簡介

算法的原理姿骏，可以參考這個篇博客：基于灰度的模板匹配算法及老。這里不再贅述，本文使用序貫相似性檢測算法(下面簡稱：SSDA)桐筏，實現對圖像模板的匹配

算法思路

參考博客纸型，可以整理出SSDA算法的整體思路：

1. 確定子圖的左上角坐標范圍
2. 遍歷所有可能的子圖
3. 求模板圖和子圖的圖像均值
4. 隨機取不重復的點，求模板圖和子圖中該點的值與其自身圖像均值的絕對誤差
5. 累加絕對誤差梅忌，直到超過閾值
6. 計算累加次數狰腌，則次數最多的子圖為匹配的最終圖像

代碼

根據算法思路，demo如下：

import time
import random
import cv2
import numpy as np

def Image_Mean_Value(Image):
    res = np.sum((Image.astype("float"))) / float(Image.shape[0] * Image.shape[1])
    return res

def Image_SSDA(search_img, example_img):
    # 確定子圖的范圍
    M = search_img.shape[0]
    m = example_img.shape[0]
    N = search_img.shape[1]
    n = example_img.shape[1]
    Range_x = M - m - 1
    Range_y = N - n - 1
    search_img = cv2.cvtColor(search_img, cv2.COLOR_RGB2GRAY)
    example_img = cv2.cvtColor(example_img, cv2.COLOR_RGB2GRAY)
    # 求模板圖的均值
    example_MV = Image_Mean_Value(example_img)
    R_count_MAX = 0
    Best_x = 0
    Best_y = 0
    # 遍歷所有可能的子圖
    for i in range(Range_x):
        for j in range(Range_y):
            R_count = 0
            Absolute_error_value = 0
            # 從搜索圖中截取子圖
            subgraph_img = search_img[i:i+m, j:j+n]
            # 求子圖的均值
            search_MV = Image_Mean_Value(subgraph_img)
            # 判斷是否超過閾值
            while Absolute_error_value < SSDA_Th:
                R_count += 1
                # 取隨機的像素點
                x = random.randint(0, m - 1)
                y = random.randint(0, n - 1)
                pv_s = subgraph_img[x][y]
                pv_e = example_img[x][y]
                # 計算絕對誤差值并累加
                Absolute_error_value += abs((pv_e - example_MV) - (pv_s - search_MV))
            # 將次數最多的子圖為匹配圖像
            if R_count >= R_count_MAX:
                R_count_MAX = R_count
                Best_x = i
                Best_y = j
    # 返回最匹配圖像的坐標
    return Best_x, Best_y

if __name__ == '__main__':
    # 原圖路徑
    srcImg_path = "C:\\Users\\PC\\Desktop\\SSDA\\src.jpg"
    # 搜索圖像路徑
    searchImg_path = "C:\\Users\\PC\\Desktop\\SSDA\\find.jpg"
    # SSDA算法閾值
    SSDA_Th = 10

    src_img = cv2.imread(srcImg_path)
    search_img = cv2.imread(searchImg_path)

    start = time.perf_counter()
    Best_x, Best_y = Image_SSDA(src_img, search_img)
    end = time.perf_counter()
    print("time:", end - start)

    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)

說明：

• 閾值的設定：一開始將閾值設置的較大一些牧氮，保證算法的準確度琼腔；在多次測試后可以將閾值降低到合適的值。閾值越大踱葛，算法的精度約高丹莲，耗時也相對的會增加一些
• 隨機像素點的選妊湛蟆：算法中指出堡僻，應當選取不重復的像素點，代碼中直接使用了random.randint()來生成隨機數谢床，是會有重復的可能性含，但是概率不大洲赵，這里近似于不重復

結果

運行代碼，匹配結果如下：

SSDA算法結果

總結

算法中指出胶滋，SSDA算法是對傳統(tǒng)模板匹配算法的改進，比傳統(tǒng)匹配算法快幾十到幾百倍悲敷。又上文可知究恤，SSDA算法匹配耗時18秒，我們使用傳統(tǒng)的SSD算法來實現相同的功能來測試下耗時后德。SSD算法的實現可以參考：基于SSD的圖像匹配算法
結果如下：

SSD算法結果

可以看到兩者都達到了較好的匹配效果部宿，但SSD算法耗時28秒，確實SSDA算法的速度優(yōu)于SSD算法