模板匹配中差值的平方和（SSD）与互相关准则的关系

模板匹配中差值的平方和（SSD）与互相关准则的关系

zouxy09@qq.com

http://blog.csdn.net/zouxy09

 

       模板匹配TemplateMatching是在图像中寻找目标的方法之一。原理很简单，就是在一幅图像中寻找和模板图像（patch）最相似的区域。在OpenCV中有对应的函数可以调用：

       void matchTemplate( const Mat& image, const Mat& templ, Mat&result, int method );

       该函数的功能为，在输入源图像Sourceimage（I）中滑动框，寻找各个位置与模板图像Template image（T）的相似度，并将结果保存在结果矩阵result matrix（R）中。该矩阵的每一个点的亮度表示与模板T的匹配程度。然后可以通过函数minMaxLoc定位矩阵R中的最大值（该函数也可以确定最小值）。那通过什么去评价两个图像相似呢？这就存在一个评价准则，也就是参数method，它可以有以下值（匹配的方法）：

CV_TM_SQDIFF 平方差匹配法，最好的匹配为0，值越大匹配越差；

CV_TM_SQDIFF_NORMED 归一化平方差匹配法；

CV_TM_CCORR 相关匹配法，采用乘法操作，数值越大表明匹配越好；

CV_TM_CCORR_NORMED 归一化相关匹配法；

CV_TM_CCOEFF 相关系数匹配法，最好的匹配为1，-1表示最差的匹配；

CV_TM_CCOEFF_NORMED 归一化相关系数匹配法；

前面两种方法为越小的值表示越匹配，后四种方法值越大越匹配。

 

其中：

CV_TM_SQDIFF为：Sumof Squared Difference (SSD) 差值的平方和：

CV_TM_CCORR 为：Cross Correlation互相关：

SSD可以看成是欧式距离的平方。我们把SSD展开，可以得到：

      可以看到，上式的第一项（模板图像T的能量）是一个常数，第三项（图像I局部的能量）也可以近似一个常数，那么可以看到，剩下的第二项就是和cross correlation一样的，也就是互相关项。而SSD是数值越大，相似度越小，cross correlation是数值越大，相似度越大。

 

参考：

Konstantinos G. Derpanis 等《RelationshipBetween the Sum of Squared Difference (SSD) and Cross Correlation for TemplateMatching》