opencv 中的 TM_CCORR 和 TM_CCOEFF 是什么意思？我发现 TM_CCORR 代表相关系数。然而，TM_CCOEFF 接缝也因其命名而成为相关系数。
你知道缩写代表什么吗？
TM_SQDIFF = T模板M匹配Square差异erence
TM_CCOEFF = T模板M匹配C或相关系数icient ?
TM_CCORR = T模板M匹配Corr高兴？？？
【问题讨论】：
标签： opencv computer-vision opencv3.0
请参阅“学习 OpenCV 3：使用 OpenCV 库在 C++ 中使用计算机视觉” 作者：阿德里安·凯勒、加里·布拉德斯基
根据书：
TM_CCORR = 互相关
TM_CCOEFF = 相关系数
FWIW：TM_CCOEFF 方法中的−1/(w⋅h)⋅∑x″,y″T(x″,y″) 仅用于a）使模板和图像为零均值，b）使图像的暗部分为负值，图像的亮部分为正值。
这意味着当模板和图像的明亮部分重叠时，您将在点积中获得正值，以及当黑暗部分与黑暗部分重叠时（-ve 值 x -ve 值给出 +ve 值） . 这意味着您在明亮部分匹配和暗部分匹配方面都获得了 +ve 分数。
当您在模板上设置暗色 (-ve) 并在图像上设置亮色 (+ve) 时，您将获得 -ve 值。当你在模板上有亮 (+ve) 和在图像上暗 (-ve) 时，你也会得到 -ve 值。 这意味着您在不匹配时得到负分。
另一方面，如果您没有−1/(w⋅h)⋅∑x″,y″T(x″,y″) 术语，即在TM_CCORR 方法中，那么当模板和图像之间存在不匹配时，您不会受到任何惩罚。实际上，此方法是测量图像中与模板形状相同的最亮像素集的位置。 （这就是为什么标志、足球和梅西腿上方的区域在匹配结果中的强度很高）。
【讨论】：
正如 HansHire 所提到的，official documentation 在窗口滑动时提供了用于像素求和的公式。此外，Python OpenCV docs 显示示例：
TM_CCOEFF
TM_CCORR
请注意文档说：
您可以看到使用 cv2.TM_CCORR 的结果并不像我们预期的那样好。
如果您想使用始终保持不变的屏幕截图或图像部分（a-la Sikuli）（不是照明/变换可以改变的真实世界的相机帧），请使用matchTemplate，否则尽量避免它。它仅适用于特定用例，并且在实际结果方面不同的求和函数之间没有太大差异。
要解决您对缩写 TM_CCORR 和 TM_CCOEFF 代表什么的评论？：
100% 我真的不知道，但这不会阻止我猜测 :)))
我的直觉是，基于文档公式，TM_CCORR 是模板和图像之间的直接（“最简单”）关联：
结果像素是模板像素与模板中每个像素的图像像素之间的点积之和。
当模板“滑动”通过图像时，计算结果图像。
TM_CCOEFF 但不是当前模板像素 (T)，而是使用更复杂的“系数”(T') (T(x′,y′)−1/(w⋅h)⋅∑x″,y″T(x″,y″))（类似地（I' 使用）。
我对数学符号的理解非常有限，但据我所知，CORR 版本与COEFF 不同，它考虑了模板和图像的尺寸以及总和像素强度。
唯一支持的其他方法是TM_SQDIFF，顾名思义，公式确认使用模板和图像像素强度之间的平方距离。
这 3 种主要方法中的每一种都有标准版本。
好的，这就是我对缩写含义的看法（例如，直接（点积）相关性与更复杂（没有双关语）的相关性）
但这意味着什么？
实际上，我主要关注的是TM_CCORR 和TM_CCOEFF 最有可能匹配最亮的像素，而TM_SQDIFF 则相反：最暗的值可能匹配（请参阅链接的示例图像)。
我会从TM_CCOEFF 开始，然后如果当前图像的结果没有返回一致的结果，请修改参数，但如前所述，我只会将其用于非常非常受控条件。
对于不是屏幕截图或模板的实时数据，它们是同一图像的一部分（a-la “Waldo 在哪里”），我会研究对象检测（例如，使用 HOG 作为特征描述符训练 SVM）
【讨论】：
以下公式给出了 T(x,y) 的居中版本：
T′(x′,y′)=T(x′,y′)−1/(w⋅h)⋅∑x′′,y′′T(x′′,y′′)
与 I′ 有点不同，因为它在内核 (w, h) 中以 I 为中心。
I′(x+x′,y+y′)=I(x+x′,y+y′)−1/(w⋅h)⋅∑x′′,y′′I(x+ x′′,y+y′′)
我认为理想情况下 TM_CCORR_NORMED 和 TM_CCOEFF_NORMED 应该给出相似的结果。 由于计算机四舍五入，可能会出现差异，因为 TM_CCOEFF_NORMED 通常使用接近零的数字进行操作。
更新
T' = T - m，其中 m 是 T 的平均值
I' = I - I * M，其中 M 是大小为 (w, h) 的均值滤波矩阵
TM_CCOEFF = T' * I' = (T - m) * (I - I * M) =
= ((T - m) * I) * (U - M)
= TM_CCORR * SHARPNESS - m * (I * SHARPNESS)
其中 U - 是单位滤镜，SHARPNESS = U - M 是锐度滤镜。
所以，TM_CCOEFF 是 TM_CCORR 的锐度，经过一些归一化。
【讨论】：