传统图像处理之模板匹配算法

一、参考资料

模板匹配(二)

二、模板匹配相关介绍

1. 模板匹配的概念

通俗来讲，模板匹配是以图搜图，在整个图像区域找到与给定子图像匹配的小块区域。

2. 模板匹配的分类

2.1 基于相关性的模板匹配

TODO

2.2 基于灰度的模板匹配

Image Matching Algorithm Based on Grayscale and Its Improvement

模板图像未经过任何预处理，直接取其像素值在原始图像上进行相关操作。

优点与缺点

优点：速度快。

缺点：基于灰度的模板匹配对光照、亮度变化敏感，匹配的鲁棒性不强。

2.3 基于边缘的模板匹配

Edge Based Template Matching

基于边缘的模板匹配，又称为基于梯度值的模板匹配。

原理

对模板图和原始图分别计算其对应的梯度图，通过梯度图进行相关计算。

2. 模板匹配的局限性

模板匹配具有自身的局限性，主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

3. 模板匹配原理

在待检测图像上，从左到右，从上到下，计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性越大。

4. 模板匹配的计算过程

本章节，以图像数字化演示模板匹配的计算过程。

假设，基准图像矩阵G：

模板图像矩阵T为：

模板图像矩阵T中心点5，从基准图像矩阵G起点(0,0)开始，从左往右，从上往下，依次进行运算，越界部分padding补零。

$Gs(0,0)=0\ast 1+0\ast 2+0\ast 3+0\ast 4+0\ast 5+0\ast 6+0\ast 7+0\ast 8+1\ast 9=9$

$Gs(0,1)=0\ast 1+0\ast 2+0\ast 3+0\ast 4+0\ast 5+0\ast 6+0\ast 7+1\ast 8+2\ast 9=26$
……
计算所有的相关系数矩阵Gs :

通过相关系数矩阵Gs可以看出，矩阵中最大参数值为285，最大参数值对应模板匹配的中心位置点，其绿色线框为模板匹配结果。