模板匹配課件

1、典型算法原理模板匹配01 模板w開始位置在圖像f的左上角當w的中心位于f的邊界上時，圍繞f的邊界需要進行填充。填充通常被限制為模板寬度的一半。02 模板從左上角向右下角開始移動每次移動一個像素的位置，過程中可以得到模板和圖像各位置間的相似度。03 生成結(jié)果圖像相似度量值保存到結(jié)果圖像中. 在結(jié)果圖像中的每個位置都包含匹配度量值。04 找到匹配位置根據(jù)所用的匹配算法不同，對結(jié)果圖像進行處理分析，找到匹配位置。2模板匹配-簡要流程1基于灰度值的模板匹配算法。2基于邊緣的模板匹配算法3基于形狀的模板匹配算法3模板匹配算法分類01基于灰度值的模板匹配 Gray-Value-Based Template

2、 Matching5基于灰度值的模板匹配基本概念基于灰度值的模板匹配算法是最為基礎(chǔ)的一類方法，它是通過計算模板與圖像之間灰度值的相似度來實現(xiàn)的。相似度量相似度量S是一個函數(shù)，函數(shù)中的參數(shù)包括：模板中各點的灰度值t(r,c)；模板感興趣區(qū)域移動到圖像當前位置時感興趣區(qū)域 中的灰度值f(r+u,c+v)；然后基于這些灰度值計算一個標量值作為相似度量。03NCC：歸一化互相關(guān)系數(shù)7基于灰度值的模板匹配相似度量方法NCC(Normalized cross-correlation)結(jié)果8基于灰度值的模板匹配算法NCC02基于邊緣的模板匹配算法Edge matching11基于邊緣的模板匹配算法基于邊緣的

3、模板匹配算法意義：圖像中的邊緣不會（至少很少）受光線變化的影響，并且當存在混亂和遮擋時，圖像的邊緣特征仍能保持大量的有用信息。010203使用原始邊緣點或者增加每個點的一些特性。將邊緣分割為多個幾何基元，然后匹配這些幾何基元。得到邊緣上的突變點，然后匹配這些突變點。三種策略12基于邊緣點的模板匹配算法均方距離使模板邊緣點與離它最近的圖像邊緣點之間的均方距離最小。如果模板邊緣點與圖像邊緣點之間的平均距離小于一個閾值，我們就認為找到了模板實例。平移情況下的均方邊緣距離可表示為：其中，T表示模板邊緣區(qū)域，d(r, c) 表示邊緣提取后待搜索圖像背景的距離變換。缺點：圖像邊緣有遮擋時，返回的距離將會非

4、常大。14基于邊緣點的模板匹配算法距離變換 0 0（三）在距離圖上用上述兩個掩碼分別從左上到右下和右下到左上進行逐行掃描，將掩碼覆蓋區(qū)域中的距離值與掩碼中 相應(yīng)位置上的距離值求和，然后從掩碼的所有計算結(jié)果中選擇最小的值作為當前像素的距離值。 1 1 0 1 1 2 1 2 1 0 1 2 1 215基于邊緣點的模板匹配算法距離變換原圖街區(qū)距離棋盤距離歐氏距離匹配過程將模板沿著圖像逐像素掃描，模板每移動一次就會得到一個當前的Hausdorff距離。當模板中的邊緣點與圖像中的邊緣點非常接近，且圖像中的邊緣點與模板中的邊緣點也非常接近時，會得到一個最小的Hausdorff距離，此時為最優(yōu)匹配。改進當

5、圖像中出現(xiàn)遮擋情況下算法效果不佳的主要原因是由于在計算h (T, E) 時采用了最大距離。如果用第k 大距離代替最大距離，Hausdorff距離將對100 / % k n 的遮擋可靠，其中n表示模板邊緣區(qū)域中像素點的數(shù)量。17基于邊緣點的模板匹配算法Hausdorff距離盡管改進的Hausdorff距離能夠解決遮擋和混亂帶來的問題，但是當遮擋部分較大時，該方法會找到較多的錯誤實例。此外由于Hausdorff距離的計算量較大，這使得算法的實時性比較差，對于那些實時性要求較高的在線系統(tǒng)該方法往往不能滿足。18基于邊緣點的模板匹配算法廣義霍夫變換廣義霍夫變換（GHT）是由Ballard對原始霍夫變換

6、進行的推廣，它基于對于任意形狀的物體，當發(fā)生平移、旋轉(zhuǎn)或者放縮時，其邊緣點處的梯度向量與該點到邊緣點重心向量的夾角始終保持不變。R-Table19基于邊緣點的模板匹配算法廣義霍夫變換上面所說的所有基于邊緣的算法都存在一個缺陷，就是它們都需要在圖像中提取出邊緣。這就導致目標識別算法只能夠適用于非常小范圍的光照變化。如果降低對比度，提取到的邊緣點就越來越少，更多的遮蔽也會造成相似的影響。缺陷總結(jié)20基于邊緣點的模板匹配算法03基于形狀的模板匹配 Shape-based22基于形狀的模板匹配算法該算法的相似度量考慮的是模板內(nèi)像素的梯度向量，并通過計算梯度向量的內(nèi)積總和最小值確定最佳匹配位置，穩(wěn)定性和可靠性都比較優(yōu)越。相似度量 S：歸一化后的相似度量 S：當圖像中存在遮擋的情況，遮擋部分像素點的梯度向量的模非常小，它與模板相應(yīng)位置梯度向量的內(nèi)積也是一個非常小的值，幾乎不影響總和；當圖像中存在混亂的情況，混亂部分對應(yīng)的模板相應(yīng)位置梯度向量的模非常小，它們的內(nèi)積仍然不影響總和。然而,公式提供的相似度量仍不能真正的滿足光照變化的情況。這是因為梯度向量的模取決于圖像的亮度：當圖像較亮時，梯度向量的模較大；當圖像較暗時，梯度向量的模較小。對基于