图像基础5 图像匹配--差分矩阵求和与均值

本系列文章是学习《机器学习实践指南 案例应用分析 第2版》的笔记。
图像匹配算法是基于像素的比较和计算来实现的方法。

1. 差分矩阵求和

$$差分矩阵=图像A矩阵数据-图像B矩阵数据$$

差分算法的核心在于差分矩阵，实质为差异矩阵。
算法过程是：
首先，计算两个图像的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之和在阈值以内，则表示这两张图像是相似的，且描述了同一物体。
它要求两个图像大小相同。

# - * - coding: utf-8 - * -
# 简单定位图像

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]
    findpt = None
    for now_h in range(0,h-fh):
        for now_w in range(0, w-fw):
            comp_tz = img[now_h:now_h+fh,now_w:now_w+fw,:]-findimg
            if np.sum(comp_tz) <1:
                findpt = now_w,now_h
        print('.',)
    if findpt != None:
        print('fw is %d' % fw)
        cv2.rectangle(img, findpt, (findpt[0]+fw, findpt[1]+fh),(255,0,0))
    return img

fn = 'big.png'
fn1 = 'small.png'
myimg = cv2.imread(fn)
myimg1 = cv2.imread(fn1)
myimgf = showpiclocation(myimg,myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimgf)
cv2.waitKey()
cv2.destroyAllWindows()

结果：

使用示例图片是可以的，但使用其它图片没有成功。暂时不知道为什么。
原图：

2. 差分矩阵均值

当数字图像质量较差时，则需要计算差分矩阵的均值，并为均值设一个适当的阈值。

# - * - coding: utf-8 - * -
# 少量噪声定位图像

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]
    findpt = None
    for now_h in range(0,h-fh):
        for now_w in range(0,w-fw):
            comp_tz = img[now_h:now_h+fh,now_w:now_w+fw,:]-findimg
            if abs(np.mean(comp_tz))<20:  //差分矩阵的阈值
                findpt=now_w,now_h
                print('ok')
        print ('.')
    if findpt != None:
        cv2.rectangle(img,findpt,(findpt[0]+fw, findpt[1]+fh),(0,0,255))
    return img

def addnoise(img):
    coutn = 5000
    for k in range(0,coutn):
        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 = 'big.png'
fn1 = 'small.png'
myimg = cv2.imread(fn)
myimg1 = cv2.imread(fn1)
addnoise(myimg)

myimgf = showpiclocation(myimg,myimg1)
cv2.namedWindow('img')
cv2.imshow('img',myimgf)
cv2.waitKey()
cv2.destroyAllWindows()

差分矩阵的阈值一般为10~200，阈值越大，能容忍的噪声点越多。如果阈值超过200，最好使用欧氏距离算法。