文章目录
- 前言
- 1.理论基础
- 1.1模板匹配介绍
- 1.2匹配算法介绍
- 2.代码实现
- 2.1模块匹配(matchTemplate)
- 2.2最佳匹配函数(minMaxLoc())
- 3.完整代码
前言
模板匹配是图像处理和计算机视觉领域中的一种经典技术，它通过在大图像中搜索与小图像（模板）匹配的位置来实现目标检测和定位。OpenCV 提供了简单易用的 cv::matchTemplate 函数来实现模板匹配，本篇博客将详细讲解模板匹配的原理、使用方法，并结合完整的 C++ 代码来演示如何实现模板匹配。
1.理论基础
1.1模板匹配介绍
- 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。
1.2匹配算法介绍
enum TemplateMatchModes {
TM_SQDIFF = 0, // 计算平方不同
TM_SQDIFF_NORMED = 1, // 计算归一化平方不同
TM_CCORR = 2, // 计算相关性
TM_CCORR_NORMED = 3, // 计算归一化相关性
TM_CCOEFF = 4, // 计算相关系数
TM_CCOEFF_NORMED = 5, // 计算归一化相关系数
};
①计算平方数(TM_SQDIFF)
R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) − I ( x + x ′ , y + y ′ ) ) 2 R(x,y)= \sum_{x',y'} (T(x',y') - I(x+x',y+y'))^2 R(x,y)=x′,y′∑(T(x′,y′)−I(x+x′,y+y′))2
②计算归一化平方数(TM_SQDIFF_NORMED)
R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) − I ( x + x ′ , y + y ′ ) ) 2 ∑ x ′ , y ′ T ( x ′ , y ′ ) 2 ⋅ ∑ x ′ , y ′ I ( x + x ′ , y + y ′ ) 2 R(x,y)= \frac{\sum_{x',y'} (T(x',y') - I(x+x',y+y'))^2}{\sqrt{\sum_{x',y'} T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}} R(x,y)=∑x′,y′T(x′,y′)2⋅∑x′,y′I(x+x′,y+y′)2∑x′,y′(T(x′,y′)−I(x+x′,y+y′))2
③计算相关性(TM_CCORR)
R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) ⋅ I ( x + x ′ , y + y ′ ) ) R(x,y)= \sum_{x',y'} (T(x',y') \cdot I(x+x',y+y')) R(x,y)=x′,y′∑(T(x′,y′)⋅I(x+x′,y+y′))
④计算归一化相关性(TM_CCORR_NORMED)
R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) ⋅ I ( x + x ′ , y + y ′ ) ) ∑ x ′ , y ′ T ( x ′ , y ′ ) 2 ⋅ ∑ x ′ , y ′ I ( x + x ′ , y + y ′ ) 2 R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I(x+x',y+y'))}{\sqrt{\sum_{x',y'} T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}} R(x,y)=∑x′,y′T(x′,y′)2⋅∑x′,y′I(x+x′,y+y′)2∑x′,y′(T(x′,y′)⋅I(x+x′,y+y′))
⑤计算相关系数(TM_CCOEFF)
R ( x , y ) = ∑ x ′ , y ′ ( T ′ ( x ′ , y ′ ) ⋅ I ′ ( x + x ′ , y + y ′ ) ) R(x,y)= \sum_{x',y'} \left( T'(x',y') \cdot I'(x+x',y+y') \right) R(x,y)=x′,y′∑(T′(x′,y′)⋅I′(x+x′,y+y′))
其中：
T ′ ( x ′ , y ′ ) = T ( x ′ , y ′ ) − 1 w ⋅ h ⋅ ∑ x ′ ′ , y ′ ′ T ( x ′ ′ , y ′ ′ ) T'(x',y') = T(x',y') - \frac{1}{w \cdot h} \cdot \sum_{x'',y''} T(x'',y'') T′(x′,y′)=T(x′,y′)−w⋅h1⋅x′′,y′′∑T(x′′,y′′)
I ′ ( x + x ′ , y + y ′ ) = I ( x + x ′ , y + y ′ ) − 1 w ⋅ h ⋅ ∑ x ′ ′ , y ′ ′ I ( x + x ′ ′ , y + y ′ ′ ) I'(x+x',y+y') = I(x+x',y+y') - \frac{1}{w \cdot h} \cdot \sum_{x'',y''} I(x+x'',y+y'') I′(x+x′,y+y′)=I(x+x′,y+y′)−w⋅h1⋅x′′,y′′∑I(x+x′′,y+y′′)
⑥计算归一化相关系数(TM_CCOEFF_NORMED)
R ( x , y ) = ∑ x ′ , y ′ ( T ′ ( x ′ , y ′ ) ⋅ I ′ ( x + x ′ , y + y ′ ) ) ∑ x ′ , y ′ T ′ ( x ′ , y ′ ) 2 ⋅ ∑ x ′ , y ′ I ′ ( x + x ′ , y + y ′ ) 2 R(x,y)= \frac{\sum_{x',y'} \left( T'(x',y') \cdot I'(x+x',y+y') \right)}{\sqrt{\sum_{x',y'} T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2}} R(x,y)=∑x′,y′T′(x′,y′)2⋅∑x′,y′I′(x+x′,y+y′)2∑x′,y′(T′(x′,y′)⋅I′(x+x′,y+y′))
2.代码实现
2.1模块匹配(matchTemplate)
void 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) 可选的掩码图像，用于指定要处理的区域。
);
使用示例：
matchTemplate(src, temp, result, TM_SQDIFF, Mat());
2.2最佳匹配函数(minMaxLoc())
minMaxLoc() 是 OpenCV 中用于查找数组或图像中最大值和最小值及其位置的函数。在图像处理任务（如模板匹配、特征检测）中经常使用，用来确定某个区域内的极值点。
// OpenCV 函数 minMaxLoc 函数介绍
void minMaxLoc( InputArray src,
double* minVal, double* maxVal,
Point* minLoc, Point* maxLoc,
InputArray mask = noArray() )
src: 输入数组，可以是单通道的cv::Mat或其他支持的 OpenCV 数据类型。minVal: 指向一个双精度浮点型变量的指针，用于存储找到的最小值。maxVal: 指向一个双精度浮点型变量的指针，用于存储找到的最大值。minLoc: 指向Point结构体的指针，用于存储找到的最小值位置。maxLoc: 指向Point结构体的指针，用于存储找到的最大值位置。mask(可选): 用于掩模操作的输入数组，标识出需要考虑的像素。
结果：
3.完整代码
#include<opencv2/opencv.hpp>
#include<highgui.hpp>
#include<iostream>
#include<math.h>
using namespace cv;
using namespace std;
Mat src, temp, dst;
int max_track = 5;
int match_method = TM_SQDIFF;
const char* INPUT_T = "input image";
const char* OUTPUT_T = "result image";
const char* match_t = "template match-demo";
void Match_Demo(int, void*)
{
int width = src.cols - temp.cols + 1;
int height = src.rows - temp.rows + 1;
Mat result(width, height, CV_32FC1); //32位浮点数，单通道
matchTemplate(src, temp, result, match_method, Mat());
normalize(result, result, 0, 1, NORM_MINMAX, -1, Mat());
Point minLoc;
Point maxLoc;
double min, max;
src.copyTo(dst);
Point temLoc;
// 用于在给定矩阵中找到最小值、最大值及其对应的位置
minMaxLoc(result, &min, &max, &minLoc, &maxLoc, Mat());
if (match_method == TM_SQDIFF || match_method == TM_SQDIFF_NORMED)
temLoc = minLoc;
else
temLoc = maxLoc;
//绘制矩形
rectangle(dst, Rect(temLoc.x, temLoc.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, 8);
rectangle(result, Rect(temLoc.x, temLoc.y, temp.cols, temp.rows), Scalar(0, 0, 255), 2, 8);
imshow(OUTPUT_T, result);
imshow(match_t, dst);
}
void Template_matching()
{
src = imread("cat.jpg");
//模板图像
temp = imread("cat_nose.jpg");
if (src.empty() || temp.empty())
{
cout << "ERROR: Could not load image." << endl;
return;
}
namedWindow(INPUT_T, WINDOW_AUTOSIZE);
namedWindow(OUTPUT_T, WINDOW_NORMAL);
namedWindow(match_t, WINDOW_AUTOSIZE);
imshow(INPUT_T, temp);
const char* trackbar_title = "Match Algo Type:";
createTrackbar(trackbar_title, OUTPUT_T, &match_method, max_track, Match_Demo);
Match_Demo(0, 0);
waitKey(0);
}
int main()
{
Template_matching();
return 0;
}
![[SAP ABAP] SE11定义数据类型(结构与表类型)](https://i-blog.csdnimg.cn/direct/3e333ae747814d3e9ba750368e8444c1.png)
