模板匹配的作用在图像识别领域作用可大了。那什么是模板匹配？
模板匹配，就是在一幅图像中寻找另一幅模板图像最匹配（也就是最相似）的部分的技术。
在上一篇的实战中，我们通过人物眼睛的子图，找出了其在图像中出现位置。但是，有些情况下，并不仅仅只有一次，比如我们讲解傅里叶变换时，曾介绍一张草原的狮子图。如果匹配某个草，可能单个图像内会有很多，这个时候就要找出多个匹配结果。
而函数cv2.minMaxLoc()仅仅能找出最值，无法给出所有匹配区域的位置信息。所以，要想匹配多个结果，就需要进行如下4个步骤：
首先，Numpy库中的函数where()能够获取模板匹配位置的集合。对于不同的输入，其返回值是不同的。
比如，我们的灰度图像一般都是二维数组。下面，我们来查找一个二维数组中，值大于8的元素索引：
import numpy as np img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]]) result = np.where(img > 5) print(result)
运行之后，控制台会输出如下内容：
如果你对Numpy不是很了解的化。下面博主在将数据转换以下，基本上都能看懂了。转换之后，格式如下：
第一行为大于5的值的X坐标，第二行为大于5的值的Y坐标。那么上面大于5的数组索引为：[0,2]，[0,3]，[0,4]，[1,0]，[1,1]，[1,2]，[1,3]，[2,0]，[2,1]，[2,2]，[2,3]。你可以回溯对比看看是不是一致的。
通过np.where()函数可以找出在cv2.matchTemplate()函数的返回值中，哪些位置上的值是大于阈值threshold的。具体操作代码如下：
loc=np.where(res>threshold)
因为我们找到的原图对应的模板图像不止一个，要处理多个值，肯定会用到循环。因此，在获取匹配值的索引后，可以采用如下语句遍历所有匹配的位置，对这些位置做标记：
for i in 匹配位置集合: 标记匹配位置
函数zip()用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。
例如，我们获取的索引为x,y,z。下面我们使用zip()将它们打包成元组。代码如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
for i in zip(*result):
print(i)
这里我们还是使用上面的值，输出结果如下：
这里自动将我们刚才满足条件的索引打包成了元素格式。是不是比刚才的控制台输出结果更加的直观呢？
我们上面得到的结果是符合条件的索引：（行号，列号），但我们需要绘制匹配位置的矩形，需要的是（列号，行号）。
所以，在使用cv2.rectangle()绘制矩形前，要先将函数numpy.where()得到的位置索引行列互换，行列互换可以通过如下代码实现：
import numpy as np
img = np.array([[2, 4, 6, 8, 10], [9, 60, 10, 30, 4], [55, 21, 11, 7, 5]])
result = np.where(img > 5)
for i in zip(*result[::-1]):
print(i)
运行之后，输出结果如下：
既然我们已经了解了标记绘制多个模板位置的4个步骤。下面，我们直接将上面的代码整理以下，即可完成多模板的匹配。具体代码如下所示：
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("34.jpg", 0)
template = cv2.imread("4_1.jpg", 0)
w, h = template.shape[::-1]
res = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.9
loc = np.where(res >= 0.9)
for i in zip(*loc[::-1]):
cv2.rectangle(img, i, (i[0] + w, i[1] + h), 255, 1)
plt.imshow(img, cmap="gray")
plt.axis("off")
plt.show()
这里的代码与上面4个步骤一摸一样，具体就不做过多的讲解了。运行之后，多个模板也就匹配完成。
附录：
模板图
原图
利用opencv进行多目标模板匹配，只要是利用其matchTemplate函数，但在多目标（这里是讨论目标图片中不同大小模板的匹配），以下贴出代码和图片，供大家参考：
#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>
#include <iostream>
#include <math.h>
using namespace std;
using namespace cv;
Point getNextMinLoc(Mat &result, Point minLoc, int maxValue, int templatW, int templatH);
int main(void)
{
Mat src = imread("1_2.png");
Mat srcCopy = src.clone();
Mat temp = imread("1_4.png");
Mat result;
if (src.empty() || temp.empty())
{
cout << "打开图片失败" << endl;
return 0;
}
vector<Mat> templat;
vector<float> minV;
vector<Point> minL;
int srcW, srcH, templatW, templatH, resultH, resultW;
srcW = src.cols;
srcH = src.rows;
templat.push_back(temp);
double minValue, maxValue;
Point minLoc, maxLoc;
for (int i=0;i<10;i++)
{
cout << i << ": ";
templatW = templat[i].cols;
templatH = templat[i].rows;
if (srcW < templatW || srcH < templatH)
{
cout << "模板不能比原图大" << endl;
return 0;
}
resultW = srcW - templatW + 1;
resultH = srcH - templatH + 1;
result.create(Size(resultW, resultH), CV_32FC1);
matchTemplate(src, templat[i], result, CV_TM_SQDIFF_NORMED);
minMaxLoc(result, &minValue, &maxValue, &minLoc, &maxLoc);
cout << "min1: " << minValue << endl;
if (minValue<=0.070055)
{
rectangle(srcCopy, minLoc, Point(minLoc.x + templatW, minLoc.y + templatH), Scalar(0, 0, 255), 2, 8, 0);
Point new_minLoc;
new_minLoc = getNextMinLoc(result, minLoc, maxValue, templatW, templatH);
float *data = result.ptr<float>(new_minLoc.y);
cout << "min2: " << data[new_minLoc.x] << " ";
if (data[new_minLoc.x]<=0.5)
{
cout << "进这个函数了:" << i << "：" << new_minLoc.x;
cout << " " << new_minLoc.y;
rectangle(srcCopy, new_minLoc, Point(new_minLoc.x + templatW, new_minLoc.y + templatH),
Scalar(0, 255, 0), 2, 8, 0);
new_minLoc = getNextMinLoc(result, new_minLoc, maxValue, templatW, templatH);
}
float *data1 = result.ptr<float>(new_minLoc.y);
cout << "min3: " << data1[new_minLoc.x] << " " << endl;
if (data1[new_minLoc.x] <= 0.4)
{
rectangle(srcCopy, new_minLoc, Point(new_minLoc.x + templatW, new_minLoc.y + templatH),
Scalar(255, 0, 0), 2, 8, 0);
}
}
cout << "#" << endl;
Mat temp_templat;
resize(templat[i], temp_templat, Size(templat[i].cols / 1.1, templat[i].rows / 1.1));
templat.push_back(temp_templat);
}
imshow("结果", srcCopy);
waitKey(0);
return 0;
}
Point getNextMinLoc(Mat &result, Point minLoc, int maxValue, int templatW, int templatH)
{
//imshow("result", result);
//cout << "maxvalue: " << maxValue << endl;
int startX = minLoc.x - templatW / 3;
int startY = minLoc.y - templatH / 3;
int endX = minLoc.x + templatW / 3;
int endY = minLoc.y + templatH / 3;
if (startX < 0 || startY < 0)
{
startX = 0;
startY = 0;
}
if (endX > result.cols - 1 || endY > result.rows - 1)
{
endX = result.cols - 1;
endY = result.rows - 1;
}
int y, x;
for (y = startY; y < endY; y++)
{
for (x = startX; x < endX; x++)
{
float *data = result.ptr<float>(y);
data[x] = maxValue;
}
}
double new_minValue, new_maxValue;
Point new_minLoc, new_maxLoc;
minMaxLoc(result, &new_minValue, &new_maxValue, &new_minLoc, &new_maxLoc);
//imshow("result_end", result);
return new_minLoc;
}
以下是结果图：
