【OpenCV Python】核心操作--模板匹配

在opencv里，模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在opencv里有6种，然后将每次计算的结果放入一个矩阵里，作为结果输出。假如原图形是AxB大小，而模板是axb大小，则输出结果的矩阵是(A-a+1)x(B-b+1)

1.相关函数：

opencv里提供cv2.matchTemplate(src, template, method)函数来进行模板匹配，关于这个函数有以下几点要注意：

(1)在opencv里，method总共有6种：

cv2.TM_CCOEFF

cv2.TM_CCOEFF_NORMED

cv2.TM_CCORR

cv2.TM_CCORR_NORMED

cv2.TM_SQDIFF

cv2.TM_SQDIFF_NORMED

其中，cv2.TM_SQDIFF_NORMED，cv2.TM_SQDIFF这两种，其输出结果矩阵里最小值是匹配程度最好的，其余四种都是矩阵里最大值是匹配程度最好的。

(2)这个函数的最终结果是一个矩阵，如果我们使用cv2.minMaxLoc（src）函数，便可以找到对应的最大值，和最小值的坐标位置

例子：

img = cv2.imread("Mine.png", 1)

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

template = cv2.imread("temp_2.png", 0)

w, h = template.shape[::-1]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)

min_val ,max_val, min_loc, max_loc = cv2.minMaxLoc(res)

img = cv2.rectangle(img,max_loc,(max_loc[0]+w,max_loc[1]+h),(0,0,255),2)

屏幕剪辑的捕获时间: 2018/4/17 22:00

2.多对象匹配

有时候，如果你要匹配的模板，在图形中多次出现，那么就需要多对象匹配。

多对象匹配的原理很简单，因为opencv里的模板匹配，是将图形里的每一处和模板进行对比，所以同一个模板下，多对象匹配情况下，结果矩阵里会有好几个值，和最大（小）值接近，如果我们设置一个阈值，在这个阈值以上（以下）的值都提取出来，再分别得到他们的坐标，理论上只要这个阈值设置的恰当，就可以将多对象都匹配出来。

在使用多对象匹配时，先介绍几个方便处理这个过程的函数：

  np.nonzero()

这个函数的输入是一个多维数组，其作用是将所有非0值的索引放入一个多维数组里作为结果输出，如果输入是1维，结果应该也是1维，2维的结果应该也是2维，往上同理。

例如：

A=[[0,1,1],[0,0,0],[1,0,0]]

result = np.nonzero(A)

print  result

我们可以看出A这个数组里，非0的数值分别是第0个小数组的第1个，第0个小数组第2个，第2个小数组第0个。所以结果放在两个数组里[0.0.2],[1.2.0]

 np.where[condition， x, y]

对于这个函数，conditon,x,y都是同维度的数组，其结果也是个同维度的数组，它的作用是这样的，condition里的第（i，j）里的数看作一个bool类型的数，如果是true，将x里对应的（i，j）数值放入结果的（i，j)位置，如果是false就将y里对应的(i，j)数值放入结果的(i，j)位置。

这个函数还有一种情况，如果输入只有conditon一个参数，则是输出np.nonzero(condition)

如果将一个numpy的array与一个数做比较，则是将array里每一个数值分别与这个数做对比，将结果放入每一个数对应的位置

例如：

A=np.array([[0,1,1],[0,0,0],[1,0,0]])

result=A>=1

print  result

屏幕剪辑的捕获时间: 2018/4/17 22:39

Zip()

  zip函数的输入是不定量个list或者tuple，如A，B，C，这个函数将输入的list或者tuple的第i位

(0<i<len(list))位取出，组成（Ai,Bi,Ci）再将这些tuple放入一个list里输出：

例如：

A = [0,1,2]

B = [1,4,5]

C = [7,0,0]

print zip(A,B,C)

屏幕剪辑的捕获时间: 2018/4/17 22:56

值得注意的是，zip的输入是不定函数，其数量是不定的，所以使用zip（*arg）,将所有参数放入一个list里，作为输入，也是可以的，所以上面的代码也可以这样写：

D = [[0,1,2], [1,4,5],[7,0,0]]

print zip(*D)

其输出和上面一样。

讲了这么多，我们来看看多对象匹配具体怎么完成，代码如下：

img = cv2.imread("Mine.png", 1)

img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

template = cv2.imread("temp.png", 0)

w, h = template.shape[::-1]

res = cv2.matchTemplate(img_gray, template, cv2.TM_CCOEFF_NORMED)

locs = np.where(res >=0.985)

for loc in zip(*locs[::-1]):

     img =cv2.rectangle(img, loc, (loc[0] + w, loc[1] + h), (0, 0, 255), 3)

屏幕剪辑的捕获时间: 2018/4/17 23:01

以上代码中，黑色部分和之前单个匹配一样，对于红色部分。

0.985是我们设置的阈值，res>=0.958的作用是将结果array里符合条件的数值换成True ，反之换成False。

 np.where的作用是将true的索引输出到 loc变量

 loc[::-1]将输出的索引变换成x,y坐标，因为索引和x,y坐标是正好相反的，所以要对换下位置。

然后再循环坐标，分别画出红色边界。