1.什么是模板匹配及模板匹配方法matchTemplate()
介绍
提供一个模板图像，一个目标图像，且满足模板图像是目标图像的一部分，从目标图像中寻找特定的模板图像的过程，即为模板匹配。OpenCV提供了matchTemplate()方法帮助我们实现模板匹配。
该方法语法如下：
cv2.matchTemplate(image, templ, method, result=None, mask=None)
其中
image 即目标图像
templ 即模板图像
method 是匹配的方式
mask 即掩模，可选。只有当method为cv2.TM_SQDIFF或cv2.TM_CCORR_NORMED时才支持此参数。
method参数可以是以下值：
| 参数值 | 描述 |
|---|---|
| cv2.TM_SQDIFF | 差值平方和匹配，也称平方差匹配。可以理解为是基于差异程度的匹配，差异程度越小，匹配程度越高。完全匹配时值差值平方和为0。 |
| cv2.TM_SQDIFF_NORMED | 相关匹配。 可以理解为是基于相似程度的匹配，相似程度越高，计算结果越大，匹配程度就越高。 |
| cv2.TM_CCORR | 标准相关匹配。 规则同上。 |
| cv2.TM_CCORR_NORMED | 相关系数匹配 |
| cv2.TM_CCOEFF | 相关系数匹配。也是基于相似程度的匹配，计算结果是一个-1到1的浮点数，1表示完全匹配，0表示毫无关系，-1表示两张图片亮度刚好相反。 |
| cv2.TM_CCOEFF_NORMED | 标准相关系数匹配，规则同上。 |
使用matchTemplate()方法，模板会将图像中的每一块区域都覆盖一遍，并每次都使用所选的method方法进行计算，每次的计算结果最后以一个二维数组的形式返回给我们。
素材准备
为方便展示，特准备以下图片素材：
选择世界名画《三英战吕布》（test.png）,图像shape为(738, 675, 3)：
从中抠出一部分图像元素作为下边要用的模板素材。取材代码如下（ 不建议截图，截图抠出来的不一定能保证尺寸）：
import cv2
img = cv2.imread("test.png")
print(img.shape)
# 电灯
img1 = img[20:220, 320:480, :]
# 虎牢关牌匾
img2 = img[75:150, 200:310, :]
# 青龙刀
img3 = img[170:530, 575:650, :]
# 关云长
img4 = img[270:670, 160:330, :]
cv2.imshow("img0", img)
cv2.imshow("img1", img1)
cv2.imshow("img2", img2)
cv2.imshow("img3", img3)
cv2.imshow("img4", img4)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('template_pic1.jpg', img1)
cv2.imwrite('template_pic2.jpg', img2)
cv2.imwrite('template_pic3.jpg', img3)
cv2.imwrite('template_pic4.jpg', img4)
取出的模板素材如下：
电灯
虎牢关牌匾
青龙刀
关云长
2.单模板匹配
单模板匹配，即在匹配时中只使用到一个模板的匹配过程。具体又可以分为单目标匹配和多目标匹配。
2.1 单目标匹配
单目标匹配，即模板在目标图像中只匹配 匹配程度最高的一个匹配结果。
这需要找出这一次匹配结果所在位置的坐标来确定其位置，
OpenCV提供了cv2.minMAXLoc()来实现。
该方法参数为matchTemplate()的返回值，会返回一个元组，元组中有四个值，分别是最小值、最大值、最小值时图像左上角顶点坐标，最大值时图像左上角顶点坐标。
接下来，使用 电灯(template_pic1) 图片来匹配原图，并用红色的矩形在原图像中圈出模板图像，使用标准差值平方和的匹配方式，代码如下：
import cv2
img = cv2.imread("test.png")
templ = cv2.imread("template_pic1.jpg")
height, width, c = templ.shape
results = cv2.matchTemplate(img, templ, cv2.TM_SQDIFF_NORMED)
# 获取匹配结果中的最小值、最大值、最小值坐标和最大值坐标
minValue, maxValue, minLoc, maxLoc = cv2.minMaxLoc(results)
resultPoint1 = minLoc
resultPoint2 = (resultPoint1[0] + width, resultPoint1[1] + height)
cv2.rectangle(img, resultPoint1, resultPoint2, (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()
如图所示，成功标出了模板图。
如果要从多幅图像中，找出与模板最匹配的结果，
以标准差值平方和的匹配方式为例，
则可以对这些图像进行遍历，并比较每幅图像对应结果中的最小值，找出最小值中的最小值，则为最佳匹配项。
以两幅图像为例，将原图翻转一次，生成一张新的图像（翻转后结果与原图较像，但差异巨大）
翻转产生素材（test1.png）
import cv2
img = cv2.imread("test.png")
dst1 = cv2.flip(img, 1)
cv2.imshow("dst1", dst1)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('test1.png', dst1) 
然后使用模板 关云长 (template_pic4.jpg)对两幅图像进行匹配，输出最佳匹配结果，并画红框展示：
import cv2
image = []
image.append(cv2.imread("test.png"))
image.append(cv2.imread("test1.png"))
templ = cv2.imread("template_pic4.jpg")
height, width, c = templ.shape
# 循环变量初始化
# 这里只是随便设定一个值，该值并无意义，只是为了定义该变量
# 使用TM_SQDIFF_NORMED计算方法，计算出的结果通常是小于1的，所以minValue可以设置为1。如果是TM_SQDIFF计算方法，则就不行了，计算出来的值会很大。代码就不再有效，需要把minMax设得更大，或者做其他修改。
index = -1
minValue = 1
minLoc1 = (0, 0)
# 遍历每幅图像
for i in range(0, len(image)):
results = cv2.matchTemplate(image[i], templ, cv2.TM_SQDIFF_NORMED)
min = cv2.minMaxLoc(results)[0]
if min < minValue:
minValue = min
minLoc1 = cv2.minMaxLoc(results)[2]
index = i
minLoc2 = (minLoc1[0] + width, minLoc1[1] + height)
cv2.rectangle(image[index], minLoc1, minLoc2, (0, 0, 255), 2)
cv2.imshow("result", image[index])
cv2.waitKey()
cv2.destroyAllWindows()
如图，test.png中的关云长与模板更为匹配。
2.2 多目标匹配
多目标匹配，即在目标图像中匹配出所有与模板图像匹配的结果。可以使用相关匹配或相关系数匹配。
素材准备
还以原图像"test.png"为参照，
为了产生方便我们做示例的图像，我们在该图像的基础上多加一盏电灯，生成"test2.png"
import cv2
img = cv2.imread("test.png")
templ = cv2.imread("template_pic1.jpg")
img[20:220, 30:190, :] = templ
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('test2.png', img) 
多目标匹配
多目标匹配即对matchTemplate()匹配的总的结果，的计算情况数据，使用for循环遍历，并设定一个判断标准。
如使用标准相关系数（cv2.TM_CCOEFF_NORMED）的方法判断，如：如果计算值大于0.99，则我们认为匹配成功了。
使用电灯模板"template_pic1.jpg"，匹配图像test2.png。并对匹配的结果用红色的矩形框标记。
代码示例如下：
import cv2
img = cv2.imread("test2.png")
templ = cv2.imread("template_pic1.jpg")
height, width, c = templ.shape
# 按照标准相关系数匹配
results = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED)
for y in range(len(results)):
for x in range(len(results[y])):
if results[y][x] > 0.99:
cv2.rectangle(img, (x, y), (x + width, y + height), (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()
程序执行结果如下，成功匹配出了两盏灯。
3.多模板匹配
多模板匹配，即进行了n次单模板的匹配过程。
直接上示例：
在test.png中匹配电灯、青龙刀、虎牢关牌匾、关云长四个图像模板：
import cv2
def myMatchTemplate(img, templ):
height, width, c = templ.shape
results = cv2.matchTemplate(img, templ, cv2.TM_CCOEFF_NORMED)
loc = list()
for i in range(len(results)):
for j in range(len(results[i])):
if results[i][j] > 0.99:
loc.append((j, i, j + width, i + height))
return loc
# 读取原始图像
img = cv2.imread("test.png")
# 模板列表
templs = list()
templs.append(cv2.imread("template_pic1.jpg"))
templs.append(cv2.imread("template_pic2.jpg"))
templs.append(cv2.imread("template_pic3.jpg"))
templs.append(cv2.imread("template_pic4.jpg"))
loc = list()
for t in templs:
loc += myMatchTemplate(img, t)
# 遍历所有红框的坐标
for i in loc:
cv2.rectangle(img, (i[0], i[1]), (i[2], i[3]), (0, 0, 255), 2)
cv2.imshow("img", img)
cv2.waitKey()
cv2.destroyAllWindows()
匹配效果如下：
以上就是Python OpenCV实现图像模板匹配详解的详细内容，更多关于Python OpenCV图像模板匹配的资料请关注编程网其它相关文章！
