機器視覺課件： 第十二章 《模板匹配》

1、模板匹配引言 模式識別就是分析圖像內(nèi)容,找出圖像中有哪些東西。 步驟： 圖像分割圖像分割（物體分離）：檢測出各個物體，并把它們的圖像和其余景物分離 特征抽取特征抽?。簩ξ矬w進行度量。通過計算對物體的一些重要特性進行量化表示 分類分類：確定每個物體應(yīng)該歸屬的類別模式識別的應(yīng)用 字符識別字符識別 如OCR識別軟件, 郵局信函自動分揀機 生物特征識別生物特征識別 指紋識別,人像識別等 遙感應(yīng)用遙感應(yīng)用 衛(wèi)星云圖, 地面導彈、飛機場等設(shè)施的衛(wèi)星圖像識別處理 醫(yī)學診斷醫(yī)學診斷 CT等圖像的識別處理識別與解釋:圖像分析系統(tǒng) 圖像分析技術(shù)分類的三種基本范疇 低級處理：圖像獲取、預處理，不需要智能 中級處理：

2、圖像分割、表示與描述，需要智能 高級處理：圖像識別、解釋，缺少理論，為降低難度，設(shè)計得更專用。4水果的識別 四部分： 數(shù)碼圖片的獲取， 圖像的彩色邊緣檢測、圖像的分割， 圖象的顏色特征和形狀特征提取 圖像的分類識別。 選擇研究的目標物 香蕉，西紅柿，梨和青椒四種果蔬。 功能： 使機器具有一定的視覺功能，能夠認識“記憶”中的水果。 例如：當接受到命令是香蕉時，就可以自動地將香蕉拿出來。 水果原始圖像 邊緣提取 使用索貝爾算子得到的邊緣圖像 取反后的邊緣圖像取反后的邊緣圖像 膨脹處理 膨脹處理后膨脹處理后區(qū)域填充 膨脹運算后，圖像的邊緣得到了很好的描述 然而，在目標物的內(nèi)部，仍然存在一些空洞，可通

3、過區(qū)域填充消除空洞 區(qū)域填充后區(qū)域填充后標記連通區(qū)域 為了能夠更加清楚的觀察分割結(jié)果，我們對上圖中的連通區(qū)域進行標記，并且用不同的顏色顯示 從圖中可以看出，共得到四部分分割區(qū)域，并分別用紅色，黃色，深藍色和藍綠色表示出來 對象提取 在二值圖像中，對象是指值為1且連接在一起的像素的集合。 根據(jù)上圖中不同目標物的不同坐標，提取出特定的連通區(qū)域，選擇特定的對象 分別顯示出只含有一個對象的二值圖像分別顯示出只含有一個對象的二值圖像 特征提取 形狀特征 顏色特征形狀特征 圖像經(jīng)過邊緣提取和圖像分割等操作，就會得到邊緣和區(qū)域，也就是獲得了目標的形狀。 任何物體的形狀特征均可由其幾何屬性（如長度、面積、距離

4、、凹凸等），統(tǒng)計屬性（如投影）和拓撲屬性（如連通、歐拉數(shù)）來進行描述。 可以用來表示形狀的特征包括幾何特征和矩特征。 可供選擇的幾何特征有：周長、面積、偏心率、歐拉數(shù)、角點、橫軸長度和縱軸長度。 矩特征有質(zhì)心、方向、主軸關(guān)于方向的矩、不變矩和特征矩等。 識別目標物較少，因此不必選擇過多特征，我們只選擇了面積，橫軸長兩個特征，并用圖像分析得到的特征值建立了一個小型的特征庫 顏色特征 由于顏色特征具有旋轉(zhuǎn)不變性和尺度不變性，因而，在圖象識別技術(shù)，顏色是使用最廣泛的特征之一。 而顏色特征的提取是利用顏色特征進行圖象識別的關(guān)鍵之一。 目前，大部分系統(tǒng)都采用顏色比例分布作為顏色基本特征， 這就是圖象領(lǐng)域

5、中的直方圖法。 (a) （b） 圖圖(a)(d)分別為香蕉，青椒，梨和西紅柿的直方圖分別為香蕉，青椒，梨和西紅柿的直方圖橫軸為色調(diào)橫軸為色調(diào)Hue，縱軸為，縱軸為H（p）。）。 相似度量 顏色特征提取后，如何用數(shù)值來有效的表示圖像在顏色上的相似程度，這便是相似度量問題 相似度量也是直接影響識別效果的重要環(huán)節(jié)，在模式識別技術(shù)中，特征的相似度量均采用距離法 ，即特征的相似程度用特征向量的空間距離來表示 識別結(jié)果 經(jīng)過彩色邊緣檢測，圖像分割和特征提取，對分割后的圖像進行模式匹配，并制作出用戶界面，最終實現(xiàn)圖像的分類和識別。模板匹配法模板匹配法 統(tǒng)計決策方法的特殊情況，也是最簡單的情況 待分類的每一類

6、模式只有一個唯一的標準（印刷體字符、標準普通話）觀測向量對樣本進行觀測、采樣、量化得到的原理數(shù)據(jù)構(gòu)成的向量觀測空間由觀測向量的維數(shù)決定的m維幾何空間R=r1,r2,rmT觀測向量觀測值 特征向量對觀測向量進行特征選擇和提取，得到反映事物本質(zhì)特性的特征構(gòu)成的向量 特征空間由特征向量的維數(shù)決定的n維幾何空間（nm），每個特征向量即是特征空間中的一個點X=x1,x2,xnT特征向量特征值模式識別，第二章18特征空間鮭鮭 魚魚鱸鱸 魚魚19 特征選擇 去除次要的特征，篩選出重要的特征 特征提取 通過壓縮變換或映射，降低特征維數(shù) 樣本的相似度 即樣本的相似程度，是模式識別的重要依據(jù) 通常以樣本特征向量在

7、特征空間中的距離作為樣本的相似度樣本相似度歐氏距離平方和距離絕對值距離加權(quán)距離最小距離分類器 歐氏距離設(shè)有兩個n維特征向量X1和 X2則此二樣本的歐氏距離定義為：TnxxxX,112121 =TnxxxX,222212 =221222122211121nnxxxxxxXXX =X1X2 平方和距離 絕對值距離（曼哈頓距離）22122212221112nnxxxxxxX =nnxxxxxxX2122122111 = 加權(quán)距離 可根據(jù)各個特征在識別中的重要程度設(shè)置各加權(quán)系數(shù)nnnxxxxxxD212212221111 =最小距離模板匹配法過程 學習過程 對每一類已知類的學習樣本進行特征提取，得到模

8、板向量X1， X2， XC（C為類別數(shù)） 設(shè)置識別門限值 以待識樣本與模板向量之間的相似度（距離）為識別準則最小距離模板匹配法過程 識別過程 對待識樣本進行特征提取，得到特征向量 計算待識樣本特征向量與模板向量X1， X2， XC之間的距離 D1， ，DC 若Di = min Dj ，j=1, 2 , ,C，且 Di = 15) NumLevels := i endifendforcreate_shape_model (ImageROI, NumLevels, 0, rad(360), auto, none, use_polarity, 30, 10, ModelID)get_shape_mo

9、del_contours (ShapeModel, ModelID, 1)* step 3: find the object in other imagesfor i := 1 to 2 by 1 grab_image (SearchImage, FGHandle) find_shape_model (SearchImage, ModelID, 0, rad(360), 0.7, 1, 0.5, least_squares, 0, 0.7, RowCheck, ColumnCheck, AngleCheck, Score) if (|Score| = 1) dev_set_color (yellow) vector_angle_to_rigid (0, 0, 0, RowCheck, ColumnCheck, AngleCheck, MovementOfObject) affine_trans_contour_xld (ShapeModel, ModelAtNewPosition, MovementOfObject) dev_display (SearchImage) dev_dis