基于SSD的圖像匹配算法

簡介

常見的圖像匹配算法有：平均絕對差算法（MAD）样眠、絕對誤差和算法（SAD）、誤差平方和算法（SSD）翠肘、平均誤差平方和算法（MSD）檐束、歸一化積相關(guān)算法（NCC）、序貫相似性檢測算法（SSDA）束倍、hadamard變換算法（SATD）
本文主要介紹基于誤差平方和算法（SSD）的圖像匹配

SSD算法

誤差平方和算法（Sum of Squared Differences被丧，簡稱SSD算法），也叫差方和算法绪妹。即計(jì)算子圖與模板圖的L2距離甥桂。公式如下，這里不再贅述邮旷。

Sum of Squared Differences

代碼

根據(jù)公式黄选，很容易寫出代碼，配合OpenCV可以實(shí)現(xiàn)圖像模板匹配的功能
demo如下：

import sys
import cv2
import numpy as np

def Image_SSD(src_img, search_img):
    # 1.確定子圖的范圍
    # 2.遍歷子圖
    # 3.求模板圖和子圖的誤差平方和
    # 4.返回誤差平方和最小的子圖左上角坐標(biāo)
    M = src_img.shape[0]
    m = search_img.shape[0]
    N = src_img.shape[1]
    n = search_img.shape[1]
    Range_x = M - m - 1
    Range_y = N - n - 1
    src_img = cv2.cvtColor(src_img, cv2.COLOR_RGB2GRAY)
    search_img = cv2.cvtColor(search_img, cv2.COLOR_RGB2GRAY)
    min_res = sys.maxsize
    Best_x = 0
    Best_y = 0
    for i in range(Range_x):
        for j in range(Range_y):
            subgraph_img = src_img[i:i+m, j:j+n]
            res = np.sum((search_img.astype("float") - subgraph_img.astype("float")) ** 2) # SSD公式
            if res < min_res:
                min_res = res
                Best_x = i
                Best_y = j
    return Best_x, Best_y

if __name__ == '__main__':
    # 原圖路徑
    srcImg_path = "C:\\Users\\PC\\Desktop\\SSD\\src.jpg"
    # 搜索圖像路徑
    searchImg_path = "C:\\Users\\PC\\Desktop\\SSD\\search.jpg"

    src_img = cv2.imread(srcImg_path)
    search_img = cv2.imread(searchImg_path)
    Best_x, Best_y = Image_SSD(src_img, search_img)

    cv2.rectangle(src_img, (Best_y, Best_x), (Best_y + search_img.shape[1], Best_x + search_img.shape[0]), (0, 0, 255), 3)
    cv2.imshow("src_img", src_img)
    cv2.imshow("search_img", search_img)
    cv2.waitKey(0)