一、介绍

1、模板匹配

通俗讲就是以图找图，通过图中的一部分来找它在图中的位置(模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域)。

模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。
它是图像处理中最基本、最常用的匹配方法。

2、作用有局限性

必须在指定的环境下，才能匹配成功，是受到很多因素的影响，所以有一定的适应性

模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

3、工作原理

在待检测图像上，从左到右，从上向下计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性越大。

常见的几种模板匹配算法

①TM_SQDIFF是平方差匹配；TM_SQDIFF_NORMED是标准平方差匹配。利用平方差来进行匹配,最好匹配为0.匹配越差,匹配值越大。所以这个函数和其他函数是不一样的

②TM_CCORR是相关性匹配；TM_CCORR_NORMED是标准相关性匹配。采用模板和图像间的乘法操作,数越大,越接近1表示匹配程度较高, 0表示最坏的匹配效果。

③TM_CCOEFF是相关性系数匹配；TM_CCOEFF_NORMED是标准相关性系数匹配。将模版对其均值的相对值与图像对其均值的相关值进行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示没有任何相关性(随机序列)。

总结：随着从简单的测量(平方差)到更复杂的测量(相关系数),我们可获得越来越准确的匹配(同时也意味着越来越大的计算代价)。

在这里我们是通过这三种方式来匹配：cv.TM_SQDIFF_NORMED, cv.TM_CCORR_NORMED, cv.TM_CCOEFF_NORMED

4、涉及函数

（1）目标匹配函数result = cv.matchTemplate(target,tpl,md)

函数原型为：matchTemplate(image, templ, method[, result[, mask]]) -> result

image 参数表示待搜索源图像，必须是8位整数或32位浮点。

templ 参数表示模板图像，必须不大于源图像并具有相同的数据类型。

method 参数表示计算匹配程度的方法。

result 参数表示匹配结果图像，必须是单通道32位浮点。如果image的尺寸为W x H，templ的尺寸为w x h，则result的尺寸为(W-w+1)x(H-h+1)。

（2）min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)

opencv的函数minMaxLoc：在给定的矩阵中寻找最大和最小值，并给出它们的位置。该功能不适用于多通道阵列。如果您需要在所有通道中查找最小或最大元素，要先将阵列重新解释为单通道。
函数minMaxLoc原型为：minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc
src参数表示输入单通道图像。
mask参数表示用于选择子数组的可选掩码。
minVal参数表示返回的最小值，如果不需要，则使用NULL。
maxVal参数表示返回的最大值，如果不需要，则使用NULL。
minLoc参数表示返回的最小位置的指针（在2D情况下）；如果不需要，则使用NULL。
maxLoc参数表示返回的最大位置的指针（在2D情况下）；如果不需要，则使用NULL。

tpl = cv.imread('11.jpg')
target = cv.imread('1.jpg')
cv.imshow('template_butterfly',tpl)
cv.imshow('target',target)
methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]
tpl_h,tpl_w = tpl.shape[:2]
for md in methods:
    result = cv.matchTemplate(target,tpl,md)    #result是模板图像去匹配源图像，在源图像的区域位置图像
    min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result)
    print("--------------%s--------------" % md)
    print("min_val", min_val)
    print("max_val", max_val)
    print("min_loc", min_loc)
    print("max_loc", max_loc)
    print("--------------%s--------------\n" % md)


--------------1--------------min_val 6.713293259963393e-05　　　　#标准差越小，匹配效果越好max_val 0.6963181495666504min_loc (180, 90)max_loc (478, 235)--------------1----------------------------3--------------min_val 0.7413668632507324max_val 0.9770615100860596　　　　#相关性越接近一，匹配效果越好min_loc (496, 85)max_loc (180, 90)--------------3----------------------------5--------------min_val -0.43208545446395874max_val 0.8136414289474487　　　　#相关性越接近一，匹配效果越好min_loc (871, 75)max_loc (180, 90)--------------5--------------

查看min_loc和max_loc关系

cv.line(target,min_loc,max_loc,(0,255,255),2)

二、代码实现

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image

def template_demo():
    tpl = cv.imread('11.jpg')
    target = cv.imread('1.jpg')
    cv.imshow('template_butterfly',tpl)
    cv.imshow('target',target)
    methods = [cv.TM_SQDIFF_NORMED,cv.TM_CCORR_NORMED,cv.TM_CCOEFF_NORMED]
    tpl_h,tpl_w = tpl.shape[:2]
    for md in methods:
        result = cv.matchTemplate(target,tpl,md)    #result是模板图像去匹配源图像，再源图像的区域位置图像
        min_val,max_val,min_loc,max_loc = cv.minMaxLoc(result) #获取的是每种公式中计算出来的值，每个像素点都对应一个值　　　　 if md == cv.TM_SQDIFF_NORMED:
            t1 = min_loc　　　　#最小位置指针
        else:
            t1 = max_loc　　　　#最大位置指针
        br = (t1[0]+tpl_w,t1[1] + tpl_h)
        cv.rectangle(target,t1,br,(0,0,255),2)　　#画个矩形
        #cv.line(target,min_loc,max_loc,(0,255,255),2)　　#画条线，连接最小位置和最大位置（就是匹配的图片左上角和右下角）
        cv.imshow('match_%s'%md,target)

template_demo()
cv.waitKey(0)
cv.destroyAllWindows()