当前位置：首页 > news >正文

利用OpenCV实现模板与多个对象匹配

news 2025/9/11 8:19:25

代码实现：

import cv2
import numpy as npimg_rgb = cv2.imread('mobanpipei.jpg')
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)
template = cv2.imread('jianto.jpg', flags=0)
h, w = template.shape[:2]# 读取图像# # 顺时针旋转 90 度（k=1）
# rotated_image1 = np.rot90(template, k=1)
# # 逆时针旋转 90 度（k=-1）
# rotated_image2 = np.rot90(template, k=-1)
j=[0,1,-1]
# 模板匹配
for i in j:template1 = np.rot90(template,k=i)res = cv2.matchTemplate(img_gray, template1, cv2.TM_CCOEFF_NORMED)threshold = 0.9  # 匹配阈值loc = np.where(res >= threshold)  # 获取符合阈值的坐标（行，列）# 绘制所有匹配区域的矩形框for pt in zip(*loc[::-1]):cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), color=(0, 0, 255), thickness=6)cv2.imshow('Template Matching Result', img_rgb)
cv2.waitKey(0)

这段代码是一个带旋转角度的模板匹配程序，核心功能是在目标图像中查找与模板图像（包含 0°、90° 顺时针、90° 逆时针三种旋转状态）匹配度较高的区域，并标记出这些区域。下面分步骤解析：

一、基础准备：导入库与读取图像

import cv2  # 导入OpenCV库，用于图像处理
import numpy as np  # 导入numpy库，用于数组操作（如旋转）# 读取目标图像（待检测的大图），默认读取为BGR格式
img_rgb = cv2.imread('mobanpipei.jpg')
# 将目标图像转为灰度图（模板匹配通常在单通道灰度图上进行，减少计算量）
img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)# 读取模板图像（要查找的小图），flags=0表示以灰度图格式读取
template = cv2.imread('jianto.jpg', flags=0)
# 获取模板图像的高和宽（h:高度，w:宽度），后续绘制匹配区域时需要
h, w = template.shape[:2]

核心目的：加载目标图像和模板图像，并将目标图像转为灰度图（模板匹配对颜色不敏感，灰度图可简化计算）。

注意：模板图像直接以灰度图读取（flags=0），避免后续重复转换。

二、处理模板旋转：考虑多方向匹配

# 定义旋转角度参数：0（不旋转）、1（顺时针90°）、-1（逆时针90°）
j = [0, 1, -1]

为什么需要旋转？实际场景中，模板可能在目标图像中以不同角度存在（比如模板是 “箭头”，可能朝上、朝左、朝右），通过旋转模板可提高匹配覆盖率。

np.rot90函数说明：k=0表示不旋转；k=1表示顺时针旋转 90°；k=-1表示逆时针旋转 90°。

三、核心逻辑：多角度模板匹配与结果标记

# 遍历每个旋转角度，分别进行模板匹配
for i in j:# 按当前角度旋转模板（得到旋转后的模板）template1 = np.rot90(template, k=i)# 模板匹配：在目标灰度图中查找与旋转后模板匹配的区域# 方法：cv2.TM_CCOEFF_NORMED（归一化相关系数匹配，结果范围[-1,1]，越接近1匹配度越高）res = cv2.matchTemplate(img_gray, template1, cv2.TM_CCOEFF_NORMED)# 设置匹配阈值（只保留匹配度≥0.9的区域，阈值越高，匹配越严格）threshold = 0.9# 找到所有匹配值≥阈值的位置坐标（返回的loc是元组，格式：(行坐标列表, 列坐标列表)）loc = np.where(res >= threshold)# 遍历所有符合条件的坐标，绘制矩形框标记匹配区域# zip(*loc[::-1])：将坐标从(行,列)转换为(列,行)（OpenCV中图像坐标是(x,y)对应列和行）for pt in zip(*loc[::-1]):# 绘制矩形：左上角坐标pt=(x,y)，右下角坐标=(x+w, y+h)，红色（BGR中(0,0,255)），线宽6cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), color=(0, 0, 255), thickness=6)

模板匹配原理：cv2.matchTemplate会在目标图像上滑动模板，计算每个位置的匹配度，生成一个 “匹配结果图”（res），其中每个像素值代表该位置的匹配程度。

坐标转换细节：loc返回的是(行,列)，而 OpenCV 绘制矩形需要(x,y)（对应列、行），因此用loc[::-1]反转顺序，再用zip(*)转换为可迭代的坐标对。

阈值选择：threshold=0.9是经验值，可根据实际匹配效果调整（值太高可能漏检，太低可能误检）。

四、显示结果

# 显示标记了匹配区域的目标图像
cv2.imshow('Template Matching Result', img_rgb)
# 等待按键输入（0表示无限等待），按任意键后关闭窗口
cv2.waitKey(0)

最终在窗口中显示目标图像，所有匹配度≥0.9 的区域会被红色矩形框标记。

实现效果：

代码特点与注意事项

多角度匹配：通过旋转模板（0°、90° 顺 / 逆时针），解决了模板在目标图像中旋转导致的匹配失效问题。
潜在优化点：
- 旋转后模板的尺寸会变化（如 90° 旋转后，原高度 h 变为宽度，原宽度 w 变为高度），但代码中仍用原w和h绘制矩形，可能导致矩形框尺寸不准确（需根据旋转后的模板尺寸动态调整）。
- 未处理模板缩放问题：如果目标图像中模板的大小与原图不同，可能匹配失败（可结合图像金字塔实现多尺度匹配）。
适用场景：适用于检测目标在图像中可能存在 90° 旋转的场景（如特定图标、符号等）。

总结：这段代码通过 “旋转模板 + 多角度匹配” 的思路，提高了模板匹配的鲁棒性，能有效标记出目标图像中与不同角度模板匹配的区域，是模板匹配技术在实际场景中的典型应用。