matlab从一张图片中找出所有包含另一张图片的区域并圈出，不使用sift但要求高精度代码

下面给出一个基于模板匹配的 Matlab 代码示例，可以在一张图片中找出所有包含另一张图片的区域并圈出：

% 读取原始图像和模板图像
img = imread('original_image.jpg');
template = imread('template_image.jpg');

% 将模板图像转换为灰度图像，并进行二值化处理
template = rgb2gray(template);
template = imbinarize(template);

% 对原始图像进行滤波和二值化处理
img = imfilter(img, fspecial('gaussian', [5, 5], 0.5));
img = imbinarize(img);

% 设置滑动窗口的步长和大小
step = 10;
w = size(template, 2);
h = size(template, 1);

% 对原始图像进行滑动窗口搜索，并进行模板匹配
scores = zeros(size(img));
for i = 1:step:size(img, 1)-h
    for j = 1:step:size(img, 2)-w
        window = img(i:i+h-1, j:j+w-1);
        score = sum(sum(window .* template));
        scores(i:i+h-1, j:j+w-1) = scores(i:i+h-1, j:j+w-1) + score;
    end
end

% 找到所有匹配度大于阈值的位置
threshold = max(max(scores)) * 0.9;
[r, c] = find(scores > threshold);

% 在原始图像上圈出所有匹配到的区域
imshow(img);
hold on;
for i = 1:length(r)
    rectangle('Position', [c(i), r(i), w, h], 'EdgeColor', 'r', 'LineWidth', 2);
end
hold off;

该代码中使用了模板匹配算法进行匹配，具体思路如下：

1. 读取原始图像和模板图像，并对模板图像进行灰度化和二值化处理。

2. 对原始图像进行滤波和二值化处理，以减小噪声和提高匹配精度。

3. 设置滑动窗口的步长和大小，依次将窗口与模板图像进行匹配。

4. 计算匹配得分，并将得分叠加到原始图像上。

5. 找到所有匹配度大于阈值的位置，即为包含模板图像的区域。

6. 在原始图像上圈出所有匹配到的区域，以便进行可视化展示。

需要注意的是，该代码中的匹配精度受到多种因素的影响，如模板图像的大小、形状、旋转角度等。为了提高匹配精度，可以尝试多种模板进行匹配，或者对模板图像进行旋转、缩放等操作以适应不同的场景。