如何用OpenCV和Python检测近似匹配的模板图案（非深度学习）

方法1：多尺度模板匹配 #

matchTemplate仅支持同尺寸目标匹配，通过对模板进行多尺度缩放，在不同尺度下执行模板匹配，可覆盖大小近似的目标。步骤如下：

• 定义合理的缩放比例范围（比如0.5到1.5，步长0.1）
• 逐次缩放模板，执行模板匹配
• 设定匹配阈值，筛选符合条件的结果

代码示例：

import cv2
import numpy as np

# 加载原图和模板（灰度模式）
img = cv2.imread('data/wet/6.jpg', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('data/wet/9.jpg', cv2.IMREAD_GRAYSCALE)
template_h, template_w = template.shape

# 匹配阈值（需根据实际图像调整）
threshold = 0.8
# 缩放比例范围
scale_range = np.arange(0.5, 1.5, 0.1)

img_copy = img.copy()

for scale in scale_range:
    # 缩放模板
    scaled_template = cv2.resize(template, None, fx=scale, fy=scale, interpolation=cv2.INTER_AREA)
    scaled_h, scaled_w = scaled_template.shape
    if scaled_h > img.shape[0] or scaled_w > img.shape[1]:
        continue  # 跳过比原图尺寸大的模板
    
    # 用归一化相关系数执行匹配
    res = cv2.matchTemplate(img, scaled_template, cv2.TM_CCOEFF_NORMED)
    # 提取所有超过阈值的匹配位置
    loc = np.where(res >= threshold)
    
    # 绘制匹配框
    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_copy, pt, (pt[0] + scaled_w, pt[1] + scaled_h), 255, 2)

# 保存并展示结果
cv2.imwrite('data/wet/multi_scale_match.jpg', img_copy)
cv2.imshow('Multi-scale Match', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

方法2：基于Hu矩的轮廓匹配 #

Hu不变矩具备旋转、缩放、平移不变性，适合检测形状近似的目标。步骤如下：

• 对模板和原图做二值化处理，提取轮廓
• 计算模板轮廓的Hu矩
• 遍历原图轮廓，计算每个轮廓的Hu矩并与模板比对，用相似度阈值筛选匹配目标

代码示例：

import cv2
import numpy as np

# 加载模板和原图（灰度模式）
template = cv2.imread('data/wet/9.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.imread('data/wet/6.jpg', cv2.IMREAD_GRAYSCALE)

# 二值化（可根据图像明暗调整阈值，或用cv2.THRESH_OTSU自动计算）
_, template_bin = cv2.threshold(template, 127, 255, cv2.THRESH_BINARY_INV)
_, img_bin = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)

# 提取模板轮廓
template_contours, _ = cv2.findContours(template_bin, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
if not template_contours:
    print("未检测到模板轮廓")
    exit()
# 取模板的最大轮廓
template_contour = max(template_contours, key=cv2.contourArea)
# 计算模板的Hu矩并做对数转换增强区分度
template_hu = cv2.HuMoments(cv2.moments(template_contour)).flatten()
template_hu = -np.sign(template_hu) * np.log10(np.abs(template_hu))

# 提取原图轮廓
img_contours, _ = cv2.findContours(img_bin, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
img_copy = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)  # 转彩色方便绘制彩色框

# 相似度阈值（数值越小，形状越相似，需调整）
sim_threshold = 0.2

for contour in img_contours:
    # 计算当前轮廓的Hu矩
    hu = cv2.HuMoments(cv2.moments(contour)).flatten()
    hu = -np.sign(hu) * np.log10(np.abs(hu))
    # 计算与模板Hu矩的欧式距离
    distance = np.linalg.norm(template_hu - hu)
    if distance < sim_threshold:
        # 绘制bounding rectangle
        x, y, w, h = cv2.boundingRect(contour)
        cv2.rectangle(img_copy, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 保存并展示结果
cv2.imwrite('data/wet/hu_match.jpg', img_copy)
cv2.imshow('Hu Moment Match', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

方法3：边缘多尺度匹配 #

先提取模板和原图的边缘特征，再进行多尺度模板匹配，可忽略图像纹理细节，仅匹配形状轮廓。步骤如下：

• 对模板和原图执行Canny边缘检测
• 对边缘模板做多尺度缩放，执行模板匹配
• 设定阈值筛选匹配结果

代码示例：

import cv2
import numpy as np

# 加载图像
img = cv2.imread('data/wet/6.jpg', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('data/wet/9.jpg', cv2.IMREAD_GRAYSCALE)

# 提取边缘（Canny阈值需根据图像调整）
img_edges = cv2.Canny(img, 50, 150)
template_edges = cv2.Canny(template, 50, 150)
template_h, template_w = template_edges.shape

threshold = 0.7
scale_range = np.arange(0.6, 1.4, 0.1)
img_copy = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

for scale in scale_range:
    scaled_template = cv2.resize(template_edges, None, fx=scale, fy=scale, interpolation=cv2.INTER_AREA)
    scaled_h, scaled_w = scaled_template.shape
    if scaled_h > img_edges.shape[0] or scaled_w > img_edges.shape[1]:
        continue
    
    res = cv2.matchTemplate(img_edges, scaled_template, cv2.TM_CCOEFF_NORMED)
    loc = np.where(res >= threshold)
    
    for pt in zip(*loc[::-1]):
        cv2.rectangle(img_copy, pt, (pt[0]+scaled_w, pt[1]+scaled_h), (255, 0, 0), 2)

# 保存并展示结果
cv2.imwrite('data/wet/edge_multi_match.jpg', img_copy)
cv2.imshow('Edge Multi-scale Match', img_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意事项 #

• 所有阈值参数需根据实际图像调试，建议从中间值开始逐步调整
• 若目标存在旋转，可在多尺度匹配基础上加入旋转角度遍历（如每隔10度旋转模板），但会增加计算量
• 二值化步骤可尝试cv2.THRESH_OTSU自动计算阈值，适配不同明暗的图像

内容的提问来源于stack exchange，提问作者Sahan Kodituwakku