TM_SQDIFF_NORMED是什么方法，原理

`cv2.TM_SQDIFF_NORMED` 是一种模板匹配算法，基于平方差匹配（Sum of Squared Differences, SSD）的基础上进行了归一化，使得匹配结果的范围在 0 到 1 之间。该算法的匹配结果越接近 0，表示匹配程度越高。

该算法的具体计算过程如下：

1. 首先，将模板和待匹配图像的像素值分别减去它们的均值，使它们的平均值为 0。
2. 然后，将模板放在待匹配图像的每个位置上，计算模板和图像像素值之间的平方差。
3. 最后，将每个位置的平方差相加并归一化，得到归一化平方差匹配度（Normalized Sum of Squared Differences, NSSD）。

具体计算公式如下：

$$
NCC(x,y) = \frac{\sum_{i,j}(T(i,j)-I(x+i,y+j))^2}{\sqrt{\sum_{i,j}(T(i,j))^2}\sqrt{\sum_{i,j}(I(x+i,y+j))^2}}
$$

其中，$T(i,j)$ 表示模板中位置 $(i, j)$ 的像素值，$I(x+i,y+j)$ 表示在图像上位置 $(x+i,y+j)$ 的像素值。

在匹配过程中，我们需要寻找 NSSD 最小的位置，即匹配程度最高的位置。因为 NSSD 越小，表示模板和图像之间的差异越小，匹配程度越高。

需要注意的是，由于 NSSD 的值是越小越好，因此在使用 `cv2.TM_SQDIFF_NORMED` 算法时，我们需要使用 `cv2.minMaxLoc` 函数找到 NSSD 的最小值及其位置，而不是最大值。

相关问题

Cv2.MatchTemplate 函数的method 匹配方法包括：cv2.TM_CCOEFF、cv2.TM_CCOEFF_NORMED、cv2.TM_CCORR、cv2.TM_CCORR_NORMED、cv2.TM_SQDIFF、cv2.TM_SQDIFF_NORMED。代表什么含义

这些匹配方法代表了不同的相似度计算方式，用于在模板匹配中比较模板和图像的相似度。其中，TM_CCOEFF、TM_CCOEFF_NORMED、TM_CCORR、TM_CCORR_NORMED、TM_SQDIFF、TM_SQDIFF_NORMED分别代表相关系数匹配、归一化相关系数匹配、相关性匹配、归一化相关性匹配、平方差匹配、归一化平方差匹配。

results = cv.matchTemplate(img, temp1, cv.TM_SQDIFF_NORMED)中的results储存的是什么信息

在OpenCV中，`cv.matchTemplate()`函数用于在输入图像中搜索模板图像的匹配位置。该函数返回一个结果矩阵，其中每个元素表示输入图像与模板图像在对应位置的匹配程度。

在你提供的代码中，`results`是用来存储匹配结果的变量。它是一个矩阵，每个元素表示对应位置的匹配结果。具体来说，`results`矩阵的大小与输入图像的大小相同，每个元素的值表示在该位置的匹配程度。

在使用`cv.TM_SQDIFF_NORMED`方法进行模板匹配时，`results`矩阵中的元素值越小，表示相应位置与模板的差异越小，匹配程度越高。因此，你可以通过查找`results`矩阵中最小值的位置来找到最佳匹配位置。

例如，可以使用以下代码找到最佳匹配位置：

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(results)
best_match_loc = min_loc

在这个示例中，`cv.minMaxLoc()`函数用于找到`results`矩阵中的最小值和对应的位置。然后，`best_match_loc`变量存储了最佳匹配位置的坐标。

请注意，匹配结果矩阵的大小与输入图像大小相同，因此你可以使用它来可视化匹配结果或进一步分析。