图像处理中的模板匹配c++实现

一、理论基础

基于相关的模板匹配技术可直接用于在一幅图像中，寻找某种子图像模式。对于大小为MxN的图像f(x,y)和大小为JxK的子图像模式w(x,y),f与w的相关可表示为：

这里写图片描述

其种，x=0,1,2,…N-K,y=0,1,2,…M-J。此处
的目的是寻找匹配而不是对f(x,y)进行滤波操作，因此w的原点被设置在子图像的左上角，
并且式(11-3) 给出的形式也完全适用于J和K 为偶数的情况。
计算相关c(x,y)的过程就是在图像f(x,y)中逐点地移动子图像w(x,小),使w 的原点和点
(x,y)重合，然后计算w与f中被w覆盖的图像区域对应像素的乘积之和，以此计算结果作
为相关图像c(x,)在(x,y)点的响应。
相关可用于在图像f(x,y)中找到与子图像w(x,y)匹配的所有位置。实际上，当w 按照上
段中描述的过程移过整幅图像f之后，最大的响应点(xo,yo)即为最佳匹配的左上角点。我们
也可以设定一个阈值T,认为响应值大于该阈值的点均是可能的匹配位置。
相关的计算是通过将图像元素和子模式图像元素联系起来获得的，将相关元素相乘后累
加。我们完全可以将子图像w视为一个按行或按列存储的向量，将计算过程中被w覆盖的图像区域视为另一个按照同样的方式存储的向量.这样一来,相关计算就- 成了向量之间的点积运算。

两个向量的点积为:
这里写图片描述

其中，Θ 为向量、之间的夹角。显然，当和具有完全相同的方向(平行) 时，,从而式(11-4) 取得其最大值，这就意味着当图像的局部区域类似于子图像模式时，相关运算产生最大的响应。然而，式(11-4) 最终的取值还与向量、自身的模有关，这将导致按照式(11-4) 计算的相关响应存在着对f和w 的灰度幅值比较敏感的缺陷。这样一来，在f的高灰度区域，可能尽管其内容与子图像w的内容并不相近，但由于自身较大而同样产生一个很高的响应。可通过对向量以其模值来归一化解决这一问题，即通过来计算。

改进的用于匹配的相关计算公式如下:
这里写图片描述

二、代码部分

看了脑疼的理论，下面看看让人愉快的代码吧。

TemplateMatch.h

#pragma once
#include<opencv2\opencv.hpp>
using namespace cv;
typedef unsigned char BYTE;
void TemplateMatch(Mat * pTo, Mat * pTemplate,Mat * src);

TemplateMatch.cpp

 #include"TemplateMatch.h"

void TemplateMatch(Mat * pTo, Mat * pTemplate, Mat * src)
{

    //循环变量
    int i, j, m, n;

    double dSumT; //模板元素的平方和
    double dSumS; //图像子区域元素的平方和
    double dSumST; //图像子区域和模板的点积    

                   //响应值
    double R;

    //记录当前的最大响应
    double MaxR;

    //最大响应出现位置
    int nMaxX;
    int nMaxY;

    int nHeight = src->rows;
    int nWidth = src->cols;
    //模板的高、宽
    int nTplHeight = pTemplate->rows;
    int nTplWidth = pTemplate->cols;

    //计算 dSumT
    dSumT = 0;
    for (m = 0; m < nTplHeight; m++)
    {
        for (n = 0; n < nTplWidth; n++)
        {
            // 模板图像第m行，第n个象素的灰度值
            int nGray =*pTemplate->ptr(m, n);

            dSumT += (double)nGray*nGray;
        }
    }

    //找到图像中最大响应的出现位置
    MaxR = 0;
    for (i = 0; i < nHeight - nTplHeight + 1; i++)
    {
        for (j = 0; j < nWidth - nTplWidth + 1; j++)
        {
            dSumST = 0;
            dSumS = 0;

            for (m = 0; m < nTplHeight; m++)
            {
                for (n = 0; n < nTplWidth; n++)
                {
                    // 原图像第i+m行，第j+n列象素的灰度值
                    int nGraySrc = *src->ptr(i + m, j + n);

                    // 模板图像第m行，第n个象素的灰度值
                    int nGrayTpl = *pTemplate->ptr(m, n);

                    dSumS += (double)nGraySrc*nGraySrc;
                    dSumST += (double)nGraySrc*nGrayTpl;
                }
            }

            R = dSumST / (sqrt(dSumS)*sqrt(dSumT));//计算相关响应

            //与最大相似性比较
            if (R > MaxR)
            {
                MaxR = R;
                nMaxX = j;
                nMaxY = i;
            }
        }
    }

    //将找到的最佳匹配区域复制到目标图像
    for (m = 0; m < nTplHeight; m++)
    {
        for (n = 0; n < nTplWidth; n++)
        {
            int nGray = *src->ptr(nMaxY + m, nMaxX + n);
            //pTo->setTo(nMaxX + n, nMaxY + m, RGB(nGray, nGray, nGray));
            pTo->at<BYTE>(nMaxY + m, nMaxX + n) = nGray;
        }
    }

}

测试代码

#include"TemplateMatch.h"
#include<iostream>

using namespace std;
int main()
{
    Mat src = imread("./src.jpg", 0);
    Mat Template = imread("./template.jpg", 0);
    Mat pt=src;
    pt.data = new BYTE[src.cols*src.rows];
    memset(pt.data, 255, src.cols*src.rows);
    TemplateMatch(&pt, &Template, &src);
    imshow("S", src);
    imshow("T", Template);
    imshow("P", pt);

    imwrite("S.jpg", src);
    imwrite("T.jpg", Template);
    imwrite("P.jpg", pt);
    waitKey(0);
    return 0;
}

效果如下：
这里写图片描述

    下面给出这个工程的百度云连接：链接：http://pan.baidu.com/s/1jIuuT3w 密码：veto

写的不好的地方，还希望指正，O(∩_∩)O谢谢。
在这我要强烈推荐一本书：《数字图像处理与机器视觉 Visual C 与Matlab实现》，这本书写的很基础，适合初学者和研究人员

图像处理中的模板匹配c++实现

猜你喜欢