Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。
基础知识铺垫
今天的 1 个小时，我们要交给模板匹配了，而且学习起来比较轻松，因为我看到一句话，模板匹配是最没用的匹配方式，应用场景很少。
就喜欢这样的技术，学起来的摩擦力小，不容易掉头发。
模板匹配
模板匹配大意就是在整个图像区域寻找已有的小图像，在寻找之前，你需要准备一个待寻找的图像，以及一个小图
寻找的形式是从左到右，从上到下，这个找法很形象了，一行一行的找。
在寻找的过程中，通过 OpenCV 封装好的算法，计算小图与大图的匹配度，这个匹配度越大，两张图片相同的可能性越大。
模板匹配函数原型
在 Python 中，通过 help 函数，可以查看任意函数的说明。
matchTemplate(image, templ, method[, result[, mask]]) -> result
参数说明如下：
- <kbd>image</kbd>：待检索的图像；
- <kbd>templ</kbd>：小图，要求不大于待搜索图像；
- <kbd>method</kbd>：匹配方法，下表提供，算法不需要掌握，知道用法即可；
- <kbd>result</kbd>：结果图像；
- <kbd>mask</kbd>：掩膜，需要与 <kbd>templ</kbd> 有相同的数据类型和大小，默认不设置，仅支持 <kbd>method</kbd> 参数值为 <kbd>TM_SQDIFF</kbd> 和 <kbd>TM_CCORR_NORMED</kbd>
关于 <kbd>method</kbd> 参数的值有以下几种情况：
- <kbd>TM_SQDIFF</kbd>：平方差匹配；
- <kbd>TM_SQDIFF_NORMED</kbd>：标准平方差匹配，利用平方差来进行匹配，最好匹配为 0，匹配越差，匹配值越大；
- <kbd>TM_CCORR</kbd>：相关性匹配；
- <kbd>TM_CCORR_NORMED</kbd>：标准相关性匹配，采用模板和图像间的乘法操作，数越大表示匹配程度较高, 0 表示最坏的匹配效果；
- <kbd>TM_CCOEFF</kbd>：相关性系数匹配；
- <kbd>TM_CCOEFF_NORMED</kbd>：标准相关性系数匹配，将模版对其均值的相对值与图像对其均值的相关值进行匹配，1 表示完美匹配，-1 表示糟糕的匹配，0 表示没有任何相关性(随机序列)。
以上内容整理自网络
接下来编写测试代码：
import cv2 as cv
# 读取目标图片，小图
target = cv.imread("./target.jpg")
# 读取模板图片，待查找的图片
template = cv.imread("./template.jpg")
# 获取模板图片的宽高尺寸，用于后面画矩形框
th, tw = template.shape[:2]
# 执行匹配模板，匹配方式选择标准平方差匹配
result = cv.matchTemplate(target, template, cv.TM_SQDIFF_NORMED)
# 输出匹配结果
print(type(result))
cv.imshow("image", result)
cv.waitKey()
注意下图中，最终匹配到的区域颜色最深。
下面我们将其标记出来，需要用到一个新的函数，具体如下。
minMaxLoc 函数
该函数是在给定的矩阵中寻找最大值和最小值，并给出它们的位置。
特别说明是如果需要在所有的通道中查找最小或者最大元素，要先将矩阵重新解释为单通道，好吧，引出归一化的概念了。
那我们先把这个函数学到收，之后在把归一化的函数补充上。
函数原型如下：
minMaxLoc(src[, mask]) -> minVal, maxVal, minLoc, maxLoc
原型比较简单，输入一个图像之后，可以返回 4 个值。
这 4 个值分别是，最大值，最小值以及最大值与最小值的位置。
上文我们使用的是 <kbd>cv.TM_SQDIFF_NORMED</kbd> 方法，按照上面的叙述，匹配值最小越好，所以需要获取一下图像的最小值位置。
修改上文代码如下：
import cv2 as cv
# 读取目标图片，小图
target = cv.imread("./target.jpg")
# cv.imshow("target", target)
# 读取模板图片，待查找的图片
template = cv.imread("./template.jpg")
# cv.imshow("template", template)
# 获取模板图片的宽高尺寸，用于后面画矩形框
th, tw = template.shape[:2]
# 执行匹配模板，匹配方式选择标准平方差匹配
result = cv.matchTemplate(target, template, cv.TM_SQDIFF_NORMED)
# 获取最小值位置
min_val, max_val, min_loc, max_loc = cv.minMaxLoc(result)
tl = min_loc
print(tl)
# 通过模板的宽和高，找到匹配最好的右下角地方
# tl[0],tl[1]分别代表最佳匹配值地方的 x 和 y
br = (tl[0]+tw, tl[1]+th)
cv.rectangle(target, tl, br, (0,0,255),2)
# 输出匹配结果
cv.imshow("image", target)
cv.waitKey()
最终运行效果如下，匹配成功。
其他的 <kbd>method</kbd>你自行测试吧。
补一个 cv2.normalize
学习新的函数，先把概念通读，尝试理解，理解不要在降格到应用。
归一化就是把待处理的数据进行处理，这里的处理就是某种算法了，然后将数据限制在一个范围内（范围由我们自己定义）
归一化之后，数据会变得更加有可比性，具体原因还未找到可靠资料。
函数原型如下：
dst = cv2.normalize(src[, dst[, alpha[, beta[, norm_type[, dtype[, mask]]]]]])
参数说明：
- <kbd>src</kbd>：输入数组；
- <kbd>dst</kbd>：与 src 大小相同的输出数组；
- <kbd>alpha</kbd>：如果 norm_type 为 NORM_MINMAX ，则 alpha 为最小值或最大值，如果 norm_type 为其他类型，则为归一化要乘的系数；
- <kbd>beta</kbd>：如果 norm_type 为 NORM_MINMAX ，则 beta 为最小值或最大值，如果 norm_type 为其他类型，beta 被忽略，此处不会被用到，一般传入 0；
- <kbd>norm_type</kbd>：归一化类型，常见的有 NORM_L1, NORM_L2, NORM_INF, NORM_MINMAX；
- <kbd>dtype</kbd>：如果取负值时，dst 与 src 同样的类型，否则，dst 和 src 有同样的通道数，且此时图像深度为 CV_MAT_DEPTH(dtype)；
- <kbd>mask</kbd>：掩膜。
应用起来比较简单，例如本篇博客中的案例，只需要增加如下代码即可。
# 归一化处理
cv.normalize(result, result, 0, 1, cv.NORM_MINMAX, -1)
橡皮擦的小节
希望今天的 1 个小时，你有所收获，我们下篇博客见~
相关阅读
技术专栏
逗趣程序员
今天是持续写作的第 <font color="red">70</font> / 100 天。
如果你有想要交流的想法、技术，欢迎在评论区留言。
