python+opencv图像模板匹配—单模板匹配

全栈程序员-站长 • 2021年10月6日下午3:00 • 未分类 • 阅读 43

一、模板匹配

模板匹配目标在于在A图像中寻找B图像最相似的部分，A为输入图像，B为模板图像。其原理将模板图像B在图像A上滑动，遍历所有像素完成匹配

在这里插入图片描述

在这里插入图片描述

二、单模板匹配

在opnencv中利用函数cv2.matchTemplate函数实现：

result=cv2.matchTemplate(image,templ,method[,mask])
其中：
result为匹配返回结果，格式为矩阵
image为输入图像
templ为模板图像，必须小于或等于输入图像，图像类型必须相同

method为匹配方法，现阶段有6中方法：
cv2.TM_SQDIFF/cv2.TM_SQDIFF_NORMED/
cv2.TM_CCORR/cv2.TM_CCORR_NORMED
cv2.TM_CCOEFF/cv2.TM_CCOEFF_NORMED

mask为模板掩模，需要和图像模板templ具有相同类型和大小，一般为默认，只有在SQDIFF和CCORR_NORMED中支持

由于不同模板匹配方法不同，选用cv2.TM_SQDIFF函数进行匹配
利用cv2.minMaxLoc( )寻找结果中最大值，最小值，最大值位置，最小值位置
所得到的结果也实验代码如下

import cv2
import numpy as np
from matplotlib import pyplot as plt
#读取图像为灰度图像
img=cv2.imread('C:/Users/wp/Desktop/five/5.jpg',0)
#读取模板图像
template=cv2.imread('C:/Users/wp/Desktop/five/7.jpg',0)
#模板图像尺寸
th,tw=template.shape[::]
print(th,tw)

#进行模板匹配：匹配方式为SQDIFF，result的值为0表示匹配度越好，反之越差
rv=cv2.matchTemplate(img,template,cv2.TM_SQDIFF)
print(rv)
#归一化，将矩阵结果归一到0到1的范围内
cv2.normalize(rv, rv, 0, 1, cv2.NORM_MINMAX, -1 )
print(rv)

minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(rv)
#相似度最小值
print("相似度最小值",minVal)
#相似度最大值
print("相似度最大值",maxVal)


#左上顶点坐标
topLeft=minLoc
#右下顶点坐标
bottomRight=(topLeft[0]+tw,topLeft[1]+th)

#画图，左上顶点，和右下顶点，白色255，宽度为2
cv2.rectangle(img,topLeft,bottomRight,255,2)

cv2.imshow("Matching Result", rv)
cv2.imshow("Detected Point", img)
cv2.waitKey()
cv2.destroyAllWindows()

结果：

280 89
[[1.5662291e+08 1.5261354e+08 1.4868202e+08 ... 1.7876922e+08
  1.7973040e+08 1.8063094e+08]
 [1.5570419e+08 1.5167946e+08 1.4771798e+08 ... 1.7974778e+08
  1.8073296e+08 1.8166957e+08]
 [1.5488346e+08 1.5082822e+08 1.4682650e+08 ... 1.8087574e+08
  1.8187194e+08 1.8283654e+08]
 ...
 [2.4001792e+08 2.3657427e+08 2.3339872e+08 ... 2.5952496e+08
  2.6294157e+08 2.6638003e+08]
 [2.4198950e+08 2.3858016e+08 2.3543363e+08 ... 2.6101248e+08
  2.6439066e+08 2.6780973e+08]
 [2.4398931e+08 2.4063030e+08 2.3747517e+08 ... 2.6249709e+08
  2.6586096e+08 2.6926288e+08]]
[[0.5814756  0.5665784  0.5519705  ... 0.66376233 0.66733366 0.67067975]
 [0.57806206 0.5631077  0.54838854 ... 0.6673982  0.6710588  0.67453885]
 [0.5750125  0.5599449  0.54507613 ... 0.6715893  0.67529076 0.67887485]
 ...
 [0.89133763 0.8785424  0.8667434  ... 0.9638179  0.9765126  0.9892885 ]
 [0.8986632  0.8859955  0.8743043  ... 0.9693449  0.9818968  0.9946007 ]
 [0.9060937  0.893613   0.88188976 ... 0.9748611  0.9873599  1.        ]]
相似度最小值 0.0
相似度最大值 1.0