模板匹配完整版本.pptxVIP

典型算法原理模板匹配

01模板w开始位置在图像f的左上角当w的中心位于f的边界上时，围绕f的边界需要进行填充。填充通常被限制为模板宽度的一半。02模板从左上角向右下角开始移动每次移动一个像素的位置，过程中可以得到模板和图像各位置间的相似度。03生成结果图像相似度量值保存?到?结果图像中.在?结果图像中的每个位置?都包含匹配度量值。04找到匹配位置根据所用的匹配算法不同，对结果图像进行处理分析，找到匹配位置。2模板匹配-简要流程

1基于灰度值的模板匹配算法。2基于边缘的模板匹配算法3基于形状的模板匹配算法3模板匹配算法分类

01基于灰度值的模板匹配Gray-Value-BasedTemplateMatching

5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为基础的一类方法，它是通过计算模板与图像之间灰度值的相似度来实现的。相似度量相似度量S是一个函数，函数中的参数包括：①模板中各点的灰度值t(r,c)；②模板感兴趣区域移动到图像当前位置时感兴趣区域中的灰度值f(r+u,c+v)；然后基于这些灰度值计算一个标量值作为相似度量。

01SAD:计算模板与图像之间差值的绝对值总和?02SSD:计算模板和图像之间差值的平方和?问题在光照保持不变的情况下，SAD和SSD相似度量的结果非常好。当光照发生变化，甚至在图像中存在相同物体的情况下，他们都将返回非常大的结果!6基于灰度值的模板匹配——相似度量方法—SAD,SSD（Sumofabsolute/squareddifference）？

03NCC：归一化互相关系数?7基于灰度值的模板匹配——相似度量方法—NCC(Normalizedcross--correlation)??

结果?8基于灰度值的模板匹配算法—NCC

基于灰度值的模板匹配方法原理简单。在良好的光照条件下可以得到很满意的匹配结果。Advantages9基于灰度值的模板匹配——总结优点Disadvantages缺点受光照影响大，抗干扰性不强。图像存在遮挡、部分隐藏、信息缺失、混乱时不能正确找到目标物体。0102

02基于边缘的模板匹配算法Edgematching

11基于边缘的模板匹配算法基于边缘的模板匹配算法意义：图像中的边缘不会（至少很少）受光线变化的影响，并且当存在混乱和遮挡时，图像的边缘特征仍能保持大量的有用信息。010203使用原始边缘点或者增加每个点的一些特性。将边缘分割为多个几何基元，然后匹配这些几何基元。得到边缘上的突变点，然后匹配这些突变点。三种策略

12基于边缘点的模板匹配算法—均方距离使模板边缘点与离它最近的图像边缘点之间的均方距离最小。如果模板边缘点与图像边缘点之间的平均距离小于一个阈值，我们就认为找到了模板实例。?平移情况下的均方边缘距离可表示为：其中，T表示模板边缘区域，d(r,c)表示边缘提取后待搜索图像背景的距离变换。缺点：图像边缘有遮挡时，返回的距离将会非常大。

13基于边缘点的模板匹配算法—距离变换图像的距离变换是指通过计算物体内部的像素到物体边缘的最小距离，并将该距离作为相应像素位置的灰度值的一种变换方式。距离变换返回的是一幅图像。街区距离--4连通欧氏距离棋盘距离—8连通

14基于边缘点的模板匹配算法—距离变换?00（三）在距离图上用上述两个掩码分别从左上到右下和右下到左上进行逐行扫描，将掩码覆盖区域中的距离值与掩码中相应位置上的距离值求和，然后从掩码的所有计算结果中选择最小的值作为当前像素的距离值。11011212101212

15基于边缘点的模板匹配算法—距离变换原图街区距离棋盘距离欧氏距离

16基于边缘点的模板匹配算法—Hausdorff距离Hausdorff距离是另一种可以应用在边缘匹配算法的距离，它能够解决SED方法不能解决遮挡的问题。h(T,E)表示了模板边缘点与最近图像边缘点之间的最大距离；h(E,T)的定义与h(T,E)互为对称，它表示了图像边缘点与最近模板边缘点之间的最大距离。Hausdorff距离是由这两个距离的最大值决定。

匹配过程将模板沿着图像逐像素扫描，模板每移动一次就会得到一个当前的Hausdorff距离。当模板中的边缘点与图像中的边缘点非常接近，且图像中的边缘点与模板中的边缘点也非常接近时，会得到一个最小的Hausdorff距离，此时为最优匹配。改进当图像中出现遮挡情况下算法效果不佳的主要原因是由于在计算h(T,E)时采用了最大距离。如果用第k大距离代替最大距离，Hausdorff距离将对100/%kn的遮挡可靠，其中n表示模板边缘区域中