本文目的
目的：學習使用opencv的matchTemplate函數
語言：java
版本：opencv-410
簡介：通過matchTemplate函數在一個圖像中查找比對的logo。
原圖是以下的圖檔，一個百度首頁圖，我們要從中找出logo
這個方法應用場景很多，除了本案例中的logo識别，比如要在一堆圖像中尋找指定人臉，就可以利用此算法在圖像中找到此人臉的最佳比對，确定相似度。
模闆圖：
分解介紹
函數：matchTemplate
matchTemplate
參數介紹
- image，第一個參數：待比對的源圖像
- templ，第二個參數：模闆圖像，要是和源圖像一樣的資料類型，并且尺寸不能大于源圖像
- result,第三個參數：儲存結果的矩陣，我們可以通過minMaxLoc() 确定結果矩陣的最大值和最小值的位置.
- method,第四個參數：模闆比對的算法（6種）
- TM_SQDIFF ：計算模闆與目标圖像的方差，由于是像素值內插補點的平方的和，是以值越小比對程度越高；
- TM_SQDIFF_NORMED ：範化的cv::TM_SQDIFF，取值為0-1之間，完美比對傳回值為0；
- TM_CCORR ：使用dot product計算比對度（不清楚怎麼計算dot product，不涉及原理），越高比對度就好；
- TM_CCORR_NORMED ：範化的cv::TM_CCORR，0-1之間
- TM_CCOEFF ：采用模闆與目标圖像像素與各自圖像的平均值計算dot product，正值越大比對度越高，負值越大圖像的差別越大，但如果圖像沒有明顯的特征（即圖像中的像素值與平均值接近）則傳回值越接近0；
- TM_CCOEFF_NORMED ：範化的cv::TM_CCOEFF，-1 ~ 1之間。
- mask，第五個參數，蒙版
程式步驟
以下是程式的核心步驟：
- 加載圖像（原圖，模闆圖，以及mask圖），因為圖像比較大，都做了等比縮小
srcImg
- 執行比對操作
Imgproc
- 歸一化操作
歸一化就是要把需要處理的資料經過處理後（通過某種算法）限制在你需要的一定範圍内。首先歸一化是為了後面資料處理的友善，其次是保證程式運作時收斂加快。歸一化的具體作用是歸納統一樣本的統計分布性。歸一化在0-1之間是統計的機率分布，歸一化在某個區間上是統計的坐标分布。 歸一化的目的簡而言之，即歸一化資料。是使得沒有可比性的資料變得具有可比性，同時又保持相比較的兩個資料之間的相對關系，如大小關系；或是為了作圖，原來很難在一張圖上作出來，歸一化後就可以很友善的給出圖上的相對位置等。
//歸一化
歸一化核心參數說明： alpha： range normalization模式的最小值。1,用來規範值，2.規範範圍，并且是下限； beta： 隻用來規範range normalization模式的最大值，不用于norm normalization(範數歸一化)模式。 normType： 歸一化的類型，可以有以下的取值： NORM_MINMAX: 數組的數值被平移或縮放到一個指定的範圍，線性歸一化，一般較常用。 NORM_INF: 此類型的定義沒有查到，根據OpenCV 1的對應項，可能是歸一化數組的C-範數(絕對值的最大值) NORM_L1 : 歸一化數組的L1-範數(絕對值的和) NORM_L2: 歸一化數組的(歐幾裡德)L2-範數 dtype：dtype為負數時，輸出數組的type與輸入數組的type即大小、深度、通道數都相同；
否則，輸出數組與輸入數組隻是通道數相同，其餘地方由tpye決定。如tpye=CV_MAT_DEPTH(dtype).
mask： 操作掩膜，選擇感興趣區域，標明後隻能對該區域進行操作。
- 使用minMaxLoc（）在結果矩陣R中定位最小值和最大值Point matchLoc;
對于TM_SQDIFF和TM_SQDIFF_NORMED，最佳比對是最低值。對于其他所有值，較高的值表示更好的比對。是以，我們将相應的值儲存在matchLoc變量中：
Core
- 繪制原圖像和結果矩陣，并且在最佳比對點畫個圓圈
//顯示源圖像和結果矩陣。在盡可能高的比對區域周圍繪制一個矩形：
代碼
package
效果
比對方法選擇 TM_SQDIFF和_TM_SQDIFF_NORMED時_，最低亮度的是最比對的位置，如圖1和圖二中的白色圓圈，如圖，左側原圖中百度logo已經能識别出來。
圖一：
圖二：
其他幾個比對方法，最亮的位置是最像的，如下圖
這張圖識别錯誤
下面兩張圖最亮的位置分别識别正确