金字塔 NCC 模板匹配算法是一种基于归一化交叉相关（Normalized Cross-Correlation，NCC）的模板匹配算法，利用金字塔分层的思想，可以更好地处理图像中尺度和旋转变化。下面是使用 OpenCV 在图像中进行金字塔 NCC 模板匹配并输出角度和位置的代码示例： ```python import cv2 import numpy as np # 读取原始图像和模板图像 img = cv2.imread('image.jpg') template = cv2.imread('template.jpg') # 转换为灰度图像 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY) # 获取模板图像的宽度和高度 w, h = template_gray.shape[::-1] # 构建金字塔 for i in range(4): # 缩小原始图像和模板图像 img_gray = cv2.pyrDown(img_gray) template_gray = cv2.pyrDown(template_gray) # 进行模板匹配 res = cv2.matchTemplate(img_gray, template_gray, cv2.TM_CCOEFF_NORMED) # 获取匹配结果中最大值和最大值位置 min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # 计算匹配位置和角度 top_left = max_loc bottom_right = (top_left[0] + w, top_left[1] + h) angle = np.arctan2(top_left[1] - bottom_right[1], top_left[0] - bottom_right[0]) * 180 / np.pi # 在原始图像中绘制匹配结果 cv2.rectangle(img, top_left, bottom_right, (0, 0, 255), 2) cv2.putText(img, '{:.2f}'.format(angle), top_left, cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) # 显示结果 cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上述代码中，我们首先读取了原始图像和模板图像，并将其转换为灰度图像。然后，我们利用 `cv2.pyrDown()` 函数构建了一个金字塔，每次将原始图像和模板图像都缩小一半。在每次缩小后，我们都利用 `cv2.matchTemplate()` 函数进行模板匹配，得到了匹配结果中的最大值和最大值位置。接着，我们根据匹配结果计算出了匹配位置和角度，并利用 `cv2.rectangle()` 和 `cv2.putText()` 函数在原始图像中绘制了匹配结果。最终，我们将绘制的结果展示出来。 需要注意的是，金字塔 NCC 模板匹配算法的计算量比较大，因此在实际应用中需要考虑性能问题。