代碼實現：
import cv2
import numpy as npimg_rgb = cv2.imread('mobanpipei.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('jianto.jpg', flags=0)
h, w = template.shape[:2]# 讀取圖像# # 順時針旋轉 90 度（k=1）
# rotated_image1 = np.rot90(template, k=1)
# # 逆時針旋轉 90 度（k=-1）
# rotated_image2 = np.rot90(template, k=-1)
j=[0,1,-1]
# 模板匹配
for i in j:template1 = np.rot90(template,k=i)res = cv2.matchTemplate(img_gray, template1, cv2.TM_CCOEFF_NORMED)threshold = 0.9 # 匹配閾值loc = np.where(res >= threshold) # 獲取符合閾值的坐標（行，列）# 繪制所有匹配區域的矩形框for pt in zip(*loc[::-1]):cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), color=(0, 0, 255), thickness=6)cv2.imshow('Template Matching Result', img_rgb)
cv2.waitKey(0)這段代碼是一個帶旋轉角度的模板匹配程序，核心功能是在目標圖像中查找與模板圖像（包含 0°、90° 順時針、90° 逆時針三種旋轉狀態）匹配度較高的區域，并標記出這些區域。下面分步驟解析：
一、基礎準備：導入庫與讀取圖像
import cv2 # 導入OpenCV庫，用于圖像處理
import numpy as np # 導入numpy庫，用于數組操作（如旋轉）# 讀取目標圖像（待檢測的大圖），默認讀取為BGR格式
img_rgb = cv2.imread('mobanpipei.jpg')
# 將目標圖像轉為灰度圖（模板匹配通常在單通道灰度圖上進行，減少計算量）
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)# 讀取模板圖像（要查找的小圖），flags=0表示以灰度圖格式讀取
template = cv2.imread('jianto.jpg', flags=0)
# 獲取模板圖像的高和寬（h:高度，w:寬度），后續繪制匹配區域時需要
h, w = template.shape[:2]
核心目的：加載目標圖像和模板圖像，并將目標圖像轉為灰度圖（模板匹配對顏色不敏感，灰度圖可簡化計算）。
注意：模板圖像直接以灰度圖讀取（flags=0），避免后續重復轉換。
二、處理模板旋轉：考慮多方向匹配
# 定義旋轉角度參數：0（不旋轉）、1（順時針90°）、-1（逆時針90°）
j = [0, 1, -1]
為什么需要旋轉？實際場景中，模板可能在目標圖像中以不同角度存在（比如模板是 “箭頭”，可能朝上、朝左、朝右），通過旋轉模板可提高匹配覆蓋率。
np.rot90函數說明：k=0表示不旋轉；k=1表示順時針旋轉 90°；k=-1表示逆時針旋轉 90°。
三、核心邏輯：多角度模板匹配與結果標記
# 遍歷每個旋轉角度，分別進行模板匹配
for i in j:# 按當前角度旋轉模板（得到旋轉后的模板）template1 = np.rot90(template, k=i)# 模板匹配：在目標灰度圖中查找與旋轉后模板匹配的區域# 方法：cv2.TM_CCOEFF_NORMED（歸一化相關系數匹配，結果范圍[-1,1]，越接近1匹配度越高）res = cv2.matchTemplate(img_gray, template1, cv2.TM_CCOEFF_NORMED)# 設置匹配閾值（只保留匹配度≥0.9的區域，閾值越高，匹配越嚴格）threshold = 0.9# 找到所有匹配值≥閾值的位置坐標（返回的loc是元組，格式：(行坐標列表, 列坐標列表)）loc = np.where(res >= threshold)# 遍歷所有符合條件的坐標，繪制矩形框標記匹配區域# zip(*loc[::-1])：將坐標從(行,列)轉換為(列,行)（OpenCV中圖像坐標是(x,y)對應列和行）for pt in zip(*loc[::-1]):# 繪制矩形：左上角坐標pt=(x,y)，右下角坐標=(x+w, y+h)，紅色（BGR中(0,0,255)），線寬6cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), color=(0, 0, 255), thickness=6)
模板匹配原理：cv2.matchTemplate會在目標圖像上滑動模板，計算每個位置的匹配度，生成一個 “匹配結果圖”（res），其中每個像素值代表該位置的匹配程度。
坐標轉換細節：loc返回的是(行,列)，而 OpenCV 繪制矩形需要(x,y)（對應列、行），因此用loc[::-1]反轉順序，再用zip(*)轉換為可迭代的坐標對。
閾值選擇：threshold=0.9是經驗值，可根據實際匹配效果調整（值太高可能漏檢，太低可能誤檢）。
四、顯示結果
# 顯示標記了匹配區域的目標圖像
cv2.imshow('Template Matching Result', img_rgb)
# 等待按鍵輸入（0表示無限等待），按任意鍵后關閉窗口
cv2.waitKey(0)
最終在窗口中顯示目標圖像，所有匹配度≥0.9 的區域會被紅色矩形框標記。
實現效果：
代碼特點與注意事項
- 多角度匹配：通過旋轉模板（0°、90° 順 / 逆時針），解決了模板在目標圖像中旋轉導致的匹配失效問題。
- 潛在優化點：
- 旋轉后模板的尺寸會變化（如 90° 旋轉后，原高度 h 變為寬度，原寬度 w 變為高度），但代碼中仍用原
w和h繪制矩形，可能導致矩形框尺寸不準確（需根據旋轉后的模板尺寸動態調整）。 - 未處理模板縮放問題：如果目標圖像中模板的大小與原圖不同，可能匹配失敗（可結合圖像金字塔實現多尺度匹配）。
- 旋轉后模板的尺寸會變化（如 90° 旋轉后，原高度 h 變為寬度，原寬度 w 變為高度），但代碼中仍用原
- 適用場景：適用于檢測目標在圖像中可能存在 90° 旋轉的場景（如特定圖標、符號等）。
總結：這段代碼通過 “旋轉模板 + 多角度匹配” 的思路，提高了模板匹配的魯棒性，能有效標記出目標圖像中與不同角度模板匹配的區域，是模板匹配技術在實際場景中的典型應用。
)
