Atitit 判断判断一张图片是否包含另一张小图片

Atitit 判断判断一张图片是否包含另一张小图片 

 

1. keyword1

2.  模板匹配是在图像中寻找目标的方法之一（切割+图像相似度计算）1

3. 匹配效果2

4. 图片相似度的算法（感知哈希算法”（Perceptual hash algorithm）2

5. 性能结果2

6. 如何提升性能3

6.1. 可以采用简化的算法。二次匹配法，先大概确定区域3

6.2. 切割图片设置一个step3

7. 参考资料3

8. ------code3

 

1. keyword

 

图像匹配

图片是否另外一张图片的一部分

如果是标准图片，模板匹配就好

 

2.  模板匹配是在图像中寻找目标的方法之一（切割+图像相似度计算）

。Come On, Boy.我们一起来看看模板匹配到底是怎么回事。

模板匹配的工作方式
    模板匹配的工作方式跟直方图的反向投影基本一样，大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。
    假设我们有一张100x100的输入图像，有一张10x10的模板图像，查找的过程是这样的：
  （1）从输入图像的左上角(0,0)开始，切割一块(0,0)至(10,10)的临时图像；
  （2）用临时图像和模板图像进行对比，对比结果记为c；
  （3）对比结果c，就是结果图像(0,0)处的像素值；
  （4）切割输入图像从(0,1)至(10,11)的临时图像，对比，并记录到结果图像；
  （5）重复（1）～（4）步直到输入图像的右下角。
    大家可以看到，直方图反向投影对比的是直方图，而模板匹配对比的是图像的像素值；模板匹配比直方图反向投影速度要快一些，但是我个人认为直方图反向投影的鲁棒性会更好。

 

3. 匹配效果

效果不错，基本可以确定查找到对应的区域坐标。。对于彩色图片，可以使用色彩空间信息排除掉其他错误的匹配图片，几乎可以精确的确定一个图片了。。

4. 图片相似度的算法（感知哈希算法”（Perceptual hash algorithm）

感知哈希算法”（Perceptual hash algorithm），它的作用是对每张图片生成一个“指纹”（fingerprint）字符串，然后比较不同图片的指纹。结果越接近，就说明图片越相似。

下面是一个最简单的实现：

第一步，缩小尺寸。将图片缩小到