### 实现分块匹配算法 为了提高模板匹配的效果和效率，可以采用分块匹配的方法。这种方法通过将大图像分割成多个较小的子区域来逐个执行模板匹配操作。 #### 准备工作 首先加载待处理的大图以及用于比较的小模板图片： ```python import cv2 as cv import numpy as np # 加载原始图像与模板图像 img = cv.imread('img/large_image.jpg') template = cv.imread('img/small_template.png') # 获取模板尺寸 th, tw = template.shape[:2] ``` #### 定义函数进行分块切割并逐一匹配 定义一个辅助函数`block_match()`来进行分块后的局部搜索，并记录下最佳匹配位置及其得分： ```python def block_match(image, templ, block_size=(100, 100)): ih, iw = image.shape[:2] th, tw = templ.shape[:2] best_matches = [] # 遍历整个图像中的每一个可能的区块中心点 for y in range(th//2, ih-th//2, block_size[1]): for x in range(tw//2, iw-tw//2, block_size[0]): # 提取当前区块作为候选区 roi = image[y-(th//2):y+(th//2)+1, x-(tw//2):x+(tw//2)+1] try: result = cv.matchTemplate( roi, templ, method=cv.TM_CCOEFF_NORMED) _, max_val, _, max_loc = cv.minMaxLoc(result) adjusted_max_loc = ( x - (tw // 2) + max_loc[0], y - (th // 2) + max_loc[1]) best_matches.append((adjusted_max_loc, max_val)) except Exception as e: continue return sorted(best_matches, key=lambda m: m[1], reverse=True)[0] if best_matches else None ``` 此部分逻辑实现了基于指定大小(`block_size`)划分原图的过程，并针对每一小片应用标准模板匹配技术[^1]。 #### 执行分块匹配过程 调用上述自定义函数完成实际的任务： ```python best_location_and_score = block_match(img, template) if best_location_and_score is not None: top_left, score = best_location_and_score bottom_right = (top_left[0]+tw, top_left[1]+th) # 绘制矩形标记找到的目标物体边界框 cv.rectangle(img, top_left, bottom_right, color=(0, 255, 0), thickness=2) # 显示结果 cv.imshow("Detected Object", img) cv.waitKey(0) else: print("No match found.") ``` 这段代码会遍历输入图像的不同部分寻找最接近给定模式的位置，并最终展示带有绿色边界的输出图像以指示识别到的对象所在之处。