OpenCV 模板匹配的六种匹配方法

TemplateMatchModes：

·TM-SQDIFF 计算平方不同，计算出来的值越小，越相关
·TM_CCORR 计算相关性，计算出来的值越大，越相关
·TM_CCOEFF 计算相关系数，计算出来的值越大，越相关
·TM_SQDIFF_NORMED 计算归一化平方不同，计算出来的值越接近0，越相关
·TM_CCORR_NORMED 计算归一化相关性，计算出来的值越接近1，越相关
`TM_CCOEFF_NORMED 计算归一化相关系数，计算出来的值越接近1，越相关

#TemplateMatchModes
'''

    ·TM-SQDIFF              计算平方不同，计算出来的值越小，越相关
    ·TM_CCORR               计算相关性，计算出来的值越大，越相关
    ·TM_CCOEFF              计算相关系数，计算出来的值越大，越相关
    ·TM_SQDIFF_NORMED       计算归一化平方不同，计算出来的值越接近0，越相关
    ·TM_CCORR_NORMED        计算归一化相关性，计算出来的值越接近1，越相关
    `TM_CCOEFF_NORMED       计算归一化相关系数，计算出来的值越接近1，越相关

'''
import cv2
img = cv2.imread("dm.png")
template = cv2.imread("dm_face.png")
h,w = template.shape[:2]

print(img.shape)
print(template.shape)

#模板匹配
'''
模板匹配和卷积原理很像，模板在原图像上从原点开始滑动，计算模板与（图像被模板覆盖的地方）的差别程度，这个差别程度的计算方法在Opencv有6种
    然后在每次计算的结果放入一个矩阵里作为结果输出。
    
            假如原图形是AxB，而模板是axb大小，则输出为(A-a+1)x(B-b+1)
    
'''
methods = ['cv2.TM_CCOEFF','cv2.TM_CCOEFF_NORMED','cv2.TM_CCORR','cv2.TM_CCORR_NORMED',
           'cv2.TM_SQDIFF','cv2.TM_SQDIFF_NORMED']

res = cv2.matchTemplate(img,template,1)   # 1可以换成 cv2.TM_SQDIFF
print(res.shape)
# cv2.imshow('res',res)
# cv2.waitKey(0)

min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)

print("min_val:{}".format(min_val))
print("max_val:{}".format(max_val))
print("min_loc:{}".format(min_loc))
print("man_loc:{}".format(max_loc))