模板匹配方法

模板匹配

类似于卷积，模板在原图像上从原点进行滑动，计算模板与原图像被覆盖的地方的差别程度，共用6种计算方法，将每次计算的结果放到一个矩阵里，作为结果输出。
假如原图像大小为AxB，模板为axb，则输出结果的矩阵大小为（A-a+1，B-b+1）

方法：
cv2.TM_SQDIFF：计算平方不同，结果越小越相关。
cv2.TM_CCORR：计算相关性，结果越大越相关。
cv2.TM_CCOEFF：计算相关系数，结果越大越相关。
cv2.TM_SQDIFF_NORMED：计算归一化平方不同，结果越接近0越相关。
cv2.TM_CCORR_NORMED：计算归一化相关性，结果越接近1越相关。
cv2.TM_CCOEFF_NORMED：计算归一化相关系数，结果越接近1越相关。

读图像与模板并计算模板长于宽

deppb = cv2.imread('deppb.jpg', 0)
deppl = cv2.imread('deppl.png', 0)
h, w = deppl.shape[: 2]

输出图像与模板的大小

print(deppb.shape)
print(deppl.shape)

六种方法

methods = {
   'cv2.TM_CCOEFF', 'cv2.TM_CCOEFF_NORMED', 'cv2.TM_CCORR', 'cv2.TM_CCORR_NORMED', 'cv2.TM_SQDIFF', 'cv2.TM_SQDIFF_NORMED'}

for meth in methods:
    deppb2 = deppb.copy()
    # 匹配方法的真值
    method = eval(meth)
    print(method)
    res = cv2.matchTemplate(deppb, deppl, method)  # 模板匹配
    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

    # 如果方法为平方差匹配cv2.TM_SQDIFF或归一化匹配cv2.TM_SQDIFF_NORMED则取最小值
    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)

    # 画矩形
    cv2.rectangle(deppb2, top_left, bottom_right, 255, 2)

    plt.subplot(121), plt.imshow(res, cmap='gray')
    plt.xticks([]), plt.yticks([])  # 隐藏坐标轴
    plt.subplot(122), plt.imshow(deppb2, cmap='gray')
    plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)  # 表头
    plt.show()

结果

可以看出如果方法为平方差匹配cv2.TM_SQDIFF或归一化匹配cv2.TM_SQDIFF_NORMED则取最小值，最相关的位置最黑。
cv2.TM_CCORR方法较不理想。

匹配多个对象

在图mary中找到砖块maryl

maryl

img_rgb = cv2.imread('mary.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('maryl.jpg', 0)
h, w = template.shape[:2]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)
yuzhi = 0.78
# 取匹配度大于78%的坐标
loc = np.where(res >= yuzhi)
for pt in zip(*loc[::-1]):
    bottom_right = (pt[0] + w, pt[1] + h)
    cv2.rectangle(img_rgb, pt, bottom_right, (150, 255, 10), 2)

cv2.imshow('img_rgb', img_rgb)
cv2.waitKey(0)

结果