数字图像处理与识别第5章 基于模板匹配的图像识别方法.pptVIP

第5章 基于模板匹配的图像识别 第5章 基于模板匹配的图像识别 5.1 概 述 基本思想 拿已知的模板和原 图像中同样大小的一 块区域去对。 目 的 在图像中寻找是否有所关心的目标。 5.2 全局模板匹配 为了从图像中确定出是否存在某一目标，可把某目标从标准图像中预先分割出来作为全局描述的模板，然后在另一幅图像中搜索是否有这种模板目标。 设图像f(x,y)大小为M×N， 目标模板w(x,y)的大小为J×K， 常用相关性度量R(x,y)来表示 它们之间的相关性： 式中，m=0,1,2…,M-1; n=0,1,2,…,N-1。 5.2 全局模板匹配 相关性度量 在点(m,n)处的全局样本相关 5.2 全局模板匹配 进一步规格化相关度： 相关性度量 5.2 全局模板匹配 平方误差度量 假设模板的大小为m×n，图像大小为Width×Height。模板中某点坐标为(x0,y0)，灰度为U(x0,y0)；与之重合的图像点坐标为(X0-x0,Y0-y0)，灰度为V(X0-x0,Y0-y0)。则一次匹配的结果为： 全部图像都搜索后，找到最小的即为结果。 5.3 模板向量匹配 把图像被J×K框出部分用向量表示，模板也用 向量表示，这时两个向量相似度可用两向量的向量差作为相似度的一种度量： 规定一个最小向量差的阈值T，若D(m,n)T 则说 明在(m,n)位置上匹配，向量仅为J×K维。 平方误差度量 5.3 模板向量匹配 SSDA法(Sequent Similarity Detection A1gorithm)： 计算图像f(x,y)在点(u,v)的非相似度m(u,v)作为匹配尺度，(u,v)是模板左上角的坐标。 如果在(u,v)处图像中有和模板一致的图案时，则 m(u,v)值很小，相反则较大。 5.4 二阶段模板匹配 粗检索：每隔若干个像素把模板和图像重叠，并计算匹配的尺度，求出对象物大致存在的范围。 细检索：在粗检索求出的范围内，让模板每隔一个像素移动一次，根据求出的匹配尺度确定对象物所在的位置。 5.5 特征匹配 若图像待识别部分和模板都用特征向量表示，则向量的维数大为减少。例如用不变矩描述时，则f(j, k)和w(j, k)特征向量只有7维，即： x和w向量差可用差向量的范数来表示： 5.5 特征匹配 若图像中已分割出L个目标物，求其中是否有目标物W，则只需求出L个 选出其中最小的一个Dj，即为与w相似的图像。 5.5 特征匹配 最小距离分类器 该分类器基于对模式的采样来估计各类模式的统计参数，并且完全由各模式类的均值和方差确定。 假定有w个类，并给出w个参考矢量(此处具体为均值量) ，在这里将每一个模式 用均值矢量 表示： 5.5 特征匹配 对于 的最小距离分类就是把输入的新模式x分 为 类，遵循的分类规则就是x与参考模型原型 之 间的距离，与哪一个最近就属于哪一类。 可采用欧氏距离来确定两者之间的接近程度： 欧氏距离的最小值代表了模式的最佳匹配。继续对 上式进行推导： 5.5 特征匹配 于是，可以将Dj(x)求最小值的问题转化为求下式最 大值的问题： 在Dj(x)取得最大值时，将此时的x划归到第 类。 投影法和差影法 第5章 基于模板匹配的图像识别