​ 模板匹配是指在当前图像A内匹配与图像B最相似的部分，一般将图像A称为输入图像，将图像B称为模板图像。 模板匹配的方法是将模板图像B在图像A上滑动，逐个遍历所有像素以完成匹配。

​ 例如，下图中，大图像“lena”是输入图像，“眼睛”图像是模板图像。查找的方式是，将模板图像在输入图像内从左上角开始滑动，逐个像素遍历整幅输入图像，以查找与其最匹配的部分。

一、模板匹配基础：

1. cv2.matchTemplate()函数：

在OpenCV内，通过函数cv2.matchTemplate()实现模板匹配。语法格式为：

• result=cv2.matchTemplate(image,templ,method[,mask])

  • image：为原始图像，必须是8位或者32位的浮点型图像。

  • templ：为模板图像。它的尺寸必须小于或等于原始图像，并且与原始图像具有同样的类型。

  • method：为匹配方法。该参数通过TemplateMatchModes实现，有6种可能的值，如表所示。

    

    其具体对应的计算公式：

    

  • mask： 为模板图像掩模。它必须和模板图像 templ 具有相同的类型和大小。通常情况下该值使用默认值即可。当前，该参数仅支持TM_SQDIFF和TM_CCORR_NORMED两个值。

函数cv2.matchTemplate()的返回值result 是一个结果集。类型是单通道32位浮点型。是由每个位置的比较结果所构成的。

2. 匹配原理：

​ 如果输入图像(原始图像)尺寸是W * H，模板的尺寸是w * h，则返回值的大小为(W-w+1)*(H-h+1)。

在进行模板匹配时，模板在原始图像内遍历。在水平方向上：

• 遍历的起始坐标是原始图像左数第1个像素值(序号从1开始)。
• 最后一次比较是当模板图像位于原始图像的最右侧时，此时其左上角像素点所在的位置是W-w+1。

因此，返回值result在水平方向上的大小是W-w+1(水平方向上的比较次数)。

在垂直方向上：

• 遍历的起始坐标从原始图像顶端的第1个像素开始。
• 最后一次比较是当模板图像位于原始图像的最下端时，此时其左上角像素点所在位置是H-h+1。

所以，返回值result在垂直方向上的大小是H-h+1(垂直方向上的比较次数)。

如果原始图像尺寸是 W * H，模板的尺寸是w * h，则返回值的大小为(W-w+1)* (H-h+1)。也就是说，模板图像要在输入图像内比较(W-w+1)*(H-h+1)次。

例如，在上图中，左上方的2×2小方块是模板图像，右下方的10×10图像是输入图像(原始图像)。在进行模板匹配时：

• 首先将模板图像置于输入图像的左上角。
• 模板图像在向右移动时，最远只能位于输入图像的最右侧边界处，此时模板图像左上角的像素对应着输入图像的第9列(输入图像宽度-模板图像宽度+1=10-2+1=9)。
• 模板图像在向下移动时，最远只能位于输入图像最下端的边界处。此时模板图像左上角的像素对应着输入图像的第9行(输入图像高度-模板图像高度+1=10-2+1=9)。

根据上述分析可知，比较结果result的大小满足(W-w+1)*(H-h+1)，在上例中就是(10-2+1)×(10-2+1)，即9×9。也就是说，模板图像要在输入图像内总计比较9×9=81次，这些比较结果将构成一个9×9大小的二维数组。

需要注意的是，函数cv2.matchTemplate()通过参数method来决定使用不同的查找方法。对于不同的查找方法，返回值result具有不同的含义。例如：

• method的值为cv2.TM_SQDIFF和cv2.TM_SQDIFF_NORMED时，result值为0表示匹配度最好，值越大，表示匹配度越差。
• method 的值为 cv2.TM_CCORR、cv2.TM_CCORR_NORMED、cv2.TM_CCOEFF 和cv2.TM_CCOEFF_NORMED时，result的值越小表示匹配度越差，值越大表示匹配度越好。

查找方法不同，结果的判定方式也不同。在查找最佳匹配时，首先要确定使用的是何种method，然后再确定到底是查找最大值，还是查找最小值。

3. 查找最值：

查找最值(极值)与最值所在的位置，可以使用 cv2.minMaxLoc()函数实现。语法格式如下：

• minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(src[,mask])
  • src：为单通道数组。
  • minVal：为返回的最小值，如果没有最小值，则可以是NULL(空值)。
  • maxVal：为返回的最大值，如果没有最小值，则可以是NULL。
  • minLoc：为最大值的位置，如果没有最大值，则可以是NULL。
  • maxLoc：为最大值的位置，如果没有最大值，则可以是NULL。
  • mask：为用来选取掩模的子集，可选项

函数 cv2.minMaxLoc()能够查找整个数组内的最值及它们的位置，并且可以根据当前的掩模集来选取特定子集的极值。有关该函数的更多说明及实例，请参考第12章。

综上所述，函数cv2.matchTemplate()返回值中的最值位置就是模板匹配的位置。

例如，当method的值为cv2.TM_SQDIFF和cv2.TM_SQDIFF_NORMED时，0表示最佳匹配，值越大，则表示匹配效果越差。当使用这两种方法时，要寻找最小值所在的位置作为最佳匹配。如下语句能够找到cv2.matchTemplate()函数返回值中最小值的位置：

• minVal,maxVal,minLoc,maxLoc=cv2.minMaxLoc(matchTemplate函数的返回值)

  topLeft=minLoc　# 查找最小值所在的位置

以topLeft点为模板匹配位置的左上角坐标，结合模板图像的宽度w和高度h可以确定匹配位置的右下角坐标，代码如下所示：

• bottomRight=(topLeft[0]+w,topLeft[1]+h)　　#w和h是模板图像的宽度和高度

当 method 的值为 cv2.TM_CCORR、cv2.TM_CCORR_NORMED、cv2.TM_CCOEFF 和cv2.TM_CCOEFF_NORMED时，cv2.matchTemplate()函数的返回值越小，表示匹配度越差，而返回值越大则表示匹配度越好。此时，要寻找最大值所在的位置作为最佳匹配。

通过上述方式，我们确定了模板匹配的矩形对角坐标位置，接下来可以借助函数cv2.rectangle()将该位置用白色标记出来。

函数cv2.rectangle的语法格式为：

• Img=cv.rectangle(img,pt1,pt2,color[,thickness])
  • img：表示要标记的目标图像。
  • pt1：是矩形的顶点。
  • pt2：是pt1的对角顶点。
  • color：是要绘制矩形的颜色或灰度级(灰度图像)。
  • thickness：是矩形边线的宽度。

因此，使用的标记语句为：cv2.rectangle(img,topLeft,bottomRight,255,2)

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('../lena.bmp')
template = cv2.imread('../template.bmp')

th, tw = template.shape[:2]
rv = cv2.matchTemplate(img, template, cv2.TM_SQDIFF)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(rv)

top_left = min_loc
bottom_right = (top_left[0] + tw, top_left[1] + th)
new_img = img.copy()
cv2.rectangle(new_img, top_left, bottom_right, 255, 2)

plt.subplot(131)
plt.imshow(template, cmap='gray')
plt.title('template')
plt.axis('off')

plt.subplot(132)
plt.imshow(rv, cmap='gray')
plt.title('matcing result')
plt.axis('off')

plt.subplot(133)
plt.imshow(new_img, cmap='gray')
plt.title('result')
plt.axis('off')

plt.show()

二、多模版匹配：

前面的例子中，我们在输入图像lena中搜索其眼部子图，该子图在整个输入图像内仅出现了一次。但是，有些情况下，要搜索的模板图像很可能在输入图像内出现了多次，这时就需要找出多个匹配结果。而函数 cv2.minMaxLoc()仅仅能够找出最值，无法给出所有匹配区域的位置信息。所以，要想匹配多个结果，使用函数 cv2.minMaxLoc()是无法实现的，需要利用阈值进行处理，来获取所有匹配的集合。

1. 获取匹配位置集合：

numpy模块中的函数where()能够获取模板匹配位置的集合。对于不同的输入，其返回的值是不同的。

• 当输入(参数)是一维数组时，返回值是一维索引，只有一组索引数组。
• 当输入是二维数组时，返回的是匹配值的位置索引，因此会有两组索引数组表示返回值的位置。

例如：

# 当输入数组是一维时
import numpy as np

a=np.array([3,6,8,1,2,88])
b=np.where(a>5)
print(b)

# 输出结果
(array([1,2,5],dtype=int64),)

# 当输入数组是二维时
import numpy as np

am=np.array([[3,6,8,77,66],[1,2,88,3,98],[11,2,67,5,2]])
b=np.where(am>5)
print(b)

# 输出结果
(array([0,0,0,0,1,1,2,2],dtype=int64),
array([1,2,3,4,2,4,0,2],dtype=int64))

综上所述，函数 np.where()可以找出在函数 cv2.matchTemplate()的返回值中，哪些位置上的值是大于阈值threshold的。

具体实现时，可以采用的语句为：

• loc=np.where(res >=threshold)
  • res：是函数cv2.matchTemplate()进行模板匹配后的返回值。
  • threshold：是预设的阈值
  • loc：是满足“res >=threshold”的像素点的索引集合。

2. 循环：

处理多个值，通常需要用到循环。因此，在获取匹配值的索引集合后，可以采用如下语句遍历所有匹配的位置，对这些位置做标记：

for i in 匹配位置集合：

​ 标记匹配位置。

在循环处理匹配位置的时候，可以在循环中使用函数zip()：

函数zip()用可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
例如：

import numpy as np

am = np.random.randint(0, 50, size=(3, 5))
print(am)
b = np.where(am > 20)
print(b)
for i in zip(*b):
    print(i)

# 输出结果
[[37 39 43 48 49]
 [16 48 37 23 25]
 [44 40  0 44 38]]
(array([0, 0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 4, 1, 2, 3, 4, 0, 1, 3, 4], dtype=int64))
(0, 0)
(0, 1)
(0, 2)
(0, 3)
(0, 4)
(1, 1)
(1, 2)
(1, 3)
(1, 4)
(2, 0)
(2, 1)
(2, 3)
(2, 4)

因此，如果希望循环遍历由np.where()返回的模板匹配索引集合，可以采用的语句为：

for i in zip(*模板匹配索引集合):

​ 标记处理

3.调整坐标

函数 numpy.where()可以获取满足条件的模板匹配位置集合，然后可以使用函数cv2.rectangle()在上述匹配位置绘制矩形来标注匹配位置。

使用函数numpy.where()在函数cv2.matchTemplate()的输出值中查找指定值，得到的形式为“(行号，列号)”的位置索引。但是，**函数cv2.rectangle()中用于指定顶点的参数所使用的是形式为“(列号，行号)”的位置索引。**所以，在使用函数cv2.rectangle()绘制矩形前，要先将函数numpy.where()得到的位置索引做“行列互换”。可以使用如下语句实现loc内行列位置的互换：

• loc[::-1]

4.标记匹配图像的位置

函数cv2.rectangle()可以标记匹配图像的具体位置，分别指定要标记的原始图像、对角顶点、颜色、矩形边线宽度即可。

关于矩形的对角顶点：

• 其中的一个对角顶点A可以通过for循环语句从确定的满足条件的“匹配位置集合”内获取。

• 另外一个对角顶点，可以通过顶点A的位置与模板的宽(w)和高(h)进行运算得到。
  因此，标记各个匹配位置的语句为：

  • for i in 匹配位置集合:

    ​ cv2.rectangle(输入图像，i, (i[0] + w, i[1] + h ), 255, 2)

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('../four_lena.bmp')
template = cv2.imread('../template.bmp')

h, w = template.shape[:2]
rst = cv2.matchTemplate(img, template, cv2.TM_CCORR_NORMED)
print(rst)
threshold = 0.99
loc = np.where(rst >= threshold)
new_img = img.copy()
for pt in zip(*loc):
    cv2.rectangle(new_img, pt, (pt[0] + w, pt[1] + h), 255, 1)

plt.subplot(121)
plt.imshow(template, cmap='gray')
plt.title('template')
plt.axis('off')

plt.subplot(122)
plt.imshow(new_img, cmap='gray')
plt.title('rst')
plt.axis('off')

plt.show()