我们经常玩匹配图像或者找相似，opencv可以很好实现这个简单的小功能。

模板是被查找目标的图像，查找模板在原始图像中的哪个位置的过程就叫模板匹配。OpenCV提供的matchTemplate()方法就是模板匹配方法，其语法如下：

 result = cv2.matchTemplate(image, templ, method, mask)

参数说明：

image：原始图像。
templ：模板图像，尺寸必须小于或等于原始图像。
method：匹配的方法，可用参数值如表10.1所示。
mask：可选参数。掩模，只有cv2.TM_SQDIFF和cv2.TM_CCORR_NORMED支持此参数，建议采用默认值。
返回值说明：
result：计算得出的匹配结果。如果原始图像的宽、高分别为W、H，模板图像的宽、高分别为w、h，result就是一个W-w+1列、H-h+1行的32位浮点型数组。数组中每一个浮点数都是原始图像中对应像素位置的匹配结果，其含义需要根据method参数来解读。
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对应的数组位置中
OpenCV的matchTemplate函数是用来在一幅图像中寻找另一幅图像的匹配的。在匹配过程中，可以选择不同的匹配方法，也就是method参数。常用的method参数有以下几种：
- cv2.TM_SQDIFF：平方差匹配法，最简单的匹配方法，计算平方差和，值越小越匹配。
- cv2.TM_SQDIFF_NORMED：标准平方差匹配法，同样计算平方差和，但是会对结果进行标准化处理。注意使用距离来计算被匹配图像一定要小于原图像
- cv2.TM_CCORR：相关性匹配法，#，值越大越匹配。
- cv2.TM_CCORR_NORMED：标准相关性匹配法，对结果进行标准化处理,返回值越大表示匹配程度越高，越小表示匹配程度越低。
该参数使用的是归一化相关系数匹配模式，
返回的是匹配图像和模板图像之间的相关系数，取值范围在 0 到 1 之间，1 表示完美匹配，0 表示没有匹配。
- cv2.TM_CCOEFF：相关系数匹配法，计算两个图像的相关系数，值越大越匹配。
- cv2.TM_CCOEFF_NORMED：标准相关系数匹配法，对结果进行标准化处理。

 假设原图如下：

需要找出的图是西瓜

 

代码：

import cv2
import matplotlib.pyplot as plt
import numpy as np
# 读取图像
image = cv2.imread("./image/20240626-3.jpg") #多图
grayImg = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
matchImg = cv2.imread("./image/20240626-4.jpg", 0) #匹配的图# 模板匹配
result = cv2.matchTemplate(grayImg, matchImg, cv2.TM_CCORR_NORMED)
threshold = 0.999# 找到匹配的位置
loc = np.where(result >= threshold)# 绘制矩形
for pt in zip(*loc[::-1]):  # 交换坐标顺序cv2.rectangle(image, pt, (pt[0] + matchImg.shape[1], pt[1] + matchImg.shape[0]), (0, 0, 255), 2)# 显示结果
# 使用 OpenCV 显示
cv2.imshow('Matched Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()# 或者使用 Matplotlib 显示（如果需要）
# plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))  # 注意：将 BGR 转换为 RGB 以供 Matplotlib 显示
# plt.show()

结果：

1、当阈值threshold = 0.999，因为我匹配图就是这个截图，哈哈哈哈

 

2、当阈值threshold = 0.98

3 、当阈值threshold = 0.9