python模式匹配算法_模式匹配方法总结及实现

一. 模式匹配简介：

模式匹配 ——> 寻找待匹配图像和全体图像中最相似的部分，常用于物体检测任务。虽然现在使用卷积神经网络做物体检测任务有更好的效果，但是模式匹配是最基本的物体检测方法，它很基础，很重要。

二. 模式匹配算法：

原图像为 I(H  X  W)，待匹配图像为 T(h X w)。

1. 对于图像 I：，for j in range(H-h)：for i in range(W-w) 。在一次移动一像素的过程中，计算原图像的一部分 I[j：j+h，i：i+w] 与待匹配图像 T 的相似度 S。

注：像模式匹配这样，从图像的左上角开始向右顺序进行查找的操作称为光栅扫描(Raster Scan)，或滑动窗口扫描(Sliding window)。

2. S 最大或者最小的地方即为匹配到的位置。

S 的计算方法主要有 SSD(Sum of Squared Difference：误差平方和)、SAD(Sum of Absolute Differences：误差绝对值和)、NCC(Normalization Cross Correlation：归一化交叉相关)、ZNCC(Zero-mean Normalization Cross Correlation：零均值归一化交叉相关)，对于不同的方法，我们需要选择出 S 的最大值或者最小值，然后找到 S 的值对应的在原图像中的位置。

三. 不同的模式匹配标准(不同的 S)

S = SSD(Sum of Squared Difference)，S 取最小的值。

SSD(误差平方和)最小 ↑

python实现核心代码：_v = np.sum((img[y:y+Ht, x:x+Wt] - temp) ** 2)

S = SAD(Sum of Absolute Differences)，S 取最小的值。

SAD(误差绝对值之和)最小 ↑

python实现核心代码：_v = np.sum(np.abs(img[y:y+Ht, x:x+Wt] - temp))

S = NCC(Normalization Cross Correlation)，S 取最大的值。求出两个图像的相似度，S 的范围为[-1,1]，S 对变化十分敏感。

NCC(归一化交叉相关)最大 ↑

python实现核心代码：_v = np.sum(img[y:y+Ht, x:x+Wt] * temp)

_v /= (np.sqrt(np.sum(img[y:y+Ht, x:x+Wt]**2)) * np.sqrt(np.sum(temp**2)))

S = ZNCC(Zero-mean Normalization Cross Correlation)，S 取最大的值。它比归一化交叉相关更加敏感。图像 I 的平均值为 m_i，图像 T 的平均值为 m_t。S 的范围为 [-1,1]。

ZNCC(零均值归一化交叉相关)最大 ↑

python实现核心代码：_v = np.sum((img[y:y+Ht, x:x+Wt]-mi) * (temp-mt))

_v /= (np.sqrt(np.sum((img[y:y+Ht, x:x+Wt]-mi)**2)) * np.sqrt(np.sum((temp-mt)**2)))

四. python实现零均值归一化交叉相关。不同的 S ，读者可举一反三

1 import cv2 ascv2

3 import numpy asnp4

5 # Read image6

7 img = cv.imread("../bird.png").astype(np.float32)8

9 H, W, C =img.shape10

11 mi =np.mean(img)12

13 # Read templete image14

15 temp = cv.imread("../bird_e.png").astype(np.float32)16

17 Ht, Wt, Ct =temp.shape18

19 mt =np.mean(temp)20

21 # Templete matching22

23 i, j = -1, -1

24

25 v = -1

26

27 for y in range(H-Ht):28

29 for x in range(W-Wt):30

31 _v = np.sum((img[y:y+Ht, x:x+Wt]-mi) * (temp-mt))32

33 _v /= (np.sqrt(np.sum((img[y:y+Ht, x:x+Wt]-mi)**2)) * np.sqrt(np.sum((temp-mt)**2)))34

35 if _v >v:36

37 v =_v38

39 i, j =x, y40

41 out =img.copy()42

43 cv.rectangle(out, pt1=(i, j), pt2=(i+Wt, j+Ht), color=(0,0,255), thickness=1)44

45 out = out.astype(np.uint8)46

47 # Save result48

49 cv.imwrite("out.jpg", out)50

51 cv.imshow("result", out)52

53 cv.waitKey(0)54

55 cv.destroyAllWindows()

五. 实验结果：

ZNCC(零均值归一化交叉相关)模式匹配结果 ↑

六. python实现 S=误差绝对值之和。不同的 S ，读者可举一反三

1 import cv22

3 import numpy asnp4

5 # Read image6

7 img = cv2.imread("../baby.png").astype(np.float32)8

9 H, W, C =img.shape10

11 # Read templete image12

13 temp = cv2.imread("../baby_m.png").astype(np.float32)14

15 Ht, Wt, Ct =temp.shape16

17 # Templete matching18

19 i, j = -1, -1

20

21 v = 255 * H * W *C22

23 for y in range(H-Ht):24

25 for x in range(W-Wt):26

27 _v = np.sum(np.abs(img[y:y+Ht, x:x+Wt] -temp))28

29 if _v <30>

31 v =_v32

33 i, j =x, y34

35 out =img.copy()36

37 # (0,0,255) 代表红色38

39 cv2.rectangle(out, pt1=(i, j), pt2=(i+Wt, j+Ht), color=(0,0,255), thickness=2)40

41 out = out.astype(np.uint8)42

43 # Save result44

45 cv2.imwrite("out.jpg", out)46

47 cv2.imshow("result", out)48

49 cv2.waitKey(0)50

51 cv2.destroyAllWindows()

七. 实验结果：

SAD(误差绝对值之和)模式匹配结果 ↑

八. 写在最后的话：

感谢您的阅读，如果您觉得本文不错，可以点赞哦！

九. 版权声明：

未经作者允许，请勿随意转载抄袭，抄袭情节严重者，作者将考虑追究其法律责任，创作不易，感谢您的理解和配合！

30>