1.模板匹配就是拿一张图乡与另外一张图乡比较，看是否是其中一部分

API：cv.matchTemplate(img,template,method)

参数：

img:要进行模板匹配的图像

Template：模板

method:实现模板的算法，主要有：
1）平方差匹配(CV_TM_SQDIFF):利用模板与图像的平方差进行匹配，最好的

匹配是0，匹配越差，匹配的值越大

2）相关匹配(CV_TM_CCORR):利用模板与图像之间的乘法进行匹配，数值越大

表示匹配程度越高，越小表示匹配效果差

3）相关系数匹配（CV_TM_CCOEFF）:利用模板与图像的相关系数匹配。1表示

完美的匹配，-1表示最差的匹配匹配后，使用cv.minMaxLoc()方法查找最大值所在的位置即可。若选用平方差，最小位置是最佳匹配位置

import numpy as np
import cv2 as cv
import matplotlib.plylot as plt
#1.图像和模板读取
img = cv.imread('image.jpg')
template = cv.imread('image.jpg')
h,w,l = template.shape#模板的长宽高
#2.模板匹配
#2.1模板匹配
res = cv.matchTemplate(img,template,cv.TM_CCORR)
#2.2返回图像中最匹配的位置，确定左上角的坐标，并将匹配位置绘制
在图像上
min_val,max_val,min_loc,max_loc = cv.minMaxLoc(res)
#使用平方差时最大值为最佳匹配位置
top_left = max_loc#左上角位置
bottom_right = (top_left[0] + w,top_left[1] + h)#右下角位置
cv.rectangle(img,top_left,bottom_right,(0,255,0).2)
plt.imshow(img[:,:,::-1])
plt.show()

2.霍夫变换就是从来提取图像中的直线和圆等几何形状

霍夫变换的转换有两种一种是斜线通过x轴和y轴坐标表示，另外一种就是直线，通过极坐标轴表示

3.霍夫线检测

API：cv.HoughLines(img,rho,theta,threshold)

参数：

rho,theta:半径和角度的精确度

threshold:阈值，累加器的值高于阈值就被认为是直线

import numpy as np
import cv2 as cv
import matplotlib.plylot as plt
#1.图像读取
img = cv.imread('image.jpg')
2）进行Canny边缘检测
edges = cv.Canny(img,100,200)
3）进行直线计算
lines = cv.HuoghLines(edges,0.8,np.pi/180,150)
for line in lines:
  rho,theta = line[0]#半径和角度
  a = np.cos(theta)
  b = np.sin(theta)
  xo = rho*a
  yo = rho*b
  x1 = int(x0+1000*(-b))#直线的坐标点1
  y1 = int(y0+1000*a)
  x2 = int(x0-1000*(-b))#直线的坐标点2
  y2 = int(y0-1000*a)
cv.line(img,(x1,y1),(x2,y2),(0,255,0))
plt.imshow(img[:,:,::-1])
plt.show()

4.霍夫圆检测，在直线的交点处，设置阈值，大于这个阈值就是圆心

API：cv.HoughCircles(img,method,dp,minDist,param1 = 100,param2 = 100,minRadius = 0,maxRadius = 200)

参数：
method:检测算法，参数：CV.HOUGU_GRADINT

dp：dp = 1表示霍夫空间与输入图像空间一致，dp = 2或负空间为输入图像空间一半

param1：边缘检测使用Canny算子的高阈值，低阈值是高阈值的一半

param2:检测圆心和确定半径时所共有的阈值

maxRadius：圆半径最大半径

minRadius：圆半径最小半径

import numpy as np
import cv2 as cv
import matplotlib.plylot as plt
#1.图像读取
img = cv.imread('image.jpg')
#2.中值滤波
img = cv.medianBlur(img,7)
#3.霍夫圆检测
circles = CV.HoughCircles(img,cv,Hough_GRADINT,1,200,param1 = 100,param2 = 30)
#4.将检测结果绘制到图像上
for i in circles[0, :]#遍历矩阵每一行数据
  #绘制圆形
  cv.circle(img,(i[0],i[1],i[2],(0,255,0),2))#i[0],i[1]是圆心，i[2]
是半径
  #绘制圆心
  cv.circles(img,(i[0],i[1],i2],(0,255,0),3))
plt.imshow(img[:,:,::-1])
plt.show()