作用有侷限性，必須在指定的環境下，才能匹配成功，是受到很多因素的影響，所以有一定的適應性

模板匹配是一種最原始、最基本的模式識別方法，研究某一特定物件物的圖案位於影象的什麼地方，進而識別物件物，這就是一個匹配問題。
它是影象處理中最基本、最常用的匹配方法。
模板匹配具有自身的侷限性，主要表現在它只能進行平行移動，若原影象中的匹配目標發生旋轉或大小變化，該演算法無效。

模板匹配就是在整個影象區域發現與給定子影象匹配的小塊區域[/code]

工作原理：在待檢測影象上，從左到右，從上向下計算模板影象與重疊子影象的匹配度，匹配程度越大，兩者相同的可能性越大。

程式碼實現：

import cv2 as cv
import numpy as np

def template_demo():
  tpl = cv.imread("./temp.png")
  target = cv.imread("./1.png")
  cv.imshow("template image",tpl)
  cv.imshow("target image",target)
  methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]　　#各種匹配演算法
  th,tw = tpl.shape[:2]　　#獲取模板影象的高寬
  for md in methods:
    result = cv.matchTemplate(target,tpl,md)
    # result是我們各種演算法下匹配後的影象
    # cv.imshow("%s"%md,result)
    #獲取的是每種公式中計算出來的值，每個畫素點都對應一個值
    min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
    if md == cv.TM_SQDIFF_NORMED:
      tl = min_loc  #tl是左上角點
    else:
      tl = max_loc
    br = (tl[0]+tw,tl[1]+th)  #右下點
    cv.rectangle(target,tl,br,(0,255),2)　　#畫矩形
    cv.imshow("match-%s"%md,target)


src = cv.imread("./1.png") #讀取圖片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)  #建立GUI視窗,形式為自適應
cv.imshow("input image",src)  #通過名字將影象和視窗聯絡
template_demo()
cv.waitKey(0)  #等待使用者操作，裡面等待引數是毫秒，我們填寫0，代表是永遠，等待使用者操作
cv.destroyAllWindows() #銷燬所有視窗

補充：

1.幾種常見的模板匹配演算法

①TM_SQDIFF是平方差匹配；TM_SQDIFF_NORMED是標準平方差匹配。利用平方差來進行匹配,最好匹配為0.匹配越差,匹配值越大。

②TM_CCORR是相關性匹配；TM_CCORR_NORMED是標準相關性匹配。採用模板和影象間的乘法操作,數越大表示匹配程度較高,0表示最壞的匹配效果。

③TM_CCOEFF是相關性係數匹配；TM_CCOEFF_NORMED是標準相關性係數匹配。將模版對其均值的相對值與影象對其均值的相關值進行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列)。

總結：隨著從簡單的測量(平方差)到更復雜的測量(相關係數),我們可獲得越來越準確的匹配(同時也意味著越來越大的計算代價)。

相關性是越接近1越大越好

平方差是越小越好
所以TM_SQDIFF在使用時和其他的是有所區別的

2.result = cv.matchTemplate(target,md)

opencv的目標匹配函式為matchTemplate，函式原型為：matchTemplate(image,templ,method[,result[,mask]]) -> result
image引數表示待搜尋源影象，必須是8位整數或32位浮點。
templ引數表示模板影象，必須不大於源影象並具有相同的資料型別。
method引數表示計算匹配程度的方法。
result引數表示匹配結果影象，必須是單通道32位浮點。如果image的尺寸為W x H，templ的尺寸為w x h，則result的尺寸為(W-w+1)x(H-h+1)。

其中result是模板影象去匹配的區域位置影象[/code]

3.min_val,max_loc = cv.minMaxLoc(result)

opencv的函式minMaxLoc：在給定的矩陣中尋找最大和最小值，並給出它們的位置。 該功能不適用於多通道陣列。 如果您需要在所有通道中查詢最小或最大元素，要先將陣列重新解釋為單通道。
函式minMaxLoc原型為：minMaxLoc(src[,mask]) -> minVal,maxVal,minLoc,maxLoc
src引數表示輸入單通道影象。
mask引數表示用於選擇子陣列的可選掩碼。
minVal引數表示返回的最小值，如果不需要，則使用NULL。
maxVal引數表示返回的最大值，如果不需要，則使用NULL。
minLoc引數表示返回的最小位置的指標（在2D情況下）； 如果不需要，則使用NULL。
maxLoc引數表示返回的最大位置的指標（在2D情況下）； 如果不需要，則使用NULL。

結合每種匹配演算法，我們看看獲取的數值

result = cv.matchTemplate(target,md)
    #獲取的是每種公式中計算出來的值，每個畫素點都對應一個值
    min_val,max_loc = cv.minMaxLoc(result)
    print("--------------%s--------------"%md)
    print("min_val",min_val)
    print("max_val",max_val)
    print("min_loc",min_loc)
    print("max_loc",max_loc)
    print("--------------%s--------------" % md)

--------------1--------------　　#TM_SQDIFF_NORMED標準平方差匹配
min_val 0.0　　#標準差是越小為0代表匹配上了
max_val 0.22279763221740723
min_loc (108,248)
max_loc (3,480)
--------------1--------------
--------------3--------------　　#TM_CCORR_NORMED標準相關性匹配
min_val 0.9228140115737915
max_val 1.0　　#相關性是越接近1代表匹配上了
min_loc (9,378)
max_loc (108,248)
--------------3--------------
--------------5--------------　　#TM_CCOEFF_NORMED標準相關性係數匹配
min_val -0.10706906020641327
max_val 1.0　　#相關性越接近1越好
min_loc (186,248)
max_loc (108,248)
--------------5--------------

檢視min_loc和max_loc關係

cv.line(target,max_loc,255,2)

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。