基本流程如下：

1、在整个图像区域发现与给定子图像匹配的小块区域

2、选取模板图像T（给定的子图像）

3、另外需要一个待检测的图像——源图像S

4、工作方法：在检测图像上，从左到右，从上到下计算模板图像与重叠， 子图像的匹配度，匹配程度越大，两者相同的可能性就越大。

OpenCV提供了6种模板匹配算法：

平方差匹配法CV_TM_SQDIFF；

归一化平方差匹配法CV_TM_SQDIFF_NORMED；

相关匹配法CV_TM_CCORR；

归一化相关匹配法CV_TM_CCORR_NORMED；

相关系数匹配法CV_TM_CCOEFF；

归一化相关系数匹配法CV_TM_CCOEFF_NORMED；

后面经过实验，我们主要是从以上的六种中选择了归一化相关系数匹配法CV_TM_CCOEFF_NORMED，基本原理公式为：

 代码部分展示：

import cv2
import numpy as np
from matplotlib import pyplot as plt

#读取检测图像
img = cv2.imread('img8.bmp', 0)
#读取模板图像
template1=cv2.imread('moban1.bmp', 0)
template2=......
#建立模板列表
template=[template1,template2,template3,template4]
# 模板匹配：归一化相关系数匹配方法
res1=cv2.matchTemplate(img, template1, cv2.TM_CCOEFF_NORMED)
res2=cv2.matchTemplate(......)
#提取相关系数
min_val1, max_val1, min_loc1, max_loc1 =cv2.minMaxLoc(res1)
min_val2, ......

#相关系数对比（max_val),越接近1，匹配程度越高
max_val=[1-max_val1,1-max_val2,1-max_val3,1-max_val4]
j=max_val.index(min(max_val))

#根据提取的相关系数得出对应匹配程度最高的模板
h, w = template[j].shape[:2]  # 计算模板图像的高和宽 rows->h, cols->w
pes=cv2.matchTemplate(img, template[j], cv2.TM_CCOEFF_NORMED) #模板匹配
in_val, ax_val, in_loc, ax_loc =cv2.minMaxLoc(pes)

#在原图中框出模板匹配的位置
left_top = ax_loc  # 左上角
right_bottom = (left_top[0] + w, left_top[1] + h)  # 右下角
cv2.rectangle(img, left_top, right_bottom, 255, 2) # 画出矩形位置
#绘制模板图像
plt.subplot(121), plt.imshow(template[j], cmap='gray')
plt.title('pcb type'),plt.xticks([]), plt.yticks([])
#绘制检测图像
plt.subplot(122), plt.imshow(img, cmap='gray')
plt.title('img'), plt.xticks([]), plt.yticks([])
plt.show()