OpenCV笔记：模板匹配 cv2.matchTemplate()、cv2.minMaxLoc() 与绘制矩形 cv2.rectangle() 方法介绍

小灰灰 2024-04-03 11:07 85阅读 0赞

![a986eb506b3640fc9f681e8bbe50a01b.jpeg][]

## 导读 ##

模板匹配是用来在一副大图中搜寻查找模版图像位置的方法。绘制矩形是用来将模版图像的匹配结果展示出来的方法。

模板匹配实现简单（2~3行代码），计算效率高，不需要执行阈值化、边缘检测等操作来生成二值化图像。**但是：**如果输入图像中存在变化的因素，包括旋转、缩放、视角变化等，模板匹配很容易就会失效。**除非：**旋转、缩放、视角变化恒定的情况下，模板匹配也可以完美发挥作用**。**

如果你的输入图像中包含这些类型的变化因素，那么你不应使用模板匹配，而应该使用专用的对象检测器，包括：HOG + 线性 SVM，Faster R-CNN，SSD，YOLO 等。

**你可能需要的文章：**

*  **[关于：Python基础，爬虫，常见异常和面试【篇】（专题汇总）][Python]**

--------------------

## 正文 ##

OpenCV 为我们提供了函数： cv2.matchTemplate() 用于实现模板匹配，并使用 cv2.minMaxLoc() 计算匹配结果，最后通过 cv2.rectangle() 绘制矩形展示匹配结果。

### 一、方法介绍 ###

#### 1. cv2.matchTemplate() ####

**1.1 作用**

模板匹配是在一幅图像中寻找一个特定目标的方法，这种方法的原理非常简单：依次遍历图像中的每一个可能的位置，比较各处与模板是否“相似”，当相似度足够高时，就认为找到了我们的目标。

![1e2381bef9144b178b58eac7a9b44c05.png][]

**1.2 使用方法**

res = cv2.matchTemplate(image, templ, method, result=None, mask=None)

*  image：输入一个待匹配的图像，支持8U或者32F；
 *  templ：输入一个模板图像，需与image相同类型；
 *  method：要使用的数据匹配算法。
 *  result：输出保存结果的矩阵，32F类型；

**1.3 匹配算法**

OpenCV提供了6种模板匹配算法。

<table style="width:700px;"> 
 <thead> 
  <tr> 
   <th style="text-align:center;">method</th> 
   <th style="text-align:center;width:112px;">名称</th> 
   <th style="text-align:center;width:409px;">含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>TM_SQDIFF</td> 
   <td style="width:112px;">平方差匹配</td> 
   <td style="width:409px;"> <p>计算模板与目标图像的方差，由于是像素值差值的平方的和，所以值越小匹配程度越高。</p> </td> 
  </tr> 
  <tr> 
   <td>TM_CCORR&nbsp;</td> 
   <td style="width:112px;">相关匹配</td> 
   <td style="width:409px;">该方法采用乘法操作；数值越大表名匹配程度越好。</td> 
  </tr> 
  <tr> 
   <td>TM_CCOEFF&nbsp;</td> 
   <td style="width:112px;">相关系数匹配</td> 
   <td style="width:409px;">计算相关系数，1表示完美匹配；-1表示最差匹配。</td> 
  </tr> 
  <tr> 
   <td>TM_SQDIFF_NORMED&nbsp;</td> 
   <td style="width:112px;">归一化平方差匹配</td> 
   <td style="width:409px;">计算归一化平方差，计算出来的值越接近0，越相关。</td> 
  </tr> 
  <tr> 
   <td>TM_CCORR_NORMED&nbsp;</td> 
   <td style="width:112px;">归一化相关匹配</td> 
   <td style="width:409px;">计算归一化相关性，计算出来的值越接近1，越相关。</td> 
  </tr> 
  <tr> 
   <td>TM_CCOEFF_NORMED&nbsp;</td> 
   <td style="width:112px;">归一化相关系数匹配</td> 
   <td style="width:409px;">计算归一化相关系数，计算出来的值越接近1，越相关。</td> 
  </tr> 
 </tbody> 
</table>

下面是匹配算法的公式，额，别问我这些公式什么意思，我也不懂，官网上扒下来的，看看就好。

![77351f2134c245578615bcb5fef6c4c2.png][]

#### 2. cv2.minMaxLoc() ####

**2.1 作用**

根据 cv2.matchTemplate() 的匹配结果，返回图形坐标结果。

**2.2 使用方法**

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

*  ret：是 cv2.matchTemplate() 返回的矩阵；
 *  min\_val：最小值；
 *  max\_val：最大值；
 *  min\_loc：最小值对应的图像中的位置；
 *  max\_loc：最大值对应的图像中的位置；

#### 3. cv2.rectangle() ####

**3.1 作用**

绘制矩形：在图片 img 上画长方形，坐标原点是图片左上角，向右为x轴正方向，向下为y轴正方向。

**3.2 使用方法**

cv2.rectangle(img, pt1, pt2, color, thickness, lineType, shift )

*  img：底图；
 *  pt1：矩形的左上角坐标；
 *  pt2：矩形的右下角坐标；
 *  color：线条的颜色，BGR；
 *  thickness：线的粗细，数值越大线越粗；

--------------------

### 二、实战操作 ###

#### **1. 图片准备** ####

待匹配图片 image（博客首页的图），模板图片 templ 如下：

![0b696fa3a51248bc9d1efd794577c620.jpeg][]

#### 2. **代码展示** ####

# _*_coding:utf-8_*_
    # 作者：Java Punk
    # 时间：2022-10-09 14:49:45
    # 功能：方法学习：cv2.matchTemplate(), cv2.minMaxLoc(), cv2.rectangle()
    
    import cv2 as cv2
    import numpy as np
    from matplotlib import pyplot as plt
    
    # 单个模板匹配
    def one_match(image, templ):
        # 1.读取图片
        img = cv2.imread(image)
        template = cv2.imread(templ)
        h, w = template.shape[:2]
        # 2.匹配模板
        res = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
        min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
        # 3.计算矩形左边
        top_left = max_loc
        bottom_right = (top_left[0] + w, top_left[1] + h)
        # 4.画矩形
        cv2.rectangle(img, top_left, bottom_right, (255, 0, 0), 5)
        # 5.展示结果
        cv2.imshow('img_rgb', img)
        cv2.waitKey(0)
        pass
    
    if __name__ == '__main__':
        print("———————————————————— start ————————————————————\n")
        # 图片路径自己设置，下面是我本地的路径，记得替换！！！
        one_match('../img/test/guimie_01.jpg', '../img/test/guimie_02.jpg')
        print("———————————————————— end ————————————————————\n")

#### 3. **结果展示** ####

完美匹配到了，下面的蓝色方框可不是我画的，是程序画的哈。

![00ff595037904938823d6bb26f67465f.png][]

--------------------

[a986eb506b3640fc9f681e8bbe50a01b.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/a6254c648a7d4dc2be5d616a5557eef7.jpeg
[Python]: https://blog.csdn.net/weixin_44259720/article/details/127064751
[1e2381bef9144b178b58eac7a9b44c05.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/01e011c3f8a7466db57739ca6ab191ba.png
[77351f2134c245578615bcb5fef6c4c2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/798308e2a23b480e9d549f37fec698a7.png
[0b696fa3a51248bc9d1efd794577c620.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/1ce57195e33e4ce388bb7d23724bc505.jpeg
[00ff595037904938823d6bb26f67465f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/7da9fc72472947b5af7761b2ecfafd45.png