模板匹配与模式识别技术

2，匹配尺度：
非相似度：
max f t s
(S--t(x，y)的定义 域)
s f t dxdy
2
s( f t) dxdy
值越小，匹配程度越好
§10.1 模板匹配
• 相似度：该值越大，表示匹配程度好。
m(u,v) t(x, y) f (x u, y v)dxdy
s
m(u, v)
m(u, v)
首先进行粗检索，它不是让模板每次移动一个像 素，而是每隔若干个像素把模板和图像重叠，并计算匹 配的尺度，从而求出对象物大致存在的范围。然后，仅 在这个范围内，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。这样，整体上计 算模板匹配的次数减少，计算时间缩短，匹配速度提高 。但是用这种方法具有漏掉图像中最适当位置的危险性 2，。高精度定位的模板匹配
§10.2 模式识别方法简介
四，人工神经网络方法
• 神经网络是受人脑组织的生理学启发而创立的。 • 由一系列互相联系的、相同的单元（神经元）组
成。相互间的联系可以在不同的神经元之间传递 增强或抑制信号。 • 增强或抑制是通过调整神经元相互间联系的权重 系数来实现。 • 神经网络可以实现监督和非监督学习条件下的分 类。
§10.2 模式识别方法简介
一，统计模式识别
概率分类法 • 基于概率统计模型得到各类别的特征向量的分布
，以取得分类的方法。 • 特征向量分布的获得是基于一个类别已知的训练
样本集。 • 是一种监督分类的方法，分类器是概念驱动的。
聚类分析
目标：用某种相似性度量的方法将原始数据组织 成有意义的和有用的各种数据集。
。
nm
m(u, v) f (k u 1,l v 1) t(k,l)
k 1 t 1
如果灰度差的绝对值部分和超过了某一阈值时，就认为这 位置上不存在和模板一致的图案，从而转移到下一个位置 上计算m(u，v)。因此能大幅度地缩短计算时间，提高匹 配速度。
§10.1 模板匹配
2）粗精检索结合方法：
在一般的图像中有较强自相关性，因此，进行模板匹 配计算的相似度就在以对象物存在的地方为中心形成平缓 的峰。
基于图案轮廓的特征匹配方法与一般的匹配相比较， 表现出更尖锐的相似度的分布。可获得高精度的定位。
§10.2 模式识别方法简介
• 统计模式识别 概率分类法 聚类分析
• 模糊模式识别 • 句法（结构）模式识别 • 人工神经网络方法
§10.1 模板匹配
• 模板匹配是一种最原始、最基本的模式识别方法。研究某 一特定对象物的图案位于图像的什么地方，进而识别对象 物，这就是一个匹配的问题。
• 模板匹配定义： 当对象物的图案以图像的形式表现时，根据该图案
与一幅图像的各部分的相似度判断其是否存在，并求得对 象物在图像中位置的操作叫做模板匹配。 • 模板匹配的用途：
第十章 模板匹配与模式识别技术
模式的直观特性:
可观察性 可区分性 相似性
第十章 模板匹配与模式识别技术
模式识别(Pattern Recognition) ------ 用计算机实现人对各种事物或现象的分 析,描述,判断,识别。
周围物体的认知：桌子、椅子 人的识别：张三、李四 声音的辨别：汽车、火车，人语、鸟鸣 气味的分辩：炸带鱼、红烧肉 人和动物的模式识别能力是极其平常的，但对计 算机来说却是非常困难的。
(1)在几何变换中，检测变换的对应点； (2)多光谱或多时相图像间的几何配准（图像配准)； (3)在立体影像分析中提取左右影像间的对应关系； (4)运动物体的跟踪； (5)图像中对象物位置的检测等。
§10.1 模板匹配
• 一，模板匹配方法 1，基本思想：
设检测对象的模板为t(x，y)，令其中心与图像 f(x，y)中的一点(i，j)重合，检测t(x，y)和图像重 合部分之间的相似度，对图像中所有的点都进行这样 的操作，根据相似度为最大或者超过某一阈值来确定 对象物是否存在，并求得对象物所在的位置。
( f (x u, y v)2 dxdy
s
m(u, v)
( f (x u, y v) f )(t(x, y) t )dxdy
s
( f (x u, y v) f )2 dxdy (t(x, y) t )2 dxdy
s
s
f --f(x+u,y+v)在S内的均值
t --t(x,y)在S内的均值
数字图像处理
第十章 模板匹配与模式识别技术
第十章 模板匹配与模式识别技术
模式识别的基本定义 模式(pattern) ------ 存在于时间，空
间中可观察的事物，具有时间或空间分布的信 息。
广义地说，存在于时间和空间中可观察的物 体，如果我们可以区别它们是否相同或是否相 似，都可以称之为模式。 模式所指的不是事物本身，而是从事物获得 的信息，因此，模式往往表现为具有时间和空 间分布的信息。
§10.2 模式识别方法简介
五，模式识别系统的基本构成
数据 获取
预处理
特征提取 和选择
分类器 设计
分类 决策
是一种非监督学习的方法，解决方案是数据驱动 的。
§10.2 模式识别方法简介
二，模糊模式识别
• 基于模糊数学理论，利用隶属函数描述事物的不确 定性。
• 识别根据研究对象对于某模糊子集的隶属程度采用 最大隶属原则识别法、择近原则识别法，模糊聚类 分析法对模式进行识别。
§10.2 模式识别方法简介
三，结构模式识别 • 该方法通过考虑识别对象的各部分之间的联 系来达到识别分类的目的。 • 识别采用结构匹配的形式，通过计算一个匹 配程度值（matching score）来评估一个未 知的对象或未知对象某些部分与某种典型模 式的关系如何。 • 当成功地制定出了一组可以描述对象部分之 间关系的规则后，可以应用一种特殊的结构 模式识别方法 – 句法模式识别，来检查一个 模式基元的序列是否遵守某种规则，即句法 规则或语法。
§10.1 模板匹配
• 二，模板匹配方法的改进
1，高速模板匹配法
1）序贯相似性检测法SSDA法：
(Sequential Similiarity Detection•Algorithm)
SSDA法用下式计算图像f(x，y)在点(u，v)的非相
似度m(u,v)作为匹配尺度。式中(u，v)表示的不是模
Байду номын сангаас
板中心坐标，而是它左上角坐标。模板的大小为 m×n