什么是模板匹配？快速指南

图像通常包含许多人类可以轻松发现的细微细节。然而，对机器来说，这项任务并不简单。机器将数字图像视为像素值组成的网格，即使光照、角度、尺寸或清晰度发生细微变化，也可能造成混淆。

机器的图像分析能力通常来自两个密切相关的计算机科学领域：图像处理和计算机视觉。虽然它们经常协同工作，但核心目标不同。

图像处理将图像视为原始数据。它可以增强图像，但不会尝试理解图像内容。这正是计算机视觉发挥作用的地方。计算机视觉是人工智能（AI）的一个分支，可以让机器理解图像和视频。

基础图像处理已经存在了许多年，但前沿的计算机视觉创新则要新得多。要了解这一领域的发展历程，一个很好的方法是回顾我们过去如何使用更早、更传统的方法解决这些问题。

以图像匹配为例。这是一项常见的视觉任务，系统需要判断较大图像中是否存在特定物体或图案。

如今，借助人工智能和深度学习，可以轻松且准确地完成这项任务。然而，在 2010 年代现代神经网络兴起之前，首选方法是一种更简单的技术，称为模板匹配。

图 1. 模板匹配示例（来源）

模板匹配是一种图像处理技术，它将一张较小的模板图像逐像素滑过较大的图像。这个类似卷积的滑动过程可以让算法找到与该特定图案最接近的匹配位置。

本文将介绍什么是模板匹配，以及现代改进如何让它在真实场景中更加可靠。现在开始吧！

什么是模板匹配？#

模板匹配也可以称为经典计算机视觉技术，这意味着它直接处理图像像素（数字图像的最小单位）。它用于在较大图像中查找较小的图案。

这类方法基于几何学、光学和数学规则定义，而不是使用海量数据集训练大型模型。换句话说，模板匹配系统会比较两个输入中的亮度、颜色和其他像素信息：输入图像（较大的图像）和较小的模板图像（要查找的图案）。

图 2. 图像 A 和图像 B 是模板示例。（来源）

模板匹配的主要目标是定位模板在较大场景中的出现位置，并衡量它与图像不同区域的匹配程度。模板匹配算法会将模板滑过较大图像，并在每个位置计算相似度分数。

分数较高的区域被视为最佳匹配，意味着它们与模板非常相似。由于这种方法依赖逐像素比较，因此在受控环境中效果最佳，在这类环境中，物体的外观不会发生变化。

例如，模板匹配可用于质量控制中的标签验证任务。它可以轻松地将标签模板图像与成品图像进行匹配，以检查标签是否存在。

模板匹配的工作原理#

下面逐步介绍模板匹配的工作原理：

• **步骤 1 - 准备图像：**首先加载输入图像和模板图像，然后将两者转换为灰度图像。由于模板匹配依赖像素值比较，移除颜色信息可以减少噪声并加快图像处理速度。

• **步骤 2 - 在图像上滑动模板：**接下来，模板匹配算法每次移动一个像素，将模板滑过较大图像（从左上角开始）。每一步移动都是一次迭代，算法会从源图像中提取一个与模板尺寸相匹配的图像块。

• **步骤 3 - 衡量匹配程度：**算法使用数学匹配方法将每个图像块与模板进行比较，为每个可能的位置生成相关性指标或相关值。常见方法包括平方差（测量像素强度之间的数值距离，以计算总体不匹配程度）、归一化互相关（将像素值相乘，以确定明暗图案的对齐程度）和相关系数（减去平均亮度，以确保即使光照发生轻微变化，匹配仍然准确）。

• **步骤 4 - 确定最佳匹配：**评估所有位置后，算法会根据所用方法寻找最大值或最小值，从而选出最佳匹配。通常会对这些结果应用阈值，以确保只接受置信度分数足够高的匹配，并过滤掉较弱或错误的检测结果。

• **步骤 5 - 突出显示结果：**最后，将检测到的位置映射回原始图像。通常会在匹配区域周围绘制边界框，清楚地显示模板出现的位置。

动手实践模板匹配#

尽管基于图像处理的模板匹配存在一些缺点，因此通常不会用于动态真实世界计算机视觉解决方案的部署，但如果你有兴趣进行测试，像OpenCV这样的 Python 库可以让这一过程变得简单，并提供易于学习的教程。它内置了 matchTemplate 函数，可以处理复杂的数学比较。

此外，它还支持其他有助于完成简单任务的函数，例如使用 imread 函数加载图像，以及使用 cvtColor 函数转换颜色，将图像转换为灰度图像。颜色转换是关键步骤，因为将图像缩减为单个强度通道，可以让 matchTemplate 中的数学比较快得多，并降低其对颜色噪声的敏感度。

生成相似度图后，OpenCV 还提供了 minMaxLoc 函数来完成检测。你可以使用它扫描整张图，找出全局最小值和最大值及其精确坐标。根据所用的匹配方法，minMaxLoc 可以通过查找数据中的最高相关性或最低误差值，立即确定最佳匹配的位置。

除了 OpenCV，NumPy 等库对于处理图像数组和对结果应用阈值也至关重要，而 Matplotlib 通常用于可视化相似度图和最终检测结果。这些工具结合起来，为构建和调试模板匹配解决方案提供了完整环境。

模板匹配的真实世界应用#

现在我们已经更好地了解了模板匹配的工作原理，下面进一步看看它在真实场景中的应用。

识别传统建筑风格#

在文化遗产和建筑研究中，研究人员需要分析历史建筑、寺庙和纪念碑的照片，以了解不同地区的设计图案如何变化。在先进计算机视觉模型得到广泛应用之前，他们会使用图像匹配技术研究这类建筑。

模板匹配让研究人员可以专注于特定的建筑特征，例如屋顶轮廓、窗户排列或墙面图案。通过将模板或参考图像滑过较大图像，他们可以识别重复出现的形状，减少人工图像分析的工作量，而这项工作可能需要数小时。

一个有趣的例子来自一项与印度尼西亚传统民居相关的研究。研究人员创建了具有代表性特征的小型模板，并将其与完整尺寸的照片进行比较。这种方法用于突出显示与模板高度匹配的图像区域，并对不同地区的建筑风格进行分类。

图 3. 使用模板匹配对印度尼西亚传统民居进行分类（来源）

工业视觉系统中的目标检测#

工业环境可以受益于能够快速检测组件、验证装配或发现缺陷的视觉系统。在深度学习广泛应用于制造业之前，许多团队曾尝试使用图像匹配方法来自动完成这些任务。

简单来说，可以使用组件参考模板扫描生产线图像，并突出显示与模板匹配的区域。当零件位置保持一致且光照稳定时，这种方法效果良好。

使用模板匹配检测肺部肿瘤#

即使前沿技术正在医疗保健领域发挥作用，从 CT 扫描等医学成像中诊断健康问题仍然具有挑战性。传统上，放射科医生必须手动查看每一层扫描图像，这一过程需要极高的精确度和大量时间。

在深度学习应用于医疗保健之前，研究人员曾尝试使用模板匹配来简化工作流程，并协助识别异常情况。这项技术的一个典型例子是检测肺部肿瘤或结节。

在这种方法中，研究人员会创建表示肿瘤典型形状和强度的参考模板。然后，系统将这些模板滑过患者扫描图像，测量每个坐标处的相似度。

图 4. 使用模板匹配检测肺部肿瘤（来源）

模板匹配的优缺点#

以下是使用模板匹配的一些主要优势：

• **直观且简单：**模板匹配易于理解和实现，是 AI 和计算机视觉初学者的理想起点。
• **在受控条件下可靠：**在光照一致的灰度图像上，它表现良好；当图案和背景保持稳定时，可以产生准确结果。
• **易于集成：**使用 OpenCV 等 Python 库，无需复杂设置或大量计算，就可以快速将模板匹配应用于实际项目。

虽然模板匹配具有许多优势，但也存在局限。以下是一些需要注意的挑战：

• **对尺寸和旋转敏感：**模板尺寸或方向的变化可能会降低准确度。
• **依赖光照和对比度：**模板与图像之间的光照或对比度变化可能导致错误匹配，或使模板更难被检测到。
• **适应性有限：**与基于 AI 的方法不同，模板匹配无法从数据中学习，也不会随时间改进。它在受控或重复性环境中效果最佳。

要点总结#

计算机视觉是一个广阔的领域，涵盖多种技术。了解模板匹配等传统图像处理技术，是理解图像分析工作原理的良好起点。前沿视觉 AI 创新建立在相同的核心概念之上，并解决类似的问题。

想进一步了解 AI？加入我们的社区，并查看我们的GitHub 仓库。了解零售业中的 AI和制造业中的视觉 AI如何推动变革。探索我们的许可选项，立即使用视觉 AI 构建解决方案！