模式匹配方法总结及实现

一. 模式匹配简介：

    模式匹配 ——> 寻找待匹配图像和全体图像中最相似的部分，常用于物体检测任务。虽然现在使用卷积神经网络做物体检测任务有更好的效果，但是模式匹配是最基本的物体检测方法，它很基础，很重要。

---

二. 模式匹配算法：

    原图像为 I（H  X  W），待匹配图像为 T（h X w）。

    1. 对于图像 I：，for j in range(H-h)：for i in range(W-w) 。在一次移动一像素的过程中，计算原图像的一部分 I[j：j+h，i：i+w] 与待匹配图像 T 的相似度 S。

    注：像模式匹配这样，从图像的左上角开始向右顺序进行查找的操作称为光栅扫描（Raster Scan），或滑动窗口扫描（Sliding window）。

    2. S 最大或者最小的地方即为匹配到的位置。

        S 的计算方法主要有 SSD（Sum of Squared Difference：误差平方和）、SAD（Sum of Absolute Differences：误差绝对值和）、NCC（Normalization Cross Correlation：归一化交叉相关）、ZNCC（Zero-mean Normalization Cross Correlation：零均值归一化交叉相关），对于不同的方法，我们需要选择出 S 的最大值或者最小值，然后找到 S 的值对应的在原图像中的位置。

---

三. 不同的模式匹配标准（不同的 S）

        S = SSD（Sum of Squared Difference），S 取最小的值。

SSD（误差平方和）最小 ↑

 

        python实现核心代码：_v = np.sum((img[y:y+Ht, x:x+Wt] - temp) ** 2)

---

        S = SAD（Sum of Absolute Differences），S 取最小的值。

SAD（误差绝对值之和）最小 ↑

 

        python实现核心代码：_v = np.sum(np.abs(img[y:y+Ht, x:x+Wt] - temp))

---

        S = NCC（Normalization Cross Correlation），S 取最大的值。求出两个图像的相似度，S 的范围为[-1,1]，S 对变化十分敏感。

NCC（归一化交叉相关）最大 ↑

 

　　python实现核心代码：_v = np.sum(img[y:y+Ht, x:x+Wt] * temp)

        _v /= (np.sqrt(np.sum(img[y:y+Ht, x:x+Wt]**2)) * np.sqrt(np.sum(temp**2)))

---

        S = ZNCC（Zero-mean Normalization Cross Correlation），S 取最大的值。它比归一化交叉相关更加敏感。图像 I 的平均值为 m_i，图像 T 的平均值为 m_t。S 的范围为 [-1,1]。

ZNCC（零均值归一化交叉相关）最大 ↑

 

        python实现核心代码：_v = np.sum((img[y:y+Ht, x:x+Wt]-mi) * (temp-mt))

            _v /= (np.sqrt(np.sum((img[y:y+Ht, x:x+Wt]-mi)**2)) * np.sqrt(np.sum((temp-mt)**2)))

---

四. python实现零均值归一化交叉相关。不同的 S ，读者可举一反三

import cv2 as cv

import numpy as np

# Read image

img = cv.imread("../bird.png").astype(np.float32)

H, W, C = img.shape

mi = np.mean(img)

# Read templete image

temp = cv.imread("../bird_e.png").astype(np.float32)

Ht, Wt, Ct = temp.shape

mt = np.mean(temp)

# Templete matching

i, j = -1, -1

v = -1

for y in range(H-Ht):

    for x in range(W-Wt):

        _v = np.sum((img[y:y+Ht, x:x+Wt]-mi) * (temp-mt))

        _v /= (np.sqrt(np.sum((img[y:y+Ht, x:x+Wt]-mi)**2)) * np.sqrt(np.sum((temp-mt)**2)))

        if _v > v:

            v = _v

            i, j = x, y

out = img.copy()

cv.rectangle(out, pt1=(i, j), pt2=(i+Wt, j+Ht), color=(0,0,255), thickness=1)

out = out.astype(np.uint8)

# Save result

cv.imwrite("out.jpg", out)

cv.imshow("result", out)

cv.waitKey(0)

cv.destroyAllWindows()

---

五. 实验结果：

ZNCC（零均值归一化交叉相关）模式匹配结果 ↑

 

---

六. python实现 S=误差绝对值之和。不同的 S ，读者可举一反三

import cv2

import numpy as np

# Read image

img = cv2.imread("../baby.png").astype(np.float32)

H, W, C = img.shape

# Read templete image

temp = cv2.imread("../baby_m.png").astype(np.float32)

Ht, Wt, Ct = temp.shape

# Templete matching

i, j = -1, -1

v = 255 * H * W * C

for y in range(H-Ht):

    for x in range(W-Wt):

        _v = np.sum(np.abs(img[y:y+Ht, x:x+Wt] - temp))

        if _v < v:

            v = _v

            i, j = x, y

out = img.copy()

# (0,0,255)  代表红色

cv2.rectangle(out, pt1=(i, j), pt2=(i+Wt, j+Ht), color=(0,0,255), thickness=2)

out = out.astype(np.uint8)

# Save result

cv2.imwrite("out.jpg", out)

cv2.imshow("result", out)

cv2.waitKey(0)

cv2.destroyAllWindows()

---

七. 实验结果：

SAD（误差绝对值之和）模式匹配结果 ↑

 

---

八. 写在最后的话：

    感谢您的阅读，如果您觉得本文不错，可以点赞哦！

---

九. 版权声明：

    未经作者允许，请勿随意转载抄袭，抄袭情节严重者，作者将考虑追究其法律责任，创作不易，感谢您的理解和配合！