目录：
(一)原理
(二)代码实现和几种常见的模板匹配算法
正文：
(一)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。
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。
(二)代码实现和几种常见的模板匹配算法
代码实现：
1 importcv2 as cv2 importnumpy as np3
4 deftemplate_demo():5 tpl = cv.imread(“./temp.png”)6 target = cv.imread(“./1.png”)7 cv.imshow(“template image”,tpl)8 cv.imshow(“target image”,target)9 methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED] #各种匹配算法
10 th,tw = tpl.shape[:2] #获取模板图像的高宽
11 for md inmethods:12 result =cv.matchTemplate(target,tpl,md)13 #result是我们各种算法下匹配后的图像
14 #cv.imshow(“%s”%md,result)
15 #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
16 min_val,max_val,min_loc,max_loc =cv.minMaxLoc(result)17 if md ==cv.TM_SQDIFF_NORMED:18 tl = min_loc #tl是左上角点
19 else:20 tl =max_loc21 br = (tl[0]+tw,tl[1]+th) #右下点
22 cv.rectangle(target,tl,br,(0,0,255),2) #画矩形,(0,0,255),2—红色，线宽
23 cv.imshow(“match-%s”%md,target)24 25 26 src = cv.imread(“./1.png”) #读取图片 27 cv.namedWindow(“input image”,cv.WINDOW_AUTOSIZE) #创建GUI窗口,形式为自适应 28 cv.imshow(“input image”,src) #通过名字将图像和窗口联系 29 template_demo()30 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 31 cv.destroyAllWindows() #销毁所有窗口
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
参考：
https://www.cnblogs.com/ssyfj/p/9271883.html
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/223368.html原文链接：https://javaforall.net
