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)

結(jié)果

運(yùn)行代碼婶肩,可以看到匹配到的最終效果

匹配結(jié)果

引申

此外的平均絕對差算法(MAD)办陷、絕對誤差和算法(SAD)貌夕、平均誤差平方和算法(MSD)和SSD算法如出一轍,只是其相似度測量公式不同
1.平均絕對差算法(MAD)

Mean Absolute Differences

2.絕對誤差和算法(SAD)

Sum of Absolute Differences

3.平均誤差平方和算法(MSD)

Mean Square Differences

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末懂诗,一起剝皮案震驚了整個濱河市蜂嗽,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌殃恒,老刑警劉巖植旧,帶你破解...
    沈念sama閱讀 211,561評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異离唐,居然都是意外死亡病附,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,218評論 3 385
  • 文/潘曉璐 我一進(jìn)店門亥鬓,熙熙樓的掌柜王于貴愁眉苦臉地迎上來完沪,“玉大人,你說我怎么就攤上這事嵌戈「不” “怎么了?”我有些...
    開封第一講書人閱讀 157,162評論 0 348
  • 文/不壞的土叔 我叫張陵熟呛,是天一觀的道長宽档。 經(jīng)常有香客問我,道長庵朝,這世上最難降的妖魔是什么吗冤? 我笑而不...
    開封第一講書人閱讀 56,470評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮九府,結(jié)果婚禮上椎瘟,老公的妹妹穿的比我還像新娘。我一直安慰自己侄旬,他們只是感情好肺蔚,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,550評論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著儡羔,像睡著了一般婆排。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上笔链,一...
    開封第一講書人閱讀 49,806評論 1 290
  • 那天段只,我揣著相機(jī)與錄音,去河邊找鬼鉴扫。 笑死赞枕,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播炕婶,決...
    沈念sama閱讀 38,951評論 3 407
  • 文/蒼蘭香墨 我猛地睜開眼姐赡,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了柠掂?” 一聲冷哼從身側(cè)響起项滑,我...
    開封第一講書人閱讀 37,712評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎涯贞,沒想到半個月后枪狂,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,166評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡宋渔,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,510評論 2 327
  • 正文 我和宋清朗相戀三年州疾,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片皇拣。...
    茶點(diǎn)故事閱讀 38,643評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡严蓖,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出氧急,到底是詐尸還是另有隱情颗胡,我是刑警寧澤,帶...
    沈念sama閱讀 34,306評論 4 330
  • 正文 年R本政府宣布吩坝,位于F島的核電站毒姨,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏钾恢。R本人自食惡果不足惜手素,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,930評論 3 313
  • 文/蒙蒙 一鸳址、第九天 我趴在偏房一處隱蔽的房頂上張望瘩蚪。 院中可真熱鬧,春花似錦稿黍、人聲如沸疹瘦。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,745評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽言沐。三九已至,卻和暖如春酣栈,著一層夾襖步出監(jiān)牢的瞬間险胰,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,983評論 1 266
  • 我被黑心中介騙來泰國打工矿筝, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留起便,地道東北人。 一個月前我還...
    沈念sama閱讀 46,351評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像榆综,于是被迫代替她去往敵國和親妙痹。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,509評論 2 348