Template Matching
Şablon eşleştirme, daha büyük bir görüntüdeki küçük bir referans parçasını her konuma puan vererek bulan klasik bir bilgisayarlı görü tekniğidir.
Şablon eşleştirme, küçük bir referans görüntünün (şablonun) daha büyük bir görüntünün içinde nerede bulunduğunu saptayan klasik bir bilgisayarlı görü tekniğidir. Şablon görüntü üzerinde her seferinde bir piksel kaydırılır, her konumda bir benzerlik puanı hesaplanır ve en yüksek puanı alan konum eşleşme olarak bildirilir. Çıktı bir puan haritasıdır. Korelasyon ölçütlerinde maksimum değer, kare fark ölçütlerinde ise minimum değer eşleşmenin yerini belirtir.
Ham piksel değerlerini karşılaştırdığı ve verilerden öğrenmediği için şablon eşleştirme, makine öğrenmesinden çok görüntü işlemeye yakındır. cv2.matchTemplate olarak kullanıma sunan OpenCV gibi kütüphanelerde standart bir temel yöntem olmaya devam eder.
Puanlama Nasıl Çalışır#
Her kaydırma konumunda şablon, altındaki aynı boyutlu görüntü parçasıyla karşılaştırılır. Kaydırmalı karşılaştırma, konvolüsyon katmanlarında kullanılan çapraz korelasyonla yakından ilişkilidir; tek fark, öğrenilmiş bir filtre yerine sabit bir benzerlik ölçütü kullanmasıdır. Yaygın ölçütler şunlardır:
- Kare fark: Piksel farklarının karelerini toplar; dolayısıyla düşük değer daha iyidir. Hesaplama maliyeti düşüktür ancak parlaklıktaki her değişiklikte sonuç kayar.
- Çapraz korelasyon: Şablonun pikselleriyle görüntü parçasının piksellerini çarpar; bu nedenle parlak bir görüntü parçası tam eşleşmeden daha yüksek puan alabilir.
- Normalize edilmiş çapraz korelasyon (NCC): Değeri görüntü parçasının ve şablonun büyüklüklerine böler; bu, parlak görüntü parçası sorununu çözer ve puanı sınırlar.
- Korelasyon katsayısı: Normalleştirmeden önce her görüntü parçasının ortalamasını çıkarır; böylece tekdüze bir parlaklık farkı puanı değiştirmez. J. P. Lewis'in hızlı şablon eşleştirme üzerine 1995 tarihli Vision Interface makalesi, Hızlı Normalize Edilmiş Çapraz Korelasyon olarak adlandırılan bu normalize edilmiş biçimin, görüntünün ve karesinin önceden hesaplanmış integral tablolarıyla verimli biçimde hesaplanabileceğini gösterdi. scikit-image aynı yaklaşımı match_template örneğiyle sunar.
Puanlamadan sonra bir eşik yalnızca güçlü adayları tutar. Tekrarlanan madeni paralar veya karolar gibi şablonun birden fazla kopyası bulunduğunda, eşik değerini aşan her yerel ekstremum aday algılamadır. Örtüşen eşleşmeler genellikle maksimum olmayanların bastırılması ile birleştirilir. Puanlar, kalibre edilmiş güven değerleri değil, benzerlik değerleridir.
Aşağıdaki kod parçası örnek otobüs fotoğrafından bir parça kırpar, sahneye tekdüze bir parlaklık farkı ekler ve korelasyon katsayısını kullanarak parçanın konumunu bulur.
import cv2
import numpy as np
from ultralytics.utils import ASSETS
# Load the sample image in grayscale as float32
img = cv2.imread(str(ASSETS / "bus.jpg"), cv2.IMREAD_GRAYSCALE).astype(np.float32)
# Crop a 200 x 200 template whose top-left corner is at x=200, y=400
template = img[400:600, 200:400].copy()
# Add a uniform brightness offset to the scene (no clipping in float32)
scene = img + 40
# Score every position and take the peak of the score map
scores = cv2.matchTemplate(scene, template, cv2.TM_CCOEFF_NORMED)
_, best_score, _, best_xy = cv2.minMaxLoc(scores)
print(f"Best match at {best_xy} with score {best_score:.3f}")Ortalamadan arındırılmış puan, tekdüze parlaklık farkını yok sayar; bu nedenle tepe noktası, yuvarlama farkları dışında 1,0 puanla (200, 400) kırpma köşesine denk gelir.
Kullanım Alanları#
Şablon eşleştirme, hedefin her seferinde aynı göründüğü durumlarda işe yarar:
- Oyun ve GUI otomasyonu: OpenCV'nin kendi öğreticisi, çizilmiş grafikler piksel piksel tekrarlandığı için puan haritasına eşik uygulayarak bir oyun ekran görüntüsündeki tüm madeni paraları bulur.
- Görsel denetim: Bir etiketin referans kırpımı, sabit bir kameradan alınan her karede aranarak etiketten karede bulunup bulunmadığı kontrol edilir; bu, temel bir makine görüşü görevidir.
- Hareket ve stereo eşleştirme: Yer değiştirmeyi veya paralaksı tahmin etmek için ardışık kareler ya da sol ve sağ görünümler arasında küçük bloklar eşleştirilir.
- Tıbbi görüntüleme: PLOS ONE'daki bir NCC çalışması, bir görüntüdeki şablonu seçip iç hareketi izlemek için aynı hastanın farklı bir zamanda çekilmiş ikinci görüntüsü üzerinde kaydırır. Görüntü eşleştirme yaklaşımının temelinde de aynı fikir yatar.
Sınırlamalar ve Alternatifler#
Bir şablon, görünüşün yalnızca tek bir hâlini temsil eder; bu nedenle nesne döndürüldüğünde, yeniden boyutlandırıldığında, kısmen gizlendiğinde veya yeni bir arka planda görüntülendiğinde puan düşer. Doğrudan kapsamlı aramanın maliyeti, kabaca görüntü boyutuyla şablon boyutunun çarpımı kadardır. Görüntü piramidinde eşleştirme yapmak ölçek sorununu ele alır, şablonu döndürmek ise açı sorununu çözer; ancak eklenen her ölçek veya açı tam bir arama daha gerektirirken arama bölgesini daraltmak işlem miktarını azaltır.
Diğer yöntemler, değişmezlik karşılığında birebir eşleşmeden ödün verir. SIFT gibi anahtar nokta yaklaşımları, ölçek ve dönmeye dayanıklı yerel betimleyicileri eşleştirir; bu yöntemlerin daha geniş ailesi görüntü eşleştirme başlığı altında ele alınır. Hough dönüşümü, doğru ve çember gibi parametrik şekilleri bulur. Öğrenilmiş nesne algılama modelleri, etiketli örneklerden bütün bir sınıfın görünüşünü öğrenir; böylece şablon eşleştirmede her varyasyon için ayrı bir şablon gerekirken tek model nesnenin birçok varyasyonunu kapsar.
Ultralytics YOLO26, öğrenmeye dayalı yaklaşımı kullanır. Ultralytics Platform'da anotasyonlu görüntüler üzerinde eğitilmiş bir model, eğitildiği sınıflar için sınırlayıcı kutular tahmin eder; eğitim sırasında yapılan veri artırımı ise döndürme, ölçek ve parlaklık varyasyonları ekleyebilir.
OpenCV'nin matchTemplate aracı altı karşılaştırma yöntemi sunar: kare farkı, çapraz korelasyon ve korelasyon katsayısı; her birinin normalize edilmiş bir çeşidi de vardır.










