本帖最后由 王绍昶 于 2016-4-4 22:33 编辑
4.带旋转与缩放的模板匹配
上述讨论的相似度量方法只能容忍图像中的目标物又很小的旋转和缩放，因此如果图像中的目标物体的方向或大小与模板中不同，那么该目标物体将不能被找到。 大多数情况下目标物方向不可能保证完全不变，如果想要处理更多类型的变换，就必须更新匹配算法。为了在图像中找到发生旋转的物体，可以创建多个方向的模板。也就是说将搜索空间离散化，这种离散方式类似于平移的情况下利用像素格进行离散。与平移情况不同的是，模板方向的离散取决于模板的大小，这是因为模板越大越能区分更小角度的变化。例如一般情况下，对于半径为100像素大小的模板设置角度步幅为1°，更大的模板就必须使用更小的角度步幅，更小的模板使用更大的角度步幅，为了在图像中找到模板，要在图像中匹配所有可能旋转角度的模板，这些都是在图像金字塔最高层进行操作的，为了使在图像金字塔中匹配更高效，利用模板在金字塔中缩小两倍的特性，从而每层的角度步幅也会增加两倍，因此如果最高层为1°，那么第四层角度步幅为8°。 在图像金字塔隔层跟踪可能的匹配位置时，我们同样需要在金字塔下一层尚未角度创建一个小的搜索区域，这与平移类似的情况类似。一旦跟踪匹配到金字塔的最底层，一般希望得到的位姿（平移、旋转和缩放）准确度高于所使用的搜索空间的分辨率，如果存在旋转，位姿应该包括一个亚像素精度的平移位置和一个角度，这个角度比角度步幅更精确。 下面我们看一个例子 A:原图，生产线上的正常的奶酪包装中应该包含3种口味的奶酪：cream 4个, ham 2个和paprika 2个，生产线上需要对包装是否正确进行质量检测。 C-E:在3张目标图像中进行模板匹配搜索，检测3种奶酪数量是否正确，如果正确则显示”OK”，若不正确则显示相应信息，并把数量显示在界面上.
| 
发表于 2016-4-4 22:32:22
收藏
支持
反对