1.4 利用Opencv 进行模板匹配（template matching）-在图片中查找图片

原理 ：利用相关匹配的算法（cv2.TM_COEFF_NORMED）, 简单讲就是用此算法把模板计算出来，再计算出图片的值，从图片中查找出最相近的位置。

import cv2
import numpy as np
import imutils


def template_matching(image_full_path, tmpl_full_path, min_confidence=0.93, ):
    """
    :param image_full_path: 输入图片路径，在该图片中查找模板图像
    :param tmpl_full_path: 模板图片，在输入图片中查找此模板
    :param min_confidence: 最小信心度，该方法返回大于此信心度的结果
    :return: 返回result_dic ==> {信心度：（坐标Tuple）}, sorted(confidence_list,reverse=True)==>信心度降序排列列表
    """
    img = cv2.imread(image_full_path)  # 读取输入图片
    gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图，采用CV_BGR2GRAY,转换公式Gray = 0.1140*B + 0.5870*G + 0.2989*R
    # template = cv2.imread(tmpl_full_path, cv2.IMREAD_GRAYSCALE)  # 读取模板图片的灰度图
    template = cv2.imread(tmpl_full_path)  # 为保证输入图片与模板一致性，两张图片用相同方法读取灰度图片
    template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
    # w, h = template.shape[::-1]     # 获取模板的宽和高(绘图时使用，本函数内无意义）
    res = cv2.matchTemplate(gray_img, template, cv2.TM_CCOEFF_NORMED)  # TM_CCOEFF_NORMED 标准相关匹配
    loc = np.where(res >= min_confidence)   # 在结果中筛选大于最小信心度的结果
    result_dic = {}
    confidence_list = []
    for pt in zip(*loc[::-1]):
        result_dic[res[pt[1]][pt[0]]] = pt
        confidence_list.append(res[pt[1]][pt[0]])
    # cv2.rectangle(img, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 3)  # 在目标位置绘制一个红色矩形框，边宽3px
    return result_dic, sorted(confidence_list, reverse=True)


def diff_size_template_matching(image_full_path, tmpl_full_path, min_confidence=0.95, ):
    """
    :param image_full_path: 输入图片路径，在该图片中查找模板图像
    :param tmpl_full_path: 模板图片，在输入图片中查找此模板
    :param min_confidence:  最小信心度，该方法返回大于此信心度的结果
    :return: 返回result_dic ==> {信心度：（坐标Tuple）}, sorted(confidence_list,reverse=True)==>信心度降序排列列表
    """
    template = cv2.imread(tmpl_full_path)
    template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)  # 获得灰度模板

    image = cv2.imread(image_full_path)
    gray_img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 获得灰度图片
    result_dic = {}
    confidence_list = []
    for scale in np.linspace(0.2, 1.0, 100)[::-1]:  # 1倍到0.2倍 分100级变化(级数越高，可能获得的匹配精度越高，处理越慢)
        resized = imutils.resize(template, width=int(template.shape[1] * scale))  # 以scale 为倍数改变模板大小
        # (w, h) = resized.shape[::-1]    # 求改变后的模板宽高
        result = cv2.matchTemplate(gray_img, resized, cv2.TM_CCOEFF_NORMED)    # 每次改变都进行一次匹配
        loc = np.where(result >= min_confidence)  # 在结果中筛选大于最小信心度的结果
        for pt in zip(*loc[::-1]):
            result_dic[result[pt[1]][pt[0]]] = pt
            confidence_list.append(result[pt[1]][pt[0]])
            # cv2.rectangle(image, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 3)
    return result_dic, sorted(confidence_list, reverse=True)


if __name__ == '__main__':
    pass