OpenCV 实战：不用深度学习，如何完成“提示图 + 3×2 候选图”的多特征匹配本文基于cv2_image_matcher.py的真实实现展开。重点不是堆 API，而是拆解一个完整的工程链路：Base64 解码、比例裁剪、多特征打分、候选集合离群分析、动态权重融合，以及坐标回传与调试图落盘。一、问题建模：这不是普通模板匹配输入是一张完整页面图，右上角有一张提示图，下方是 3 列 × 2 行的六张候选图。程序需要返回最匹配候选项的序号，以及它在原图中的中心坐标。乍看可以直接使用cv2.matchTemplate，但实际存在三个问题：提示图与候选图尺寸不同，直接做逐像素模板匹配并不稳定；图片可能经历缩放、压缩、亮度变化和背景干扰；六张候选图通常存在明显的集合关系，仅比较“提示图和候选图”会浪费候选之间的信息。因此，这份实现使用两个并行分支：直接相似度分支：比较提示图与每张候选图的局部特征、颜色、结构和感知哈希；候选离群分支：构造六张候选图的两两相似度矩阵，找出最偏离其余候选的图片。最后对两类证据进行动态加权，得到最终排序。