前言

上文《OpenCV 模板匹配方法詳解》我們詳細介紹了模板匹配這一方法，本文我們來介紹一下模板與多個對象匹配的方法。

其中有很多的函數需要我們來詳細介紹，接下來我們直接看代碼講解：

1.導入庫

import cv2
import numpy as np

• 導入opencv庫和numpy庫

---

2.圖片預處理

img_rgb = cv2.imread("image.jpg")
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread("tem.jpg",0)

• 導入圖片，并轉化為灰度圖
• 導入的圖片如下圖所示，左圖為匹配圖片，右圖為模板圖片

---

3.輸出模板圖片的寬和高

h,w = template.shape[:2]

• template.shape：假設 template 是一個 NumPy 數組（通常是圖像數據），.shape 屬性會返回數組的維度信息。
• 對于圖像：通常返回 (高度, 寬度, 通道數)，如果是灰度圖則只有 (高度, 寬度)
• [:2]：切片操作，取前兩個元素
• 例如對于彩色圖像 (480, 640, 3)，取前兩個值得到 (480, 640)
• h, w = …：元組解包
• 將前兩個值分別賦值給變量 h (height/高度) 和 w (width/寬度)

所以這行代碼的作用是：獲取模板圖像的高度和寬度，分別存入變量 h 和 w 中。

---

4.模板匹配

# 使用模板匹配方法 cv2.matchTemplate 進行模板匹配
res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)

功能：

• 模板匹配：在 img_gray（灰度圖像）中滑動 template（模板圖像），計算每個位置的 相似度，并返回一個 相似度矩陣 res。
• 匹配方法：cv2.TM_CCOEFF_NORMED 是 歸一化相關系數匹配，取值范圍 [-1, 1]，越接近 1 表示匹配度越高。

返回值 res：

• res 是一個 二維浮點型數組，大小 = (img_h - template_h + 1, img_w - template_w +1)（因為模板不能超出原圖邊界）
• 每個 res[y, x] 表示模板在 (x, y) 處的匹配得分。

---

5.獲取匹配結果中所有符合閾值的點的坐標

# 設定匹配閾值
threshold = 0.9
# 獲取匹配結果中所有符合閾值的點的坐標
loc = np.where(res >= threshold) #(符合條件的行，符合條件的列)

5.1 threshold = 0.9：

功能：

• 設定一個 匹配閾值，只有 res 中 ≥ 0.9 的點才被認為是有效匹配。

調整建議：

• 閾值越高（如 0.95），匹配越嚴格，漏檢率可能增加。
• 閾值越低（如 0.8），匹配越寬松，但可能誤檢。

5.2 loc = np.where(res >= threshold)：

功能：

• 查找所有匹配度 ≥ threshold 的坐標，返回它們的 行列索引。
• loc 是一個 元組，包含兩個數組：

•  loc[0]：所有匹配點的 Y 坐標（行索引）
  

•  loc[1]：所有匹配點的 X 坐標（列索引
  

示例
假設 res 如下：

res = [[0.1, 0.3, 0.7],[0.8, 0.95, 0.6],  # (1,1) = 0.95 ≥ 0.9[0.4, 0.9, 0.2]    # (2,1) = 0.9 ≥ 0.9
]

執行 loc = np.where(res >= 0.9) 后：

loc = (array([1, 2]), array([1, 1]))  # 匹配點：(Y=1,X=1), (Y=2,X=1)

注意：loc 是一個元組，格式為 (y_coords, x_coords)，所以先返回的是Y值，再返回的是X值！！！

---

6.遍歷所有匹配點

for pt in zip(*loc[::-1]):

這段代碼 for pt in zip(*loc[::-1]): 是 模板匹配后處理 的關鍵部分，用于遍歷所有匹配到的目標位置，并調整坐標順序以適應 OpenCV 的繪圖要求。下面詳細解析它的作用：

6.1 loc 的結構回顧

在之前的代碼中：

loc = np.where(res >= threshold)

• loc 是一個元組，格式為 (y_coords, x_coords)，所以先返回的是Y值，再返回的是X值

6.2 loc[::-1] 的作用

loc[::-1] 的作用loc[::-1] 對元組進行 反向切片，將 (y_coords, x_coords) 變成 (x_coords, y_coords)。
例如：

loc = (array([1, 2]), array([3, 4]))
loc[::-1] = (array([3, 4]), array([1, 2]))  
# 現在順序是 (x, y)

6.2.1 為什么需要反轉？

• OpenCV 的坐標系統使用 (x, y)（列在前，行在后），而 np.where() 返回的是 (y, x)，因此需要交換順序。

6.3 zip(*loc[::-1]) 的作用

• *loc[::-1] 解包 元組，相當于

zip(array([3, 4]), array([1, 2]))

• zip() 將兩個數組按元素配對，生成可迭代的 (x, y) 坐標對

for pt in zip(*loc[::-1]):print(pt)  # 輸出：(3, 1), (4, 2)

最終效果：
遍歷所有匹配點，每次循環的 pt 是一個 (x, y) 坐標元組，可以直接用于 OpenCV 繪圖函數（如 cv2.rectangle()）。

---

7.畫出模板匹配矩形框

cv2.rectangle(img_rgb,pt,(pt[0] + w,pt[1] + h),(0,0,255),1)

這段代碼 cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1) 是 OpenCV 中用于在圖像上繪制矩形的函數，具體含義如下：

---

7.1 功能

在圖像 img_rgb 上，以 pt 為左上角起點，繪制一個 寬度為 w、高度為 h 的紅色矩形框，邊框粗細為 1 像素。

---

7.2 參數詳解

參數	含義	示例
img_rgb	要繪制矩形的目標圖像（RGB 格式）	從 cv2.imread()讀取的圖像
pt	矩形的 左上角坐標 (x, y)	(50, 100) 表示從圖像的第 50 列、第 100 行開始
(pt[0] + w, pt[1] + h)	矩形的 右下角坐標	如果 pt=(50,100)，w=30，h=20，則右下角是 (80, 120)
(0, 0, 255)	矩形顏色（BGR 格式）	(0,0,255)表示純紅色
1	矩形邊框的粗細（像素）	1 表示 1 像素寬，-1表示填充矩形

---

7.3 關鍵細節

1. 坐標順序

   • OpenCV 使用 (x, y) 坐標，其中：
     • x 是水平方向（列索引，從左到右遞增）
     • y 是垂直方向（行索引，從上到下遞增）

2. 顏色格式

   • (0, 0, 255) 是 BGR 格式（不是 RGB），所以這里表示紅色。
   • 常見顏色示例：
     • 紅色：(0, 0, 255)
     • 綠色：(0, 255, 0)
     • 藍色：(255, 0, 0)

3. 矩形尺寸

   • w 和 h通常是模板圖像的寬度和高度（通過 template.shape[:2] 獲取）。
   • 如果 w 或 h 超出圖像邊界，OpenCV 會報錯。

---

7.4 常見問題

1. 為什么矩形顏色不對？

   • 檢查顏色是否是 BGR 格式，例如紅色應為 (0, 0, 255)，而非 RGB 的 (255, 0, 0)。

2. 如何調整矩形樣式？

   • 修改參數：
     • 邊框粗細：2 表示更粗的邊框，-1 表示填充矩形。
     • 顏色：(255, 0, 0) 是藍色，(0, 255, 0) 是綠色。

---

8.運行結果

9. 總結

到這里本篇博客就結束啦，感謝大家的閱讀！最近一直在堅持每天寫博客，當作是一個敘說心得的地方，在這個過程中自己通過不斷的回顧之前所學習的內容，發現很多細節地方之前都沒有注意到，通過再一次的回顧，增添了很多收獲，這真的就是“溫故而知新”這句話現實化了。最后，希望大家能一直朝著自己理想的方向努力。越努力，越幸運！！！