1. 什么是模板匹配？

模板匹配（Template Matching）是計算機視覺中的一種基礎技術，用于在目標圖像（大圖）中查找與模板圖像（小圖）最相似的部分。它廣泛應用于：

• 目標檢測（如人臉、物體識別）
• 圖像對齊（如醫學影像、衛星圖像）
• 自動化測試（如 UI 元素定位）
• 工業視覺（如零件定位）

---

2. 模板匹配的原理

模板匹配的核心思想是滑動窗口比對：

1. 將模板圖像在目標圖像上逐像素滑動。
2. 在每個位置計算模板與目標圖像局部區域的相似度。
3. 根據相似度評分，找到最佳匹配位置。

2.1數學表達

常用的相似度計算方法（匹配方法）：

• 平方差匹配（SQDIFF）：差異越小，匹配越好
  

• 歸一化平方差匹配（SQDIFF_NORMED）：對平方差進行歸一化，更魯棒。

• 相關性匹配（CCORR）：值越大，匹配越好
  

• 歸一化相關性匹配（CCORR_NORMED）：歸一化版本，抗光照變化。

• 相關系數匹配（CCOEFF）：計算相關性系數，適合模板與圖像亮度不一致的情況。

• 歸一化相關系數匹配（CCOEFF_NORMED）（最常用）：歸一化版本，魯棒性最強。

---

3. OpenCV 實現模板匹配

OpenCV 提供了 cv2.matchTemplate() 函數實現模板匹配：

3.1基本步驟

1. 讀取目標圖像和模板圖像

   import cv2
   import numpy as nptarget_img = cv2.imread('target.jpg', cv2.IMREAD_COLOR)  # 目標圖像
   template_img = cv2.imread('template.jpg', cv2.IMREAD_COLOR)  # 模板圖像
   

2. 執行模板匹配

   res = cv2.matchTemplate(target_img, template_img, cv2.TM_CCOEFF_NORMED  # 匹配方法
   )
   

   • res 是一個匹配結果矩陣，每個像素表示該位置的匹配得分。

3. 找到最佳匹配位置

   min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
   

   • max_loc 是最佳匹配的左上角坐標（如果使用 TM_CCOEFF_NORMED）。
   • 如果使用 TM_SQDIFF，則 min_loc 是最佳匹配位置。

4. 繪制匹配區域

   h, w = template_img.shape[:2]  # 獲取模板尺寸
   top_left = max_loc  # 最佳匹配的左上角
   bottom_right = (top_left[0] + w, top_left[1] + h)  # 右下角# 在目標圖像上繪制矩形框
   matched_img = cv2.rectangle(target_img.copy(),  # 避免修改原圖top_left,bottom_right,(0, 255, 0),  # 綠色框2  # 線寬
   )cv2.imshow('Matched Result', matched_img)
   cv2.waitKey(0)
   cv2.destroyAllWindows()
   

---

4. 模板匹配的局限性

1. 對旋轉和縮放敏感

   • 如果模板在目標圖像中旋轉或縮放，匹配效果會變差。
   • 解決方法：結合多尺度匹配（cv2.resize）或特征匹配（SIFT/SURF/ORB）。

2. 計算效率問題

   • 大圖像 + 大模板時計算較慢。
   • 優化方法：金字塔降采樣（cv2.pyrDown）或 GPU 加速。

3. 光照變化影響

   • 如果目標圖像和模板光照不一致，匹配可能失敗。
   • 解決方法：使用歸一化匹配方法（如 TM_CCOEFF_NORMED）。

---

5. 總結

方法	適用場景	特點
TM_SQDIFF	精確匹配	越小越好，適合固定亮度場景
TM_CCOEFF_NORMED	魯棒匹配	越大越好，抗光照變化
TM_CCORR_NORMED	快速匹配	計算快，但對亮度敏感

模板匹配適合固定尺寸、無旋轉的場景，如果遇到復雜情況，可以結合：

• 多尺度匹配（cv2.resize）
• 特征匹配（SIFT、ORB）
• 深度學習（YOLO、SSD）

---

📌 你用過模板匹配嗎？歡迎在評論區分享你的經驗！ 🎉