用机器学习图像匹配

差分矩阵求和图像匹配

图像的匹配时基于像素的并比较和计算来实现的方法。将图像中的切片在原图中进行匹配，并标注出来。使用差分算法，它的核心在于差分矩阵，实质为差异矩阵，计算公式如下：
差分矩阵 = 图像A矩阵数据 – 图像B矩阵数据
算法的过程是首先计算两个矩阵数据之间差异分析图像的相似性；然后，设置一个阈值进行比较，如果差分矩阵的所有元素在阈值以内，则表示这两张图像是相似的，且描述了同一个物体。另外，它要求两个图像的大小相同。
编程实现算法的思路是，将切片图在原图中进移动，并计算两个图像的差分矩阵，如果差分矩阵的所有元素之和小于1，则认为找到了切片图在图像中的位置。

import cv2
import numpy as np
print('loading……')
def showpiclocation(img, findimg):
    w = img.shape[1]
    h = img.shape[0]
    fw = findimg.shape[1]
    fh = findimg.shape[0]
    find = None
    for now_h in  range(0,h-fh):
        for now_w in range(0,w-fw):
            comp_tz = myimg[now_h:now_h+fh,now_w:now_w+fw,:]-myimg1
            if np.sum(comp_tz)<1:
                find  = now_w, now_h
    if find != None:
        cv2.rectangle(myimg, find, (find[0]+fw,find[1]+fh),(255,0,0))
    return img

fn1 = 'picturetest.png'
fn2 = 'plane.png'
myimg = cv2.imread(fn1)
myimg1 = cv2.imread(fn2)
myimg = showpiclocation(myimg, myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimg)
cv2.waitKey(2000)
cv2.destroyAllWindows()

实验结果如下：

差分矩阵均值进行图像匹配

当数字图像质量较差时，需要计算差分矩阵的均值，并为均值设一个适当的阈值。在目标图中加上少量（50000个）不同颜色的噪声点，从而测试算法在弱噪声环境下的有效性。因为图像质量不高，存在很多噪声点，所以要将差分矩阵均值的阈值设置得稍大一点，这里设为20。通常阈值为10~200，阈值越大，能容忍的噪声越多。

# 少量噪声定位图像
# 随机的位置，随机的像素值
import cv2
import numpy as np
print('loading……')

def showpiclocation(img,findimg):
    # 定位图像
    w = img.shape[1]
    h = img.shape[0]
    fw = findimg.shape[1]
    fh = findimg.shape[0]
    find = None
    for now_h in range(0,h-fh):
        for now_w in range(0,w-fw):
            comp_tz = myimg[now_h:now_h+fh,now_w:now_w+fw,:]-myimg1
            if abs(np.mean(comp_tz))<10:
                find  = now_w, now_h
                print('ok')
        print('.')
    if find != None:
        cv2.rectangle(myimg, find, (find[0]+fw,find[1]+fh),(0,0,255))
    return img

def addnoise(img, cont):
    for k in range(0, cont):
        xi = int(np.random.uniform(0,img.shape[1]))
        xj = int(np.random.uniform(0,img.shape[0]))
        img[xj,xi,0] = 255 * np.random.rand()
        img[xj,xi,1] = 255 * np.random.rand()
        img[xj,xi,2] = 255 * np.random.rand()

fn = 'picturetest.png'
fn1 = 'plane.png'
myimg = cv2.imread(fn)
myimg1 = cv2.imread(fn1)
addnoise(myimg,5000)
myimg = showpiclocation(myimg,myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimg)
cv2.waitKey(2000)
cv2.destroyAllWindows()

结果如下：

用欧式距离进行图像匹配结果

对强噪声环境下的图像进行匹配时，欧式距离匹配方法相对于以上两种方法的会有更好的效果。
首先在目标图像中加上更多的（500000个）不同颜色的噪声点。
核心算法为：设图像矩阵有n个元素，用n个元素值（x1，x2，…，xn）组成该图像的特征组，特征组形成了n维空间，特征组中的特征码构成每一维的数值。在n维空间下，两个图像矩阵各形成了一个点，然后计算这两个点之间的距离，距离最小者为最匹配的图像。

# 少量噪声定位图像
# 随机的位置，随机的像素值
import cv2
import numpy as np
print('loading……')

def get_EuclideanDistance(x,y):
    myx = np.array(x)
    myy = np.array(y)
    return np.sqrt(np.sum((myx-myy)**2))

def findpic(img, findimg, h, fh, w, fw):
    minds = 1e8
    mincb_h = 0
    mincb_w = 0
    my_findimg = findimg
    for now_h in range(0, h-fh):
        for now_w in range(0, w-fw):
            my_img = img[now_h:now_h+fh,now_w:now_w+fw,:]
            dis = get_EuclideanDistance(my_img, my_findimg)
            if dis < minds:
                mincb_h = now_h
                mincb_w = now_w
                minds = dis # 更新最小距离
                print('.')
    find = mincb_w, mincb_h
    cv2.rectangle(img, find, (find[0]+fw, find[1]+fh), (0,0,255))
    return img 

def showpiclocation(img,findimg):
    # 定位图像
    w = img.shape[1]
    h = img.shape[0]
    fw = findimg.shape[1]
    fh = findimg.shape[0]
    return findpic(img,findimg,h,fh,w,fw)

def addnoise(img, cont):
    for k in range(0, cont):
        xi = int(np.random.uniform(0,img.shape[1]))
        xj = int(np.random.uniform(0,img.shape[0]))
        img[xj,xi,0] = 255 * np.random.rand()
        img[xj,xi,1] = 255 * np.random.rand()
        img[xj,xi,2] = 255 * np.random.rand()

fn = 'picturetest.png'
fn1 = 'plane.png'
myimg = cv2.imread(fn)
myimg1 = cv2.imread(fn1)
addnoise(myimg,500000)
myimg = showpiclocation(myimg,myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimg)
cv2.waitKey(2000)
cv2.destroyAllWindows()

结果如下：