详细描述

枚举
枚举	cv::TemplateMatchModes { cv::TM_SQDIFF = 0 , cv::TM_SQDIFF_NORMED = 1 , cv::TM_CCORR = 2 , cv::TM_CCORR_NORMED = 3 , cv::TM_CCOEFF = 4 , cv::TM_CCOEFF_NORMED = 5 }
	模板匹配操作类型更多...

函数
void	cv::matchTemplate (InputArray image, InputArray templ, OutputArray result, int method, InputArray mask=noArray())
	将模板与重叠的图像区域进行比较。

枚举类型文档

◆ TemplateMatchModes

枚举 cv::TemplateMatchModes

#include <opencv2/imgproc.hpp>

模板匹配操作类型

枚举器
TM_SQDIFF Python: cv.TM_SQDIFF	\[R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2\] 带掩码 \[R(x,y)= \sum _{x',y'} \left( (T(x',y')-I(x+x',y+y')) \cdot M(x',y') \right)^2\]
TM_SQDIFF_NORMED Python: cv.TM_SQDIFF_NORMED	\[R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{ x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}\] 带掩码 \[R(x,y)= \frac{\sum _{x',y'} \left( (T(x',y')-I(x+x',y+y')) \cdot M(x',y') \right)^2}{\sqrt{\sum_{x',y'} \left( T(x',y') \cdot M(x',y') \right)^2 \cdot \sum_{x',y'} \left( I(x+x',y+y') \cdot M(x',y') \right)^2}}\]
TM_CCORR Python: cv.TM_CCORR	\[R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y'))\] 带掩码 \[R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y') \cdot M(x',y') ^2)\]
TM_CCORR_NORMED Python: cv.TM_CCORR_NORMED	\[R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I(x+x',y+y'))}{\sqrt{ \sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}\] 带掩码 \[R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I(x+x',y+y') \cdot M(x',y')^2)}{\sqrt{\sum_{x',y'} \left( T(x',y') \cdot M(x',y') \right)^2 \cdot \sum_{x',y'} \left( I(x+x',y+y') \cdot M(x',y') \right)^2}}\]
TM_CCOEFF Python: cv.TM_CCOEFF	\[R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I'(x+x',y+y'))\] 其中 \[\begin{array}{l} T'(x',y')=T(x',y') - 1/(w \cdot h) \cdot \sum _{ x'',y''} T(x'',y'') \\ I'(x+x',y+y')=I(x+x',y+y') - 1/(w \cdot h) \cdot \sum _{x'',y''} I(x+x'',y+y'') \end{array}\] 带掩码 \[\begin{array}{l} T'(x',y')=M(x',y') \cdot \left( T(x',y') - \frac{1}{\sum _{x'',y''} M(x'',y'')} \cdot \sum _{x'',y''} (T(x'',y'') \cdot M(x'',y'')) \right) \\ I'(x+x',y+y')=M(x',y') \cdot \left( I(x+x',y+y') - \frac{1}{\sum _{x'',y''} M(x'',y'')} \cdot \sum _{x'',y''} (I(x+x'',y+y'') \cdot M(x'',y'')) \right) \end{array} \]
TM_CCOEFF_NORMED Python: cv.TM_CCOEFF_NORMED	\[R(x,y)= \frac{ \sum_{x',y'} (T'(x',y') \cdot I'(x+x',y+y')) }{ \sqrt{\sum_{x',y'}T'(x',y')^2 \cdot \sum_{x',y'} I'(x+x',y+y')^2} }\]

函数文档

◆ matchTemplate()

void cv::matchTemplate	(	InputArray	image,
		InputArray	templ,
		OutputArray	result,
		int	method,
		InputArray	mask = `noArray()`
	)

Python
	cv.matchTemplate(	image, templ, method[, result[, mask]]	) ->	result

#include <opencv2/imgproc.hpp>

将模板与重叠的图像区域进行比较。

该函数在图像中滑动，使用指定的 method 将大小为 \(w \times h\) 的重叠块与模板进行比较，并将比较结果存储在 result 中。 TemplateMatchModes 描述了可用比较方法的公式（\(I\) 表示图像，\(T\) 表示模板，\(R\) 表示结果，\(M\) 表示可选掩码）。求和在模板和/或图像块上进行：\(x' = 0...w-1, y' = 0...h-1\)

函数完成比较后，可以使用 minMaxLoc 函数找到最佳匹配作为全局最小值（当使用 TM_SQDIFF 时）或最大值（当使用 TM_CCORR 或 TM_CCOEFF 时）。对于彩色图像，分子中的模板求和和分母中的每个求和都在所有通道上进行，并为每个通道使用单独的平均值。也就是说，该函数可以接受彩色模板和彩色图像。结果仍然是单通道图像，更容易分析。

参数

image	进行搜索的图像。它必须是 8 位或 32 位浮点数。
templ	搜索的模板。它必须不大于源图像，并且具有相同的数据类型。
result	比较结果图。它必须是单通道 32 位浮点数。如果图像为 \(W \times H\) 且模板为 \(w \times h\) ，则结果为 \((W-w+1) \times (H-h+1)\) 。
method	指定比较方法的参数，请参见 TemplateMatchModes
mask	可选掩码。它必须与模板具有相同的大小。它必须具有与模板相同数量的通道，或者只有一个通道，然后用于所有模板和图像通道。如果数据类型为 CV_8U，则掩码被解释为二进制掩码，这意味着只有掩码非零的元素被使用，并且与实际掩码值无关（权重等于 1）。对于数据类型 CV_32F，掩码值用作权重。确切的公式在 TemplateMatchModes 中有说明。