共计 2175 个字符，预计需要花费 6 分钟才能阅读完成。
aircv 是网易放出的小开源我的项目，应该也是当初做简略图像匹配被援用最多的我的项目了。上一篇做了如何应用 aircv 之 find_template 的形容，然而，它并不算是一个成熟的我的项目，外面的小坑不少，有待改良。明天先做个代码逻辑的解析。
外围函数 find_template 与 find_all_template
find_template 函数是返回第一个最匹配的后果（地位未必在最下面），而 find_all_template 是返回所有大于指定置信度的后果。
比方要在思否页面截图中找
后果如如下图所示：
咱们深刻进去看一下代码，就会发现 find_template 是这样写的:
def find_template(im_source, im_search, threshold=0.5, rgb=False, bgremove=False):
'''
@return find location
if not found; return None
'''
result = find_all_template(im_source, im_search, threshold, 1, rgb, bgremove)
return result[0] if result else None好家伙! 间接调用 find_all_template，而后取返回值的第一个。。。
所以 find_all_template 才是真正的外围，咱们排除掉无关代码，来看一下最要害的局部：
def find_all_template(im_source, im_search, threshold=0.5, maxcnt=0, rgb=False, bgremove=False):
# 匹配算法，aircv 实际上在代码里写死了用 CCOEFF_NORMED，大部分测试的成果，也的确是这个算法更好
method = cv2.TM_CCOEFF_NORMED
# 获取匹配矩阵
res = cv2.matchTemplate(im_source, im_search, method)
w, h = im_search.shape[1], im_search.shape[0]
result = []
while True:
# 找到匹配最大最小值
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc
if max_val < threshold:
break
# 计算中心点
middle_point = (top_left[0]+w/2, top_left[1]+h/2)
# 计算四个角的点，存入后果集
result.append(dict(
result=middle_point,
rectangle=(top_left, (top_left[0], top_left[1] + h), (top_left[0] + w, top_left[1]), (top_left[0] + w, top_left[1] + h)),
confidence=max_val
))
# 把最匹配区域填充掉，再持续查找下一个
cv2.floodFill(res, None, max_loc, (-1000,), max_val-threshold+0.1, 1, flags=cv2.FLOODFILL_FIXED_RANGE)
return result其中 cv2.matchTemplate 是 opencv 的办法，它的返回值是个矩阵，相当于用小图在大图上滑动，从左上角开始，每次挪动一个像素，而后计算一个匹配后果，最终造成后果矩阵。
后果矩阵大小应该是: (W – w + 1) x (H – h + 1)，其中 W,H 是大图的宽高, w 和 h 是小图的宽高。
这个矩阵中最大值的那个点，就示意小图的左上角对在这个地位时，匹配度最高，由此失去第一个匹配后果。
最初 cv2.floodFill 的作用，是把后果矩阵最大值这块区域用别的数字填充掉，这样就能够查找下一个最大值了，而且也防止了区域重叠的景象（要不然下一个最大值，有可能在刚刚找到的区域外面）。
几个小问题
- 不反对灰度图和带通明通道的图
其实 opencv 的 matchTemplate 原本只反对灰度图，但大多数状况下，咱们都是查找黑白图，所以 aircv 封装的时候，把 bgr 三个黑白通道做了拆散，别离调用 matchTemplate，而后再合并后果。
但这个封装没有兼容原本就是灰度图的状况，居然会出错，而且如果源图带通明通道也会出错，为此，我专门提交了一个 PR，但始终没有解决，看来我的项目曾经没人保护了。
- floodFill 貌似有点调兵遣将了，numpy 的切片应该能够实现
这个回头写段小代码验证一下 - 不能解决图片的缩放
模板图片和原图中的内容，并不一定大小严格统一的，那么就须要做一些缩放解决，反复尝试。 - 图像匹配成果不现实
如果是完全一致的图，find_template 的成果十分好，但当须要含糊匹配时，某些人眼一看就雷同的图像，是无奈被辨认进去的，有点时候又会误辨认，这可能须要从两方面改良：
— 调整算法：采纳 SIFT 之类的特色点检测算法，能够解决大小和角度都不统一的图像匹配问题；Halcon 等商业软件，采纳了 shape based matching，匹配成果更佳。
— 退出信息：有时候除了模板图像自身，咱们兴许晓得更多的信息，比方图像可能呈现的地位范畴，图像周边区域的款式等等，来帮忙晋升辨认准确度，缩小误识和漏识。
