第10章-模板匹配与模式识别技术PPT课件
合集下载
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)。
( F00, F01, F02, F03 , F10, F11, F12, F13 , F20, F21, F22 , F23 , F30 , F31 , F32) ➢ 图像的傅立叶描述子：
( a0, a1, a2, a3, a4, a5, b1, b2, b3, b4, b5 ) ➢ ……
样板图像的特征参数称为样本。不同的样板图像有不同的样本值。 通过提取特征参数，使表示图像的数据大大减少。
输入样 板图像
输入待 识别图 像
提取 特征 参数
提取 特征 参数
特征 参数 优化
特征 参数 优化
2021
分类器
识别 结果
12
10. 2. 2 特征参数提取
特征参数是表征图像的一组参数，例如，下列参数可作为特征参数： ➢ Hu矩组：
( M1, M2, M3, M4, M5, M6, M5 ) ➢ 对图像作傅立叶变换得到的主要系数：
2021
13
10. 2. 3 特征参数优化
（1） 特征参数选择 从 m 个特征参数中，选出 n ( n < m ) 个区分性、独立性、可靠
性好的特征。 例：以直线穿越字符笔画的次数作为特征参数，如下表。
l4
l1
l1 2 1 2 1 1 1 1 1 2 2
l2
l2 2 1 1 1 2 2 1 1 1 2
l3
l3 2 1 2 1 1 2 2 1 2 1
l4 2 1 3 3 2 3 3 2 3 3
l5 是孔数 l5 1 0 0 0 1 0 1 0 2 1
在5个特征中选择 4 个，有 5 种选法。究竟选哪种好？
从独立性看 —— 去掉 l2 或 l3 均可；
2021
8
10.1.2 模板匹配方法的改进
问题：模板匹配计算量很大： 模板数量多。例如：汽车牌照识别中，有上百个（字符、汉字）；在 每一像素位置都要计算一个相关度。
解决办法： （1）SSDA方法 —— 序贯相似性检测法 在求相关度之前，先求模板与图像之间的灰度差：
mn
D (x,y) |f(xi,yj)t(i,j)| imjn
for( y = n; y< N - n; y++ ) { 对模板下面的图像规范化； 计算各个模板在 ( x, y ) 点的相关度 R；
if( Rm < R ) { Rm = R; //总是保存较大的相关度
xc = x; yc = y; Temp=取得最大相关度的模板编号；
}
}
}
结果：Rm为最大相关度； (xc,yc) 为最大相关度发生的位置； Temp为取得最大相关度的模板编号。
R(x,y)
imjn
mn
mn
f(xi,yj)2 t(i,j)2
imjn
imjn
n t (i, j ) j
相关度的值在 0 ~ 1.0 之间。相关度为 1.0 表示完全相同.
2021
4
为消除平均灰度的影响，应先作如下处理：
从 f (x, y) 中减去平均灰度:
f(x,y)F
从 t (i, j ) 中减去平均灰度:
第10章 模板匹配与模式识别技术
10.1 模板匹配 10.2 统计模式识别 10.3 结构模式识别法 10.4 人工神经网络识别法
2021
1Βιβλιοθήκη Baidu
10.1 模板匹配
10.1.1 模板匹配的原理 模板： 待识别目标的标准图像，也称为样板。
例如：汽车牌照识别中使用的部分模板图像：
2021
2
模板匹配： 将模板放在图像上滑动； 每滑动一个像素点，求重合区域的相关度（相似程度） ； 当相关度达到最大时，模板下面的图像就是待识别的目标。
R(x,y) imjn
imjn
mn
mn
[f(xi,yj)F]2 [t(i,j)T]2
imjn
imjn
简写为：
对目标图像灰度规范化
R (x ,y )f(x i,y j) t(i,j)
对样板图像灰度规范化
2021
6
滑动模板匹配算法：
将各个模板规范化； Rm=0； for( x = m; x< M - m; x++ ) { //遍历图像上有效区域的所有像素
模板
2021
3
相关度：
设： 原图像为 f (x, y)，尺寸为 M×N。 模板图像为 t (i, j ) ， －m ≤ i ≤ m, －n ≤ j ≤ n。
定义： t (i, j )与 f (x, y) 在 (x, y) 处的相关度 R (x, y) 为：
－n －m
mi
mn
f(xi,yj)t(ij)
2021
7
模板匹配识别目标的特点：
（1）与目标的大小、旋转、错切有关。 解决办法： 方法1： 匹配前，先矫正目标的大小、旋转、错切； 目标的定位、大小、旋转、错切检测必须准确。 方法2： 准备各种大小、旋转角、错切角的模板，一一进行匹配； 模板的数量极大，实际中难以应用。
（2） 具有较强的抗干扰能力。 若匹配前目标的大小、旋转、错切矫正良好，则对模糊、污损字符 也能较好地识别。
t(x, y)T
其中，F 为模板下面图像的平均灰度; T 为模板图像的平均灰度。
于是，相关度公式变为：
mn
[f(xi,yj)F][t(ij)T]
R(x,y) imjn
mn
mn
[f(xi,yj)F]2 [t(i,j)T]2
imjn
imjn
2021
5
或写为：
mn
mn
[f(xi,yj)F] [t(ij)T]
（3）边缘匹配法 应采用边缘型模板。 先抽取图像的边缘。在相关度计算时，仅考虑边缘点。因边缘点
较少，故计算量大大减少。
（4）局部匹配法 先对模板上的一部分作匹配。当匹配程度较高时，再考虑全部模
板匹配。否则放弃。
2021
10
10.2 统计模式识别
10.2.1 统计模式识别的基本思想 （1） 生成样本库
输入样 板图像
特征 参数 提取
特征 参数 优化
得到样本库，备用。 每个样板图像都有一 组特征参数。
（2） 对待识别的目标图像，按同样的算法，得到优化后的特征参数
输入待 识别图 像
特征 参数 提取
特征 参数 优化
得到一组特征参数
2021
11
（3） 设计一个分类器，对待识别图像分类，判别待识别图像的特征 参数属于样本库中的哪一个。
若 D(x,y) 较大，则该位置不可能是目标。否则，该位置可能是 目标，再进一步计算相关度。
因为差值计算量较小，且大部分位置不存在目标，故速度大大 提高。
2021
9
（2）两步检测法 ——先粗检测，再精检测。 每隔几个像素检测一次，目标一般在相关度较高的位置附近。再
在相关度较高的位置附近进行精检测。
( a0, a1, a2, a3, a4, a5, b1, b2, b3, b4, b5 ) ➢ ……
样板图像的特征参数称为样本。不同的样板图像有不同的样本值。 通过提取特征参数，使表示图像的数据大大减少。
输入样 板图像
输入待 识别图 像
提取 特征 参数
提取 特征 参数
特征 参数 优化
特征 参数 优化
2021
分类器
识别 结果
12
10. 2. 2 特征参数提取
特征参数是表征图像的一组参数，例如，下列参数可作为特征参数： ➢ Hu矩组：
( M1, M2, M3, M4, M5, M6, M5 ) ➢ 对图像作傅立叶变换得到的主要系数：
2021
13
10. 2. 3 特征参数优化
（1） 特征参数选择 从 m 个特征参数中，选出 n ( n < m ) 个区分性、独立性、可靠
性好的特征。 例：以直线穿越字符笔画的次数作为特征参数，如下表。
l4
l1
l1 2 1 2 1 1 1 1 1 2 2
l2
l2 2 1 1 1 2 2 1 1 1 2
l3
l3 2 1 2 1 1 2 2 1 2 1
l4 2 1 3 3 2 3 3 2 3 3
l5 是孔数 l5 1 0 0 0 1 0 1 0 2 1
在5个特征中选择 4 个，有 5 种选法。究竟选哪种好？
从独立性看 —— 去掉 l2 或 l3 均可；
2021
8
10.1.2 模板匹配方法的改进
问题：模板匹配计算量很大： 模板数量多。例如：汽车牌照识别中，有上百个（字符、汉字）；在 每一像素位置都要计算一个相关度。
解决办法： （1）SSDA方法 —— 序贯相似性检测法 在求相关度之前，先求模板与图像之间的灰度差：
mn
D (x,y) |f(xi,yj)t(i,j)| imjn
for( y = n; y< N - n; y++ ) { 对模板下面的图像规范化； 计算各个模板在 ( x, y ) 点的相关度 R；
if( Rm < R ) { Rm = R; //总是保存较大的相关度
xc = x; yc = y; Temp=取得最大相关度的模板编号；
}
}
}
结果：Rm为最大相关度； (xc,yc) 为最大相关度发生的位置； Temp为取得最大相关度的模板编号。
R(x,y)
imjn
mn
mn
f(xi,yj)2 t(i,j)2
imjn
imjn
n t (i, j ) j
相关度的值在 0 ~ 1.0 之间。相关度为 1.0 表示完全相同.
2021
4
为消除平均灰度的影响，应先作如下处理：
从 f (x, y) 中减去平均灰度:
f(x,y)F
从 t (i, j ) 中减去平均灰度:
第10章 模板匹配与模式识别技术
10.1 模板匹配 10.2 统计模式识别 10.3 结构模式识别法 10.4 人工神经网络识别法
2021
1Βιβλιοθήκη Baidu
10.1 模板匹配
10.1.1 模板匹配的原理 模板： 待识别目标的标准图像，也称为样板。
例如：汽车牌照识别中使用的部分模板图像：
2021
2
模板匹配： 将模板放在图像上滑动； 每滑动一个像素点，求重合区域的相关度（相似程度） ； 当相关度达到最大时，模板下面的图像就是待识别的目标。
R(x,y) imjn
imjn
mn
mn
[f(xi,yj)F]2 [t(i,j)T]2
imjn
imjn
简写为：
对目标图像灰度规范化
R (x ,y )f(x i,y j) t(i,j)
对样板图像灰度规范化
2021
6
滑动模板匹配算法：
将各个模板规范化； Rm=0； for( x = m; x< M - m; x++ ) { //遍历图像上有效区域的所有像素
模板
2021
3
相关度：
设： 原图像为 f (x, y)，尺寸为 M×N。 模板图像为 t (i, j ) ， －m ≤ i ≤ m, －n ≤ j ≤ n。
定义： t (i, j )与 f (x, y) 在 (x, y) 处的相关度 R (x, y) 为：
－n －m
mi
mn
f(xi,yj)t(ij)
2021
7
模板匹配识别目标的特点：
（1）与目标的大小、旋转、错切有关。 解决办法： 方法1： 匹配前，先矫正目标的大小、旋转、错切； 目标的定位、大小、旋转、错切检测必须准确。 方法2： 准备各种大小、旋转角、错切角的模板，一一进行匹配； 模板的数量极大，实际中难以应用。
（2） 具有较强的抗干扰能力。 若匹配前目标的大小、旋转、错切矫正良好，则对模糊、污损字符 也能较好地识别。
t(x, y)T
其中，F 为模板下面图像的平均灰度; T 为模板图像的平均灰度。
于是，相关度公式变为：
mn
[f(xi,yj)F][t(ij)T]
R(x,y) imjn
mn
mn
[f(xi,yj)F]2 [t(i,j)T]2
imjn
imjn
2021
5
或写为：
mn
mn
[f(xi,yj)F] [t(ij)T]
（3）边缘匹配法 应采用边缘型模板。 先抽取图像的边缘。在相关度计算时，仅考虑边缘点。因边缘点
较少，故计算量大大减少。
（4）局部匹配法 先对模板上的一部分作匹配。当匹配程度较高时，再考虑全部模
板匹配。否则放弃。
2021
10
10.2 统计模式识别
10.2.1 统计模式识别的基本思想 （1） 生成样本库
输入样 板图像
特征 参数 提取
特征 参数 优化
得到样本库，备用。 每个样板图像都有一 组特征参数。
（2） 对待识别的目标图像，按同样的算法，得到优化后的特征参数
输入待 识别图 像
特征 参数 提取
特征 参数 优化
得到一组特征参数
2021
11
（3） 设计一个分类器，对待识别图像分类，判别待识别图像的特征 参数属于样本库中的哪一个。
若 D(x,y) 较大，则该位置不可能是目标。否则，该位置可能是 目标，再进一步计算相关度。
因为差值计算量较小，且大部分位置不存在目标，故速度大大 提高。
2021
9
（2）两步检测法 ——先粗检测，再精检测。 每隔几个像素检测一次，目标一般在相关度较高的位置附近。再
在相关度较高的位置附近进行精检测。