前言

上文《OpenCV 模板匹配方法详解》我们详细介绍了模板匹配这一方法，本文我们来介绍一下模板与多个对象匹配的方法。

其中有很多的函数需要我们来详细介绍，接下来我们直接看代码讲解：

1.导入库

import cv2
import numpy as np

• 导入opencv库和numpy库

---

2.图片预处理

img_rgb = cv2.imread("image.jpg")
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
template = cv2.imread("tem.jpg",0)

• 导入图片，并转化为灰度图
• 导入的图片如下图所示，左图为匹配图片，右图为模板图片

---

3.输出模板图片的宽和高

h,w = template.shape[:2]

• template.shape：假设 template 是一个 NumPy 数组（通常是图像数据），.shape 属性会返回数组的维度信息。
• 对于图像：通常返回 (高度, 宽度, 通道数)，如果是灰度图则只有 (高度, 宽度)
• [:2]：切片操作，取前两个元素
• 例如对于彩色图像 (480, 640, 3)，取前两个值得到 (480, 640)
• h, w = …：元组解包
• 将前两个值分别赋值给变量 h (height/高度) 和 w (width/宽度)

所以这行代码的作用是：获取模板图像的高度和宽度，分别存入变量 h 和 w 中。

---

4.模板匹配

# 使用模板匹配方法 cv2.matchTemplate 进行模板匹配
res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)

功能：

• 模板匹配：在 img_gray（灰度图像）中滑动 template（模板图像），计算每个位置的 相似度，并返回一个 相似度矩阵 res。
• 匹配方法：cv2.TM_CCOEFF_NORMED 是 归一化相关系数匹配，取值范围 [-1, 1]，越接近 1 表示匹配度越高。

返回值 res：

• res 是一个 二维浮点型数组，大小 = (img_h - template_h + 1, img_w - template_w +1)（因为模板不能超出原图边界）
• 每个 res[y, x] 表示模板在 (x, y) 处的匹配得分。

---

5.获取匹配结果中所有符合阈值的点的坐标

# 设定匹配阈值
threshold = 0.9
# 获取匹配结果中所有符合阈值的点的坐标
loc = np.where(res >= threshold) #(符合条件的行，符合条件的列)

5.1 threshold = 0.9：

功能：

• 设定一个 匹配阈值，只有 res 中 ≥ 0.9 的点才被认为是有效匹配。

调整建议：

• 阈值越高（如 0.95），匹配越严格，漏检率可能增加。
• 阈值越低（如 0.8），匹配越宽松，但可能误检。

5.2 loc = np.where(res >= threshold)：

功能：

• 查找所有匹配度 ≥ threshold 的坐标，返回它们的 行列索引。
• loc 是一个 元组，包含两个数组：

•  loc[0]：所有匹配点的 Y 坐标（行索引）
  

•  loc[1]：所有匹配点的 X 坐标（列索引
  

示例
假设 res 如下：

res = [[0.1, 0.3, 0.7],[0.8, 0.95, 0.6],  # (1,1) = 0.95 ≥ 0.9[0.4, 0.9, 0.2]    # (2,1) = 0.9 ≥ 0.9
]

执行 loc = np.where(res >= 0.9) 后：

loc = (array([1, 2]), array([1, 1]))  # 匹配点：(Y=1,X=1), (Y=2,X=1)

注意：loc 是一个元组，格式为 (y_coords, x_coords)，所以先返回的是Y值，再返回的是X值！！！

---

6.遍历所有匹配点

for pt in zip(*loc[::-1]):

这段代码 for pt in zip(*loc[::-1]): 是 模板匹配后处理 的关键部分，用于遍历所有匹配到的目标位置，并调整坐标顺序以适应 OpenCV 的绘图要求。下面详细解析它的作用：

6.1 loc 的结构回顾

在之前的代码中：

loc = np.where(res >= threshold)

• loc 是一个元组，格式为 (y_coords, x_coords)，所以先返回的是Y值，再返回的是X值

6.2 loc[::-1] 的作用

loc[::-1] 的作用loc[::-1] 对元组进行 反向切片，将 (y_coords, x_coords) 变成 (x_coords, y_coords)。
例如：

loc = (array([1, 2]), array([3, 4]))
loc[::-1] = (array([3, 4]), array([1, 2]))  
# 现在顺序是 (x, y)

6.2.1 为什么需要反转？

• OpenCV 的坐标系统使用 (x, y)（列在前，行在后），而 np.where() 返回的是 (y, x)，因此需要交换顺序。

6.3 zip(*loc[::-1]) 的作用

• *loc[::-1] 解包 元组，相当于

zip(array([3, 4]), array([1, 2]))

• zip() 将两个数组按元素配对，生成可迭代的 (x, y) 坐标对

for pt in zip(*loc[::-1]):print(pt)  # 输出：(3, 1), (4, 2)

最终效果：
遍历所有匹配点，每次循环的 pt 是一个 (x, y) 坐标元组，可以直接用于 OpenCV 绘图函数（如 cv2.rectangle()）。

---

7.画出模板匹配矩形框

cv2.rectangle(img_rgb,pt,(pt[0] + w,pt[1] + h),(0,0,255),1)

这段代码 cv2.rectangle(img_rgb, pt, (pt[0] + w, pt[1] + h), (0, 0, 255), 1) 是 OpenCV 中用于在图像上绘制矩形的函数，具体含义如下：

---

7.1 功能

在图像 img_rgb 上，以 pt 为左上角起点，绘制一个 宽度为 w、高度为 h 的红色矩形框，边框粗细为 1 像素。

---

7.2 参数详解

参数	含义	示例
img_rgb	要绘制矩形的目标图像（RGB 格式）	从 cv2.imread()读取的图像
pt	矩形的 左上角坐标 (x, y)	(50, 100) 表示从图像的第 50 列、第 100 行开始
(pt[0] + w, pt[1] + h)	矩形的 右下角坐标	如果 pt=(50,100)，w=30，h=20，则右下角是 (80, 120)
(0, 0, 255)	矩形颜色（BGR 格式）	(0,0,255)表示纯红色
1	矩形边框的粗细（像素）	1 表示 1 像素宽，-1表示填充矩形

---

7.3 关键细节

1. 坐标顺序

   • OpenCV 使用 (x, y) 坐标，其中：
     • x 是水平方向（列索引，从左到右递增）
     • y 是垂直方向（行索引，从上到下递增）

2. 颜色格式

   • (0, 0, 255) 是 BGR 格式（不是 RGB），所以这里表示红色。
   • 常见颜色示例：
     • 红色：(0, 0, 255)
     • 绿色：(0, 255, 0)
     • 蓝色：(255, 0, 0)

3. 矩形尺寸

   • w 和 h通常是模板图像的宽度和高度（通过 template.shape[:2] 获取）。
   • 如果 w 或 h 超出图像边界，OpenCV 会报错。

---

7.4 常见问题

1. 为什么矩形颜色不对？

   • 检查颜色是否是 BGR 格式，例如红色应为 (0, 0, 255)，而非 RGB 的 (255, 0, 0)。

2. 如何调整矩形样式？

   • 修改参数：
     • 边框粗细：2 表示更粗的边框，-1 表示填充矩形。
     • 颜色：(255, 0, 0) 是蓝色，(0, 255, 0) 是绿色。

---

8.运行结果

9. 总结

到这里本篇博客就结束啦，感谢大家的阅读！最近一直在坚持每天写博客，当作是一个叙说心得的地方，在这个过程中自己通过不断的回顾之前所学习的内容，发现很多细节地方之前都没有注意到，通过再一次的回顾，增添了很多收获，这真的就是“温故而知新”这句话现实化了。最后，希望大家能一直朝着自己理想的方向努力。越努力，越幸运！！！