第五章 形状匹配的特征提取（1）模板匹配、低级特征提取

第五章 形状匹配的特征提取（1）简单阈值处理方法、模板匹配

5.1 概述

a. 形状提取比检测更为复杂，因为形状提取意味着对形状进行可靠的描述，而形状检测只需要证明在图像中的存在性即可；

5.2 阈值处理和背景减法

a. 阈值处理是计算成本相对较低的一种背景抑制方式，在图像亮度存在线性变化的情况下可以通过直方图均衡处理得到稳定不变的图像；
考虑到直方图方法对噪声的敏感性，采用直方图正规化降低噪声的影响，但对整体的光照变化敏感；
如果总体的光照水平不能被控制，可以对边缘幅度数据进行阈值处理基于差分方程的边缘提取过程对总体亮度水平不敏感；
显然，简单直方图-阈值方法对遮挡不能进行处理；
b. 在背景模型已知的情况下，对背景进行差分是一个有效方法，有利于消除非目标细节的干扰；但对含有噪声干扰的图像效果一般；

5.3 模板匹配

a. 在概念上，模板匹配是一个简单的过程，模板和图像进行匹配的过程是，将模板中心放置在一个像素点，计算模板中有多少点和图像中的点匹配，对整幅图像遍历得到有效匹配点集；
b. 正式地，模板匹配可以被定义为一种参数估计的方法，参数定义模板的位置、姿势等；可以将该匹配过程定义为一个离散函数算子T(x,y)；
假设图像I(x,y)存在均值0，标准差σ的高斯噪声，则模板中心位于I(i,j)的模板内的像素的匹配概率为

因为噪声相互独立，则模板位于位置(i, j)的概率可以概括为该模板所覆盖到的图像中像素的联合概率，即有似然函数

采用对数表示有

其中需要对参数i, j进行选择，使似然函数最大化，则(∂ln⁡(L))/∂i=0,(∂ln⁡(L))/∂j=0，即给出最小化问题

的解；则极大似然估计问题等效为最小化平方差模板位置的计算；因此如果是采用平方差准则衡量匹配程度，那么就是选择了最大似然估计法，这意味着通过模板匹配的到的结果对于高斯噪声叠加图像最优；此外根据中心极限定理，高斯噪声可以看作是多种噪声分布的极限情况，因此对于实际的各类噪声可以近似高斯分布；此外对相似程度的度量也可以采用其他的误差准则，例如绝对差、M估计器等鲁棒的测度(
c. 进一步有，

易见T(x,y)²是模板本身的特征函数，与位置无关，则等价有，

将I(x+i,y+j)²近似为常量，则估计方程可以近似为最大优化模板和图像之间的互相关形式，

考虑环境亮度的去敏感性，归一化有，

或者


在更常用的情况下采用二值环境，模版一般为二值模板或边缘模板（性能较差）的形式，采用二值形式更利于硬件实现，有

在计算所有的匹配情况后，数组的最小元素定义了模板的大多数像素与图像中的像素匹配的位置；
c. 由于采用卷积实现，所以同样存在边缘局限性；
简单的旋转不变性可以通过旋转模板或极坐标表达实现，尺度不变性可以通过不同大小的模板实现；
模板匹配的复杂度为O(N²m²)，进一步增加兴趣参数会导致复杂度的成倍增长；因此通常不采用空间域直接卷积的方法，而是采用类似基于快速变换微积分的傅里叶实现等方法；
模板匹配的主要优势是对噪声和遮挡不敏感，因为实际上是基于相似性对比的方法；但过多的噪声仍然会导致由于噪声导致的投票淹没实际目标的投票结果导致匹配失败；遮挡过于严重的情况可能导致实际目标本身投票的结果弱于干扰目标；

5.3.2 傅里叶变换实现（易见，并没有并没有或使用函数评估）

a. 通过利用卷积和乘法之间的对偶性，可以借助傅里叶变换实现模板匹配；互相关的卷积表示实现：

其中x’=x+i,y’=y+j,T’=T(-x,-y)，则有

ζ(I)采用FFT进行计算；
有两种实现该等式的方式，通过翻转模板计算T’然后进一步计算傅里叶变换ζ(T’ )，或者计算ζ(T)的复共轭，即有ζ(T^ )=[ζ(T)]^*
模板变换的卷积意味着两个变换后频域图像的乘积，因此要求矩阵大小相同；对模板的填充方法较多，较为简单的方法比如0填充；
一般认为模板尺寸越大，频域实现越有优势；
b. 使用极坐标表示构造旋转不变性可能产生的一个问题是离散化的不理想；对尺度变化的情况如何进行插值或或和抽样是一个需要注意的问题；进一步的困难包括图像边界的影响（可以通过汉明窗或汉宁窗等进行解决）；

5.3.3 模板匹配的讨论

a. 模板匹配的优势主要是理论上的，因为发展一种效果满意的模板匹配技术是非常困难的，例如旋转不变性条件的离散实现可能会导致间隙；尺度不变性可以通过梅林变换实现，梅林变化本质上采用指数函数缩放一幅图像的空间域坐标，对数映射使缩放（乘法）表示为加法的形式，通过对数映射，尺度不变性的问题变成了寻找匹配位置的问题；梅林变化（尺度不变性）和傅里叶变换（位置不变性）联合形成傅里叶-梅林变换，但在实现时有很多问题（如空间分辨率、离散数据的实现等）；

散了吧各位，这本书建议看英文原版，这一章的翻译跟机器翻译一样，看得我都气笑了；