作者：RayChiu_Labloy
版权声明：著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处

---

         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。

        通俗来讲就是利用小图来找大图，可以看作是一种简陋的目标检测方法。它只是将模板图像滑动到输入图像上（就像在2D卷积中一样），然后在模板图像下比较模板和输入图像的拼图。举例来说，对于以下两张图片（大图为原图，左上角小图为样章），使用cv.matchTemplate()函数进行匹配，再使用cv.minMaxLoc()函数获得全局极值的位置和数值大小。

 先看第一个函数也是最重要的匹配方法：

result = cv.matchTemplate( image, templ, method[, result[, mask]] )

• image：原图
• templ：用于匹配的样章
• method：原图与样章匹配效果的判别标准，参考链接：TemplateMatchModes
• result：输出图片
• mask：template的遮罩

其中method 有如下几种:
    CV_TM_SQDIFF:平方差匹配法；
    CV_TM_SQDIFF_NORMED:归一化平方差匹配法；
    CV_TM_CCORR:相关匹配法；
    CV_TM_CCORR_NORMED:归一化相关匹配法；
    CV_TM_CCOEFF:系数匹配法；
    CV_TM_CCOEFF_NORMED:化相关系数匹配法

对应公式：

公式计算过程详解：

在这里先谈一下matchTemplate()的result,result是一个结果矩阵，假设待匹配图像为 I，宽高为(W,H)，模板图像为 T，宽高为(w,h)。那么result的大小就为(W-w+1,H-h+1) 。
        原因是因为，在匹配时，以模板大小的搜索框依次遍历整张图片时，每行需要遍历(W-w+1)次，每列需要遍历(H-h+1)。
        以下列矩阵为例：

        待匹配图像 I.Size(5,5)，模板图像 T.Size(3,3)。以Size(3,3)的搜索框遍历图像I时，x方向需要遍历3次，y方向遍历3次。
        多观察发现，归纳出result.Size(W-w+1,H-h+1)。

        然后回到谈method,T 代表模板图像，I 代表待匹配图像。x ,y 代表当前搜索框在 I 矩阵中左上角元素的坐标。x' ,y' 代表T和搜索框框出来的 I 的矩阵的元素坐标。
        如下图：以归一化相关系数匹配方法为例。此时搜索框左上角坐标(x,y)=(0,0)。

对此搜索框内的矩阵和模板矩阵进行数据比较。
          第一步：减去均值。
          第二步：求俩矩阵内积，以及两个矩阵内元素平方和的平方的乘积。

 对公式研究发现：
               方差匹配方法：完全匹配会得到1， 完全不匹配会得到0。
               归一化方差匹配方法：完全匹配结果为0。
               相关性匹配方法：完全匹配会得到很大值，不匹配会得到一个很小值或0。
               归一化的互相关匹配方法：完全匹配会得到1， 完全不匹配会得到0。
               相关系数匹配方法：完全匹配会得到一个很大值，完全不匹配会得到0，完全负相关会得到很大的负数。
      （此处与书籍以及大部分分享的资料所认为不同，研究公式发现，只有归一化的相关系数才会有[-1,1]的值域）
               归一化的相关系数匹配方法：完全匹配会得到1，完全负相关匹配会得到-1，完全不匹配会得到0。 

再来看另一个函数：

minVal，maxVal，minLoc，maxLoc=cv.minMaxLoc（src [，mask]）

函数功能：假设有一个矩阵a,现在需要求这个矩阵的最小值，最大值，并得到最大值，最小值的索引。咋一看感觉很复杂，但使用这个CV2.minMaxLoc()函数就可全部解决。函数返回的四个值就是上述所要得到的。

实验代码：

import cv2
import numpy as np

img = cv2.imread("E:/Users/raychiu/Desktop/simpsons.jpg")
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
template = cv2.imread("E:/Users/raychiu/Desktop/barts_face.jpg", cv2.IMREAD_GRAYSCALE)
cv2.imshow("template", template)
cv2.imshow("gray_img", gray_img)
w, h = template.shape[::-1]

result = cv2.matchTemplate(gray_img, template, cv2.TM_CCOEFF_NORMED)

minval, maxval, minloc, maxloc = cv2.minMaxLoc(result)
print(minval, maxval, minloc, maxloc)

loc = np.where(result >= 0.6)
# for pt in zip(*loc[::-1]):
#     cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), (0, 255, 0), 3)

pt = maxloc
cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), (0, 255, 0), 3)

cv2.imshow("img", img)

cv2.waitKey(0)
cv2.destroyAllWindows()

参考：OpenCV-Python系列之模板匹配 - 哔哩哔哩

           https://blog.csdn.net/qq_42791845/article/details/103700503

【如果对您有帮助，交个朋友给个一键三连吧，您的肯定是我博客高质量维护的动力！！！】