模板匹配介绍

我们需要2幅图像：
原图像 (I): 在这幅图像里,我们希望找到一块和模板匹配的区域
模板 (T): 将和原图像比照的图像块

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。
所以模板匹配首先需要一个模板图像T（给定的子图像）
另外需要一个待检测的图像-源图像S
工作方法，在带检测图像上，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。
模板匹配原理

我们的目标是检测最匹配模板的原图像的区域:

为了确定匹配模板区域, 我们不得不滑动模板图像和原图像进行比较 :

对于 模板（T） 覆盖在 原图像 （I） 上的每个位置,你把度量值保存 到 结果图像矩阵 ( R ) 中. 在 R 中的每个位置 (x,y) 都包含匹配度量值:

上图（右）就是 TM_CCORR_NORMED 方法处理后的结果图像 R . 最白的位置代表最高的匹配. 正如您所见, 黑色框住的位置很可能是结果图像矩阵中的最大数值, 所以这个区域 (以这个点为顶点,长宽和模板图像一样大小的矩阵) 被认为是匹配的.

实际上, 我们使用函数 minMaxLoc 来定位在矩阵 R 中的最大值点 (或者最小值, 根据函数输入的匹配参数) .
void minMaxLoc(InputArray src, double* minVal, double* maxVal=0, Point* minLoc=0, Point* maxLoc=0, InputArray mask=noArray())
src：输入图像。
minVal：在矩阵 src中存储的最小值，可输入NULL表示不需要。
maxVal ：在矩阵 src中存储的最大值，可输入NULL表示不需要。
minLoc：在结果矩阵中最小值的坐标，可输入NULL表示不需要，Point类型。
maxLoc：在结果矩阵中最大值的坐标，可输入NULL表示不需要，Point类型。
mask：可选的掩模

模板匹配介绍 – 匹配算法介绍：
OpenCV中提供了六种常见的匹配算法如下：
计算平方不同 ：计算出来的值越小，越相关 TM_SQDIFF = 0
计算相关性：计算出来的值越大，越相关 TM_CCORR = 2
计算相关系数：计算出来的值越大，越相关 TM_CCOEFF = 4
计算归一化平方不同 ：计算出来的值越接近0，越相关 TM_SQDIFF_NORMED = 1
计算归一化相关性：计算出来的值越接近1，越相关 TM_CCORR_NORMED = 3
计算归一化相关系数：计算出来的值越接近1，越相关 TM_CCOEFF_NORMED = 5
总结如下：

相关API介绍cv::matchTemplate
matchTemplate(
InputArray image,// 源图像，必须是8-bit或者32-bit浮点数图像
InputArray templ,// 模板图像，类型与输入图像一致
OutputArray result,// 输出结果，必须是单通道32位浮点数，假设源图像WxH,模板图像wxh, 则结果必须为W-w+1, H-h+1的大小。
int method,//使用的匹配方法
InputArray mask=noArray()//(optional)
)


程序代码
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;

// 定义一些全局变量, 例如原图像(img), 模板图像(templ) 和结果图像(result) , 
// 还有匹配方法以及窗口名称:
Mat img, templ, result;
char* image_window = "Source Image";
char* result_window = "Result window";

int match_method = TM_SQDIFF;
int max_Trackbar = 5;

void MatchingMethod( int, void* );

int main( int argc, char** argv )
{
 // 1. 载入原图像和模板块
 img = imread("E:/Experiment/OpenCV/Pictures/TargetSearch.jpg");
 templ = imread("E:/Experiment/OpenCV/Pictures/Target.jpg");
 imshow("模板图像",templ);

 // 创建窗口
 namedWindow( image_window, CV_WINDOW_AUTOSIZE );
 namedWindow( result_window, CV_WINDOW_AUTOSIZE );

 // 2. 创建滑动条并输入将被使用的匹配方法. 一旦滑动条发生改变,回调函数 MatchingMethod 就会被调用.
 char* trackbar_label = "模板匹配方式";
 createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

 MatchingMethod( 0, 0 );

 waitKey(0);
 return 0;
}

void MatchingMethod( int, void* )
{
 // 将被显示的原图像
 Mat img_display;
 img.copyTo( img_display );

 // 创建输出结果的矩阵
 int result_cols =  img.cols - templ.cols + 1;
 int result_rows = img.rows - templ.rows + 1;
 // 创建了一幅用来存放匹配结果的输出图像矩阵. 仔细看看输出矩阵的大小(它包含了所有可能的匹配位置)
 result.create( result_cols, result_rows, CV_32FC1 );

 // 执行模板匹配操作,并对结果进行归一化:
 matchTemplate( img, templ, result, match_method );
 normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

 // 通过函数 minMaxLoc 定位最匹配的位置
 double minVal, maxVal; 
 Point minLoc, maxLoc;
 Point matchLoc;
 
 //通过使用函数 minMaxLoc ,我们确定结果矩阵 R 的最大值和最小值的位置.
 minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() );//寻找result中最大值，最小值，及它们所在的位置

 // 对于方法 SQDIFF 和 SQDIFF_NORMED, 越小的数值代表更高的匹配结果. 而对于其他方法, 数值越大匹配越好
 if( match_method  == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED ){ 
   matchLoc = minLoc; 
 }else{ 
   matchLoc = maxLoc; 
 }

 // 绘制矩形
 rectangle( img_display, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );
 rectangle( result, matchLoc, Point( matchLoc.x + templ.cols , matchLoc.y + templ.rows ), Scalar::all(0), 2, 8, 0 );

 imshow( image_window, img_display );
 imshow( result_window, result );

 return;
}

运行结果

本文主要借鉴”Madcola“和”Micheal超“两位大神的文章。两位大神的博客主页是：
https://www.cnblogs.com/skyfsm/（Madcola）
https://blog.csdn.net/qq_42887760（Micheal超）
转自：小白学视觉
本文仅做学术分享，如有侵权，请联系删文。