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',[x,y,N-1,N-1],'edgecolor','r');
- hold off;title('搜索图');
输出结果
——————————————————————————————————————————————————————————————————————————————
SSD算法
(未完待续)
http://blog.csdn.net/hujingshuang/article/details/47759579
http://blog.csdn.net/yanbdsky/article/details/5648295