一、模板匹配分析

所谓模板匹配，就是在给定的图片中查找和模板最相似的区域，该算法的输入包括模板和图片，整个任务的思路就是按照滑窗的思路不断的移动模板图片，计算其与图像中对应区域的匹配度，最终将匹配度最高的区域选择为最终的结果。

1、实现流程

（1）准备两副图像

1. 原图像（I）：在这幅图中，找到与模板相匹配的区域
2. 模板（T）：与原图像进行比对的图像块

（2）滑动模板图像和原图像进行比对

 （3）对于每一个位置将计算的相似结果保存在结果矩阵（R）中

（4）获得上述图像后，查找最大值所在的位置。

获得上述图像后，查找最大值所在的位置，那么该位置对应的区域就被认为是最匹配的。对应的区域就是以该点为定点，长宽和模板图像一样大小的矩阵。 

 2、API介绍

 3、简单案例

做一个梅西的模板，以梅西的脸部为模板，分别检测几种不同的检测方法

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread(\'images/messi5.jpg\', 0)
img2 = img.copy()
template = cv.imread(\'images/messi_face.jpg\', 0)
w, h = template.shape[::-1]

# All the 3 methods for comparison in a list
methods = [\'cv.TM_CCOEFF\', \'cv.TM_CCORR\', \'cv.TM_SQDIFF\']
for meth in methods:
    img = img2.copy()
    method = eval(meth)

    # Apply template Matching
    res = cv.matchTemplate(img, template, method)
    min_val, max_val, min_loc, max_loc = cv.minMaxLoc(res)

    # If the method is TM_SQDIFF or TM_SQDIFF_NORMED, take minimum
    if method in [cv.TM_SQDIFF, cv.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = (top_left[0] + w, top_left[1] + h)
    cv.rectangle(img, top_left, bottom_right, 255, 2)
    plt.subplot(121), plt.imshow(res, cmap=\'gray\')
    plt.title(\'Matching Result\'), plt.xticks([]), plt.yticks([])

    plt.subplot(122), plt.imshow(img, cmap=\'gray\')
    plt.title(\'Detected Point\'), plt.xticks([]), plt.yticks([])
    plt.suptitle(meth)
    plt.show()

检测结果如下：

cv.TM_CCOEFF：

 cv.TM_CCORR：

 cv.TM_SQDIFF：

注： 可以看到使用cv.TM_CCORR的结果不如我们预期的那样好。

 与多个对象匹配的模板

在上面我们搜索了梅西的脸的图像，在图像中只出现了一次。假设您正在搜索一个多次出现的对 象，cv.minMaxLoc()不会给出所有的位置。在这种情况下，我们将使用阈值化。在这个例子中，我们将使用著名游戏马里奥的截图，我们将在其中找到硬币。

python  zip()函数：

• zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
• 如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。zip(*loc[::-1])

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img_rgb = cv.imread(\'images/mario.jpg\')
img_gray = cv.cvtColor(img_rgb, cv.COLOR_BGR2GRAY)
template = cv.imread(\'images/coin.jpg\', 0)
w, h = template.shape[::-1]
res = cv.matchTemplate(img_gray, template, cv.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(res >= threshold)
for pt in zip(*loc[::-1]):
    cv.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 2)
cv.imshow(\'res.png\', img_rgb)
cv.waitKey(0)
cv.destroyAllWindows()

 二、霍夫变换分析

霍夫变换常用来提取图像中的直线和圆等几何形状，详情如下介绍：

 1、实现流程

假设有一个大小为100 * 100的图片，使用霍夫变换检测图片中的直线，则步骤如下所示：

 2、霍夫线检测

 霍夫线检测的整个流程如下图所示，这是在stackflow上一个关于霍夫线变换的解释：

（1） 简单使用

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#设置字体
my_font = font_manager.FontProperties(fname=\"C:/Windows/Fonts/STHUPO.TTF\")

#1、加载图片，转换二值图
img = cv.imread(\"./images/feilin.jpg\")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
edges = cv.Canny(gray, 50, 100)

#2、霍夫线变换
lines = cv.HoughLines(edges, 0.8, np.pi / 180, 150)

#3、将检测到的线绘制在图像上（注意是极坐标）
for line in lines:
    rho, theta = line[0]
    a = np.cos(theta)
    b = np.sin(theta)
    x0 = a * rho
    y0 = b * rho
    x1 = int(x0 + 1000 * (-b))
    y1 = int(y0 + 1000 * (a))
    x2 = int(x0 - 1000 * (-b))
    y2 = int(y0 - 1000 * (a))
    cv.line(img, (x1, y1), (x2, y2), (0, 255, 0))

#4、图像显示
plt.figure(figsize=(10,8), dpi=100)
plt.imshow(img[:,:,::-1])
plt.title(\"霍夫变换线检测\", fontproperties=my_font)
plt.xticks([]), plt.yticks([])
plt.show()

3、霍夫圆检测

 （1）API介绍

（2）简单使用

介绍：cv.circle(img,(520,430),300,(255,0,0),8)

• 在img原始图片中划圈，其圈的中心点为（520，430），半径=300，颜色为（255，0，0），粗细=8

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
from matplotlib import font_manager
#字体设置
my_font = font_manager.FontProperties(fname=\"C:/Windows/Fonts/STHUPO.TTF\")

#1、读取图像，并转换为灰度图
plants = cv.imread(\"./images/star.jpg\")
gray_img = cv.cvtColor(plants, cv.COLOR_BGR2GRAY)

#2、进行中值滤波，去除噪点
img = cv.medianBlur(gray_img, 7)

#3、霍夫圆检测
circles = cv.HoughCircles(img, cv.HOUGH_GRADIENT, 1, 100, param1=100, param2=30, minRadius=0, maxRadius=100)

#4、将检测结果绘制在图像上
for i in circles[0, :]: #遍历矩阵每一行的数据
    #绘制图形
    cv.circle(plants, (i[0], i[1]), i[2], (0,0,255), 2)
    #绘制圆心
    cv.circle(plants, (i[0], i[1]), 2, (0,0,255), 3)

#5、图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.imshow(plants[:,:,::-1])
plt.title(\"霍夫变换圆检测\", fontproperties=my_font)
plt.xticks([]),plt.yticks([])
plt.show()

 三、总结