采用相关分析进行图像的快速匹配定位.docxVIP

实验四：采用相关分析进行图像的快速匹配定位1.实验目的：a. 掌握图像信号处理的基本概念和一般方法，学会读入图像信息。 b. 学习图像匹配的一般方法，了解相关估计在图像匹配和检测中的应用。 c. 熟悉图像匹配与校准定位的基本方法，学习二维图像信号的快速相关估计的基本算法，学会用FFT 作快速相关估计。2.实验内容：a. 读入图像数据。 b. 编写图像匹配的程序，从一幅图像中任取一幅子图（模板T），然后在另外一幅图像中寻找能和该子图匹配的目标（Si,j）的位置。 c. 设计程序界面，将匹配结果直观地显示出来。 d. 探讨快速算法。3.算法讨论及分析算法1：设模板T 在被搜索图S 中平移，模板覆盖下的那块子图像我们记做Si,j，(i,j)为这块子图像的左上角象素点在S中的坐标，从图1中，我们可以看出i 和j 的取值范围为：1i , j N-M +1，现在可以比较T 和Si,j的内容，如果两者一致，则T和Si,j之差为零，所以可以用以下测度来衡量T和Si,j的相似程度。（1）图4-1被搜索的图像（a）与模板（b）展开式（1），则有（2）式（2）右边第三项表示模板的总能量，它是一个常数，与(i,j)无关；第一项是模板覆盖下的那块子图像的能量，它随着(i,j)的改变而缓慢变化；第二项是被覆盖子图和模板的互相关，它随着(i,j)的改变而变化。当T和Si,j匹配时，式（2）的第二项的取值最大。因此，我们可以用以下相关函数作相似性测度：（3）易知，并且仅当为常数时，取极大值，这时T和Si,j匹配。方法一：方法一采用的是完全按照相关系数的定义，使用循环函数，完成对相关系数的求解，程序流程图如下。方法二：（4）为子块与模板图像t相关系数，可通过FFT快速计算，根据FFT的性质有式中为基准图像的傅里叶变换，为模板图像T的傅里叶变换的共轭，因此可通过一次FFT变换和IFFT变化求出整个被搜索图像与模板图像相关系数。根据公式（3），需要计算基准图像的能量值S2。分析得之，可以看出，相邻点的计算含有大量的重复操作。经分析可得，（5）（6）利用之前的结果，可以节省一定的计算时间。4.实验结果及分析该实验使用图片pic1_2.bmp，使用模板templet1_2.bmp。在matlab中，读入的图像数据为图像每一个像素的灰度值，将模板的灰度值存在一个向量中，与原图进行匹配，如果相关系数达到极大值，则说明匹配良好，找到搜索的结果。(a)被搜索的图片pic1_2.bmp (b)被搜索的图片templet1_2.bmp(c)搜索的结果图4-2 实验所使用的图片表1 两种方法计算时间对比序号方法计算时间1方法一110s2方法二5.2s5.原程序清单方法一： clear allS1=imread(pic1_2.bmp);%读入被搜索的图片pic1_2.bmpS=double(S1);%读入的图片数据类型是uint8，转换类型为doubleg1=imread(templet1_2.bmp);%读入模板图片templet1_2.bmpg=double(g1);%读入的图片数据类型是uint8，转换类型为doublex=size(g,1); %获取g的行数m=size(S,1);%S的X坐标y=size(g,2); %获取g的列数n=size(S,2);%S的Y坐标Sxy=0*g; %定义临时变量 tempg=0; tempg=double(tempg); gvector=ones(x*y,1); %定义临时变量，将g矩阵存储为列向量的形式Svector=0*gvector; %定义临时变量，将S矩阵的分块存储为列向量的形式for i1=1:1:x %使用循环，将g矩阵存储为列向量的形式 for i2=1:1:y gvector((i1-1)*y+i2,1)=g(i1,i2); endendfor numy=1:1:n-y+1 %使用循环，将S矩阵分块存储为列向量的形式 for numx=1:1:m-x+1 for i1=1:1:x for i2=1:1:y Sxy(i1,i2)=S(i1+numx-1,i2+numy-1); end end for i1=1:1:x for i2=1:1:y Svector((i1-1)*y+i2,1)=Sxy(i1,i2); end end R=corrcoef(gvector,Svector); %求得S分块与模板g的相关系数 if R(1,2)0.95 %找出图片中与模板相匹配的位置，并标记 imshow(S1) for i=1:1:y text(numy+i-1,numx,\o ,Color,red); end for i=1:1:x text(numy,numx+i-1,\o ,Color,red); end for i=1: