图像匹配之序贯相似性检测法匹配

图像匹配计算量大的原因在于搜索窗口在待匹配的图像上进行滑动，每滑动一次就要做一次匹配相关运算，在不匹配点做的运算就是'无用'的，从而导致计算量上升。序贯相似性检测法在计算匹配度的同时，不断累积模板和像元的灰度差，当累积值大于某一指定阈值时，则说明该点为非匹配点，进行下一个位置的计算，这样大大减少了计算复杂度。

代码如下：

        double  dbMaxR = 0;                      //最大累加误差次数
	double  dbMinr=2000;                     //最小累积误差，dbr<LTK时，最小的r
	double  dSigmaST, dSigmaS, dSigmaT;      //	中间结果
	double   dbr;                            //误差
	int          i, j, m, n ;
	int          nMaxWidth, nMaxHeight;        //序贯匹配位置
	long       LR = 0;                         //累加误差次数
	long       LTK = 2000;                  //阈值
	bool       br = false;
	CvScalar  pixelSrc, pixelTem, pixel0, pixel1;

	IplImage* TemplateSrc = cvLoadImage("D:\\13.jpg");       //模板图像
	IplImage* src = cvLoadImage("D:\\24.jpg");                //原图

	//计算dSigmaT
	dSigmaT = 0;
	for (n = 0; n < TemplateSrc->height; n++)
	{
		for (m = 0; m < TemplateSrc->width; m++)
		{
			pixelTem = cvGet2D(TemplateSrc, n, m);
			dSigmaT += (double)pixelTem.val[0];             //修改
		}
	}
	dSigmaT = dSigmaT / ((TemplateSrc->height)*(TemplateSrc->width));

	//序贯算法
	for (j = 0; j < src->height - TemplateSrc->height+1; j++)
	{
		for (i = 0; i < src->width - TemplateSrc->width + 1; i++)
		{
			dSigmaS = 0;
			LR = 0;
			dbr = 0;
			//计算dSigmaS
			for (n = 0; n < TemplateSrc->height; n++)
			{
				for (m = 0; m < TemplateSrc->width; m++)
				{
					pixelSrc = cvGet2D(src, j+n, i+m);
					dSigmaS += (double)pixelSrc.val[0];             //修改;
					
				}
			}
			dSigmaS = dSigmaS /((TemplateSrc->height)*(TemplateSrc->width));    
			//计算误差dbr、LR
			for (n = 0; n < TemplateSrc->height; n++)
			{
				for (m = 0; m < TemplateSrc->width; m++)
				{
					pixelSrc = cvGet2D(src, j + n, i + m);
					pixelTem = cvGet2D(TemplateSrc, n, m);
					dbr += abs(pixelSrc.val[0] - dSigmaS - pixelTem.val[0] + dSigmaT);
					if (dbr>=LTK)
					{
						LR = (m + 1)*(n + 1);
						break;       //跳出一次循环
					}

				}
				if (dbr >= LTK)                         //再跳出一次循环
				{
					break;
				}
			}
			if (dbr<dbMinr)
			{
				br = true;
				dbMinr = dbr;
				nMaxHeight = j;
				nMaxWidth = i;
			}
			if (dbr >= LTK && LR > dbMaxR && br == false)
			{
				dbMaxR = LR;
				nMaxHeight = j;
				nMaxWidth = i;
			}

		}
	}

	//对目标像素进行赋值
	for (j = nMaxHeight; j <TemplateSrc->height + nMaxHeight; j++)
	{
		for (i = nMaxWidth; i < TemplateSrc->width + nMaxWidth; i++)
		{
			pixel0 = cvGet2D(src, j , i );
			pixel1.val[0] = pixel0.val[0] / 2;
			pixel1.val[1] = pixel0.val[1] / 2;
			pixel1.val[2] = pixel0.val[2] / 2;
			cvSet2D(src,j, i, pixel1);
		}
	}
	cvRectangle(src, cvPoint(nMaxWidth, nMaxHeight), cvPoint(nMaxWidth + TemplateSrc->width, TemplateSrc->height + nMaxHeight), cvScalar(0, 0, 255, 0), 1, 8, 0);

	cvNamedWindow("White", CV_WINDOW_AUTOSIZE);
	cvShowImage("White", src);
	

	while (1)
	{
		if (cvWaitKey(100) == 27) break;
	}
	cvDestroyWindow("White");
	cvReleaseImage(&src);
	exit(0);