图像预处理-模板匹配

就是用模板图在目标图像中不断的滑动比较，通过某种比较方法来判断是否匹配成功,找到模板图所在的位置。

- 不会有边缘填充。

- 类似于卷积，滑动比较，挨个比较象素。

- 返回结果res大小是：目标图大小-模板图大小+1（H-h+1,W-w+1）。

一.匹配方法

res=cv2.matchTemplate(image, templ, method)

- image：原图像，这是一个灰度图像或彩色图像（在这种情况下，匹配将在每个通道上独立进行）。

- templ：模板图像，也是灰度图像或与原图像相同通道数的彩色图像。

- method：匹配方法，可以是以下之一：

- cv2.TM_CCOEFF

- cv2.TM_CCOEFF_NORMED

- cv2.TM_CCORR

- cv2.TM_CCORR_NORMED

- cv2.TM_SQDIFF

- cv2.TM_SQDIFF_NORMED

- 返回值res，每个元素表示原图像中相应位置与模板图像匹配的相似度，而每个元素的位置其实就是对应匹配位置的左上角元素位置。匹配方法不同，返回矩阵的值的含义也会有所区别。以下是几种常用的匹配方法及其返回值含义：

1. cv2.TM_SQDIFF 或 cv2.TM_SQDIFF_NORMED：

返回值越接近0，表示匹配程度越好。最小值对应的最佳匹配位置。

2. cv2.TM_CCORR 或 cv2.TM_CCORR_NORMED：

返回值越大，表示匹配程度越好。最大值对应的最佳匹配位置。

3. cv2.TM_CCOEFF 或 cv2.TM_CCOEFF_NORMED：

返回值越大，表示匹配程度越好。最大值对应的最佳匹配位置。

1.1 平方差匹配（cv2.TM_SQDIFF）

以模板图与目标图所对应的像素值使用平方差公式来计算，其结果越小，代表匹配程度越高。如图：

1.2 归一化平方差匹配（cv2.TM_SQDIFF_NORMED）

与平方差匹配类似，只不过需要将值统一到0到1，计算结果越小，代表匹配程度越高。如图：

1.3 相关匹配（cv2.TM_CCORR）

使用对应像素的乘积进行匹配，乘积的结果越大其匹配程度越高。如图：

1.4 归一化相关匹配（cv2.TM_CCORR_NORMED）

与相关匹配类似，只不过是将其值统一到0到1之间，值越大，代表匹配程度越高。如图：

1.5 相关系数匹配（cv2.TM_CCOEFF）

先计算模板与目标图像的均值，然后通过每个像素与均值之间的差的乘积再求和来表示其匹配程度，1表示完美的匹配，-1表示最差的匹配。如图：

1.6 归一化相关系数匹配（cv2.TM_CCOEFF_NORMED）

将相关系数匹配的结果统一到0到1之间，值越接近1代表匹配程度越高。如图：

二.绘制轮廓

设定一个匹配阈值来筛选出多个匹配程度高的区域，找出数组中所有大于0.8的元素索引：

loc=np.where(array > 0.8)

获取轮廓点：

zip(*loc)

- *loc 是解包操作，将 loc 中的多个数组拆开，作为单独的参数传递给 zip。

- zip 将这些数组按元素一一配对，生成一个迭代器，每个元素是一个元组，表示一个坐标点。

import cv2 as cv
import numpy as np# 导入目标图
img = cv.imread('../images/game.png')
# 导入模板图
temp = cv.imread('../images/temp.png')# 使用归一化相关系数匹配拿到所有匹配结果的数组
res = cv.matchTemplate(img, temp, cv.TM_CCORR_NORMED)
# 用布尔索引查找满足实际要求的匹配结果
loc = np.where(res >= 0.8)
print(loc)# 循环获取匹配结果并绘制矩形框
for pt in zip(*loc):# 因为where函数是对数组操作，先返回行索引再返回列索引，返回的坐标是(y,x)形式，所以需要反转pt = pt[::-1]# 绘制矩形框，已经知道loc中坐标是匹配区域左上角的坐标，右下角的坐标用模板图的尺寸加上左上角坐标即可cv.rectangle(img, pt, (pt[0]  + temp.shape[1], pt[1] + temp.shape[0]), (0, 0, 255), 2)cv.imshow('result', img)
cv.imshow('temp', temp)
cv.waitKey(0)
cv.destroyAllWindows()

(array([ 61, 61, 61, 61, 61, 61, 61, 61, 61, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 62, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 63, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 64, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 65, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 66, 67, 67, 67, 67, 67, 67, 67, 67, 67, 67, 67, 67, 67, 67, 68, 68, 68, 68, 99, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 101, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 102, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 103, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 104, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 105, 106, 106, 106, 106, 106, 106, 106, 106, 106, 106, 106, 106, 106, 106, 106, 138, 138, 138, 138, 138, 138, 138, 138, 138, 138, 138, 139, 139, 139, 139, 139, 139, 139, 139, 139,

...

139, 140, 154, 155, 156, 157, 171, 172, 173, 174, 70, 71, 72, 87, 88, 89, 104, 105, 106, 121, 122, 123, 138, 139, 140, 155, 156, 171, 172, 173, 71, 88, 105, 122, 138, 139, 155, 156, 172, 173, 32, 30, 31, 32, 30, 31, 32, 30, 31]))

这里有一个注意点，那就是将原图灰度化后，是不能使用(b,g,r)三通道颜色赋值的，而黑色很难看出来，所以使用白色(255,255,255)绘制矩形。

import cv2 as cv
import numpy as np# 导入目标图并灰度化
img = cv.imread('../images/game.png', cv.IMREAD_GRAYSCALE)
# 导入模板图并灰度化
temp = cv.imread('../images/temp.png', cv.IMREAD_GRAYSCALE)# 使用归一化相关系数匹配拿到所有匹配结果的数组
res = cv.matchTemplate(img, temp, cv.TM_CCORR_NORMED)
# 用布尔索引查找满足实际要求的匹配结果
loc = np.where(res >= 0.8)# 循环获取匹配结果并绘制矩形框
for pt in zip(*loc):# 因为where函数是对数组操作，先返回行索引再返回列索引，返回的坐标是(y,x)形式，所以需要反转pt = pt[::-1]# 绘制矩形框，这里使用了原来的红色框，实际显示为黑色cv.rectangle(img, pt, (pt[0] + temp.shape[1], pt[1] + temp.shape[0]), (0, 0, 255), 2)cv.imshow('result', img)
cv.imshow('temp', temp)
cv.waitKey(0)
cv.destroyAllWindows()