实现:
1.对素材图像四周无意义的像素进行裁剪的函数
2.针对矩阵的模板匹配的个人实现(母图1920*1080，单线程30s得出MSE矩阵)
3.针对任意自由形状的模板匹配(母图1920*1080，单线程高达9分钟才得出MSE矩阵)
总结:
模板匹配自动面相应该是行不通了，适合目前这个场景的算法效率低的难以接受，我也不知道怎么去改进了，毕竟我本身算法能力就弱。
对矩阵的MSE模板匹配效率还不错，但是一但要屏蔽掉无关像素对MSE的贡献，那效率是蹭蹭的下滑。
之后三四天有别的事情，所以暂时不会继续推进
预告:
1，姑且试一下特征匹配去面相吧，不过基本不太抱希望。一方面是我之前没接触这方面的算法，另一方面是这算法的应用基本都是面向目标倾斜、旋转的情况，和面相的场景不是很匹配。
2，用梯度做一下轮廓提取，然后写一个类似于模板匹配的对轮廓相似度进行评估的算法，主要是用梯度提取轮廓信息，舍弃颜色信息。因为有素材，对素材提出来的特征可以对应到卷积神经网络的深层特征，我再研究研究CNN的深层特征参与到全连接层中后是如何参与预测的再看看能不能实现面相，总体上来说还是有希望的。
3，哪天脑子不想动弹了可以更新一下新版本占堡收益的帖子了，反正就是录个数据重新拉个透视表，之后拉一拉单元格的事，有手就行的小玩意。
4，进度条识别的bug修复，以前小图容易腐蚀断，导致算法不适配，刚才想了一下已经有思路了。
5，深度学习想实现自动面相应该是蛮简单的，目标检测，图像分割，图像分类，含量预测，有很多模型都可以套用。但是深度学习虽然简单粗暴，要求却很苛刻。
首先是数据集的制作，耗时耗力不说，面相需要的数据集规模还不小，最关键的是该场景还有覆盖率要求。
其次是算力的要求，我手上的显卡太拉胯了，算力和显存都远远不足，属于是只能跑跑简单场景的CNN的垃圾卡。所以呢，方向虽然明确，但我基本不会考虑，不过考虑到万一，姑且写在预告一栏当中，等待一个小小的奇迹。
6.关于精确成长测量，哪天不想动脑子了就去按我之前写的教程测一测，毕竟我写的那个识别脚本没几个人在用，应该是指望不上别人咯。