04.jpg&＃39;)print("———————————————————— end ————————————————————\n")

2.3 效果展示

        要知道，即使是从原图上截取的图片，在做视觉匹配的时候有没有100%匹配的说法，只能是无限接近于100%。代码中 threshold = 0.9，即：90%以上匹配，尝试将匹配系数慢慢增大，看看会发生什么？

        注：为了让每个菱形有区别，我特意倾斜了一定角度拍摄了纸牌的照片，多少能展示出一点效果。

        当 threshold = 0.99 的时候，结果只有一个（的确就是我取的截图），即：输出最匹配的结果，在原理上与 函数 cv2.minMaxLoc() 有异曲同工之妙。