Opencv实验合集——实验六：模板匹配

1.概念

模板匹配旨在在图像中找到与给定模板最相似的部分。其核心思想是通过滑动模板，计算每个位置与模板的相似性，然后找到最匹配的位置。这一过程常涉及选择匹配度量方法，如平方差匹配、归一化平方差匹配、相关性匹配等。模板匹配在目标检测、物体识别等领域有广泛应用，尽管对于光照、尺度、旋转等变化敏感，但仍然是图像处理中常用的技术之一。

2.有关的函数方法

cv.matchTemplate(img, template, method)：这一行代码执行模板匹配操作。它采用三个参数：

img：表示待搜索的原始图像。

template：表示要在原始图像中搜索的模板图像。

method：表示匹配方法，即模板匹配算法的选择。这可以是以下之一：     

• cv.TM_SQDIFF：平方差匹配法
• cv.TM_SQDIFF_NORMED：归一化平方差匹配法
• cv.TM_CCORR：相关性匹配法
• cv.TM_CCORR_NORMED：归一化相关性匹配法
• cv.TM_CCOEFF：系数匹配法
• cv.TM_CCOEFF_NORMED：归一化系数匹配法

cv.matchTemplate 返回一个二维数组（图像），表示匹配程度，该数组的大小是原始图像减去模板图像的大小加一。 

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)：这一行代码用于找到匹配结果中的最小值、最大值以及它们的位置。具体来说：

• min_val：是匹配结果中的最小值。
• max_val：是匹配结果中的最大值。
• min_loc：是最小值的位置（x，y坐标）。
• max_loc：是最大值的位置（x，y坐标）。

3.匹配算法有关的原理： 

1.TM_CCOEFF (系数匹配法):

• 原理：计算模板与图像的协方差。
• 概念：协方差表示两个变量之间的关联程度，正值表示正相关，负值表示负相关。
• 适用：适用于模板和图像中存在明显对比度差异的情况。

协方差具体计算公式：

在实际操作中，可以使用矩阵运算来高效地计算协方差矩阵。如果 X 和 Y 分别是 m×n 和 m×p 的矩阵，这将产生一个 n×p 的协方差矩阵，

 2.TM_CCOEFF_NORMED (归一化系数匹配法):

• 原理：计算模板与图像的归一化协方差。
• 概念：通过标准化协方差，将匹配结果归一化到范围 [-1, 1]。
• 适用：适用于处理不同尺度和对比度的图像。

3.TM_CCORR (相关性匹配法):

• 原理：计算模板与图像的相关性。
• 概念：相关性表示两个信号之间的相似性程度，值越大表示匹配越好。
• 适用：适用于处理模板和图像灰度变化较小的情况。

R(x,y)=  [I(x+i,y+j)⋅T(i,j)]

• I(x+i,y+j) 是图像在位置 (x+i,y+j) 的像素值；
• T(i,j) 是模板在位置 (i,j) 的像素值；
• M 和 N 分别是模板的高度和宽度

在上述公式中，通过将模板与图像的对应像素值相乘，然后将所有乘积相加，得到一个相关性值。这个值越大，表示在图像的该位置与模板更相似

4.TM_CCORR_NORMED (归一化相关性匹配法):

• 原理：计算模板与图像的归一化相关性。
• 概念：通过标准化相关性，将匹配结果归一化到范围 [0, 1]。
• 适用：适用于处理不同尺度和对比度的图像。

5.TM_SQDIFF (平方差匹配法):

• 原理：计算模板与图像的像素差的平方和。
• 概念：值越小表示匹配越好。
• 适用：适用于处理灰度变化较大的图像。

 6.TM_SQDIFF_NORMED (归一化平方差匹配法):

• 原理：计算模板与图像的归一化平方差。
• 概念：通过标准化平方差，将匹配结果归一化到范围 [0, 1]。
• 适用：适用于处理不同尺度和对比度的图像。

示例代码：

 

效果展示：

输入原图：

输出图：

 

 

 

 

 

本次实验主要展示了图像处理中的模板匹配功能，模板匹配功能主要还是通过对模板和图像的像素点的计算进行匹配，没有过多考虑到光照等其他方面的因素，可能比较适合灰度值图像，匹配出来的效果也因人而异，效果不是特别好，所以在此做个了解学习

如有错误或遗漏，希望小伙伴批评指正！！！！ 

希望这篇博客对你有帮助！！！！

 实验五：Opencv实验合集——实验五：高动态范围-CSDN博客