這是OPT小講堂的第八課，主要講解圖像匹配算法中，灰度匹配、特徵匹配、輪廓匹配這三種算法的原理、參數、案例等。
什麼是圖像匹配
圖像匹配，是指以模板圖像作為標準目標，在待匹配圖像中尋找與標準目標相似性高的單個或多個目標，根據圖像信息如：灰度，梯度等計算不同位置不同角度情況下的相似性，確定目標在圖像中的位置以及相對於模板的角度。常用的匹配算法有灰度匹配、特徵匹配和輪廓匹配。
灰度匹配的原理是什麼？
灰度匹配是通過利用某種相似性度量，如平均絕對差算法、絕對誤差和算法、誤差平方和算法、平均誤差平方和算法、歸一化積相關算法，計算兩幅同等大小圖像之間的相似度。以模板圖像大小為窗口，在不同角度待匹配圖像上滑動，計算模板圖像與當前窗口覆蓋區域的相似性。相似性越高，該覆蓋區域為目標的可能性就越大，最終獲得目標位置和目標角度。為了提高效率，對模板圖像與待匹配圖像進行金字塔分解操作；為了提高精度，算法對金字塔圖像自頂向下進行搜索，由粗到精匹配，得到更為精準的匹配結果。
一、灰度匹配的工具界面
圖1為灰度匹配的工具界面，右上角灰度圖為模板，圖像中綠色框內為匹配到的目標物體。
圖1 灰度匹配工具界面示意圖
二、灰度匹配的參數設置
起始角度：旋轉匹配時起始搜索角度，其值小於或者等於終止角度。
終止角度：旋轉匹配時終止搜索角度，其值大於或者等於起始角度。
角度步長：旋轉匹配時角度的步長。
匹配個數：設定匹配目標的個數。
重合度：以模板大小的百分之幾作為搜索區域，對這片區域內的匹配得分進行非極大值抑制算法。這個百分之幾就是通過重合度設置的，輸入50表示取模板大小的50%作為搜索區域。範圍是[0,100]。
匹配得分：限制匹配結果的分數。
金字塔概念：通過採樣，將圖像分成不同分辨率的圖像。分解級數越高，金字塔分解後圖像的分辨率越低，圖像尺寸越小，其圖像越模糊。如圖2。
圖2 金字塔分解示意圖
金字塔層數：分解級數，圖像的分解層次，範圍是：[-1,7]，“-1”表示自動分層，“0”表示不分層。若選擇“自動”，則內部自動計算最大的分解級數。
三、灰度匹配參數影響
表1 灰度匹配參數影響表
四、灰度匹配應用案例
圖3 灰度匹配案例
1、灰度匹配可用於初定位，數據值可在ROI中引用，做基準定位使用；
2、通過匹配得分可以剔除一些不符合要求的產品。
什麼是特徵匹配？
特徵匹配是從圖像中提取特徵點，對特徵點進行特徵描述，求模板圖像上的特徵描述符與待匹配圖像上的特徵描述符之間的相似性，實現圖像匹配的過程。
在數字圖像處理中，特徵匹配主要應用是對特徵點清晰的圖像區域進行定位，如文字、標籤、商標等，對於模板與待匹配圖像一致性較高，差異不大的圖像區域，採用特徵匹配會有較好的效果。
特徵匹配算法原理是什麼？
圖像處理中，特徵點指的是圖像灰度值發生劇烈變化的點，或者在圖像邊緣上曲率較大的點(即兩個邊緣的交點)。
Hessian矩陣可以求取圖像像素曲線中的極大值點和極小值點，即特徵點。高斯-拉普拉斯方法能夠求取圖像的尺度信息，保證圖像的尺度不變性。
特徵描述符：特徵描述符是根據匹配目的需要，進行特徵的組合、變換，以形成易於匹配、穩定性好的特徵向量。一般特徵描述的思路為：對特徵點周圍圖像區域分塊，計算塊內梯度直方圖，生成具有獨特性的向量。這個向量是該區域圖像信息的一種抽象，具有唯一性。
一、特徵匹配的工具界面
如圖4(左)，右上角灰度圖為模板，圖像中綠色框內為匹配到的目標物體。右圖為特徵點模板編輯界面，可對特徵點進行刪減等編輯操作。
圖4 特徵匹配工具界面示意圖
二、特徵匹配的參數設置
特徵檢測算法：是指特徵點檢測的算法，有以下幾種方法：
1)穩定算法：默認算法，速度與穩定性較好。
2)快速算法：速度最快，穩定性一般。
3)邊緣點算法：提取邊緣特徵點。
圖5 特徵點檢測的三個算法
特徵描述算法：是指對特徵點進行描述的方法，主要有以下幾種方法：
1)穩定算法：默認算法，速度較快，泛用性稍強。
2)快速算法：速度較快，適用於特徵點數目較多的情況。
特徵匹配算法：對特徵描述符進行匹配的方法。
1)穩定算法：速度快，效果穩定，適用場合較廣。
採樣步伐：對源圖像進行採樣的步長。
尺度範圍：圖像的尺度變化範圍。
提取器閾值：提取器閾值，用於控制特徵點數量。
匹配閾值：匹配器閾值，用於控制匹配點數量。
最大匹配個數：設置最大匹配目標的個數。
三、特徵匹配參數影響
表2 特徵匹配參數影響表
四、特徵匹配應用案例
圖6 特徵匹配案例
1、可用於初定位，數據值可在ROI中引用，做基準定位使用；
2、根據產品的局部特徵，對產品進行匹配。在特徵較為明顯的產品中使用，可判斷產品有無。
什麼是輪廓匹配？
輪廓匹配是一種利用圖像的輪廓信息進行圖像匹配的方法。
輪廓匹配的原理是什麼？
輪廓匹配的特點：圖像的邊緣可以不連續，或可以有遮擋或斷裂；可識別部分重合的物體；可方便的計算匹配得分，判斷匹配程度。
模板輪廓提取：根據Canny高低閾值，利用Canny算子提取輪廓，再根據長度篩選出符合要求的閾值。
方向向量：此處定義任一輪廓點的方向向量為該點強度變化最大的方向。如果兩個像素點的方向向量越接近說明兩個點越相似。
相似度量：模板相對圖像滑動，每滑動一個步長，圖像上和模板輪廓點相應的像素計算相關性(如下圖公式)，結果越大，越相似。
一、輪廓匹配的工具界面
圖7為輪廓匹配工具界面，右上角藍色輪廓為模板，圖像中綠色框內為匹配到的目標物體。
圖7 輪廓匹配工具界面示意圖
二、輪廓匹配的參數設置
濾波係數：濾波係數，範圍是[0.1,50]。
低閾值：Canny邊緣檢測低閾值，其值小於高閾值，範圍是[0,255]。
高閾值：Canny邊緣檢測高閾值，其值大於低閾值，範圍是[0,255]。
最短輪廓：Canny邊緣檢測最短輪廓，其值小於或者等於最長輪廓，範圍是[1,100000]。
最長輪廓：Canny邊緣檢測最長輪廓，其值大於或者等於最短輪廓，範圍是[1,100000]。
金字塔分解次數：金字塔分級層數，範圍是：[-1,7]，“-1”表示自動分層，“0”表示不分層。若選擇“自動”，則內部自動計算最大的分解級數。
起始角度：旋轉匹配時搜索的起始角度，其值小於或等於終止角度，範圍是[-180°,180°]。
終止角度：旋轉匹配時搜索的終止角度，其值大於或等於起始角度，範圍是[-180°,180°]。
角度步長：每間隔幾度進行搜索，範圍是[1°,10°]。
最大匹配個數：最多一次匹配多少個目標物體，範圍是[0,100]。
重合度：以模板大小的百分之幾作為搜索區域，對這片區域內的匹配得分進行非極大值抑制算法。這個百分之幾就是通過重合度設置的，輸入50表示取模板大小的50%作為搜索區域。範圍是[0,100]。
最小匹配得分：最低匹配分數，範圍是[0,100]。
三、輪廓匹配參數影響
表3 輪廓匹配參數影響表
四、輪廓匹配應用案例
圖8 輪廓匹配案例
1、可用於初定位，數據值可在ROI中引用，做基準定位使用；
2、根據產品的輪廓特徵，對產品進行匹配。用於輪廓較為明顯的產品。
根據上述三種匹配算法的介紹，我們整理了一份匹配算法對比表格如下(點擊右鍵可保存圖片)：
表4 三種匹配算法對比簡表
