OpenCV模板匹配技术详解：原理、算法与C++代码实现

OpenCV模板匹配技术详解：原理、算法与C++代码实现

引用

CSDN

1.

https://m.blog.csdn.net/m0_60437290/article/details/143101677

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。

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'))^2R(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;
}