模板匹配

简介：

       本文主要介绍几种基于灰度的图像匹配算法：平均绝对差算法（MAD）、绝对误差和算法（SAD）、误差平方和算法（SSD）、平均误差平方和算法（MSD）、归一化积相关算法（NCC）、序贯相似性检测算法（SSDA）、hadamard变换算法（SATD）。下面依次对其进行讲解。

MAD算法

介绍

        平均绝对差算法（Mean Absolute Differences，简称MAD算法），它是Leese在1971年提出的一种匹配算法。是模式识别中常用方法，该算法的思想简单，具有较高的匹配精度，广泛用于图像匹配。

设S(x,y)是大小为mxn的搜索图像，T(x,y)是MxN的模板图像，分别如下图(a)、(b)所示，我们的目的是：在(a)中找到与(b)匹配的区域（黄框所示）。

算法思路

        在搜索图S中，以(i,j)为左上角，取MxN大小的子图，计算其与模板的相似度；遍历整个搜索图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果。

        MAD算法的相似性测度公式如下。显然，平均绝对差D(i,j)越小，表明越相似，故只需找到最小的D(i,j)即可确定能匹配的子图位置：

其中：

算法评价：

优点：

①思路简单，容易理解（子图与模板图对应位置上，灰度值之差的绝对值总和，再求平均，实质：是计算的是子图与模板图的L1距离的平均值）。

②运算过程简单，匹配精度高。

缺点：

①运算量偏大。

②对噪声非常敏感。

——————————————————————————————————————————————————————————————————————————————

SAD算法

介绍

        绝对误差和算法（Sum of Absolute Differences，简称SAD算法）。实际上，SAD算法与MAD算法思想几乎是完全一致，只是其相似度测量公式有一点改动（计算的是子图与模板图的L1距离），这里不再赘述。

算法实现

由于文章所介绍的几个算法非常相似，所以本文仅列出SAD算法的代码，其余算法的实现类似。看别人代码都相对费力，想自己敲也很简单。

MATLAB代码

 %%
 %绝对误差和算法（SAD）
 clear all;
 close all;
 %%
 src=imread('lena.jpg');
 [a b d]=size(src);
 if d==3
     src=rgb2gray(src);
 end
 mask=imread('lena_mask.jpg');
 [m n d]=size(mask);
 if d==3
     mask=rgb2gray(mask);
 end
 %%
 N=n;%模板尺寸，默认模板为正方形
 M=a;%代搜索图像尺寸，默认搜索图像为正方形
 %%
 dst=zeros(M-N,M-N);
 for i=1:M-N         %子图选取，每次滑动一个像素
     for j=1:M-N
         temp=src(i:i+N-1,j:j+N-1);%当前子图
         dst(i,j)=dst(i,j)+sum(sum(abs(temp-mask)));
     end
 end
 abs_min=min(min(dst));
 [x,y]=find(dst==abs_min);
 figure;
 imshow(mask);title('模板');
 figure;
 imshow(src);
 hold on;
 rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
 hold off;title('搜索图');

输出结果

——————————————————————————————————————————————————————————————————————————————

SSD算法

        误差平方和算法（Sum of Squared Differences，简称SSD算法），也叫差方和算法。实际上，SSD算法与SAD算法如出一辙，只是其相似度测量公式有一点改动（计算的是子图与模板图的L2距离）。这里不再赘述。

——————————————————————————————————————————————————————————————————————————————

MSD算法

        平均误差平方和算法（Mean Square Differences，简称MSD算法），也称均方差算法。实际上，MSD之余SSD，等同于MAD之余SAD（计算的是子图与模板图的L2距离的平均值），故此处不再赘述。

————————————————————————————————————————————————————————————————————————————————

NCC算法

        归一化积相关算法（Normalized Cross Correlation，简称NCC算法），与上面算法相似，依然是利用子图与模板图的灰度，通过归一化的相关性度量公式来计算二者之间的匹配程度。

其中，、分别表示(i,j)处子图、模板的平均灰度值。

————————————————————————————————————————————————————————————————————————

SSDA算法

        序贯相似性检测算法（Sequential Similiarity Detection Algorithm，简称SSDA算法），它是由Barnea和Sliverman于1972年，在文章《A class of algorithms for fast digital image registration》中提出的一种匹配算法，是对传统模板匹配算法的改进，比MAD算法快几十到几百倍。

与上述算法假设相同：S(x,y)是mxn的搜索图，T(x,y)是MxN的模板图，是搜索图中的一个子图（左上角起始位置为(i,j)）。

显然：，

SSDA算法描述如下：

①定义绝对误差：

其中，带有上划线的分别表示子图、模板的均值：

 

实际上，绝对误差就是子图与模板图各自去掉其均值后，对应位置之差的绝对值。

②设定阈值Th；

③在模板图中随机选取不重复的像素点，计算与当前子图的绝对误差，将误差累加，当误差累加值超过了Th时，记下累加次数H，所有子图的累加次数H用一个表R(i,j)来表示。SSDA检测定义为：

下图给出了A、B、C三点的误差累计增长曲线，其中A、B两点偏离模板，误差增长得快；C点增长缓慢，说明很可能是匹配点（图中Tk相当于上述的Th，即阈值；I(i,j)相当于上述R(i,j)，即累加次数）。

④在计算过程中，随机点的累加误差和超过了阈值（记录累加次数H）后，则放弃当前子图转而对下一个子图进行计算。遍历完所有子图后，选取最大R值所对应的(i,j)子图作为匹配图像【若R存在多个最大值（一般不存在），则取累加误差最小的作为匹配图像】。

        由于随机点累加值超过阈值Th后便结束当前子图的计算，所以不需要计算子图所有像素，大大提高了算法速度；为进一步提高速度，可以先进行粗配准，即：隔行、隔离的选取子图，用上述算法进行粗糙的定位，然后再对定位到的子图，用同样的方法求其8个邻域子图的最大R值作为最终配准图像。这样可以有效的减少子图个数，减少计算量，提高计算速度。

——————————————————————————————————————————————————————————————————————

SATD算法

       hadamard变换算法（Sum of Absolute Transformed Difference，简称SATD算法），它是经hadamard变换再对绝对值求和算法。hadamard变换等价于把原图像Q矩阵左右分别乘以一个hadamard变换矩阵H。其中，hardamard变换矩阵H的元素都是1或-1，是一个正交矩阵，可以由MATLAB中的hadamard(n)函数生成，n代表n阶方阵。

      SATD算法就是将模板与子图做差后得到的矩阵Q，再对矩阵Q求其hadamard变换（左右同时乘以H，即HQH），对变换都得矩阵求其元素的绝对值之和即SATD值，作为相似度的判别依据。对所有子图都进行如上的变换后，找到SATD值最小的子图，便是最佳匹配。

MATLAB实现：

 %//*****************************************
 %//Copyright (c) 2015 Jingshuang Hu

 %//@filename:demo.m
 %//@datetime:2015.08.20
 %//@author:HJS
 %//@e-mail:[email protected]
 %//@blog:http://blog.csdn.net/hujingshuang
 %//*****************************************
 %%
 %//SATD模板匹配算法-哈达姆变换(hadamard)
 clear all;
 close all;
 %%
 src=double(rgb2gray(imread('lena.jpg')));%//长宽相等的
 mask=double(rgb2gray(imread('lena_mask.jpg')));%//长宽相等的
 M=size(src,1);%//搜索图大小
 N=size(mask,1);%//模板大小
 %%
 hdm_matrix=hadamard(N);%//hadamard变换矩阵
 hdm=zeros(M-N,M-N);%//保存SATD值
 for i=1:M-N
     for j=1:M-N
         temp=(src(i:i+N-1,j:j+N-1)-mask)/256;
         sw=(hdm_matrix*temp*hdm_matrix)/256;
         hdm(i,j)=sum(sum(abs(sw)));
     end
 end
 min_hdm=min(min(hdm));
 [x y]=find(hdm==min_hdm);
 figure;imshow(uint8(mask));
 title('模板');
 figure;imshow(uint8(src));hold on;
 rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
 title('搜索结果');hold off;
 %//完

输出结果：

—————————————————————————————————————————————————————————————————————

OK，介绍完毕，以上便是几种常见的基于灰度的模板匹配算法。

最近一直在做彩色图像相似性对比，对比过程中发现图像中目标平移后会出现结果错误的问题。

针对该问题，我借助了模板匹配的相关原理，实现了对平移目标鲁棒的函数，从而完成了相似性对比彩色图像的最后一个环节。

当然了，在写函数的过程中，还使用到了经典的查询函数，PNSR。