今天研究了下matchTemplate方法，其实原理很简单，在opencv里，会把图片转成由象素点组成的数据，每一个象素点是一个颜色值，如果是rgb三通道的话，那么图像就是一个3维数组，也可以看作是3维矩阵。 模板匹配通俗的说是图片查找，其实在底层就是矩阵查找，如果需要完全匹配呢就是找相等的子矩阵，如果是相似查找呢，就需要找最相似的矩阵，至于怎么确定是否相似这就需要不同的算法了，我也可以人为的定义一个相似度算法，比如我可以定义相同位置值相减差值之和定义位相似度。 定义好相似度后，那么剩下的工作就是循环扫描矩阵，找到符合相似度的矩阵。 扫描矩阵的方法也很简单，相当于开一个滑动小窗，去依次扫过矩阵所有位置，然后依次计算相似度，最后把相似度记录成一个数组，数组的坐标跟小窗的左上角坐标是一样的。
下面看一个例子： 我用excel弄了个二维矩阵，假如我要找的矩阵是一个2*3的矩阵
3，4，8 1，9，1那么我就需要从第一行开始依次查找所有位置，最后在f9的位置找到了这个矩阵，同时f9也是最后一次查找的位置 如果我有个算法，可以计算出矩阵的之间的相似度，那么我把这个值存在每次查找小框的最左上角位置，那么就形成了一个相关性的矩阵 在上面这个例子中矩阵的大小就是a1:f9.
import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1.模板匹配 img = cv.imread('lenna.jpg', 0) template = cv.imread('eye.png', 0) res = cv.matchTemplate(img, template, cv.TM_CCOEFF_NORMED) print(type(res)) print(res.shape) # plt.imshow(res) # plt.show()输出结果：
<class 'numpy.ndarray'> (509, 1019)看了好多人的代码，会把这个相似矩阵展示成图片，其实我觉得这样做意义不大，因为matchTemplate返回的结果就是一个相似度的矩阵，而不是色彩相关信息，所以展示的意义不大，我们只需要知道矩阵最大值最小值的位置就够了。
