​详细剖析模板匹配

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) .

voidminMaxLoc(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。
intmethod,//使用的匹配方法
InputArray mask=noArray()//(optional)
)

程序代码

#include
#include
usingnamespacestd;
usingnamespacecv;

// 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";

intmatch_method = TM_SQDIFF;
intmax_Trackbar =5;

voidMatchingMethod(int,void* );

intmain(intargc,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);
return0;
}

voidMatchingMethod(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
intresult_cols = img.cols - templ.cols +1;
intresult_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
doubleminVal, 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

审核编辑 ：李倩