Python+OpenCV系列：模版匹配

模板匹配是一种在图像中寻找模板的位置的方法。在计算机视觉中，模板匹配广泛应用于目标识别、物体跟踪、缺陷检测等领域。OpenCV 提供了强大的模板匹配功能，可以非常方便地在目标图像中找到与模板图像相似的区域。本文将详细讲解如何使用 Python 和 OpenCV 进行单目标和多目标模板匹配，包含多模板匹配的技巧。

---

1. 模板匹配基本原理

模板匹配的基本思想是将模板图像滑动到目标图像的不同位置，计算每个位置的匹配度，选择匹配度最高的位置。匹配度通常是通过计算模板图像与目标区域的相似度来评估的。常见的匹配方法包括：

• 平方差（SSD）
• 相关性（CCOEFF）
• 归一化互相关（CCOEFF_NORMED）
• 平方差归一化（SQDIFF_NORMED）

这些方法通过不同的计算方式，适应不同的图像匹配需求。

---

2. cv2.matchTemplate() 函数

OpenCV 提供的 cv2.matchTemplate() 函数用于执行模板匹配。它接收目标图像和模板图像作为输入，并返回一个结果图像，该图像的每个像素值表示模板在该位置的匹配度。

函数原型：

result = cv2.matchTemplate(image, template, method)

• image：目标图像（通常是灰度图像）。
• template：模板图像（通常是灰度图像）。
• method：匹配方法，常见方法有：
  • cv2.TM_CCOEFF
  • cv2.TM_CCOEFF_NORMED
  • cv2.TM_SQDIFF
  • cv2.TM_SQDIFF_NORMED

3. 模板匹配步骤

1. 读取图像和模板：读取目标图像和模板图像。
2. 转换为灰度图像：模板匹配通常在灰度图像上进行。
3. 使用模板匹配：调用 cv2.matchTemplate() 执行匹配操作。
4. 获取匹配结果：使用 cv2.minMaxLoc() 获取匹配结果的位置和相似度。
5. 绘制矩形框：标记模板在目标图像中的匹配区域。

---

4. 单目标模板匹配示例

import cv2
import numpy as np

# 读取图像和模板
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('template.jpg', cv2.IMREAD_GRAYSCALE)

# 执行模板匹配
result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)

# 获取匹配结果的最小值、最大值和位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)

# 绘制矩形框标记最佳匹配位置
top_left = max_loc
h, w = template.shape
bottom_right = (top_left[0] + w, top_left[1] + h)
cv2.rectangle(img, top_left, bottom_right, (0, 255, 0), 2)

# 显示匹配结果
cv2.imshow('Matched Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

5. 多目标模板匹配

在实际应用中，常常需要在图像中寻找多个模板或多个目标。这时可以通过遍历匹配结果来定位多个匹配位置。

多目标匹配的实现步骤：

1. 使用 cv2.matchTemplate() 对目标图像和模板进行匹配。
2. 使用 cv2.threshold() 设定一个阈值，从结果图像中筛选出匹配度较高的区域。
3. 通过遍历匹配结果，提取出多个匹配区域的位置。

多目标模板匹配示例

import cv2
import numpy as np

# 读取图像和模板
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('template.jpg', cv2.IMREAD_GRAYSCALE)

# 执行模板匹配
result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)

# 设置匹配的阈值
threshold = 0.8
locations = np.where(result >= threshold)

# 遍历所有匹配的位置，绘制矩形框
w, h = template.shape[::-1]
for pt in zip(*locations[::-1]):
    cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), (0, 255, 0), 2)

# 显示匹配结果
cv2.imshow('Multiple Matched Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码解析：

• np.where(result >= threshold)：找到所有匹配度大于等于设定阈值的匹配位置。
• zip(*locations[::-1])：将结果数组的位置反转，以便于绘制矩形框。
• cv2.rectangle()：在每个匹配位置绘制矩形框。

---

6. 多模板匹配

当我们有多个模板需要在图像中进行匹配时，可以通过循环处理每个模板进行匹配。每次循环都使用 cv2.matchTemplate() 对图像进行模板匹配，找出所有匹配的区域。

多模板匹配示例

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

# 模板列表
templates = ['template1.jpg', 'template2.jpg', 'template3.jpg']

# 循环处理每个模板
for template_path in templates:
    # 读取当前模板
    template = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
    
    # 执行模板匹配
    result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
    
    # 设置匹配的阈值
    threshold = 0.8
    locations = np.where(result >= threshold)
    
    # 遍历所有匹配的位置，绘制矩形框
    w, h = template.shape[::-1]
    for pt in zip(*locations[::-1]):
        cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), (0, 255, 0), 2)

# 显示匹配结果
cv2.imshow('Multiple Templates Matched', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码解析

• templates：多个模板文件的路径列表。
• 每次循环读取不同的模板并进行模板匹配。
• 对每个模板的匹配结果，使用 np.where() 提取所有匹配位置。

---

7. 总结

模板匹配是图像处理中非常基础且有效的技术，常用于目标检测、物体跟踪等任务。使用 OpenCV 中的 cv2.matchTemplate() 函数，我们能够在图像中找到与模板图像相似的区域。通过设置合适的匹配阈值和选择适当的匹配方法，我们可以实现多目标模板匹配和多模板匹配。在复杂场景中，模板匹配可能会受到图像旋转、尺度变化等因素的影响，因此在实际应用中，通常需要结合其他技术进行改进。

• 单目标模板匹配：寻找图像中最匹配的一个模板位置。
• 多目标模板匹配：在图像中找到多个匹配的区域。
• 多模板匹配：针对多个模板同时进行匹配。

模板匹配是图像处理中重要的一环，在一些简单、规则的场景下非常有效，但对于复杂背景和变化大的情况，可能需要结合其他计算机视觉技术来提高匹配精度。

原文地址：https://blog.csdn.net/bayinglong/article/details/144412499

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！