圖像匹配


基於像素的匹配
1、歸一化積相關灰度匹配:
 
      模板圖像 以窗口滾動的方式 在源圖像中 掃一遍。
 
     具體運算公式如下:
 
R(i,j) = dSigmaST / (dSigmaT * dSigmaS)  對應上公式; R(i,j)=[0,1]
 
M ,N 模板大小
 
對於公式的解釋:
 
                          dSimgmaST --  在 在原圖(i ,j) 位置 模板圖像每個像素與對應原圖像素的積 的和)
 
                            dSigmaT  -- 模板圖像每個像素的積 的和
 
                            dSigmaS  -- 在原圖(i,j)位置,模板圖像對應的原圖的每個像素的積的和
                           
 
R(i,j)最大的位置就是最匹配的位置。
 
 
/* 
    函數:NormalizeGrayMatch
    功能:歸一化灰度值匹配
    參數:src 原圖
             template 模板
             point 匹配的位置左上角
    返回值: 0 --- 未找打匹配對象
                  其他 --- 返回匹配位置相似度

*/

double NormalizeGrayMatch(IplImage * src , IplImage * temp , CvPoint & point)
{
     int nSrcWidth = src - >width ; 
     int nSrcHeight = src - >height;
     int nTwidth = temp - >width ; 
     int nTheight = temp - >height ; 


     //計算模板像素灰度值 dSigmaT
     double dSigmaT = 0
     unsigned char piexl = 0
     for ( int i = 0 ; i < nTheight ; ++ i)
    {
         for( int j = 0 ; j < nTwidth ; ++j)
        {
            piexl = *(temp - >imageData + i * temp - >widthStep + j ) ; 
            dSigmaT += ( double) piexl * piexl ; 
        }
    }

     double R = 0
     double dSigmaS ;
     double dSigmaST ;
     unsigned char piexlT,piexlS;
     double dMaxR = - 1
     int nMaxHeight = - 1 ;
     int nMaxWidht = - 1 ;
     for ( int i = 0 ; i < nSrcHeight - nTheight + 1 ; ++ i )
    {
         for ( int j = 0 ; j < nSrcWidth - nTwidth + 1 ; ++ j)
        {

            dSigmaST = 0 ;
            dSigmaS = 0 ;
             // 計算dSigmaST dSigmaS
             for ( int k = 0 ; k < nTheight ; ++ k)
            {
                 for ( int l = 0 ; l < nTwidth ; ++ l)
                {
                     //模板像素
                    piexlT = *( temp - >imageData + k * temp - >widthStep + l ); 
                     //源圖像像素
                    piexlS = *(src - >imageData + (k + i ) * src - >widthStep + (l + j) ) ; 

                    dSigmaST += ( double) piexlS * piexlT ;
                    dSigmaS += ( double) piexlS * piexlS ; 
                }
            }

            R = dSigmaST / ( sqrt(dSigmaS) * sqrt(dSigmaT) ) ;
             if (R > dMaxR )
            {
                nMaxWidht = j;
                nMaxHeight = i ;
                dMaxR =R ; 
            }

        }
    }

     if (dMaxR != - 1)
    {
        point .x = nMaxWidht ; 
        point .y = nMaxHeight;
         return dMaxR ;
    }

     return 0
}
 
 
2. 序貫相似性檢測法匹配 SSDA  -- Similarity Sequential Dectection Algorithm
 
 前面的歸一化積相關匹配算法計算量很大,原因在於搜索窗口在源圖像上進行滑動,每滑動一次就要做一次匹配運算,除了匹配的點外在其他匹配點做了‘無用功’,導
 
致了匹配算法的計算量上升。所以,一旦發現所在的參考位置為非匹配點,就丟棄不再計算,立刻換到新的參考點計算,可以大大加速匹配過程。
 
SSDA算法過程:
 
1.定義絕對誤差:
 
 
其中:
 
 模板對應原圖(子圖)的灰度平均值
 
      模板的灰度平均值
 
2.取一個不變閾值
 
3.掃面原圖每個像素點待匹配點對應的模板子圖,根據1中的公式據算絕對誤差,當累加值超過閾值時停止累加,停止此模板子圖的掃描,記錄帶匹配點的位置和累加次數
 
4,循環 3 直到掃描完全圖
 
5,累加次數最少的像素點就為最佳匹配點
 
對於序貫相似相算法有很多可以優化的地方, 比如 第三步 掃描子圖像素的時候 可以用 隔行 列 掃描 , 第二部 閾值可以改為自動閾值等等,不過這里的優化有能
 
怎么樣呢 還是很慢呀,還是期待后面的算法吧。
 
/* 
        函數:SSDAMatch 
        參數:src --- 源圖像 in
                  temp -- 匹配模板 in
                  point -- 匹配位置 out 
                  threshold -- 閾值 in
       返回值:累加次數
       限制: 8位灰度圖
*/

int SSDAMatch(IplImage * src , IplImage * temp , CvPoint & point , int threshold)
{
     int nSrcWidth = src - >width ; 
     int nSrcHeight = src - >height;
     int nTwidth = temp - >width ; 
     int nTheight = temp - >height ; 
     int ntempsize = nTwidth * nTheight ; //模板大小

     //計算模板像素灰度值 dSigmaT
     double dSigmaT = 0
     unsigned char piexl = 0
     for ( int i = 0 ; i < nTheight ; ++ i)
    {
         for( int j = 0 ; j < nTwidth ; ++j)
        {
            piexl = *(temp - >imageData + i * temp - >widthStep + j ) ; 
            dSigmaT += ( double) piexl ; 
        }
    }
    dSigmaT /=ntempsize ; 


     double dSigmaS = 0
     double dbr = 0; //誤差
     long lr = 0; //誤差累積次數
     long maxR = 0; //最大累積次數
     int nMaxHeight = 0 ; //最大累計次數 對應匹配位置 (左上角)
     int nMaxWidht = 0 ;
     for ( int i = 0 ; i < nSrcHeight - nTheight + 1 ; ++i)
    {
         for ( int j = 0 ; j < nSrcWidth - nTwidth + 1 ; ++ j)
        {
             //計算dSigmaS
            dSigmaS = 0 ;
            dbr = 0 ;
            lr = 0
             for ( int k = 0 ; k < nTheight ; ++k)
            {
                 for( int l = 0 ; l < nTwidth ; ++l)
                {
                    dSigmaS +=( unsigned char ) *(src - >imageData + (k +i) * src - >widthStep + (l + j)) ;
                }
            }
            dSigmaS /=ntempsize ; 

             //計算誤差 一旦超過閾值則拋棄不再計算
             for ( int k = 0 ; k < nTheight ; ++ k)
            {
                 for ( int l = 0 ; l < nTwidth ; ++l)
                {
                    dbr += abs( ( unsigned char ) *(src - >imageData + (k +i) * src - >widthStep + (l +j) ) -dSigmaS - 
                        ( unsigned char ) *(temp - >imageData + k * temp - >widthStep + l) +dSigmaT );
                    lr ++ ;
                     if (dbr > = threshold) 
                         break;
                }
                 if (dbr > =threshold)
                     break;
            }

             //取達到threshold 累加最多的 位置
             if ( lr >maxR )
            {
                maxR = lr ; 
                nMaxHeight = i;
                nMaxWidht = j ;
            }
        }
    }
        point.x = nMaxWidht ; 
        point.y = nMaxHeight ; 
         return lr;
}
 
 
基於特征的匹配
 
利用灰度信息匹配的方法主要缺陷是計算量過大,對圖像的灰度變換很敏感,尤其是非線性的光照變化,此外,對目標的旋轉、變形以及遮擋也比較敏感,為
 
了克服這些缺點,可以利用圖像的特征進行匹配,由於圖像的特征點比像素點要少很多,大大減少了匹配過程的計算量,同時,特征點的匹配度量值對位置的
 
變化比較敏感,可以大大的提高匹配的精度。而且,特征點的提取過程可以減少噪聲的影響,對灰度變化、圖像形變以及遮擋等有較好的適應能力。
 
3. 不變矩匹配法     TM算法 具有平移、旋轉、尺寸不變性
 
 
                                                                                                                                                                                p+q>=2
 
 
 
歸一化公式:
 
算法過程:計算 分別計算模板和原圖的7個不變矩 ,根據歸一化公式得出相似度。
 
 
double momentMatch( unsigned char * src , unsigned char * temp , int nwidth , int nheight , int nwidthstep ) 
{
     //原圖和模板重心矩
     int nSBarycenterX , nSBarycenterY;
     int nTBasrycenterX,nTBarycenterY;
    CalBarycenter(src , nwidth , nheight , nwidthstep ,nSBarycenterX , nSBarycenterY ) ; 
    CalBarycenter(temp , nwidth , nheight ,nwidthstep , nTBasrycenterX , nTBarycenterY);

     //原圖和模板二階三階規格化中心矩
     double Su00 ,Su02 ,Su20 ,Su11 ,Su30 ,Su12 ,Su21 ,Su03;
     double Tu00 ,Tu02 ,Tu20 ,Tu11 ,Tu30 ,Tu12 ,Tu21 ,Tu03;
    Su00 = CalCenterMoment(src , nwidth ,nheight ,nwidthstep ,nSBarycenterX,nSBarycenterY, 0, 0) ; 
    Su02 = CalCenterMoment(src , nwidth ,nheight , nwidthstep , nSBarycenterX,nSBarycenterY, 0, 2) /pow(Su00 , 2);
    Su20 = CalCenterMoment(src , nwidth , nheight , nwidthstep , nSBarycenterX,nSBarycenterY, 2, 0) /pow(Su00 , 2);
    Su11 = CalCenterMoment(src , nwidth , nheight , nwidthstep , nSBarycenterX,nSBarycenterY, 1, 1) /pow(Su00, 2);
    Su30 = CalCenterMoment(src , nwidth , nheight ,nwidthstep , nSBarycenterX,nSBarycenterY , 3 , 0 ) /pow(Su00 , 2. 5);
    Su12 = CalCenterMoment(src , nwidth , nheight , nwidthstep , nSBarycenterX,nSBarycenterY , 1 , 2 ) /pow(Su00 , 2. 5);
    Su21 = CalCenterMoment(src , nwidth , nheight , nwidthstep , nSBarycenterX,nSBarycenterY , 2 , 1 ) /pow(Su00 , 2. 5);
    Su03 = CalCenterMoment(src , nwidth , nheight , nwidthstep , nSBarycenterX,nSBarycenterY , 0, 3) /pow(Su00 , 2. 5);

    Tu00 = CalCenterMoment(temp , nwidth ,nheight ,nwidthstep ,nTBasrycenterX , nTBarycenterY, 0, 0) ; 
    Tu02 = CalCenterMoment(temp , nwidth ,nheight , nwidthstep , nTBasrycenterX , nTBarycenterY, 0, 2) /pow(Su00 , 2);
    Tu20 = CalCenterMoment(temp , nwidth , nheight , nwidthstep , nTBasrycenterX , nTBarycenterY, 2, 0) /pow(Su00 , 2);
    Tu11 = CalCenterMoment(temp , nwidth , nheight , nwidthstep , nTBasrycenterX , nTBarycenterY, 1, 1) /pow(Su00, 2);
    Tu30 = CalCenterMoment(temp , nwidth , nheight ,nwidthstep , nTBasrycenterX , nTBarycenterY , 3 , 0 ) /pow(Su00 , 2. 5);
    Tu12 = CalCenterMoment(temp , nwidth , nheight , nwidthstep , nTBasrycenterX , nTBarycenterY , 1 , 2 ) /pow(Su00 , 2. 5);
    Tu21 = CalCenterMoment(temp , nwidth , nheight , nwidthstep , nTBasrycenterX , nTBarycenterY , 2 , 1 ) /pow(Su00 , 2. 5);
    Tu03 = CalCenterMoment(temp , nwidth , nheight , nwidthstep , nTBasrycenterX , nTBarycenterY, 0, 3) /pow(Su00 , 2. 5);


     //原圖和模板不變矩
     double Sa[ 7] , Ta[ 7];
    Sa[ 0] = Su02 + Su20 ; 
    Sa[ 1] = pow(Su20 - Su02 , 2) + 4 * pow(Su11 , 2 );
    Sa[ 2] = pow(Su30 - 3 *Su12 , 2) + pow( 3 * Su12 -Su03 , 2);
    Sa[ 3] = pow(Su30 +Su12 , 2) + pow(Su21 + Su03 , 2);
    Sa[ 4] = (Su30 - 3 *Su12) * (Su30 + Su12 ) * (pow(Su30 + Su12 , 2) - 3 *pow(Su21 + Su03 , 2)) + 
                ( 3 * Su21 -Su03) *(Su21 + Su03) *( 3 * pow(Su03 + Su12 , 2) - pow(Su21 + Su03 , 2));
    Sa[ 5] = (Su20 - Su02) *(pow(Su30 +Su12 , 2) - pow(Su21 + Su03 , 2)) + 4 *Su11 *(Su30 + Su12) *(Su21 +Su03);
    Sa[ 6] = ( 3 *Su21 - Su03) *(Su30 + Su12) *(pow(Su30 + Su12 , 2) - 3 *pow(Su21 + Su03 , 2)) + (Su30 - 3 *Su12) *(Su21 +Su03) *
                ( 3 *pow(Su30 + Su12 , 2) - pow(Su21 + Su03 , 2));

    Ta[ 0] = Tu02 + Tu20 ; 
    Ta[ 1] = pow(Tu20 - Tu02 , 2) + 4 * pow(Tu11 , 2 );
    Ta[ 2] = pow(Tu30 - 3 *Tu12 , 2) + pow( 3 * Tu12 -Tu03 , 2);
    Ta[ 3] = pow(Tu30 +Tu12 , 2) + pow(Tu21 + Tu03 , 2);
    Ta[ 4] = (Tu30 - 3 *Tu12) * (Tu30 + Tu12 ) * (pow(Tu30 + Su12 , 2) - 3 *pow(Tu21 + Tu03 , 2)) + 
        ( 3 * Tu21 -Tu03) *(Tu21 + Tu03) *( 3 * pow(Tu03 + Tu12 , 2) - pow(Tu21 + Tu03 , 2));
    Ta[ 5] = (Tu20 - Tu02) *(pow(Tu30 +Tu12 , 2) - pow(Tu21 + Tu03 , 2)) + 4 *Tu11 *(Tu30 + Tu12) *(Tu21 +Tu03);
    Ta[ 6] = ( 3 *Tu21 - Tu03) *(Tu30 + Tu12) *(pow(Tu30 + Tu12 , 2) - 3 *pow(Tu21 + Tu03 , 2)) + (Tu30 - 3 *Tu12) *(Tu21 +Tu03) *
        ( 3 *pow(Tu30 + Tu12 , 2) - pow(Tu21 + Tu03 , 2));


     double r = 0;
     double dSigmaST = 0;
     double dSigmaS = 0;
     double dSigmaT = 0 ;
     for ( int i = 0 ; i < 7 ; ++i)
    {
        dSigmaST += Ta[i] * Sa[i] ;
        dSigmaS +=pow(Sa[i] , 2);
        dSigmaT +=pow(Ta[i] , 2);
    }
     return r = dSigmaST / sqrt( dSigmaS * dSigmaT) ;
}

/*
    函數:CalBarycenter
    功能:計算重心矩
    參數:pdata -- 圖像數據 in
              nwidth -- 寬 in
              nheight -- 高 in
              nwidthstep -- 步長 in
              nBarycenterX -- 重心坐標 out
              nBarycenterY   
*/

void CalBarycenter( unsigned char * pdata , int nwidth , int nheight , int nwidthstep , int &nBarycenterX , int &nBarycenterY)
{
         double m00 , m01 ,m10; 

        m00 = 0 ;
        m01 = 0 ;
        m10 = 0 ;
         for ( int i = 0 ; i < nheight ; ++i)
        {
             for ( int j = 0 ; j < nwidth ; ++ j)
            {
                m00 += *(pdata + i * nwidthstep + j) ; 
                m01 += *(pdata + i * nwidthstep + j) * j ;
                m10 += *(pdata + i * nwidthstep + j) * i ; 
            }
        }

        nBarycenterX =( int) (m10 / m00 + 0. 5);
        nBarycenterY = ( int)(m01 / m00 + 0. 5);
}

/*
    函數:CalCenterMoment
    功能:計算中心矩
    參數:pdata --- 圖像數據 in
              nwidth -- 寬 in
              nheight -- 高 in
              nwidthstep -- 步長 in
              nBarycenterX -- 重心矩 in
              nBarycenterY 
              ip -- 階數 in
              jq
      返回值:中心距值
*/

double CalCenterMoment( unsigned char * pdata , int nwidth , int nheight , int nwidthstep , 
                                     double nBarycenterX , double nBarycenterY, int ip, int jq)
{
     double Upq = 0

     for ( int i = 0 ; i < nheight ; ++i)
    {
         for ( int j = 0; j <nwidth ; ++ j)
        {
            Upq += *(pdata + i * nwidthstep + j) + pow(j -nBarycenterX , ip) * pow(i - nBarycenterY , jq) ;
        }
    }

     return Upq ; 
}

 

 
4.距離變換匹配法
 
距離變換是一種常見的二值圖像處理算法,用來計算圖像中任意位置到最近邊緣點的距離
 
 
歐幾米德空間距離:
 
其中a=(x1 , y1) b =(x2 ,y2)
 
設R 為二維圖像空間集合 S 為R中的邊緣點集合 R中任意一點 r,的距離變換為
 
 
如果該點是邊緣點則 距離就為0 ,如果不是邊緣點則找與之最近的邊緣點距離,就需要做最近鄰域搜索這樣計算量很大。
 
所以有一種近似方法作為替代 即查看點8鄰域內的情況如下表所示:
 
 
8鄰域內 P 到各個點的距離 , 如果8鄰域內找不到 邊緣點 則距離為1;
 
g(x) = 0     if=0
          0.3   x=1
          0.7   x=sqrt(2)
          1      x>sqrt(2)
 
 
對於兩幅二值圖像A(模板圖),B(模板子圖) 的匹配誤差度量為:
 
 
A,B 為圖像中的邊緣點集合。   a,b分別為A,B中的任意一點   Na Nb為A,B的點個數。
 
Pmatch = [0,1] ;這個公式表示:在模板對應圖中如果遍歷所有邊緣點,累加 邊緣點位置對應的模板圖的該點的距離變換。
 
可知如果兩個圖像完全一樣 則 Pmatch =0 ;
 
 
 
算法過程: 求模板圖的距離變換 , 模板圖邊緣點個數
 
                    在待匹配圖中 滑動窗口(大小為模板圖大小) ,在模板對應圖中如果遍歷所有邊緣點,累加 邊緣點位置對應的模板圖的該點的距離變換
 
                    dSigmaST  , Pmatch = (dSigmaST + | Na - Nb | ) /(Na + Nb) ;
 
                    Pmatch最小時為最佳匹配點.
               
            
/* 
    函數:DisMatch
    功能:距離變換匹配 
    參數:src -- 原圖 in
              temp -- 模板圖 in
              point -- 最佳匹配點 out
    返回值:匹配誤差
*/


double DisMatch(IplImage * src,IplImage *temp,CvPoint &point )
{
     int nSwidth = src - >width ; 
     int nSheight =src - >height;
     int nSwidthstep = src - >widthStep;

     int nTwidth = temp - >width;
     int nTheight = temp - >height;
     int nTwidthstep = temp - >widthStep;

     unsigned char piexl;

     //將模板圖像長寬加2 方便8鄰域計算
     unsigned char * pTdata = ( unsigned char *)malloc( (nTwidthstep + 2 ) *(nTheight + 2) );
    memset(pTdata , 0, (nTwidthstep + 2 ) *(nTheight + 2) * sizeof( unsigned char));
     for ( int n = 1 ; n < nTheight + 1; ++n)
        memcpy( pTdata +n *(nTwidthstep + 2) + 1 , temp - >imageData + n * nTwidthstep , nTwidthstep * sizeof( unsigned char) );

     //計算模板距離變換
     double * pTDist = ( double *)malloc(nTwidth * nTheight * sizeof( double));
     //模板T邊緣點個數
     int Nb = 0;
     //8鄰域
     unsigned char u11,u12,u13,u21,u23,u31,u32,u33;
     for( int i = 1 ; i < nTheight + 1 ; ++i)
    {
         for ( int j = 1 ; j <nTwidth + 1 ; ++j)
        {
            piexl = *( pTdata + i * (nTwidthstep + 2) +j);
             //如果該點是邊緣點 dist=0;
             if (piexl == 255)
            {
                pTDist[(i - 1) *nTwidth + (j - 1)] = 0;
                Nb ++;
            }
             else
            {
                 //否則看8鄰域 膨化加權
                u11 = *(pTdata + (i - 1) *(nTwidthstep + 2) +j - 1);
                u12 = *(pTdata +(i - 1) *(nTwidthstep + 2) +j);
                u13 = *(pTdata +(i - 1) *(nTwidthstep + 2) +j + 1);
                u21 = *(pTdata +i *(nTwidthstep + 2) +j - 1);
                u23 = *(pTdata +i *(nTwidthstep + 2) +j + 1);
                u31 = *(pTdata + (i + 1) *(nTwidthstep + 2) +j - 1);
                u32 = *(pTdata +(i + 1) *(nTwidthstep + 2) +j);
                u33 = *(pTdata +(i + 1) *(nTwidthstep + 2) +j + 1);
                 if (u12 == 255 ||u21 == 255 ||u23 == 255 ||u32 == 255)
                    pTDist[(i - 1) *nTwidth + (j - 1)] = 0. 3;
                 else if(u11 == 255 || u13 == 255 ||u31 == 255 ||u33 == 255)
                    pTDist[(i - 1) *nTwidth + (j - 1)] = 0. 7;
                 else
                    pTDist[(i - 1) *nTwidth + (j - 1)] = 1;
            }
        } //for j
    } //for i

     //匹配
     double dbMatch = 0 ; //匹配誤差
     //最小匹配誤差
     double dbMinMatch = 1;
     double dSigmaST = 0 ;
     //邊緣點個數
     int Na = 0;
     //最佳匹配點
     int nMatchWidth , nMatchHeight;

     for( int i = 0 ; i <nSheight -nTheight + 1; ++i)
    {
         for ( int j = 0; j <nSwidth -nTwidth + 1; ++j)
        {
            dSigmaST = 0;
            dbMatch = 0;
            Na = 0;
             //模板滑動到(i,j)點對應的原圖
             for ( int k = 0;k <nTheight ; ++k)
            {
                 for ( int l = 0 ; l <nTwidth ; ++l)
                {
                    piexl = *(src - >imageData + (i +k) *nSwidthstep +(j +l));
                     if (piexl == 255)
                    {
                        dSigmaST +=pTDist[k *nTwidth +l];
                        Na ++;
                    }
                } //for l
            } //for l

             //計算匹配誤差
            dbMatch = ( dSigmaST + abs(Na -Nb)) /(Na +Nb);
             if (dbMatch < dbMinMatch)
            {
                dbMinMatch = dbMatch;
                nMatchHeight = i ;
                nMatchWidth = j;
            }

        } // for j
    } //for i

    point.x = nMatchWidth;
    point.y = nMatchHeight;
    free(pTDist);
    free(pTdata);

     return dbMinMatch;
}
            
            
 
5.最小均方誤差匹配法
   
 最小均方誤差匹配方法是利用圖像中的對應 特征點,通過解特征點的變換防長來計算圖像間的變換參數。
 
 基本原理: 最小均方誤差匹配方法是以模板中的特征點構造矩陣X ,圖像子圖中的特征點構造矩陣Y ,求解矩陣X 到矩陣Y 的變換矩陣, 其中誤差
 
 最小的位置為最佳匹配位置
 
 圖像間的仿變換方程:
 
 
                       原點為中心旋轉               平移
 
  仿變換參數為
 
 
構建圖像矩陣 X
 
Y
 
最小均方誤差的原理是求解
 
其中
 
 
 
 
 
 
 

 




免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM