【opencv】Template matching(模板匹配)

本文转载自：http://blog.csdn.net/icvpr

1. 什么是模板匹配？

模板匹配是一种用于在源图像S中寻找定位给定目标图像T（即模板图像）的技术。其原理很简单，就是通过一些相似度准则来衡量两个图像块之间的相似度Similarity(S,T)。

2. 用途
模板匹配方法常用于一些平面图像处理中，例如印刷中的数字、工业零器件等小尺寸目标图像识别分类。

3. 方法

模板匹配中，源图像和模板图像可以是二值图像、灰度图像、彩色图像。

一般而言，模板匹配有两种使用场景：
1）如果源图像S与模板图像T大小（高和宽）一致，则直接使用相似度计算公式对这两个图像进行相似度计算。

2）如果源图像S的size大于模板图像T，则在S中匹配T时，需要滑动匹配窗口（即模板图像的大小），计算模板图像与该窗口对应的图像区域之间的相似度。对整张S图像滑动完后，得到多个匹配结果。这里，有两种方式获取匹配结果。一种是返回所有匹配结果中的最佳匹配结果（最小值或最大值，依相似度计算方式而定）。另一种，是设定一个阈值，大于或小于该阈值的匹配结果都认为是有效的匹配。

例如，如图1所示，想要在大图中定位到小图（小狗的头部），使用模板匹配时的滑动过程如图2所示：


  图1

（来源：http://docs.opencv.org/doc/tutorials/imgproc/histograms/template_matching/template_matching.html#template-matching）


   图2

（来源：http://docs.opencv.org/doc/tutorials/imgproc/histograms/template_matching/template_matching.html#template-matching）

滑动完整张大图后，得到一张包含所有匹配结果的图，如图3所示。图3中的一个像素位置代表了一次模板匹配的结果。


 图3

（来源：http://docs.opencv.org/doc/tutorials/imgproc/histograms/template_matching/template_matching.html#template-matching）

4. 模板匹配中常用的相似度计算方法有：

1）Square difference matching method (method = CV_TM_SQDIFF) 平方差



2）Correlation matching methods (method = CV_TM_CCORR) 互相关



3）Correlation coefficient matching methods (method = CV_TM_CCOEFF)  相关系数





4）上述三种方法的归一化形式（目的是为了减少光照的影响）

上述方法，OpenCV中都有实现。另外，除上述OpenCV实现了的方法外，还有一些相似度衡量方法，包括：

5）Sum of Absolute difference SAD 绝对差值

6）Match Pixel Count MPC 匹配成功点数

5. 模板匹配方法的优缺点：

优点：简单、直接

缺点：不具有旋转不变性、不具有尺度不变性

5. OpenCV中的模板匹配实例代码：

（代码来源：http://docs.opencv.org/doc/tutorials/imgproc/histograms/template_matching/template_matching.html#template-matching）

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>

using namespace std;
using namespace cv;

/// 全局变量
Mat img; Mat templ; Mat result;
char* image_window = "Source Image";
char* result_window = "Result window";

int match_method;
int max_Trackbar = 5;

/// 函数声明
void MatchingMethod( int, void* );

int main( int argc, char** argv )
{
// 读图片
img = imread( argv[1], 1 );
templ = imread( argv[2], 1 );

// 创建图像显示窗口
namedWindow( image_window, CV_WINDOW_AUTOSIZE );
namedWindow( result_window, CV_WINDOW_AUTOSIZE );

// 创建混动条
char* trackbar_label = "Method: \n 0: SQDIFF \n 1: SQDIFF NORMED \n 2: TM CCORR \n 3: TM CCORR NORMED \n 4: TM COEFF \n 5: TM COEFF NORMED";
createTrackbar( trackbar_label, image_window, &match_method, max_Trackbar, MatchingMethod );

MatchingMethod( 0, 0 );

waitKey(0);
return 0;
}

// 模板匹配
void MatchingMethod( int, void* )
{
// 用于显示结果
Mat img_display;
img.copyTo( img_display );

// 用于存储匹配结果的矩阵
int result_cols = img.cols - templ.cols + 1;
int result_rows = img.rows - templ.rows + 1;
result.create( result_cols, result_rows, CV_32FC1 );

// 进行模板匹配
matchTemplate( img, templ, result, match_method );
// 归一化结果（方便显示结果）
normalize( result, result, 0, 1, NORM_MINMAX, -1, Mat() );

// 找到最佳匹配位置
double minVal;
double maxVal;
Point minLoc;
Point maxLoc;
Point matchLoc;

minMaxLoc( result, &minVal, &maxVal, &minLoc, &maxLoc, Mat() ); // 寻找result中的最大和最小值，以及它们所处的像素位置

// 使用SQDIFF和SQDIFF_NORMED方法时：值越小代表越相似
// 使用其他方法时：值越大代表越相似
if( match_method == CV_TM_SQDIFF || match_method == CV_TM_SQDIFF_NORMED )
{
matchLoc = minLoc;
}
else
{
matchLoc = maxLoc;
}

// 显示匹配结果
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 );
}