模板匹配

模板匹配是一项在一-幅图像中寻找与另一幅模板图像最匹配(相似)部分的技术。在OpenCV2和OpenCV3中，模板匹配由MatchTemplate()函数完成。需要

注意，模板匹配不是基于直方图的，而是通过在输入图像上滑动图像块，对实际的图像块和输入图像进行匹配的一种匹配方法。

模板匹配的工作方式
    模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。
    假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：
  （1）从输入图像的左上角(0,0)开始，切割一块(0,0)至(10,10)的临时图像；
  （2）用临时图像和模板图像进行对比，对比结果记为c；
  （3）对比结果c，就是结果图像(0,0)处的像素值；
  （4）切割输入图像从(0,1)至(10,11)的临时图像，对比，并记录到结果图像；
  （5）重复（1）～（4）步直到输入图像的右下角。

程序实现了什么?

• 载入一幅输入图像和一幅模板图像块 (template)
• • 通过使用函数 matchTemplate 实现之前所述的6种匹配方法的任一个. 用户可以通过滑动条选取任何一种方法.
• 归一化匹配后的输出结果
• 定位最匹配的区域
• 用矩形标注最匹配的区域

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

using namespace cv;
using namespace std;

Mat g_srcImage, g_tempalteImage, g_resultImage;
int g_nMatchMethod;
int g_nMaxTrackbarNum = 5;


void on_matching(int, void*)
{
	Mat srcImage;
	g_srcImage.copyTo(srcImage);
	int resultImage_cols = g_srcImage.cols - g_tempalteImage.cols + 1;
	int resultImage_rows = g_srcImage.rows - g_tempalteImage.rows + 1;
	g_resultImage.create(resultImage_cols, resultImage_rows, CV_32FC1);

	matchTemplate(g_srcImage, g_tempalteImage, g_resultImage, g_nMatchMethod);
	normalize(g_resultImage, g_resultImage, 0, 2, NORM_MINMAX, -1, Mat());
	double minValue, maxValue;
	Point minLocation, maxLocation, matchLocation;
	minMaxLoc(g_resultImage, &minValue, &maxValue, &minLocation, &maxLocation);

	if (g_nMatchMethod == TM_SQDIFF || g_nMatchMethod == CV_TM_SQDIFF_NORMED)
	{
		matchLocation = minLocation;
	}
	else
	{
		matchLocation = maxLocation;
	}

	rectangle(srcImage, matchLocation, Point(matchLocation.x + g_tempalteImage.cols, matchLocation.y + g_tempalteImage.rows), Scalar(0, 0, 255), 2, 8, 0);
	rectangle(g_resultImage, matchLocation, Point(matchLocation.x + g_tempalteImage.cols, matchLocation.y + g_tempalteImage.rows), Scalar(0, 0, 255), 2, 8, 0);

	imshow("原始图", srcImage);
	imshow("效果图", g_resultImage);

}

int main()
{
	g_srcImage = imread("E:\VS2015Opencv\vs2015\project\picture\02.jpg");
	if (!g_srcImage.data)
	{
		cout << "原始图读取失败" << endl;
		return -1;
	}
	g_tempalteImage = imread("E:\VS2015Opencv\vs2015\project\picture\021.jpg");
	if (!g_tempalteImage.data)
	{
		cout << "模板图读取失败" << endl;
		return -1;
	}

	namedWindow("原始图", CV_WINDOW_AUTOSIZE);
	namedWindow("效果图", CV_WINDOW_AUTOSIZE);
	createTrackbar("方法", "原始图", &g_nMatchMethod, g_nMaxTrackbarNum, on_matching);

	on_matching(0, NULL);


	waitKey(0);

	return 0;
}

　代码解析：

1. 定义一些全局变量, 例如原图像g_srcImage， 模板图像g_tempalteImage，和结果图像g_resultImage, 还有匹配方法；

   Mat g_srcImage, g_tempalteImage, g_resultImage;
   int g_nMatchMethod;
   int g_nMaxTrackbarNum = 5;

2. 载入原图像和匹配块:

   img = imread( argv[1], 1 );
   templ = imread( argv[2], 1 );
   

3. 创建窗口,显示原图像和结果图像:

   g_srcImage = imread("E:\VS2015Opencv\vs2015\project\picture\02.jpg");
   	if (!g_srcImage.data)
   	{
   		cout << "原始图读取失败" << endl;
   		return -1;
   	}
   	g_tempalteImage = imread("E:\VS2015Opencv\vs2015\project\picture\021.jpg");
   	if (!g_tempalteImage.data)
   	{
   		cout << "模板图读取失败" << endl;
   		return -1;
   	}
   
   	namedWindow("原始图", CV_WINDOW_AUTOSIZE);
   	namedWindow("效果图", CV_WINDOW_AUTOSIZE);

4. 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 on_matching 就会被调用.

   createTrackbar("方法", "原始图", &g_nMatchMethod, g_nMaxTrackbarNum, on_matching);
   
       on_matching(0, NULL);
   
   
       waitKey(0);
   
       return 0;

5. 一直等待,直到用户退出这个程序.

   waitKey(0);
   return 0;
   

6. 让我们先看看回调函数. 首先, 它对原图像进行了一份复制:

   Mat srcImage;
   g_srcImage.copyTo(srcImage)；

7. 然后, 它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)

   int resultImage_cols = g_srcImage.cols - g_tempalteImage.cols + 1;
   int resultImage_rows = g_srcImage.rows - g_tempalteImage.rows + 1;
   g_resultImage.create(resultImage_cols, resultImage_rows, CV_32FC1);

8. 执行模板匹配操作:

   matchTemplate(g_srcImage, g_tempalteImage, g_resultImage, g_nMatchMethod);

   很自然地,参数是输入图像 I, 模板图像 T, 结果图像 R 还有匹配方法 (通过滑动条给出)

9. 我们对结果进行归一化:

   normalize(g_resultImage, g_resultImage, 0, 2, NORM_MINMAX, -1, Mat());　　

10. 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.

    double minValue, maxValue;
    Point minLocation, maxLocation, matchLocation;
    minMaxLoc(g_resultImage, &minValue, &maxValue, &minLocation, &maxLocation);　　

    函数中的参数有:

    • result: 匹配结果矩阵
    • &minVal 和 &maxVal: 在矩阵 result 中存储的最小值和最大值
    • &minLoc 和 &maxLoc: 在结果矩阵中最小值和最大值的坐标.
    • Mat(): 可选的掩模

11. 对于前二种方法 ( CV_SQDIFF 和 CV_SQDIFF_NORMED ) 最低的数值标识最好的匹配. 对于其他的, 越大的数值代表越好的匹配. 所以, 我们在 matchLoc 中存放相符的变量值:

    if (g_nMatchMethod == TM_SQDIFF || g_nMatchMethod == CV_TM_SQDIFF_NORMED)
    	{
    		matchLocation = minLocation;
    	}
    	else
    	{
    		matchLocation = maxLocation;
    	}

显示原图像和结果图像. 再用矩形框标注最符合的区域:

rec – 确定矩形的另一种方式，给左上角坐标和长宽

rectangle(srcImage, matchLocation, Point(matchLocation.x + g_tempalteImage.cols, matchLocation.y + g_tempalteImage.rows), Scalar(0, 0, 255), 2, 8, 0);
rectangle(g_resultImage, matchLocation, Point(matchLocation.x + g_tempalteImage.cols, matchLocation.y + g_tempalteImage.rows), Scalar(0, 0, 255), 2, 8, 0);
imshow("原始图", srcImage);
imshow("效果图", g_resultImage);

方法0，1,3,4,5都是上面这个结果，方法2是下面这个结果；

前二种方法 ( CV_SQDIFF 和 CV_SQDIFF_NORMED ) 最低的数值标识最好的匹配. 对于其他的, 越大的数值代表越好的匹配. 所以, 我们在 matchLoc 中存放相符的变量值: