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
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第5章
基于模板匹配的 图像识别
5.1 概 述
目 的
在图像中寻找是否有所关心的目标。
基本思想
N-M+1
M-1
拿已知的模板和原
子图S
图像中同样大小的一
N-M+1
块区域去对。
M
模板T
M-1
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。
可采用欧氏距离来确定两者之间的接近程度：
Dj (x) x mj j 1, 2, , w
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：
Dj (x)
(x mj )T (x mj )
xT
.x
xT
.m j
mj
T
.(x
mj
)
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：
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：
5.2 全局模板匹配
相关性度量
设图像f(x,y)大小为M×N，x 目标模板w(x,y)的大小为J×Βιβλιοθήκη Baidu，M 常用相关性度量R(x,y)来表示 它们之间的相关性：
y
N
K (m,n) J
在点(m,n)处的全局样本相关
Rm,n f x, ywx m, y n
xy
式中，m=0,1,2…,M-1; n=0,1,2,…,N-1。
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。
nm
m(u, v) f (k u 1,l v 1) w(k,l) k 1 l 1 如果在(u,v)处图像中有和模板一致的图案时，则
5.2 全局模板匹配
相关性度量
进一步规格化相关度：
JK
f1 j, k w j m, k n
R m, n
j1 k 1
JK
1JK
1
[ f12 j, k ]2[ w2 j m, k n]2
j1 k 1
j1 k 1
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
D'j (x) xT
mj
1 2
T
mj
mj
在Dj'(x)取得最大值时，将此时的x划归到第 j 类。
投影法和差影法
1 投影法
举例说明：
图1.1 华盛顿纪念碑
图1.2 将图1.1二值化
如何识别出纪念碑的具体位置？
1 投影法
由于纪念碑所在的那几列 的白色点比起其它列多很多， 那么把该图在垂直方向做投影。 即扫描图像的每一列像素，统 计该列中有多少像素的灰度值 为255，然后绘制柱状图。
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
Dj x, w w xj 2
j 1, 2,..., L
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。
x x11, x12 , x13, x14 , x15, x16 , x17 , y w11, w12 , w13, w14 , w15 , w16 , w17 ,
x和w向量差可用差向量的范数来表示：
DJ x, w x w 2 x wT x w
作垂直方向投影
其中，横坐标是图像的x坐标，纵坐标即黑色线条 的高度代表了该列上白色点的个数。图中间的高 峰部分就是我们要找的水平方向上纪念碑所在的 位置，这就是投影法。
1 投影法
可以看出投影法是一种很自然的想法， 有点象灰度直方图。为了得到更好的效果， 投影法经常和阈值化一起使用。由于噪声点 对投影有一定的影响，所以处理前最好先做 一次平滑，去除噪声。
2 差影法
基本思想：将前后两幅图像相减，得到的差 作为结果图像。
原始图像:前景+背景
背景
原图和背景相减的结果
平方误差度量
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：
D(m, n) [ f j, k w j m,k n]2
jk
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。
假定有w个类，并给出w个参考矢量(此处具
体为均值量) m1, m2 , mw ，在这里将每一个模式
j 用均值矢量 mj 表示：
mj
1 Nj
x j
x
j 1, 2,
,w
5.5 特征匹配
对于mj 的最小距离分类就是把输入的新模式x分 为 j类，遵循的分类规则就是x与参考模型原型 mj之 间的距离，与哪一个最近就属于哪一类。
基于模板匹配的 图像识别
5.1 概 述
目 的
在图像中寻找是否有所关心的目标。
基本思想
N-M+1
M-1
拿已知的模板和原
子图S
图像中同样大小的一
N-M+1
块区域去对。
M
模板T
M-1
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。
可采用欧氏距离来确定两者之间的接近程度：
Dj (x) x mj j 1, 2, , w
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：
Dj (x)
(x mj )T (x mj )
xT
.x
xT
.m j
mj
T
.(x
mj
)
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：
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：
5.2 全局模板匹配
相关性度量
设图像f(x,y)大小为M×N，x 目标模板w(x,y)的大小为J×Βιβλιοθήκη Baidu，M 常用相关性度量R(x,y)来表示 它们之间的相关性：
y
N
K (m,n) J
在点(m,n)处的全局样本相关
Rm,n f x, ywx m, y n
xy
式中，m=0,1,2…,M-1; n=0,1,2,…,N-1。
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。
nm
m(u, v) f (k u 1,l v 1) w(k,l) k 1 l 1 如果在(u,v)处图像中有和模板一致的图案时，则
5.2 全局模板匹配
相关性度量
进一步规格化相关度：
JK
f1 j, k w j m, k n
R m, n
j1 k 1
JK
1JK
1
[ f12 j, k ]2[ w2 j m, k n]2
j1 k 1
j1 k 1
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
D'j (x) xT
mj
1 2
T
mj
mj
在Dj'(x)取得最大值时，将此时的x划归到第 j 类。
投影法和差影法
1 投影法
举例说明：
图1.1 华盛顿纪念碑
图1.2 将图1.1二值化
如何识别出纪念碑的具体位置？
1 投影法
由于纪念碑所在的那几列 的白色点比起其它列多很多， 那么把该图在垂直方向做投影。 即扫描图像的每一列像素，统 计该列中有多少像素的灰度值 为255，然后绘制柱状图。
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
Dj x, w w xj 2
j 1, 2,..., L
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。
x x11, x12 , x13, x14 , x15, x16 , x17 , y w11, w12 , w13, w14 , w15 , w16 , w17 ,
x和w向量差可用差向量的范数来表示：
DJ x, w x w 2 x wT x w
作垂直方向投影
其中，横坐标是图像的x坐标，纵坐标即黑色线条 的高度代表了该列上白色点的个数。图中间的高 峰部分就是我们要找的水平方向上纪念碑所在的 位置，这就是投影法。
1 投影法
可以看出投影法是一种很自然的想法， 有点象灰度直方图。为了得到更好的效果， 投影法经常和阈值化一起使用。由于噪声点 对投影有一定的影响，所以处理前最好先做 一次平滑，去除噪声。
2 差影法
基本思想：将前后两幅图像相减，得到的差 作为结果图像。
原始图像:前景+背景
背景
原图和背景相减的结果
平方误差度量
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：
D(m, n) [ f j, k w j m,k n]2
jk
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。
假定有w个类，并给出w个参考矢量(此处具
体为均值量) m1, m2 , mw ，在这里将每一个模式
j 用均值矢量 mj 表示：
mj
1 Nj
x j
x
j 1, 2,
,w
5.5 特征匹配
对于mj 的最小距离分类就是把输入的新模式x分 为 j类，遵循的分类规则就是x与参考模型原型 mj之 间的距离，与哪一个最近就属于哪一类。