图像识别中经常会遇到小图比大图的情况，何为“小图比大图”？就是事先截取sourceImg中的一小块图，然后试着在TargetImg中去找；在这个过程中实现所谓的“目标查找”，也就是图像断言。

自动化测试中经常会用到这种手段。下面，介绍一种“快速在大图中找到小图”的算法：TemplateMatching。

---

TEMPLATE MATCHING(模板匹配)

首先，这在里向OpenCV的研发团队致敬！N年前该公司便开发出了基于C#,Java和Python等语言的图像识别的API出来，快而且好用。后来很多应用程序皆发源于此。

那么何为“模板匹配”:Template matching[1]is a technique indigital image processingfor finding small parts of an image which match a template image. It can be used in manufacturing as a part of quality control,[2]a way to navigate a mobile robot,[3]or as a way to detect edges in images.[4].https://en.wikipedia.org/wiki/Template_matching.

宇宙最强模板标识

上图是小编用过的最好的Template，下面看看效果：(可见，模板图已经在Target中被识别到了)

Target图样

---

模板匹配失效怎么办

案例中的Template是一副无论你怎么转，始终都中心对称的图标，因此对TemplateMatching来说，有着极强的辨识度；如果遇到下面这种情况，TM就不准了（大家可以自行尝试）

1.直方图区分下面A|B图也是失效的；

图A和图B区分不开

2.还有下面这种图TM也会遇到困难（事实上TM是给出了最佳近似解）：

直方图分析则不会错

3.这时候，一种解决方法就是将TM处理后的两幅图再读进来，进行一次比较。废话少说，上代码：

获取每个像素点的R、G、B值

这是一种笨且精确的办法，先将两张“小图”分别读进内存，然后逐点进行比较；遇见相同的就+1，直到算完最后一个点。最后再整体算相似百分比；注意：任何两张“看似”相同的图像，都有可能存在细微差异（有时候就几个像素的差值），因此不必追求相似度达到100%。此处应设置阈值，做最后的判定。

结果

600多ms的计算时间的确值得改进，留到以后做进一步优化吧。最后，奉上一副像素值化图帮助大家理解什么是图像的像素矩阵：