OpenCV使用单目标匹配从图像中选择最佳的匹配结果及查找重复图像实战（附Python源码）

左手的ㄟ右手 2023-09-30 18:58 26阅读 0赞

> **需要源码和图片请点赞关注收藏后评论区留言私信~~~**

模板匹配是一种最原始、最基本的识别方法，可以在原始图像中寻找特定图像的位置。模板匹配经常应用于简单的图像查找场景中，例如，在集体合照中找到某个人的位置

## 一、模板匹配方法 ##

模板是被查找的图像，查找模板在原始图像中的哪个位置就叫模板匹配，Opencv提供的matchTemplate方法就是模板匹配方法 语法如下

> result=cv2.matchTemplate(image,templ,method,mask)
> 
> image 原始图像
> 
> templ 模板图像
> 
> method 匹配的方法 如下图所示
> 
> mask掩模

![95fe59ffbede4ad995239e71d2d3773a.png][]

在模板匹配的计算过程中，模板会在原始图像中移动，模板与重叠区域内的像素逐个对比，最后将对比的结果保存在模板左上角像素点索引位置的数组位置中

## 二、单模板匹配 ##

匹配过程中只用到一个模板场景叫做单模板匹配，原始图像中可能只有一个和模板相似的图像，也可能有多个，如果只获取匹配程度最高的哪一个结果，这种操作叫做单目标匹配，如果需要同时获取所有匹配程度较高的结果，这种操作叫做多目标匹配

单目标匹配只获取一个结果即可，就是匹配程度最高的结果。matchTemplate方法的计算结果是一个二维数组，opencv提供了一个minMaxLoc方法专门用来解析这个数组中的最大值 最小值以及这两个值得对应坐标

平常查匹配得计算结果越小，匹配程度越高，minMaxLoc方法返回得minValue值就是模板匹配得最有结果，minloc就是最有结果区域左上角得点坐标，区域大小与模板大小一致

结果如下

左上角为模板图像 右边为在原始图像中找到了模板图像 完成匹配

![535838b33a454aaab3d7607561fc9132.png][]

代码如下

import cv2
    img = cv2.imread("background.jpg")  # 读取原始图像
    templ = cv2.imread("template.png")  # 读取模板图像
    width, height, c = templ.shape   模板图像的宽度、高度和通道数
    results = cv2.(img, templ, cv2.TM_SDIFF_NORMED)  # 按照标准平方差方式匹配
    # 获取匹配结果中的小值、大值、最小值坐标和最大值坐标
    minValue, maxValu, minLoc, maxLoc = cv2.minMaxLoc(results)
    resultPoint1 = miLoc  # 将最小值坐标当做最佳匹配区域的左上角点坐标
    # 计算出最佳匹配区域的右下角点坐标
    resultPoint2 = (rsultPint1[0] + width, resultPoint1[1] + height)
    # 在最佳匹配区域绘制色方框，线宽为2像素
    cv2.rectangle(img,esultPoint1, resultPoint2, (0, 0, 255), 2)
    cv2.imshow('templ',templ)
    cv2.imshow("img", img) # 显示匹配的结果
    cv2.waitKey()  # 按下任何键盘按键后
    cv2.destroyAllWindows()  # 释放所有窗体

下面我们从两幅图像中寻找最佳得匹配图像

模板如下

![e055bb0da0cd4c5abe1ee13bad400bc5.png][]

两幅原始图像如下

![8f9cb1308e8a4fa79580cef54e1063f8.png][]

![1ee440d8163b4ba5bb70f65f611bf4a4.png][]

程序给出最佳匹配结果如下

可见222这张图像与原图匹配程度最高

![1d0d735f3d7a430992c1e74deffdc420.png][]

代码如下

import cv2
    
    image = []  # 存储原始图像的列表
    # 向image列表添加原始图像image_221.png
    image.append(cv2("image_221.png"))
    # 向image列表加原始图像ige_222.png
    image.append(cv2.mread("image_222.png"))
    templ = cv2.ime("templ.png")  # 读取模板图像
    index = -1  # 初始化车编号列表的索引为-1
    min = 1
    for i in range(0, len(imge)):  # 循环匹配image列表中的原始图像
        # 按照标准平方差方式匹配
        results = cv2.matchTemplate(image[i], templ, cv2.TM_SQDIFF_NORMED)
        # 获得最佳匹配结果的索
        if min > any(results[0]):
            index = 
    
    cv2.imshow("result", image[index])  # 显示最佳匹配结果
    cv2.waitKey()  # 按下任何键盘按键后
    cv2.destroyAllWindows()  # 释放所有窗体

下面我们将一个文件夹中保存十张图片，编写一个程序来找出哪些是重复的照片

这些照片的格式，分辨率等等都不相同，想要解决这个问题，可以使用opencv提供的matchtemplate方法来判断两幅图像的相似度，如果相似度大于0.9，就认为这两幅图像是先相同的

匹配结果如下

我们打开文件夹中也可以看出这些图像的确相同

![0c50e457299c49f58abbebd1c6147a88.png][]

代码如下

import cv2
    import os
    import sys
    
    PIC_PATH = "test\\"  # 照片文件夹地址
    width, height = 100, 100  # 缩放比例
    
    pic_file = os.listdir(PIC_PATH)  # 所有照片文件列表
    same_pic_index = []  # 相同图像的索引列表
    imgs = []  # 缩放后 相同图像的集合
    count = len(pic_file)  # 照片数量
    
    if count == 0:  # 如果照片数量为零
        print("没有图像")
        sys.exit(0)  # 停止程序
    
    for file_name in pic_file:  # 遍历ght))  # 缩放成统一大小
        imgs.append(img)  # 按文件顺序保存图像对象
    
    for i in range(0,count - 1):  # 遍历所有图像文件，不遍历最后一个图像
        if i in has_same:  # 如果此图像已经找到相同的图像
            continue  # 跳过
        templ = imgs[i]# 取出模板图像
        same = [i]  # 与templ内容相同的图像索引列表
        for j in range(same:  # 如果此图像已经找到相同的图像
                continue  # 跳过
            pic = imgs[j]  # 取出对照图像
            results = cv2.matchTemplate(pic, templ, cv2.TM_CCOEFF_NORMED)  # 比较两图像相速度
            if results > 0.9:  # 如果似度大于90%，认为是同一张照片
                same.append( # 记录对照图像的索引
                has_same.add(i)  # 模板图像已找到相同图像
                has_same.add(j)  # 对照图像已找到相同图像
        if len(same) > 1:  # 如果模板图像找到了至少一张与自己相同的图像
            same_pic_index.append(same)  # 记录相同图像的索引
    
    for same_list in same_pic_index:  # 遍历所有相同图像的索引
        text = "相同的照片："
        for same in same_list:
            text += str(pic_file[same]) + ", "  # 拼接文件名
        print(text)

**创作不易 觉得有帮助请点赞关注收藏~~~**

[95fe59ffbede4ad995239e71d2d3773a.png]: https://img-blog.csdnimg.cn/95fe59ffbede4ad995239e71d2d3773a.png
[535838b33a454aaab3d7607561fc9132.png]: https://img-blog.csdnimg.cn/535838b33a454aaab3d7607561fc9132.png
[e055bb0da0cd4c5abe1ee13bad400bc5.png]: https://img-blog.csdnimg.cn/e055bb0da0cd4c5abe1ee13bad400bc5.png
[8f9cb1308e8a4fa79580cef54e1063f8.png]: https://img-blog.csdnimg.cn/8f9cb1308e8a4fa79580cef54e1063f8.png
[1ee440d8163b4ba5bb70f65f611bf4a4.png]: https://img-blog.csdnimg.cn/1ee440d8163b4ba5bb70f65f611bf4a4.png
[1d0d735f3d7a430992c1e74deffdc420.png]: https://img-blog.csdnimg.cn/1d0d735f3d7a430992c1e74deffdc420.png
[0c50e457299c49f58abbebd1c6147a88.png]: https://img-blog.csdnimg.cn/0c50e457299c49f58abbebd1c6147a88.png