機(jī)器視覺(jué)課件： 第十二章 《模板匹配》

1、模板匹配引言 模式識(shí)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(cè)出各個(gè)物體，并把它們的圖像和其余景物分離 特征抽取特征抽?。簩?duì)物體進(jìn)行度量。通過(guò)計(jì)算對(duì)物體的一些重要特性進(jìn)行量化表示 分類(lèi)分類(lèi)：確定每個(gè)物體應(yīng)該歸屬的類(lèi)別模式識(shí)別的應(yīng)用 字符識(shí)別字符識(shí)別 如OCR識(shí)別軟件, 郵局信函自動(dòng)分揀機(jī) 生物特征識(shí)別生物特征識(shí)別 指紋識(shí)別,人像識(shí)別等 遙感應(yīng)用遙感應(yīng)用 衛(wèi)星云圖, 地面導(dǎo)彈、飛機(jī)場(chǎng)等設(shè)施的衛(wèi)星圖像識(shí)別處理 醫(yī)學(xué)診斷醫(yī)學(xué)診斷 CT等圖像的識(shí)別處理識(shí)別與解釋:圖像分析系統(tǒng) 圖像分析技術(shù)分類(lèi)的三種基本范疇 低級(jí)處理：圖像獲取、預(yù)處理，不需要智能 中級(jí)處理：

2、圖像分割、表示與描述，需要智能 高級(jí)處理：圖像識(shí)別、解釋?zhuān)鄙倮碚?，為降低難度，設(shè)計(jì)得更專(zhuān)用。4水果的識(shí)別 四部分： 數(shù)碼圖片的獲取， 圖像的彩色邊緣檢測(cè)、圖像的分割， 圖象的顏色特征和形狀特征提取 圖像的分類(lèi)識(shí)別。 選擇研究的目標(biāo)物 香蕉，西紅柿，梨和青椒四種果蔬。 功能： 使機(jī)器具有一定的視覺(jué)功能，能夠認(rèn)識(shí)“記憶”中的水果。 例如：當(dāng)接受到命令是香蕉時(shí)，就可以自動(dòng)地將香蕉拿出來(lái)。 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(yùn)算后，圖像的邊緣得到了很好的描述 然而，在目標(biāo)物的內(nèi)部，仍然存在一些空洞，可通

3、過(guò)區(qū)域填充消除空洞 區(qū)域填充后區(qū)域填充后標(biāo)記連通區(qū)域 為了能夠更加清楚的觀(guān)察分割結(jié)果，我們對(duì)上圖中的連通區(qū)域進(jìn)行標(biāo)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(lán)色和藍(lán)綠色表示出來(lái) 對(duì)象提取 在二值圖像中，對(duì)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(biāo)物的不同坐標(biāo)，提取出特定的連通區(qū)域，選擇特定的對(duì)象 分別顯示出只含有一個(gè)對(duì)象的二值圖像分別顯示出只含有一個(gè)對(duì)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(guò)邊緣提取和圖像分割等操作，就會(huì)得到邊緣和區(qū)域，也就是獲得了目標(biāo)的形狀。 任何物體的形狀特征均可由其幾何屬性（如長(zhǎng)度、面積、距離

4、、凹凸等），統(tǒng)計(jì)屬性（如投影）和拓?fù)鋵傩裕ㄈ邕B通、歐拉數(shù)）來(lái)進(jìn)行描述。 可以用來(lái)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(zhǎng)、面積、偏心率、歐拉數(shù)、角點(diǎn)、橫軸長(zhǎng)度和縱軸長(zhǎng)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(shí)別目標(biāo)物較少，因此不必選擇過(guò)多特征，我們只選擇了面積，橫軸長(zhǎng)兩個(gè)特征，并用圖像分析得到的特征值建立了一個(gè)小型的特征庫(kù) 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(shí)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(jìn)行圖象識(shí)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(lái)有效的表示圖像在顏色上的相似程度，這便是相似度量問(wèn)題 相似度量也是直接影響識(shí)別效果的重要環(huán)節(jié)，在模式識(shí)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(lái)表示 識(shí)別結(jié)果 經(jīng)過(guò)彩色邊緣檢測(cè)，圖像分割和特征提取，對(duì)分割后的圖像進(jìn)行模式匹配，并制作出用戶(hù)界面，最終實(shí)現(xiàn)圖像的分類(lèi)和識(shí)別。模板匹配法模板匹配法 統(tǒng)計(jì)決策方法的特殊情況，也是最簡(jiǎn)單的情況 待分類(lèi)的每一類(lèi)

6、模式只有一個(gè)唯一的標(biāo)準(zhǔn)（印刷體字符、標(biāo)準(zhǔn)普通話(huà)）觀(guān)測(cè)向量對(duì)樣本進(jìn)行觀(guān)測(cè)、采樣、量化得到的原理數(shù)據(jù)構(gòu)成的向量觀(guān)測(cè)空間由觀(guān)測(cè)向量的維數(shù)決定的m維幾何空間R=r1,r2,rmT觀(guān)測(cè)向量觀(guān)測(cè)值 特征向量對(duì)觀(guān)測(cè)向量進(jìn)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(gè)特征向量即是特征空間中的一個(gè)點(diǎn)X=x1,x2,xnT特征向量特征值模式識(shí)別，第二章18特征空間鮭鮭 魚(yú)魚(yú)鱸鱸 魚(yú)魚(yú)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(guò)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(shí)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(duì)值距離加權(quán)距離最小距離分類(lèi)器 歐氏距離設(shè)有兩個(gè)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(duì)值距離（曼哈頓距離）22122212221112nnxxxxxxX =nnxxxxxxX2122122111 = 加權(quán)距離 可根據(jù)各個(gè)特征在識(shí)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(guò)程 學(xué)習(xí)過(guò)程 對(duì)每一類(lèi)已知類(lèi)的學(xué)習(xí)樣本進(jìn)行特征提取，得到模

8、板向量X1， X2， XC（C為類(lèi)別數(shù)） 設(shè)置識(shí)別門(mén)限值 以待識(shí)樣本與模板向量之間的相似度（距離）為識(shí)別準(zhǔn)則最小距離模板匹配法過(guò)程 識(shí)別過(guò)程 對(duì)待識(shí)樣本進(jìn)行特征提取，得到特征向量 計(jì)算待識(shí)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