OpenCV学习之模板匹配

模板匹配的概念与原理就不说了，《OpenCV3编程入门》这本书第9.5节有介绍，不过比较简洁，至于看不看得懂就NBCS了嘻嘻，毕竟本人也是看得一知半解。那么本次呢，主要就是针对该书中的9.5.3的示例程序，解释几个部分的代码，由于本人也是初学，所以全凭个人理解，所以讲不一定很高深，大家不要逼太紧靴靴！

示例程序

本来觉得代码没必要贴出来的，但怕有些人太懒噜不想看书，或者是书都没有的可人儿逼太紧，还是秉着做好事、说好话、存好心的三好精神，在下方贴出整个代码吧。由于本人自己敲得，所以和书上顺序神马的不一样，但总体是没有什么问题的靴靴！

#include<opencv2/highgui.hpp>
#include<opencv2/imgproc.hpp>
using namespace cv;Mat g_srcImage, g_templateImage, g_resultImage;
int g_nMatchMethod;
int g_nMaxTrackbarNum = 5;void on_Matching(int, void*)//回调函数
{Mat srcImage;g_srcImage.copyTo(srcImage);//初始化用于结果输出的矩阵int resultImage_rows = g_srcImage.rows - g_templateImage.rows + 1;int resultImage_cols = g_srcImage.cols - g_templateImage.cols + 1;g_resultImage.create(resultImage_rows, resultImage_cols, CV_32FC1);//进行匹配和标准化matchTemplate(g_srcImage, g_templateImage, g_resultImage, g_nMatchMethod);normalize(g_resultImage, g_resultImage, 0, 1, NORM_MINMAX, -1, Mat());//归一化数据//通过函数minMaxLoc定位最匹配的位置double minValue, maxValue;Point minLocation, maxLocation, matchLocation;minMaxLoc(g_resultImage, &minValue, &maxValue, &minLocation, &maxLocation, Mat());//使用方法SQDIFF和SQDIFF_NORMED,越小的数值有着更高的匹配结果，而其余的方法，数值越大匹配效果越好if (g_nMatchMethod == TM_SQDIFF || g_nMatchMethod == CV_TM_SQDIFF_NORMED)matchLocation = minLocation;elsematchLocation = maxLocation;//绘制出矩形，并显示最终结果rectangle(srcImage, matchLocation, Point(matchLocation.x + g_templateImage.cols, matchLocation.y + g_templateImage.rows), Scalar(0, 0, 255), 2, 8, 0);rectangle(g_resultImage, matchLocation, Point(matchLocation.x + g_templateImage.cols, matchLocation.y + g_templateImage.rows), Scalar(0, 0, 255), 2, 8, 0);imshow("【原始图片】", srcImage);imshow("【效果窗口】", g_resultImage);
}int main()
{g_srcImage = imread("linlin.jpg");g_templateImage = imread("linlinface.PNG");namedWindow("【原始图片】", CV_WINDOW_AUTOSIZE);namedWindow("【效果窗口】", CV_WINDOW_AUTOSIZE);createTrackbar("方法", "【原始图片】", &g_nMatchMethod, g_nMaxTrackbarNum, on_Matching);on_Matching(0, 0);waitKey(0);return 0;
}

代码讲解

int resultImage_rows = g_srcImage.rows - g_templateImage.rows + 1;
int resultImage_cols = g_srcImage.cols - g_templateImage.cols + 1;

这两行主要是求Mat变量g_resultImage的长宽，即尺寸，该变量对应的就是matchTemplate（）函数中都第三个参数result，比较结果的映射图像。至于为什么这么求，书中有提到必须是(W-w+1)x(H-h+1)，原理是什么书上也没提呕！个人理解，可能跟模板匹配的原理有关。模板匹配是通过一个图像模板，在整幅输入图像上移动这个模块来寻找图像中相似的最优匹配。至于映射效果呢，其实就是为了方便比较，所以要缩小尺寸来放大匹配部分，方便进行比较不同方法的匹配效果。Of course，一切都是本人理解的靴靴，至于是不是这样的本人清者自清。当然，也欢迎知道的童鞋在评论方留言厚！

matchTemplate(g_srcImage, g_templateImage, g_resultImage, g_nMatchMethod);
normalize(g_resultImage, g_resultImage, 0, 1, NORM_MINMAX, -1, Mat());

第一行就是调用matchTemplate（）函数，没什么好说的，主要是第二行的normalize（）函数，有篇文章写得比较详细，大家可以看看：opencv函数介绍（1）——normalize按这篇文章来讲，应该是范围归一化数据，运用Image Watch可以看到归一化后的g_resultImage图像的像素值都在(0,1)之间，正好符合normalize（）函数中的0，1的上下限，效果图如下：

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

然后就是绘制矩形的代码，原图和映射图像分别绘制，其实就是匹配的区域而已。简单介绍一下rectangle（）函数的参数，方便大家使用厚！
第一个参数，要绘制矩形的图像；
第二个参数，矩形的左上角坐标，也就是求得的匹配位置的坐标点；
第三个参数，矩形的右下角坐标，代码中是左上角横纵坐标加上模板图像的长宽求得，容易理解，因为矩形要和模板一样惹；
第四个参数，矩形的边的颜色厚，BGR颜色你自己调靴靴；
第五个参数，thickness线宽；
第六个参数，lineType线型；
第七个参数，int shift=0??，我也没看明白，应该是与坐标点有关，选默认值就好了噜。

g_templateImage = imread(“linlinface.PNG”);

这个书上也没解释呕，真素懒死噜！想直接用代码的人可能就会懵逼厚，这是个啥图？其实细看书的话还是能明白的，就是模板图像厚，也就是你想要匹配的部分，你从原图中截个图就好噜，so easy的靴靴！

实验效果

其它没什么好说的了，给大家看看效果吧！选用的是宇宙天后的婊情嘻嘻，映射结果就不给大家看了，意思都一样，结果如下所示：

可以看到，只有方法二（相关匹配法）不本质，没有成功匹配到天后的美貌，真素不努力，迟早被吸。其它的方法都成功匹配到了，相差都不大，都是畏惧神淋罢了嘻嘻！