OpenCV 基于距离变换的高精度轮廓匹配

轮廓匹配在定位测量应用中对其匹配的精度有更高的要求，通常的像素级的匹配结果难以满足其要求。本文给出了一种具有亚像素精度的快速轮廓匹配定位方法，其进行数学计算的基础为二值图像的距离变换。

二值图像距离变换的概念由Rosenfeld和Pfaltz于1966年其论文中提出，目前广泛应用于计算机图形学，计算机视觉及GIS空间分析等领域，其基本含义是计算一个图像中非零像素点到最近的零像素点的距离，也就是对每一各非零像素点计算其到零像素点的最短距离，并将该距离值赋值给该非零像素位置，从而将一幅二值图像变换为一幅距离图像。OpenCV通过cv：：distanceTransform()函数，给出了该功能的快速实现方法。并通过参数的方式给出了距离的几种定义方式，如欧式距离、马氏距离、倒角距离等。

高精度轮廓匹配的算法实现步骤：

假设待匹配的两个轮廓分别为A和B

（1）       将轮廓A栅格化并生成为一幅二值图像Ia，其中轮廓点为255，背景点为0；

（2）       将二值图Ia进行距离变换得到距离图Id；

（3）       通过一个变换描述轮廓B和轮廓A之间的关系，如平移变换、刚体变换、仿射变换等；

（4）       通过一定的搜索策略或者最优化方法搜索轮廓B在距离图Id中的最佳变换参数，并输出。

在上述过程中（4）是最关键的一步，具体的搜索策略可考虑使用Powell搜索、分支定界搜索或者Gauss-Newton方法。下面给出了使用Gauss-Newton方法实现求解平移变换的代码，仅供参考。其它复杂的变换可参考此过程完成。

1 数据栅格化，并距离变换

<