Python之利用opecv图像识别 （模板匹配）

这是一个相对好玩的，你可以利用图像识别做很多事情，但是这种模板匹配的方法是相对比较笨的方法，对于我正在学习的神经网络所实现的图像识别来说，模板匹配的健壮性不是很好，不过还是有很多事情可以用模板匹配做到的。

模板匹配的意思是，拿两张图片，或者是一张大图一张小图，在大图中判断有没有类似小图的像素，如果有则匹配的上，反则没有匹配，大致就像，有一张模板图片，然后一张测试图片，拿着模板图片在测试图片中找相同的地方。

例如，这样一张图作为模板匹配在判断的时候，如果测试人物左转一下，便判断不出来。

opencv作为模板匹配的方法有很多种：

CV_TM_SQDIEF平方差匹配法,最好匹配为0，值越大匹配越差

CV_TM_SQDIEF_NORMED归一化平方差匹配法

CV_TM_CCORR相关匹配法，采用乘法操作，数值越大表明匹配越好

CV_TM_CCORR_NORMED归一化相关匹配法

CV_TM_CCOEFF相关系数匹配法，最好匹配为1，最差为-1

CV_TM_CCOEFF_NORMED归一化相关系数匹配法

寻找最值--minMaxLoc（）

minVal:返回最小值的指针，若无需返回，则设置0

maxVal:返回最大值的指针，若无需返回，则设置0

minLoc:返回最小位置的指针，若无需返回，则设置0

maxLoc:返回最大位置的指针，若无需返回，则设置0

img_m = ImageGrab.grab()#桌面截图
img_c = cv2.cvtColor(np.asarray(img_m),  cv2.COLOR_RGB2BGR)#转化成cv2的模式
os.chdir('C:/Users/炜哥/PycharmProjects/Dnf/Monsterpic/')#取出模板图片
img_l = ac.imread("monster_1.png")#读取模板图片
mmaxpos = cv2.matchTemplate(img_c, img_l, cv2.TM_CCOEFF_NORMED)#匹配的结果
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(mmaxpos)#在结果中取出坐标
pt = max_loc
mminpos = cv2.matchTemplate(img_c, img_l, cv2.TM_SQDIFF_NORMED)#第二种方式匹配
nmin_val, nmax_val, nmin_loc, nmax_loc = cv2.minMaxLoc(mminpos)
minpt = nmin_loc
if pt == minpt:
    print(pt)
    print(minpt)
    return pt
else:
    return None

上面例子实现的在模板图片与桌面截图的匹配，从而判断截图中的游戏界面里有没有怪物存在，其中利用了两种方法的匹配，然后比较其结果有没有一样，如果一样则输出坐标（这个坐标是左上角的坐标，再具体操作的话需要减去模型的x或y，便可以得到想要的坐标）

不同的方法的坐标放在不一样的值里。

其中opencv模板匹配函数matchTemplate（）

drawpos = cv2.matchTemplate(img_d1, imgdraw, cv2.TM_CCOEFF_NORMED)

其中，img_d1是测试图片，就是想要从中判断有没有模板图片的图片，即上面程序的截图位置

imgdraw：是模板图片，假设我们要从A图片中判断有没有B图片，这个B图片就是模板图片

cv2.TM_CCOEFF_NORMED：即是我们的匹配方法。

如果想要取出坐标的x和y

（x， y） = pt#结合上面例子

这样即可

补充：

如果没加一个导入模块的类的话，发现很容易误导，我太粗心了。

这里的图像识别是必须在界面的前台的，因为是截图的，如果编辑器挡住要判断的部分是的不出结果的。