基于灰度的图像匹配算法 |
您所在的位置：网站首页 › 什么是模板匹配法 › 基于灰度的图像匹配算法 |
基于灰度的图像匹配算法
|
基于灰度的匹配算法又称为基于模板的匹配算法，子图与模板图对应位置上灰度值计算得出一个值，这个值可以是对应像素相减绝对值的加和（即SAD算法），也可以将计算出的和除以模板像素个数，即（MAD算法），其它基于灰度的图像匹配算法均基于此思想，只不过所计算的值不同。以下将逐个进行介绍。 SAD算法 
参考图
模板图
SAD算法即模板与参考图对应像素相减的绝对值求和，然后在依次滑动模板遍历每个位置，得到（P-M）行，（Q-N）列的矩阵，其中值最小的位置即说明模板与参考图相似度最高。SAD相似性公式如下,（由于算法中直接用矩阵计算，与公式表达方式上不同，但实质相同）
可根据下图结合代码进行实现
SAD/MAD算法 %% %绝对误差和算法（SAD） %% clear all; close all; %%读取参考图 src=imread('Lanny.png');%导入参考图 [a b d]=size(src);%获取图像长宽以及通道数 if d==3 src=rgb2gray(src);%判断是否灰度图，若不是则转为灰度图 end %%读取模板图，原理同读取参考图 mask=imread('mark.png'); [m n d]=size(mask); if d==3 mask=rgb2gray(mask); end %% N=n;%模板尺寸，此处为矩形（高，宽）=（M,N) M=m; P=a;%代搜索图像尺寸，同上 Q=b; %%进行匹配 dst=zeros(P-M,Q-N);%创建矩阵，存放模板计算出的结果 S=M*N; for i=1:P-M %子图选取，每次滑动一个像素 for j=1:Q-N temp=src(i:i+M-1,j:j+N-1);%当前子图 dst(i,j)=sum(sum(abs(temp-mask)))/S;%%此处除以S即为MAD，不除即为SAD end end abs_min=min(min(dst));%%寻找最小值 [x,y]=find(dst==abs_min); figure; imshow(mask);title('模板'); figure; imshow(src); hold on; rectangle('position',[y,x,N-1,M-1],'edgecolor','r');%在参考图上框选匹配出的结果 hold off;title('搜索图');Ncc匹配算法如下 %% %绝对误差和算法（SAD） %% clear all; close all; %%读取参考图 src=imread('Lanny.png');%导入参考图 [a b d]=size(src);%获取图像长宽以及通道数 if d==3 src=rgb2gray(src);%判断是否灰度图，若不是则转为灰度图 end %%读取模板图，原理同读取参考图 mask=imread('mark.png'); [m n d]=size(mask); if d==3 mask=rgb2gray(mask); end mask=im2double(mask); %% N=n;%模板尺寸，此处为矩形（高，宽）=（M,N) M=m; P=a;%代搜索图像尺寸，同上 Q=b; %%进行匹配 dst=zeros(P-M,Q-N);%创建矩阵，存放模板计算出的结果 S=M*N; for i=1:P-M %子图选取，每次滑动一个像素 for j=1:Q-N temp=src(i:i+M-1,j:j+N-1);%当前子图 temp=im2double(temp); %注意要将int转为double型 %dst(i,j)=sum(sum((abs(temp-mask).^2)));%%此处除以S即为MAD，不除即为SAD temp_m=mean(mean(temp)); mask_m=mean(mean(mask)); a=((sum(sum((temp-temp_m).*(mask-mask_m))))); b=(sqrt(sum(sum(((temp-temp_m).^2))))* sqrt(sum(sum(((mask-mask_m).^2))))); dst(i,j)=a/b; end end abs_max=max(max(dst));%%寻找最小值 [x,y]=find(dst==abs_max); figure; imshow(mask);title('模板'); figure; imshow(src); hold on; rectangle('position',[y,x,N-1,M-1],'edgecolor','r');%在参考图上框选匹配出的结果 hold off;title('搜索图');序贯相似性检测算法（SSDA）代码如下 %% %绝对误差和算法（SAD） %% clear all; close all; %%读取参考图 src=imread('Lanny.png');%导入参考图 [a b d]=size(src);%获取图像长宽以及通道数 if d==3 src=rgb2gray(src);%判断是否灰度图，若不是则转为灰度图 end %%读取模板图，原理同读取参考图 mask=imread('mark.png'); [m n d]=size(mask); if d==3 mask=rgb2gray(mask); end mask=im2double(mask); %% N=n;%模板尺寸，此处为矩形（高，宽）=（M,N) M=m; P=a;%代搜索图像尺寸，同上 Q=b; %%进行匹配 dst=zeros(P-M,Q-N);%创建矩阵，存放模板计算出的结果 for i=1:P-M %子图选取，每次滑动一个像素 for j=1:Q-N temp=src(i:i+M-1,j:j+N-1);%当前子图 temp=im2double(temp); %注意要将int转为double型 sum_pipei=0; for x=1:M for y=1:N sum_pipei=sum_pipei+abs(temp(x,y)-mask(x,y)); if sum_pipei>15 break; end dst(i,j)=dst(i,j)+1; end if sum_pipei>15 break; end end end end abs_max=max(max(dst));%%寻找最小值 [x,y]=find(dst==abs_max); figure; imshow(mask);title('模板'); figure; imshow(src); hold on; rectangle('position',[y,x,N-1,M-1],'edgecolor','r');%在参考图上框选匹配出的结果 hold off;title('搜索图');hadamard变换算法（SATD） 路线图如下
matlab代码如下 clc; clear all; src=imread('Lanny.png'); mark=imread('mark.png'); src_l=im2double(src); src_l=rgb2gray(src_l); mark_l=im2double(mark); mark_l=rgb2gray(mark_l); [a b d]=size(src_l);%获取图像长宽以及通道数 [m n d]=size(mark_l); H1=hadamard(m);%产生512X512的Hadamard矩阵 H2=hadamard(n); % mark_l=H1*mark_l*H2; % mark_l=mark_l/a; N=n;%模板尺寸，此处为矩形（高，宽）=（M,N) M=m; P=a;%代搜索图像尺寸，同上 Q=b; dst=zeros(P-M,Q-N);%创建矩阵，存放模板计算出的结果 for i=1:P-M %子图选取，每次滑动一个像素 for j=1:Q-N temp=src_l(i:i+M-1,j:j+N-1);%当前子图 pic=abs(temp-mark_l); pic=H1*pic*H2/a; dst(i,j)=sum(sum(abs(pic))); end end abs_max=min(min(dst));%%寻找最小值 [x,y]=find(dst==abs_max); figure; imshow(mark);title('模板'); figure; imshow(src); hold on; rectangle('position',[y,x,N-1,M-1],'edgecolor','r');%在参考图上框选匹配出的结果 hold off;title('搜索图');互信息、归一化互信息（Normalization Mutual Information，NMI）、熵相关系数（Entropy Corrleation Coefficient，ECC）算法，该算法本质上是基于图像直方图的匹配算法 对于一幅图像来说，其熵的计算表达式如下：
hi表示图像Y中灰度值为i的像素点总数，N表示图像Y的灰度级数。显然Pi表示灰度i出现的概率，于是很自然的就会想到用直方图来计算。（对于单幅图像MATLAB中可由entropy()函数求得） 两幅图像的联合熵如下
联合熵类似于图像的二维熵，可以将灰度值与坐标关系联系起来 互信息 在图像配准中，两幅图的互信息是通过它们的熵以及联合熵，来反映它们之间信息的相互包含成都程度（02-21-2017更正）。对于图像R、F来说，其互信息表示为：
当两幅图像相似度越高或重合部分越大时，其想关性也越大，联合熵越小，也即互信息越大。 归一化互信息（Normalization Mutual Information，NMI）
熵相关系数
代码如下 clc; clear all; %%读取参考图 %//图像互信息配准 %----------------读取原图像------------------------ src=imread('Lanny.png');%导入参考图 [a b d]=size(src);%获取图像长宽以及通道数 if d==3 src=rgb2gray(src);%判断是否灰度图，若不是则转为灰度图 end %----------------读取模板图------------------------ mask=imread('mark.png'); [m n d]=size(mask); if d==3 mask=rgb2gray(mask); end %----------------计算模板熵------------------------ ET=entropy(mask);%//模板熵 %----------------计算子图熵、联合熵---------------- MI=zeros(a-m,b-n);%//互信息 NMI=zeros(a-m,b-n);%//归一化互信息 ECC=zeros(a-m,b-n);%//熵相关系数 for i=1:a-m for j=1:b-n temp=src(i:i+m-1,j:j+n-1);%//子图 ES=entropy(temp);%//模子图熵 histq=zeros(256,256);%//联合直方图，清空 %//联合直方图 for s=1:m for t=1:n x=src(s,t)+1;y=mask(s,t)+1;%//灰度坐标 histq(x,y)=histq(x,y)+1; end end p=histq./sum(sum(histq));%//联合概率密度 EST=-sum(sum(p.*log(p+eps)));%//联合熵（越小说明相似度越高） MI(i,j)=ES+ET-EST;%//MI互信息越大，说明相互包含的信息多，即越匹配 NMI(i,j)=(ES+ET)/EST;%//NMI,越大越匹配 ECC(i,j)=2*MI(i,j)/(ES+ET);%//ECC，越大越匹配 end end %----------------输出---------------- mi_max=max(max(MI)); nmi_max=max(max(NMI)); ncc_max=max(max(ECC)); [xt1,yt1]=find(MI==mi_max); [xt2,yt2]=find(NMI==nmi_max); [xt3,yt3]=find(ECC==ncc_max); % dst1=img(xt1:xt1+dx-1,yt1:yt1+dx-1); % dst2=img(xt2:xt2+dx-1,yt2:yt2+dx-1); % dst3=img(xt3:xt3+dx-1,yt3:yt3+dx-1); figure;imshow(mask);title('模板'); figure;imshow(src);hold on;rectangle('position',[yt1,xt1,n-1,m-1],'edgecolor','r');title('MI配准图');hold off; figure;imshow(src);hold on;rectangle('position',[yt2,xt2,n-1,m-1],'edgecolor','r');title('NMI配准图');hold off; figure;imshow(src);hold on;rectangle('position',[yt3,xt3,n-1,m-1],'edgecolor','r');title('NCC配准图');hold off; %//over
至此，基于灰度的匹配暂时告一段落 |
【本文地址】
今日新闻 |
推荐新闻 |