教程 | 如何实现图像模板匹配 by OpenCV

点击上方“i怡心兮”关注我们吧~

以下的指导教程基于Windows系统，苹果电脑的MacOS系统类似。

Part.0 模板匹配是什么

图像模板匹配（Template Matching）一位极其死板但又不可或缺的“刻舟求剑”专家。用一句最接地气的话来定义它：模板匹配，就是数字图像世界里的“人肉雷达”和“复读机鉴黄师”。 你扔给它一张小图（模板），它就在大图里像个没感情的扫描仪一样来回溜达，试图找出“和这张小图长得一模一样」的地方。

一、 它是怎么工作的？（“戴着头盔”的地毯式搜索）

计算机是个极其死板的家伙，它不懂什么叫“大概”，什么叫“神似”。它的模板匹配过程，笨拙得让人发笑，主要分为两步：

1. 暴力滑窗（Sliding Window）

想象一下，你有一张很大的寻宝图（原图像），手里拿着一个特定的小拼图块（模板）。计算机做的事，就是把这个小拼图块放在大图的左上角，对齐像素，计算一下两者的差异；然后把它往右移动一个像素，再算一次；移到最右边后，再往下移动一行，继续从左往右算……直到遍历完整个大图。

2. 算账比惨（Similarity Measurement）

每移动一次，计算机就会用预设的“评判标准”给当前这块区域打个分。常见的评分标准有：

• 平方差匹配（SSD）：把两个区域对应像素的差值平方加起来。分数越低，说明越像。（计算机心想：差得越少，分得越清，这账算得明明白白！）

• 相关系数匹配（CCOEFF）：不仅看差值，还看变化趋势。分数越高，说明越像。

最终，计算机把全图所有位置的“分数”列出来，分数最高（或最低，取决于算法）的那个点，就是它认为的“最佳匹配位置”。

二、 这位“福尔摩斯”有多死板？（三大致命弱点）

虽然模板匹配听起来很美好，但它有个致命的缺陷——它是一个“认死理”的直男。 它有三个绝对的“雷区”：

1. 怕“长胖”或“变瘦”（尺度敏感性）

   如果你的模板是50x50像素，但原图里的目标是100x100像素（缩放），哪怕只是稍微远了一点导致成像变小，计算机也会无情地判定：“不像！不匹配！”它不会像人类一样自动脑补比例。

2. 怕“扭脖子”（旋转敏感性）

   模板里是个正立的杯子，原图里的杯子如果只是歪了15度，计算机就会一脸懵逼：“这 curvature（曲率）不对啊，不是同一个杯子！”它眼里揉不得半点角度的沙子。

3. 怕“换滤镜”（光照敏感性）

   模板是在晴天室内拍的（亮度高），原图是在阴天拍的同一个地方（亮度低）。仅仅因为整体像素值都变了，模板匹配就可能直接罢工。

这就像你拿着爱豆十年前的护照照片去机场接机，结果爱豆换了发型、穿了宽松衣服，还晒黑了。模板匹配保准在你眼皮底下走过，你都认不出来，甚至还会报警说遇到了冒名顶替者！

三、 既然这么笨，为什么还要用它？（应用场景）

你可能会问：“这也不能干，那也不行，要它何用？”嘿，在特定的工业场景下，它可是性价比极高的“神器”！

1. 工业流水线上的“质检员”

在电子厂，需要确认电路板上的某个电容是不是被装反了，或者缺焊了。因为流水线上的物品位置、大小、角度都是严格固定的，光照也是恒定不变的。此时，模板匹配一秒钟能扫几百个，又快又准，简直是资本家的福音！只要环境绝对可控，它就是最快、最便宜的“流水线监工”。

2. 固定UI界面的“自动化测试猿”

程序员写了个脚本，想在电脑屏幕上自动点击某个软件的“确定”按钮。他只需要截个“确定”按钮的小图，然后用模板匹配在全屏找。因为UI界面通常不会自己缩放旋转，所以百发百中。代替苦逼打工人完成机械的鼠标点击，打工人的福音。

3. 简单的“找Logo”或“找图标”

比如在一堆杂乱的文件中，快速定位出所有的PDF图标或者微信的绿色气泡。只要图标本身没有变形变色，模板匹配依然是最轻量级的首选方案。

如果说边缘检测和形态学是图像的“骨科医生”，那么模板匹配就是个“认死理的门卫大爷”。它不懂变通，惧怕旋转、缩放和光照变化，但在环境受控、目标规整的特定场景下，它以其零训练成本、极易上手的优势，成为了无数轻量级自动化项目的首选方案。记住一句话：不要用全能AI的标准去要求一个只想好好“找茬”的算法。 只要把环境固定好，模板匹配绝对是你最忠诚、最勤快的像素打工人！

import cv2import numpy as npimport matplotlib.pyplot as plt# ================== 1. 读取图像 ==================# 大图（在这张图里找模板）img = cv2.imread("image.jpg")# 模板（你要找的小图）template = cv2.imread("template.jpg")# 获取模板宽高h, w = template.shape[:2]# ================== 2. 6种匹配方法 ==================methods = [    ("平方差匹配", cv2.TM_SQDIFF),    ("归一化平方差", cv2.TM_SQDIFF_NORMED),    ("相关匹配", cv2.TM_CCORR),    ("归一化相关", cv2.TM_CCORR_NORMED),    ("相关系数", cv2.TM_CCOEFF),    ("归一化相关系数", cv2.TM_CCOEFF_NORMED)]# 遍历所有方法for name, method in methods:    img_copy = img.copy()    # 执行模板匹配    result = cv2.matchTemplate(img_copy, template, method)    # 获取最值与坐标    min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)    # ================== 3. 判断最佳匹配位置 ==================    # 平方差越小越好    if method in [cv2.TM_SQDIFF, cv2.TM_SQDIFF_NORMED]:        top_left = min_loc        similarity = 1 - min_val  # 转成相似度    else:        top_left = max_loc        similarity = max_val     # 直接是相似度    # 右下角坐标    bottom_right = (top_left[0] + w, top_left[1] + h)    # 画矩形    cv2.rectangle(img_copy, top_left, bottom_right, (0,255,0), 2)    # 标注相似度    cv2.putText(img_copy, f"{name}: {similarity:.3f}",                 (20,50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)    # 显示结果    cv2.imshow(f"{name}", img_copy)cv2.waitKey(0)cv2.destroyAllWindows()

从实际使用经验来看，模板匹配归一化方法永远比非归一化稳定，表中最佳匹配算法：TM_CCOEFF_NORMED（归一化相关系数），输出值范围 0~1，越接近 1 越匹配，而且可用于多目标匹配（设置阈值筛选）。

# 图像模板匹配 相关源码获取地址: https://pan.baidu.com/s/1ic_o7R6Sks2OeFyifCqL1A 公众号私信发送【视觉源码】获取 提取码

点击【i怡心兮】- 右上角找到【…】