模板匹配,ncc
ncc 模板匹配算法 -回复
ncc 模板匹配算法-回复NCC（Normalized Cross-Correlation）模板匹配算法在计算机视觉领域中被广泛应用，用于检测图像中的目标物体。
本文将逐步介绍NCC模板匹配算法的原理、步骤和应用，并探讨其优势和局限性。
一、NCC模板匹配算法的原理NCC模板匹配算法基于归一化的互相关性进行目标检测。
互相关性是一种衡量两个信号相似度的方法，通过计算两个信号之间的相似性得分来判断它们的相关性。
而NCC模板匹配算法则在此基础上进行了归一化处理，使得计算结果不受亮度和对比度的影响。
二、NCC模板匹配算法的步骤1. 数据准备：首先，我们需要准备一张待匹配的图像和一个目标物体的模板图像。
模板图像是我们希望在待匹配图像中找到的目标物体的参考图像。
2. 归一化处理：为了消除亮度和对比度的影响，需要对待匹配图像和模板图像进行归一化处理。
具体来说，我们需要将图像的亮度值均衡化，以及将图像的对比度缩放至合适的范围。
3. 特征提取：在NCC模板匹配算法中，我们通常使用图像的灰度值作为特征。
因此，我们需要将待匹配图像和模板图像转换为灰度图像。
4. 计算互相关系数：接下来，计算目标物体在待匹配图像中的位置。
我们通过计算待匹配图像与模板图像之间的互相关系数来评估它们的相似度。
互相关系数的计算公式为：NCC = sum((I - mean(I)) * (T - mean(T))) / (std(I) * std(T))其中，I表示待匹配图像的灰度值矩阵，T表示模板图像的灰度值矩阵，mean()和std()分别表示矩阵的均值和标准差。
5. 目标定位：最后，根据互相关系数的计算结果，我们可以确定目标物体在待匹配图像中的位置。
通常，我们选择互相关系数最大的位置作为目标物体的定位。
三、NCC模板匹配算法的应用NCC模板匹配算法在计算机视觉领域有广泛的应用，如目标检测、人脸识别、图像拼接等。
以下是NCC模板匹配算法的几个应用实例：1. 目标检测：NCC模板匹配算法可以用于检测图像中的特定目标物体。
ncc模板匹配算法 金字塔 -回复
ncc模板匹配算法金字塔-回复什么是NCC模板匹配算法？NCC模板匹配算法（Normalized Cross-Correlation Template Matching Algorithm）是一种基于图像处理的计算机视觉技术，常用于模板匹配、目标检测和跟踪等应用。
该算法通过比较图像中的局部区域与模板的相似程度来寻找目标物体的位置。
NCC模板匹配算法的原理是利用图像的亮度信息进行图像匹配。
首先，通过归一化处理将图像的亮度范围缩放到0到1之间，以消除亮度差异的影响。
然后，将模板和图像中的子区域进行相互比较，计算它们之间的相关性得分。
具体来说，NCC模板匹配算法可以分为以下几个步骤：1. 构建金字塔：首先，将原始图像分解成不同分辨率的图像金字塔。
金字塔的底层包含原始图像，而顶层包含最小分辨率的图像。
通过构建金字塔，可以在不同尺度上对图像进行匹配，以适应目标物体的尺寸变化。
2. 提取模板：选择一个目标物体的样本图像作为模板，并对其进行预处理。
预处理步骤可能包括图像平滑、降噪、增强对比度等操作，以提取出模板的主要特征。
3. 计算相关性得分：对于金字塔中的每个尺度，将模板与图像的子区域进行比较，并计算它们之间的相关性得分。
相关性得分可以通过计算两者之间的互相关系数来得到。
互相关系数的数值介于-1和1之间，表示两者之间的相关程度。
相关性得分越高，表示两者之间的相似度越高。
4. 确定最佳匹配：在每个尺度上，找到相关性得分最高的位置，即表示最佳匹配的位置。
可以使用阈值或其他筛选方法来确定匹配的位置是否符合要求。
5. 后处理：对于得到的最佳匹配位置，可以进行一些后处理操作，如消除重叠匹配、根据周围像素进行插值或平滑等，以提高匹配结果的准确性和稳定性。
NCC模板匹配算法的优点是具有较高的匹配精度和较好的鲁棒性，适用于多种目标物体的检测与定位。
然而，该算法也存在一些限制，比如对图像的亮度变化敏感，对尺度变化较大的目标物体匹配效果不佳。
ncc 模板匹配算法 -回复
ncc 模板匹配算法-回复什么是ncc模板匹配算法NCC（Normalized Cross-Correlation）模板匹配算法是一种计算机视觉领域常用的模板匹配方法。
它通过将图像中的每个像素与一个预定义的模板进行比较，从而在图像中寻找与模板最相似的区域。
NCC模板匹配算法的原理基于归一化互相关的概念，可以有效地检测图像中的目标。
首先，我们需要了解一下互相关的概念。
互相关是一种信号处理中常用的数学操作，它描述了两个信号之间的相似程度。
在图像处理中，互相关通常用于寻找两幅图像之间的相似区域。
NCC模板匹配算法是基于归一化互相关的概念进行的。
归一化是为了消除图像亮度的影响，使得匹配结果更加准确。
在NCC模板匹配算法中，首先将原始图像和模板进行归一化处理，然后通过计算归一化互相关来寻找图像中与模板最相似的区域。
NCC模板匹配算法的步骤可以总结如下：1. 定义模板：首先需要确定要匹配的目标模板。
模板可以是一个固定大小的矩形区域，也可以是一个特定形状的区域。
模板的选择要根据具体的应用场景进行，确保模板能够准确地描述待匹配的目标。
2. 归一化处理：将原始图像和模板进行归一化处理。
归一化可以通过减去均值并除以标准差来实现。
归一化处理能够消除图像亮度的影响，使得匹配结果更加准确。
3. 计算归一化互相关：对于每个像素点，计算原始图像和模板的归一化互相关值。
归一化互相关值表示了图像中该像素点与模板的相似程度。
计算归一化互相关可以使用卷积运算来实现，通过对每个像素点和模板进行逐点相乘，并求和得到结果。
4. 寻找最相似的区域：通过比较归一化互相关值，找到与模板最相似的区域。
可以选择找到具有最高归一化互相关值的像素点作为匹配结果，或者通过设置一个阈值来确定匹配结果。
5. 输出匹配结果：将匹配结果标记在原始图像上，以便在后续的处理中进行分析或者可视化。
NCC模板匹配算法的优点在于简单高效，适用于各种类型的目标检测任务。
然而，它也存在一些限制。
NCC算法简述范文
NCC算法简述范文NCC（Normalized Cross Correlation）算法是一种经典的图像匹配算法，可以用于图像的模板匹配、目标跟踪等应用。
它通过计算两个图像之间的相关性来确定它们之间的相似度。
在NCC算法中，首先需要选取一个模板图像，然后将其与待匹配的目标图像进行比较。
算法的核心是计算两个图像之间的归一化互相关函数（NCCF）。
互相关函数是一种衡量两个图像之间的相关性的指标，它可以用于确定两个图像的相似性。
具体而言，NCC算法的步骤如下：1.预处理：首先需要对模板图像和目标图像进行预处理。
例如，可以对图像进行灰度化、去噪处理等，以减少干扰。
2.计算均值：对模板图像和目标图像分别计算像素值的平均值。
这可以通过遍历图像的每个像素，并将像素值相加，最后再除以像素总数来实现。
3.计算标准差：对模板图像和目标图像分别计算像素值的标准差。
标准差可以用于度量图像的纹理信息。
4.计算NCCF：NCCF可以通过将模板图像和目标图像的差值与标准差的乘积相除得到。
具体而言，需要遍历图像的每个像素，计算两个图像对应像素的差值，然后将差值与标准差进行乘积，最后再除以像素总数。
5.归一化：计算NCCF时，可能会得到负值或大于1的值。
为了将NCCF限制在[0,1]的范围内，需要对NCCF进行归一化处理。
可以通过将NCCF减去最小值，然后再除以最大值与最小值之差来实现。
6.模板匹配：计算完NCCF之后，可以对图像进行匹配。
可以遍历目标图像的每个位置，将模板图像与目标图像的子图像进行比较，计算归一化互相关系数。
匹配的结果可以通过选择归一化互相关系数最大的位置得到。
NCC算法的优点是简单且易于实现，并且对图像的亮度和对比度的变化不敏感，因此在很多应用中被广泛使用。
但是，NCC算法也有一些限制，比如它对图像的旋转、缩放、平移等变换不具有鲁棒性，而且由于计算的复杂性，当图像尺寸较大时，算法的计算时间也会较长。
总结起来，NCC算法是一种基于计算归一化互相关函数的图像匹配算法。
ncc 模板匹配算法 -回复
ncc 模板匹配算法-回复NCC 模板匹配算法- 模式识别领域中的利器在模式识别的领域中，模板匹配算法被广泛应用于各种图像处理任务中，特别是在图像分割、目标识别和模式检索等应用中。
其中，一种重要的模板匹配算法是NCC（Normalized Cross-Correlation）模板匹配算法。
本文将介绍NCC 模板匹配算法的基本原理、算法流程和应用案例。
一、算法原理NCC 模板匹配算法基于归一化的互相关系数（normalizedcross-correlation coefficient）来计算图像之间的相似度。
其核心思想是将待匹配图像与参考模板进行逐像素比较，并计算它们之间的相似度。
NCC 算法可以衡量两幅图像的像素值的相关性，从而判断它们的匹配程度。
NCC 模板匹配算法的基本步骤如下：1. 输入待匹配图像和参考模板图像。
2. 根据图像大小和模板尺寸的关系，遍历待匹配图像的每个像素。
3. 对于每个像素，取以其为中心的模板区域，并对其进行灰度归一化处理。
4. 计算归一化的互相关系数，即算法的关键步骤。
通过计算待匹配图像的模板区域与参考模板之间的相似度，可以得到相关系数，值越大表示相似度越高。
5. 根据计算的相关系数，确定图像中匹配度最高的位置。
二、算法流程NCC 模板匹配算法的具体流程如下：1. 将待匹配图像和参考模板图像进行灰度化处理，转换为灰度图像。
2. 设定模板尺寸和步长。
3. 遍历待匹配图像的每个像素，以其为中心截取模板区域。
4. 对待匹配图像和参考模板的模板区域进行灰度归一化处理。
5. 计算归一化的互相关系数，通过对应像素的相乘再求和的方式计算互相关系数。
6. 对计算得到的互相关系数进行归一化处理，使其取值范围在[0, 1]之间。
7. 根据归一化的互相关系数确定匹配程度最高的位置，并输出结果。
三、应用案例NCC 模板匹配算法在实际应用中具有广泛的应用。
以下是一些典型的应用案例：1. 目标识别：NCC 模板匹配算法可以用于识别图像中的目标物体。
与opencv模板匹配类似的算法
与opencv模板匹配类似的算法随着计算机视觉技术的不断发展，图像处理和模式识别方面的算法也在不断地得到改进和优化。
在诸多的图像处理算法中，模板匹配是一种常见且有着广泛应用的技术。
它可以用于在一副大图像中寻找特定的目标，或者用于在图像中寻找特定的模式。
而OpenCV作为一个流行的开源计算机视觉库，其模板匹配算法也被广泛应用于各种图像处理任务中。
不过，除了OpenCV提供的模板匹配算法之外，还有许多其他算法也能够实现类似的功能。
本文将介绍一些与OpenCV模板匹配类似的算法，以及它们的原理和应用。
1. NCC（Normalized Cross Correlation）NCC是一种常见的模板匹配算法，其原理是计算模板和图像之间的归一化互相关。
在模板匹配过程中，首先需要对模板和图像进行零均值化处理，然后计算它们的归一化互相关。
将得到的互相关值作为匹配度的度量，从而找到目标的位置。
NCC算法的优点是不依赖于图像的灰度变化，因此在灰度变化较大的情况下，能够得到较好的匹配结果。
NCC算法也对图像的光照变化、旋转和尺度变化具有一定的鲁棒性，因此在实际应用中具有较高的可靠性。
2. SAD（Sum of Absolute Differences）SAD算法是另一种常见的模板匹配算法，其原理是计算模板和图像之间的绝对差值的和。
在匹配过程中，首先需要将模板和图像的对应像素进行绝对差值的计算，然后将所有差值的绝对值求和，最终得到一个匹配度的评估值。
SAD算法在实现上比较简单，计算速度也较快，因此在实际应用中具有一定的优势。
不过，SAD算法对图像的灰度变化和噪声比较敏感，在实际应用中需要进行一定的预处理和优化。
3. SSD（Sum of Squared Differences）SSD算法和SAD算法类似，其原理是计算模板和图像之间的平方差值的和。
在匹配过程中，首先需要将模板和图像的对应像素进行平方差值的计算，然后将所有差值的平方和，最终得到一个匹配度的评估值。
ncc模板匹配算法 -回复
ncc模板匹配算法-回复什么是ncc模板匹配算法？NCC（Normalized Cross-Correlation）模板匹配算法是一种常用的用于图像处理和计算机视觉领域的算法。
它可以在图像中寻找特定模板或者目标。
该算法利用了两个图像的归一化互相关来衡量它们的相似性，从而实现模板的匹配。
在NCC模板匹配算法中，首先需要有一个待匹配的模板图像和一个待搜索的目标图像。
模板图像一般是我们感兴趣的目标，而目标图像则是我们希望在其中寻找到模板的图像。
接下来，算法会计算模板图像和目标图像的归一化互相关。
归一化互相关是指将两个图像的亮度进行归一化，并计算它们的互相关系数。
互相关系数可以衡量两个图像之间的相似性。
在计算归一化互相关时，需要进行以下几个步骤：1. 对模板图像和目标图像进行亮度归一化。
这一步是为了避免因亮度差异而引入偏差。
常用的方法是减去两个图像的均值，并除以它们的标准差。
2. 对归一化后的模板图像和目标图像进行互相关计算。
互相关计算是指将归一化后的模板图像和目标图像进行像素级别的相乘，并将相乘结果求和。
3. 对互相关结果进行归一化，以得到互相关系数。
归一化是指将互相关结果减去均值，并除以标准差。
这一步是为了使得互相关系数的取值范围在0到1之间，方便后续的处理。
4. 对归一化后的互相关结果进行阈值化处理，以确定匹配程度。
通常，设置一个合适的阈值来判断互相关系数是否高于该阈值，从而确定是否匹配成功。
NCC模板匹配算法具有以下特点和应用：1. 非常适用于在大型图像中寻找特定的目标物体。
通过计算互相关系数，可以快速确定目标在图像中的位置。
2. 该算法对目标物体的旋转、缩放和光照变化具有一定的鲁棒性。
通过亮度归一化，可以减弱光照变化对匹配结果的干扰。
3. 可以应用于目标跟踪和图像识别等领域。
通过将目标图像的一部分作为模板，在新的图像中寻找相似的模板来实现目标的跟踪和识别。
4. NCC模板匹配算法的计算量较大，特别是在大规模图像上的匹配任务中。
halcon之NCC匹配
halcon之NCC匹配NCC匹配基于Normalized cross correlation(NCC)⽤来⽐较两幅图像的相似程度已经是⼀个常见的图像处理⼿段。
在⼯业⽣产环节检测、监控领域对对象检测与识别均有应⽤。
NCC算法可以有效降低光照对图像⽐较结果的影响。
⽽且NCC最终结果在0到1之间，所以特别容易量化⽐较结果，只要给出⼀个阈值就可以判断结果的好与坏。
传统的NCC⽐较⽅法⽐较耗时，虽然可以通过调整窗⼝⼤⼩和每次检测的步长矩形部分优化，但是对⼯业⽣产检测然后不能达到实时需求，通过积分图像实现预计算，⽐较模板图像与⽣产出电⼦版之间的细微差异，可以帮助企业提⾼产品质量，减少次品出⼚率，把控质量。
⼀：NCC相关的数学知识什么是NCC - （normalized cross correlation）归⼀化的交叉相关性，是数学上统计两组数据之间是否有关系的判断⽅法，貌似搞⼤数据分析⽐较流⾏相关性分析和计算。
正常的计算公式如下：mxn表⽰窗⼝⼤⼩，这样的计算复杂度就为O(m x n x M x N)。
从上⾯公式就可以看出其中均值和平⽅和可以通过积分图预计算得到，对于模板和⽬标图像⼤⼩⼀致的应⽤场景来说NCC的计算公式可以表⽰为如下：其中根据积分图像可以提前计算出任意窗⼝⼤⼩和与平⽅和，这样就对通过积分图像建⽴起来窗⼝下⾯的待检测图像与模板图像的和与平⽅和以及他们的交叉乘积五个积分图索引之后，这样就完成了整个预计算⽣成。
依靠索引表查找计算结果，NCC就可以实现线性时间的复杂度计算，⽽且时间消耗近似常量跟窗⼝半径⼤⼩⽆关，完全可以满⾜实时对象检测⼯业环境⼯作条件。
⼆：算法步骤1. 预计算模板图像和⽬标图像的积分图2. 根据输⼊的窗⼝半径⼤⼩使⽤积分图完成NCC计算3. 根据阈值得到匹配或者不匹配区域。
4. 输出结果为了减⼩计算量，我们可以要把输⼊的图像转换为灰度图像，在灰度图像的基础上完成整个NCC计算检测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
竭诚为您提供优质文档/双击可除
模板匹配,ncc
篇一：ncc计算公式
ncc是基于相似度度量的匹配算法，因为对线性光照不敏感，在目标识别和工业检测领域得到了广泛的应用。
传统的ncc算法计算公式如下：
{[i(x+i,y+j)-i(x,y)][t(i,j)-t]}
mnncc(x,y)=其中i为目标图像；t为模板图像，模板大小为m*n
篇二：基于halcon的模板匹配方法总结
基于halcon的模板匹配方法总结
分类：halcon学习20xx-06-2616:0247人阅读评论(0)收藏举报
德国mVtec公司开发的halcon机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。
hdevelop开发环境中提供的匹配的方法主要有三种，即component-based、gray-Value-based、
shape-based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。
这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。
这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如Vc++来开发的过程。
在Vc下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。
下面我就具体地谈谈基于halcon的形状匹配算法的研究和心得总结。
1.shape-basedmatching的基本流程
halcon提供的基于形状匹配的算法主要是针对感兴趣
的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。
基本流程是这样的，如下所示：
⑴首先确定出Roi的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用area_center()找到这个矩形
的中心；⑵然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个Roi；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等；
⑶接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由numlevels 指定，值越大则找到物体的时间越少，anglestart和angleextent决定可能的旋转范围，anglestep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。
对特别大的模板，用optimization来减少模板点的数量是很有用的；minconstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则minconstrast应当设为10；metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，
get_shape_model_contours()则会很容易的帮我们找到模板的轮廓；
⑷创建好模板后，就可以打开另一幅图像，来进行模板
匹配了。
这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。
这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。
其中参数subpixel
决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增
加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。
比较重要的两个参数是minsocre和greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，
很耗时，若为1，则为不安全搜索，但最快。
在大多数情况下，在能够匹配的情况下，尽可能的
增大其值。
⑸找到之后，还需要对其进行转化，使之能够显示，这两个函数vector_angle_to_rigid()和
affine_trans_contour_xld()在这里就起这个作用。
前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的结果中对构造一个刚体仿射变换很有用，把参考图像变为当前图像。
其详细的流程图和中间参数，如下图所示：（无法上传）
2.基于形状匹配的参数关系与优化
在halcon的说明资料里讲到了这些参数的作用以及关系，在上面提到的文章中也作了介绍，这里主要是重复说明一下这些参数的作用，再强调一下它们影响匹配速度的程度；在为了提高速度而设置参数之前，有必要找出那些在所有测试图像中匹配成功的设置，这时需考虑以下情况：
①必须保证物体在图像边缘处截断，也就是保证轮廓的清晰，这些可以通过形态学的一些方法来处理；
②如果greediness值设的太高，就找不到其中一些可
见物体，这时最后将其设为0来执行完全搜索；
③物体是否有封闭区域，如果要求物体在任何状态下都能被识别，则应减小minscore值；
④判断在金字塔最高级上的匹配是否失败，可以通过
find_shape_model（）减小numlevels值来测试；
⑤物体是否具有较低的对比度，如果要求物体在任何状态下都能被识别，则应减小mincontrast值；
⑥判断是否全局地或者局部地转化对比度极性，如果需要在任何状态下都能被识别，则应给参数metric设置一个
合适的值；
⑦物体是否与物体的其他实例重叠，如果需要在任何状态下都能识别物体，则应增加maxoverlap值；
⑧判断是否在相同物体上找到多个匹配值，如果物体几乎是对称的，则需要控制旋转范围；
如何加快搜索匹配，需要在这些参数中进行合理的搭配，有以下方法可以参考：①只要匹配成功，则尽可能增加参数minscore的值；
②增加greediness值直到匹配失败，同时在需要时减
小minscore值；
③如果有可能，在创建模板时使用一个大的numlevels，即将图像多分几个金字塔级；④限定允许的旋转范围和大小范围，在调用find_shape_model（）时调整相应的参数；⑤尽量限定搜索Roi的区域；
除上面介绍的以外，在保证能够匹配的情况下，尽可能的增大greediness的值，因为在后面的实验中，用模板匹
配进行视频对象跟踪的过程中，这个值在很大程度上影响到匹配的速度。
当然这些方法都需要跟实际联系起来，不同图像在匹配过程中也会有不同的匹配效果，在具体到某些应用，不同的硬件设施也会对这个匹配算法提出新的要求，所以需要不断地去尝试。
在接下来我会结合自己做的具体的实验来如何利用halcon来进行实验，主要是在视频对象分割和视
频对象的跟踪方面。
篇三：halcon形状匹配讲解
halcon形状匹配讲解
楼主#
更多
只看楼主倒序阅读发布于：20xx-07-2122:29
保存
该帖是加密帖,需要10金币及以上的积分才能浏览以下内容:很早就想总结一下前段时间学习halcon的心得，但由于其他的事情总是抽不出时间。
去年有过一段时间的集中学习，做了许多的练习和实验，并对基于hdevelop的形状匹配算法的参数优化进行了研究，写了一篇《基于hdevelop 的形状匹配算法参数的优化研究》文章，总结了在形状匹配过程中哪些参数影响到模板的搜索和匹配，又如何来协调这些参数来加快匹配过程，提高匹配的精度，这篇paper放到了中国论文在线了，需要可以去下载。
德国mVtec公司开发的halcon机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。
hdevelop开发环境中提供的匹配的方法主要有三种，即component-based、gray-Value-based、shape-based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。
这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。
这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的。