# USAGE
# python match.py --template cod_logo.png --images images
# USAGE2 了解實際檢測原理及細節(jié)
# python match.py --template cod_logo.png --images images --visualize 1

# 導入必要的包
import argparse  # argparse解析命令行參數(shù)
import glob  # 獲取輸入圖像的路徑

import cv2  # opencv綁定
import imutils  # 圖像處理的一些方法
import numpy as np  # numpy進行數(shù)值處理

# 構建命令行及解析參數(shù)
# --template 模板路徑
# --images 原始圖像路徑
# --visualize 標志是否顯示每一個迭代的可視化結果
ap = argparse.ArgumentParser()
ap.add_argument("-t", "--template", required=True, help="Path to template image")
ap.add_argument("-i", "--images", required=True,
                help="Path to images where template will be matched")
ap.add_argument("-v", "--visualize",
                help="Flag indicating whether or not to visualize each iteration")
args = vars(ap.parse_args())

# 加載模板圖像，轉換灰度圖，檢測邊緣
# 使用邊緣而不是原始圖像進行模板匹配可以大大提高模板匹配的精度。
template = cv2.imread(args["template"])
template = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)
template = cv2.Canny(template, 50, 200)
(tH, tW) = template.shape[:2]
cv2.imshow("Template", template)

# 遍歷圖像以匹配模板
for imagePath in glob.glob(args["images"] + "/*.jpg"):

    # 加載圖像，轉換為灰度圖，初始化用于追蹤匹配區(qū)域的簿記變量
    image = cv2.imread(imagePath)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    found = None

    # 遍歷圖像尺寸
    for scale in np.linspace(0.2, 1.0, 20)[::-1]:
        # 根據(jù)scale比例縮放圖像，并保持其寬高比
        resized = imutils.resize(gray, width=int(gray.shape[1] * scale))
        r = gray.shape[1] / float(resized.shape[1])

        # 縮放到圖像比模板小，則終止
        if resized.shape[0]  tH or resized.shape[1]  tW:
            break

        # 在縮放后的灰度圖中檢測邊緣，進行模板匹配
        # 使用與模板圖像完全相同的參數(shù)計算圖像的Canny邊緣表示；
        # 使用cv2.matchTemplate應用模板匹配；
        # cv2.minMaxLoc獲取相關結果并返回一個4元組，其中分別包含最小相關值、最大相關值、最小值的（x，y）坐標和最大值的（x，y）坐標。我們只對最大值和（x，y）-坐標感興趣，所以只保留最大值而丟棄最小值。
        edged = cv2.Canny(resized, 50, 200)
        result = cv2.matchTemplate(edged, template, cv2.TM_CCOEFF)
        (_, maxVal, _, maxLoc) = cv2.minMaxLoc(result)

        # 檢查是否可視化
        if args.get("visualize", False):
            # 在檢測到的區(qū)域繪制邊界框
            clone = np.dstack([edged, edged, edged])
            cv2.rectangle(clone, (maxLoc[0], maxLoc[1]),
                          (maxLoc[0] + tW, maxLoc[1] + tH), (0, 0, 255), 2)
            cv2.imshow("Visualize", clone)
            cv2.waitKey(0)

        # 如果我們找到了一個新的最大校正值，更新簿記變量值
        if found is None or maxVal > found[0]:
            found = (maxVal, maxLoc, r)

    # 解包簿記變量并基于調整大小的比率，計算邊界框（x，y）坐標
    (_, maxLoc, r) = found
    (startX, startY) = (int(maxLoc[0] * r), int(maxLoc[1] * r))
    (endX, endY) = (int((maxLoc[0] + tW) * r), int((maxLoc[1] + tH) * r))

    # 在檢測結果上繪制邊界框并展示圖像
    cv2.rectangle(image, (startX, startY), (endX, endY), (0, 0, 255), 2)
    cv2.imshow("Image", image)
    cv2.waitKey(0)