19.1模板匹配
模板匹配就是用模板圖（通常是一個小圖）在目標圖像（通常是一個比模板圖大的圖片）中不斷的滑動比較，通過某種比較方法來判斷是否匹配成功,找到模板圖所在的位置。
不會有邊緣填充。
類似于卷積，滑動比較，挨個比較象素。
返回結果大小是：目標圖大小-模板圖大小+1。
19.2 匹配方法
res=cv2.matchTemplate(image, templ, method)
image：原圖像，這是一個灰度圖像或彩色圖像（在這種情況下，匹配將在每個通道上獨立進行）。
templ：模板圖像，也是灰度圖像或與原圖像相同通道數的彩色圖像。
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
這些方法決定了如何度量模板圖像與原圖像子窗口之間的相似度。
返回值res
函數在完成圖像模板匹配后返回一個結果矩陣，這個矩陣的大小與原圖像相同。矩陣的每個元素表示原圖像中相應位置與模板圖像匹配的相似度。
匹配方法不同，返回矩陣的值的含義也會有所區別。以下是幾種常用的匹配方法及其返回值含義：
-
cv2.TM_SQDIFF或cv2.TM_SQDIFF_NORMED：返回值越接近0，表示匹配程度越好。最小值對應的最佳匹配位置。
-
cv2.TM_CCORR或cv2.TM_CCORR_NORMED：返回值越大，表示匹配程度越好。最大值對應的最佳匹配位置。
-
cv2.TM_CCOEFF或cv2.TM_CCOEFF_NORMED：返回值越大，表示匹配程度越好。最大值對應的最佳匹配位置。
19.2.1 平方差匹配
cv2.TM_SQDIFF
以模板圖與目標圖所對應的像素值使用平方差公式來計算，其結果越小，代表匹配程度越高，計算過程舉例如下。
注意：模板匹配過程皆不需要邊緣填充，直接從目標圖像的左上角開始計算。
19.2.2 歸一化平方差匹配
cv2.TM_SQDIFF_NORMED
與平方差匹配類似，只不過需要將值統一到0到1，計算結果越小，代表匹配程度越高，計算過程舉例如下。
19.2.3 相關匹配
cv2.TM_CCORR
使用對應像素的乘積進行匹配，乘積的結果越大其匹配程度越高，計算過程舉例如下。
19.2.4 歸一化相關匹配
cv2.TM_CCORR_NORMED
與相關匹配類似，只不過是將其值統一到0到1之間，值越大，代表匹配程度越高，計算過程舉例如下。
19.2.5 相關系數匹配
cv2.TM_CCOEFF
需要先計算模板與目標圖像的均值，然后通過每個像素與均值之間的差的乘積再求和來表示其匹配程度，1表示完美的匹配，-1表示最差的匹配，計算過程舉例如下。
19.2.6 歸一化相關系數匹配
cv2.TM_CCOEFF_NORMED
也是將相關系數匹配的結果統一到0到1之間，值越接近1代表匹配程度越高，計算過程舉例如下。
19.3 繪制輪廓
找的目標圖像中匹配程度最高的點，我們可以設定一個匹配閾值來篩選出多個匹配程度高的區域。
-
loc=np.where(array > 0.8) #loc包含array中所有大于0.8的元素索引的數組
np.where(condition) 是 NumPy 的一個函數，當條件為真時，返回滿足條件的元素的索引。
-
zip(*loc)
-
*loc是解包操作，將loc中的多個數組拆開，作為單獨的參數傳遞給zip。 -
zip將這些數組按元素一一配對，生成一個迭代器，每個元素是一個元組，表示一個坐標點。
-
x=list([[1,2,3,4,3],[23,4,2,4,2]]) print(list(zip(*x)))#[(1, 23), (2, 4), (3, 2), (4, 4), (3, 2)]
import cv2 as cv
import numpy as np#讀圖
img = cv.imread('images/huoyingrenzhe.jpg')
temp = cv.imread('images/zhipai.jpg')
#轉灰度
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
temp_gray = cv.cvtColor(temp, cv.COLOR_BGR2GRAY)
#模板匹配，拿到匹配結果，返回匹配程度矩陣
res = cv.matchTemplate(img_gray, temp_gray, cv.TM_CCOEFF_NORMED)
#設置閾值，使用np.where()獲取符合條件的坐標
threshold = 0.8
#得到[[y1,y2,y3...],[x1,x2,x3...]]
loc = np.where(res >= threshold)
h,w = temp.shape[:2]
#解包
for pt in zip(*loc[::-1]):cv.rectangle(img, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 2)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows() |  |
注意得到[[y1,y2,y3...],[x1,x2,x3...]]這樣的返回值，因為先返回行索引再返回列索引
