图像匹配SATD

最新推荐文章于 2024-07-17 21:40:42 发布
最新推荐文章于 2024-07-17 21:40:42 发布
阅读量1.3k 收藏 20
点赞数 20
分类专栏： MATLAB 图像处理实践 文章标签： 人工智能 算法 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ganhui13000/article/details/135233585
版权

文章目录

一、SATD是什么

提示：这里可以添加技术名词解释

SATD（Sum of Absolute Transformed Differences）是一种用于图像匹配的算法，其原理主要包含以下步骤：

  1. 将模板图像与待匹配图像做差，得到一个差值矩阵Q。
  2. 对差值矩阵Q进行Hadamard变换（一种特殊的矩阵变换）。Hadamard变换等价于把原图像Q矩阵左右分别乘以一个Hadamard变换矩阵H。Hadamard变换矩阵H的元素都是1或-1，是一个正交矩阵，可以由MATLAB中的hadamard(n)函数生成，n代表n阶方阵。
  3. 对变换后的矩阵求其元素的绝对值之和，得到一个SATD值。这个SATD值作为相似度的判别依据。
  4. 对所有待匹配的子图都进行如上的变换后，找到SATD值最小的子图，便是最佳匹配。

以上信息仅供参考，如需更多信息，建议查阅图像处理相关的书籍或咨询图像处理专家。

二、 技术细节

1.matlab 连续读取图片，并截取区域

为了连续读取1到1000张图片，并截取中间的100*100区域，然后重新存储为M1到M1000，你可以使用以下的MATLAB代码：

% 设定图片文件夹路径
folderPath = 'path_to_your_image_folder'; % 请替换为你的图片文件夹路径

% 遍历每张图片
for i = 1:1000
    % 生成当前图片的文件名
    fileName = fullfile(folderPath, sprintf('I%d.jpg', i)); % 假设原始图片命名为I1.jpg, I2.jpg, ... I1000.jpg
    
    % 读取图片
    img = imread(fileName);
    
    % 检查图片是否读取成功
    if isempty(img)
        error(sprintf('无法读取图片: %s', fileName));
    end
    
    % 计算截取区域
    [height, width, ~] = size(img);
    xStart = max(1, width/2 - 50);    % 100*100区域的左起点
    yStart = max(1, height/2 - 50);   % 100*100区域的上起点
    cropImg = img(yStart:yStart+99, xStart:xStart+99, :);
    
    % 存储截取后的图片
    outputFileName = fullfile(folderPath, sprintf('M%d.jpg', i));
    imwrite(cropImg, outputFileName);
end

注意事项：

  1. 请确保你的图片是.jpg格式。如果不是，请在代码中修改对应的扩展名。
  2. 这个代码假设原始图片的命名是连续的，从I1.jpg到I1000.jpg。如果实际命名与此不符，请相应地调整文件名生成部分。
  3. 这个代码会截取图片中心附近的100*100区域。如果原始图片的尺寸小于这个区域，代码会自动调整截取区域以确保不会超出图片边界。

2.matlab SATD相似度识别

close all
clear all
clc
% src=double(rgb2gray(imread('baby.jpg'))); %长宽相等的
% mask=double(rgb2gray(imread('模板图像_bdd.jpg'))); %长宽相等的

src=double(rgb2gray(imread('frame_1442.jpg'))); %长宽相等的
mask=double(rgb2gray(imread('frame_1442_mask.jpg'))); %长宽相等的

[M,K]=size(src); %搜索图大小
N=size(mask,1); %模板大小
%%
hdm_matrix=hadamard(N); %hadamard变换矩阵
hdm=zeros(M-N+1,K-N+1); %保存SATD值
for i=1:M-N+1
    for j=1:K-N+1
        temp=(src(i:i+N-1,j:j+N-1)-mask)/256;
        sw=(hdm_matrix*temp*hdm_matrix)/256;
        hdm(i,j)=sum(sum(abs(sw)));
    end
end
min_hdm=min(min(hdm));
[x, y]=find(hdm==min_hdm);
figure, imshow(uint8(mask));
title('模板图像');
imwrite(uint8(mask),'模板图像_zhuti_gray.jpg');
figure, imshow(uint8(src)); 
hold on;
rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
title('STAD匹配结果'); 
hold off;

3.matlab 在多维矩阵中找最小值

在MATLAB中，min(min(hdm)) 的作用是从一个多维数组（比如矩阵）中找到最小值。

具体解释如下：

  1. min(hdm)：当 hdm 是一个矩阵时，这个操作会返回每一列的最小值，结果是一个行向量。
  2. min( ... )：外面的 min 函数作用于之前得到的行向量，返回该行向量中的最小值。

所以，min_hdm = min(min(hdm)); 的意思是找到 hdm 矩阵中的最小值，并将其赋值给 min_hdm。

例如，如果 hdm 是以下矩阵：

hdm = [3, 7, 2;
       8, 1, 6;
       4, 5, 9];

那么 min(hdm) 会返回 [3, 1, 2]（每列的最小值），然后 min(min(hdm)) 会返回 1，这是整个矩阵的最小值。

这段MATLAB代码是在寻找数组hdm中与最小值min_hdm相等的元素的索引。

具体解释如下：

  1. hdm == min_hdm：这部分会返回一个逻辑数组，其中值为true的位置表示hdm中与min_hdm相等的元素。
  2. find(...)：这个函数会返回逻辑数组中true的位置的索引。所以，如果hdm == min_hdm返回的是一个与hdm相同大小的逻辑数组，那么find(...)会返回所有与min_hdm相等的元素的索引。
  3. [x, y] = ...：这部分将返回两个向量。向量x包含所有与min_hdm相等的元素的行索引，而向量y包含它们的列索引。

例如，如果：

hdm = [3, 7, 2;
       8, 1, 6;
       4, 5, 9];
min_hdm = 1;

那么 [x, y] = find(hdm == min_hdm) 将返回 x = [2], y = [2]，表示在第二行第二列的位置上，hdm的值是1。

三、c++ 实现SATD

3.1 OpenCV和C++实现SATD

下面是使用OpenCV和C++实现SATD（Sum of Absolute Transformed Differences）的一个简单示例。在这个例子中，我将假设你已经有了待匹配的模板图像（template_img）和待匹配的源图像（source_img）。

注意：这个代码只是一个基本的示例，可能需要根据你的具体需求进行修改和优化。

#include <opencv2/opencv.hpp>
#include <iostream>

// 计算SATD
double computeSATD(const cv::Mat &img1, const cv::Mat &img2) {
    cv::Mat diff;
    cv::absdiff(img1, img2, diff); // 计算绝对差值
    cv::Mat gray;
    cv::cvtColor(diff, gray, cv::COLOR_BGR2GRAY); // 转换为灰度图像
    cv::Mat abs_diff_mat;
    cv::convertScaleAbs(gray, abs_diff_mat); // 转换为绝对值
    double sum = cv::sum(abs_diff_mat)[0]; // 计算总和
    return sum;
}

int main() {
    // 读取图像
    cv::Mat template_img = cv::imread("template.png", cv::IMREAD_GRAYSCALE);
    cv::Mat source_img = cv::imread("source.png", cv::IMREAD_GRAYSCALE);
    if (template_img.empty() || source_img.empty()) {
        std::cout << "无法加载图像" << std::endl;
        return -1;
    }

    // 确保图像大小相同
    if (template_img.size() != source_img.size()) {
        std::cout << "图像大小不一致" << std::endl;
        return -1;
    }

    // 计算SATD值
    double satd = computeSATD(template_img, source_img);
    std::cout << "SATD值: " << satd << std::endl;

    return 0;
}

这个代码首先计算两个图像的绝对差值，然后将差值图像转换为灰度图像，再将其转换为绝对值。最后，它计算并返回所有像素的绝对值之和，这就是SATD值。注意，这个代码没有进行任何形式的模板匹配优化，例如使用滑动窗口或快速近似算法。对于大型图像或实时应用，你可能需要使用这些优化方法来提高性能。

3.2 c++ opencv

要使用C++和OpenCV实现SATD（Sum of Absolute Transformed Differences）图像匹配，你需要遵循以下步骤：

  1. 设置环境：

    • 安装OpenCV库。你可以从OpenCV官网下载并按照说明进行安装。
    • 创建一个C++项目，并配置OpenCV库。

  2. 读取图像：

    • 使用OpenCV的imread函数读取模板图像和待匹配图像。

  3. 预处理：

    • 如果需要，对图像进行预处理，如灰度化、平滑等。

  4. 定义SATD函数：

    • 编写一个函数来计算两个图像的SATD值。该函数将接收两个图像作为输入，并返回它们的SATD值。

  5. 滑动窗口匹配：

    • 在待匹配图像上使用滑动窗口技术。对于每个窗口位置，计算模板图像与当前窗口的SATD值。
    • 记录每个位置的SATD值。

  6. 找到最佳匹配：

    • 找到SATD值最小的位置，这就是最佳匹配位置。

  7. 显示结果：

    • 在待匹配图像上标出最佳匹配位置。
    • 使用OpenCV的imshow函数显示结果图像。

  8. 保存/输出结果：

    • 如果需要，保存匹配结果图像或输出相关信息。

  9. 代码示例：
    下面是一个简化的C++和OpenCV实现SATD图像匹配的代码示例：

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>
#include <cmath>

double computeSATD(const cv::Mat& templateImg, const cv::Mat& sourceRegion) {
    cv::Mat absDiff;
    cv::absdiff(templateImg, sourceRegion, absDiff); // 计算绝对差值
    return cv::sum(absDiff)[0]; // 返回绝对值之和
}

cv::Point findMatch(const cv::Mat& templateImg, const cv::Mat& sourceImg) {
    int minSATD = INT_MAX;
    cv::Point bestLocation;
    int templateHeight = templateImg.rows;
    int templateWidth = templateImg.cols;
    for (int i = 0; i < sourceImg.rows - templateHeight; ++i) {
        for (int j = 0; j < sourceImg.cols - templateWidth; ++j) {
            cv::Rect region(j, i, templateWidth, templateHeight);
            double currentSATD = computeSATD(templateImg, sourceImg(region));
            if (currentSATD < minSATD) {
                minSATD = currentSATD;
                bestLocation = cv::Point(j, i); // 更新最佳匹配位置
            }
        }
    }
    return bestLocation; // 返回最佳匹配位置
}

int main() {
    cv::Mat templateImg = cv::imread("template.png", cv::IMREAD_GRAYSCALE); // 读取模板图像（灰度）
    cv::Mat sourceImg = cv::imread("source.png", cv::IMREAD_GRAYSCALE); // 读取待匹配图像（灰度）
    if (templateImg.empty() || sourceImg.empty()) {
        std::cerr << "Error: Could not load images." << std::endl;
        return -1;
    }
    cv::Point matchLocation = findMatch(templateImg, sourceImg); // 找到最佳匹配位置
    // 在源图像上画出匹配位置（例如使用矩形）并显示结果...
    return 0;
}

这个示例展示了如何使用C++和OpenCV来实现基本的SATD图像匹配。注意，对于实际应用，可能需要进一步的优化和调整以提高性能和准确性。

小结

提示：这里可以添加总结

例如：

提供先进的推理，复杂的指令，更多的创造力。

Winner1300
关注
  • 20
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab基于SSDA和SATD的人脸匹配代码
03-19
代码实现了基于 SSD（Sum of Squared Differences）的模板匹配算法。它首先读取图像和模板，然后在图像中搜索与模板最相似的位置。通过计算每个可能位置与模板的 SSD，找到最小 SSD 值对应的位置，然后在原图上用红色矩形框标出这个位置，以显示匹配结果。 代码实现了基于 SATD（Sum of Absolute Transformed Differences）的模板匹配算法。它与之前的 SSD 算法类似，不同之处在于计算匹配程度的指标。代码首先读取图像和模板，然后在图像中搜索与模板最相似的位置。通过计算每个可能位置与模板的 SATD，找到最小 SATD 值对应的位置，然后在原图上用红色矩形框标出这个位置，以显示匹配结果。
SAD SATD的区别及应用
智眸之音
07-20 1126
Q：什么是SAD，SAE，SATD，SSD，SSE，MAD，MAE，MSD，MSE？ A：SAD（Sum of Absolute Difference）=SAE（Sum of Absolute Error)即绝对误差和 SATD（Sum of Absolute Transformed Difference）即hadamard变换后再绝对值求和 SSD（Sum of Squared Difference）=SSE（Sum of Squared Error)即差值的平方和 MAD（Mean Absolu
哈达玛变换及其在图像/视频编码中的应用：计算SATD
dongmie1999的博客
08-22 1万+
沃尔什-哈达玛变换（Walsh-Hadmard Transform,WHT），是一种典型的非正弦函数变换，采用正交直角函数作为基函数，具有与傅里叶函数类似的性质，图像数据越是均匀分布，经过沃尔什-哈达玛变换后的数据越是集中于矩阵的边角上，因此沃尔什变换具有能量集中的性质，可以用于压缩图像信息编码。哈达变换实际是将坐标轴旋转45°的正交变换。 一阶二阶哈达玛矩阵定义为 高阶哈达玛矩阵可由低阶的递推得到 哈达玛变换WHT就是使用哈达玛矩阵去乘原信号矩阵。 二维的WHT是要对原矩阵左乘一个对.
SAD与SATD
小金牛来了
02-27 848
SAD和SATD的区别
SATD算法Matlab代码
12-04
资源中包含Matlab脚本文件1份。脚本文件实现了SATD算法，并以lena图为示例，输出为可视化的结果图与模板图位于搜索图的位置。
【图像配准】基于灰度的模板匹配算法（一）：MAD、SAD、SSD、MSD、NCC、SSDA、SATD算法
热门推荐
hujingshuang
08-18 10万+
本文主要介绍几种基于灰度的图像匹配算法：平均绝对差算法（MAD）、绝对误差和算法（SAD）、误差平方和算法（SSD）、平均误差平方和算法（MSD）、归一化积相关算法（NCC）、序贯相似性算法（SSDA）。
哈达玛变换的应用SATD、SAD等匹配算法
澍yeah的博客
07-26 4286
参考：新一代高效视频编码 H.265/HEVC：原理、标准与实现、 转载：http://xiyou07127.blog.163.com/blog/static/11349879220125241070660/ 用的基于区域的局部匹配准则主要有图像序列中对应像素差的绝对值（SAD, Sum of Absolute Differences），图像序列中对应像素差的平方和（SSD, Sum of S...
SAD和SATD的区别[摘]
weixin_30652897的博客
12-30 282
Q:如果不用率失真最优化，为什么选择SATD＋delta×r（mv，mode）作为模式选择的依据？为什么运动估计中，整象素搜索用SAD，而亚象素用SATD？为什么帧内模式选择要用SATD？ SAD即绝对误差和，仅反映残差时域差异，影响PSNR值，不能有效反映码流的大小。SATD即将残差经哈德曼变换的4×4块的预测残差绝对值总和，可以将其看作简单的时频变换，其值在一定程度上可以反映生成码流...
satd残差_H.264中SAD SATD及常见知识点
weixin_39626409的博客
12-19 443
264标准只定义了码流的格式编码器实现是各公司自己的事，只要形成的码流符合标准就行×××必须按照这个格式来，这样任何符合标准的码流都可以解出来Q：什么是SAD，SAE，SATD，SSD，SSE，MAD，MAE，MSD，MSE？A：SAD(Sum of Absolute Difference)=SAE(Sum of Absolute Error)即绝对误差和SATD(Sum of Absolute ...
图像配准
01-06
1.基于灰度值的配准 原理：将模板图在待搜索图上逐个像素移动然后进行相似度测量，根据不同的相似度测量公式，得到如下不同的... hadamard变换算法（SATD） 参考：https://blog.csdn.net/hujingshuang/article/details/
几种图像匹配算法
11-10
几种图像匹配算法：图像匹配 最小二乘 基于灰度 相关系数，包括思想和实现
一种基于SATD的帧内预测算法
01-27
基于减少视频编码复杂度的目的，本文采用一种基于SATD的帧内预测模式选择算法，该算法首先计算出35种预测模式所对应的SATD值，...通过HM10.0仿真试验，结果表明在图像质量没有明显下降的情况下，节省了大量的编码时间。
small-issue-satd-data
04-16
开发人员在源代码注释中认可的技术债务（称为自我承认的技术债务或SATD）受到越来越多的关注。 但是，问题跟踪器中的SATD尚未得到开发。 我们进行了一个案例研究，从两个开源项目（即Hadoop和Camel）中手动检查了...
图像匹配 一些基本算法
程序猿老樊的博客
08-26 3万+
简介：      本文主要介绍几种基于灰度的图像匹配算法：平均绝对差算法（MAD）、绝对误差和算法（SAD）、误差平方和算法（SSD）、平均误差平方和算法（MSD）、归一化积相关算法（NCC）、序贯相似性检测算法（SSDA）、hadamard变换算法（SATD）。下面依次对其进行讲解。 MAD算法 介绍         平均绝对差算法（Mean Absolute Differences，简...
图像质量评估算法
eight_Jessen的博客
08-22 922
图像质量评估算法 MAD(Mean Absolute Difference)：平均绝对差值 SAD(Sum of Absolute Difference)：绝对误差和 SATD(Sum of Absolute Transformed Difference)：哈达玛变换算法 SSD(Sum of Squared Difference)：差值平方和 MSD(Mean Squared Difference)：平均平方误差 SSIM(Structural Similarity Index)：结构相似性 MS-SSI
常用的基于区域的局部匹配准则 SAD、SSD、NCC
日月行者的专栏
10-16 1万+
SAD、SSD、NCC   2012-06-24 22:07:00|  分类： 默认分类|举报|字号 订阅 常用的基于区域的局部匹配准则主要有图像序列中对应像素差的绝对值（SAD, Sum of Absolute Differences），图像序列中对应像素差的平方和（SSD, Sum of Squared Differences），图像的相关性（NCC,
SAD与SATD的对比，以及一些相关扩展
NDnarg的博客
11-03 768
主要介绍一下SAD和SATD区别 SAD与SATD Q:如果不用率失真最优化，为什么选择SATD＋delta×r（mv，mode）作为模式选择的依据？为什么运动估计中，整象素搜索用SAD，而亚象素用SATD？为什么帧内模式选择要用SATD？ A: SAD即绝对误差和，仅反映残差时域差异，影响PSNR值，不能有效反映码流的大小。SATD即将残差经哈德曼变换的4×4块的预测残差绝对值总和，可以将其看作简单的时频变换，其值在一定程度上可以反映生成码流的大小。因此，不用率失真最优化时，可将其作为模式选择的依据。
SATD的计算及代码实现
Coding
05-23 2743
如果你去看H.264的参考软件JM、H.265的参考软件HM、AVS2的参考软件RD中哈达玛变换的实现，你会发现它们的实现代码几乎完全相同，连变量名都差不多。 值得注意的是，该变换不是归一化的哈达码变换。不使用归一化的哈达码变换的原因，没有在相关文献中找到。
昇思25天学习打卡营第14天|LLM-文本解码原理--以MindNLP为例
最新发布
wwt72的博客
07-17 821
限制输出序列的最大长度为50个token。top-p=0.95，top-p采样表示在每一步生成token时，只从概率分布中累计概率达到95%的token中进行采样，有助于保持生成文本的流畅性和质量，同时允许一些低概率的token被选中，从而增加多样性。表示禁用了top-k采样，因为在top-k采样中，通常是从概率最高的k个token中随机选择一个token作为下一个输出，而这里设置为0表示不限制token的选择，实际上这将等同于使用 softmax 概率分布直接进行采样。这有助于提高生成文本的多样性。
在HM里获取SATD值
06-09
在软件工程中，SATD（Self-Admitted Technical Debt）是指程序员在编写代码时，明确意识到存在技术债务的注释。在HM（Hadoop Metrics2）中获取SATD值，可以通过以下步骤： 1. 在Hadoop集群中安装和配置Hadoop Metrics2。 2. 在代码中添加SATD注释，并在代码中记录这些注释。 3. 使用Metrics2记录这些注释，并将它们与其他指标一起存储。 4. 使用Metrics2 UI查看和分析这些指标，以获取SATD值。 需要注意的是，这个过程需要开发人员在编写代码时，自行添加SATD注释，并在代码中记录这些注释，才能够在Metrics2中获取SATD值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值