点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
NCC概述
基于Normalized cross correlation(NCC)用来比较两幅图像的相似程度已经是一个常见的图像处理手段。在工业生产环节检测、监控领域对对象检测与识别均有应用。NCC算法可以有效降低光照对图像比较结果的影响。而且NCC最终结果在-1到1之间,所以特别容易量化比较结果,只要给出一个阈值就可以判断结果的好与坏。
NCC数学知识
们也可以通过各自的积分图计算预先得到。这样就完成了整个预计算生成。依靠索引表查找计算结果,NCC就可以实现线性时间的复杂度计算,而且时间消耗近似常量跟窗口半径大小无关,完全可以满足实时对象检测工业环境工作条件。
算法步骤
为了减小计算量,我们首先要把输入的图像转换为灰度图像,在灰度图像的基础上完成整个NCC计算检测。
把彩色图像转换为灰度图像
预计算模板图像和目标图像的积分图
根据输入的窗口半径大小使用积分图完成NCC计算
根据阈值得到匹配或者不匹配区域。
输出结果
检测结果:
标准合格电路板作为参照模板:
被污染的电路版
检测结果:
由于是项目代码不好公开,所以给大家演示一下OpenCV中利用积分图实现图像模糊的简单代码:
import cv2 as cv
import numpy as np
def get_block_sum(ii, x1, y1, x2, y2, index):
tl = ii[y1, x1][index]
tr = ii[y2, x1][index]
bl = ii[y1, x2][index]
br = ii[y2, x2][index]
s = (br - bl - tr + tl)
return s
def blur_demo(image, ii):
h, w, dims = image.shape
result = np.zeros(image.shape, image.dtype)
ksize = 15
radius = ksize // 2
for row in range(0, h + radius, 1):
y2 = h if (row + 1)> h else (row + 1)
y1 = 0 if (row - ksize) < 0 else (row - ksize)
for col in range(0, w + radius, 1):
x2 = w if (col + 1)>w else (col + 1)
x1 = 0 if (col - ksize) < 0 else (col - ksize)
cx = 0 if (col - radius) < 0 else (col - radius)
cy = 0 if (row - radius) < 0 else (row - radius)
num = (x2 - x1)*(y2 - y1)
for i in range(0, 3, 1):
s = get_block_sum(ii, x1, y1, x2, y2, i)
result[cy, cx][i] = s // num
cv.imshow("integral fast blur", result)
cv.imwrite("D:/result.png", result)
src = cv.imread("D:/images/test1.png")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)
sum_table = cv.integral(src, sdepth=cv.CV_32S)
blur_demo(src, sum_table)
cv.waitKey(0)
cv.destroyAllWindows()
好消息!
小白学视觉知识星球
开始面向外开放啦👇👇👇
下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程,即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2:Python视觉实战项目52讲
在「小白学视觉」公众号后台回复:Python视觉实战项目,即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。
下载3:OpenCV实战项目20讲
在「小白学视觉」公众号后台回复:OpenCV实战项目20讲,即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~