图像匹配（欧式距离）

图像匹配之欧式距离算法

  (2016-12-09 14:23:28)

转载▼

标签：  图像处理   欧式距离算法   python

分类： 图像识别

欧式距离算法       

        在用差分矩阵均值对强噪声的识别失败了之后，我们决定用欧式距离算法。欧式距离算法的核心是：设图像矩阵有n个元素（n个像素点），用n个元素值(x1，x2，...，xn)组成该图像的特征组（像素点矩阵中所有的像素点）， 特征组形成了n维空间（欧式距离就是针对 多 维空间的），特征组中的特征码（每一个像素点）构成了每一维的数值，就是x1（第一个像素点）对应一维，x2（第二个像素点）对应二维，. . .，xn（第n个像素点）对应n维。在n维空间下，两个图像矩阵各形成了一个点，然后利用数学上的欧式距离公式计算这两个点之间的距离，距离最小者就是最匹配的图像。

  欧式距离公式：

   点A = （x1, x2, ... , xn）

   点B = （y1, y2, ... , yn）

   AB^2  = (x1-y1)^2+(x2-y2)^2+...+(xn-yn)^2

  AB就是所求的A，B两个多维空间中的点之间的距离。

实验图：

                               

                                                                                                img

                                                               
                                                                                                  imgfind

代码如下：（Python）

强噪声（50000随机点）效果图如下：

                      

                识别成功，再把50000噪声点换成500000（50万）个噪声点，效果会怎样呢？

强噪声（50万随机点）效果图如下：

                                     

                                  这图太模糊了，这是范冰冰吗？估计她妈也认不出来了吧！（大笑）

                   但是我们的算法成功的识别出来了，还优雅的把她的头部圈起来了。

我们把图片旋转一下角度会不会也成功的识别呢？（我好坏）

旋转图片的代码如下：（Python）

旋转20度后的效果图如下：

   
  我们把这张图片保存下来，用来对欧式距离算法进行测试。

  把这张被旋转20度的图片加载进上面的欧式距离算法，效果如下（无噪声）：

    
      成功识别！

   再来点刺激的，加上强噪声，效果图如下（50000噪声点）：

    
   依旧被识别！

继续挑战，旋转60度：

实验图：

运行之后的效果图（无噪声）：

    头部识别的有点偏，但是考虑头部是斜着的，画矩形的话，本来也就是不可能完全圈中的，除非   你的矩形也可以斜着画。偏差在我们可以接受的范围内，所以这样也算是成功识别了。

  可见欧式距离算法还是蛮强悍的啊！强到没朋友！