这是OPT小讲堂的第八课，主要讲解图像匹配算法中，灰度匹配、特征匹配、轮廓匹配这三种算法的原理、参数、案例等。
什么是图像匹配
图像匹配，是指以模板图像作为标准目标，在待匹配图像中寻找与标准目标相似性高的单个或多个目标，根据图像信息如：灰度，梯度等计算不同位置不同角度情况下的相似性，确定目标在图像中的位置以及相对于模板的角度。常用的匹配算法有灰度匹配、特征匹配和轮廓匹配。
灰度匹配的原理是什么？
灰度匹配是通过利用某种相似性度量，如平均绝对差算法、绝对误差和算法、误差平方和算法、平均误差平方和算法、归一化积相关算法，计算两幅同等大小图像之间的相似度。以模板图像大小为窗口，在不同角度待匹配图像上滑动，计算模板图像与当前窗口覆盖区域的相似性。相似性越高，该覆盖区域为目标的可能性就越大，最终获得目标位置和目标角度。为了提高效率，对模板图像与待匹配图像进行金字塔分解操作；为了提高精度，算法对金字塔图像自顶向下进行搜索，由粗到精匹配，得到更为精准的匹配结果。
一、灰度匹配的工具界面
图1为灰度匹配的工具界面，右上角灰度图为模板，图像中绿色框内为匹配到的目标物体。
图1 灰度匹配工具界面示意图
二、灰度匹配的参数设置
起始角度：旋转匹配时起始搜索角度，其值小于或者等于终止角度。
终止角度：旋转匹配时终止搜索角度，其值大于或者等于起始角度。
角度步长：旋转匹配时角度的步长。
匹配个数：设定匹配目标的个数。
重合度：以模板大小的百分之几作为搜索区域，对这片区域内的匹配得分进行非极大值抑制算法。这个百分之几就是通过重合度设置的，输入50表示取模板大小的50%作为搜索区域。范围是[0,100]。
匹配得分：限制匹配结果的分数。
金字塔概念：通过采样，将图像分成不同分辨率的图像。分解级数越高，金字塔分解后图像的分辨率越低，图像尺寸越小，其图像越模糊。如图2。
图2 金字塔分解示意图
金字塔层数：分解级数，图像的分解层次，范围是：[-1,7]，“-1”表示自动分层，“0”表示不分层。若选择“自动”，则内部自动计算最大的分解级数。
三、灰度匹配参数影响
表1 灰度匹配参数影响表
四、灰度匹配应用案例
图3 灰度匹配案例
1、灰度匹配可用于初定位，数据值可在ROI中引用，做基准定位使用；
2、通过匹配得分可以剔除一些不符合要求的产品。
什么是特征匹配？
特征匹配是从图像中提取特征点，对特征点进行特征描述，求模板图像上的特征描述符与待匹配图像上的特征描述符之间的相似性，实现图像匹配的过程。
在数字图像处理中，特征匹配主要应用是对特征点清晰的图像区域进行定位，如文字、标签、商标等，对于模板与待匹配图像一致性较高，差异不大的图像区域，采用特征匹配会有较好的效果。
特征匹配算法原理是什么？
图像处理中，特征点指的是图像灰度值发生剧烈变化的点，或者在图像边缘上曲率较大的点(即两个边缘的交点)。
Hessian矩阵可以求取图像像素曲线中的极大值点和极小值点，即特征点。高斯-拉普拉斯方法能够求取图像的尺度信息，保证图像的尺度不变性。
特征描述符：特征描述符是根据匹配目的需要，进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量。一般特征描述的思路为：对特征点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量。这个向量是该区域图像信息的一种抽象，具有唯一性。
一、特征匹配的工具界面
如图4(左)，右上角灰度图为模板，图像中绿色框内为匹配到的目标物体。右图为特征点模板编辑界面，可对特征点进行删减等编辑操作。
图4 特征匹配工具界面示意图
二、特征匹配的参数设置
特征检测算法：是指特征点检测的算法，有以下几种方法：
1)稳定算法：默认算法，速度与稳定性较好。
2)快速算法：速度最快，稳定性一般。
3)边缘点算法：提取边缘特征点。
图5 特征点检测的三个算法
特征描述算法：是指对特征点进行描述的方法，主要有以下几种方法：
1)稳定算法：默认算法，速度较快，泛用性稍强。
2)快速算法：速度较快，适用于特征点数目较多的情况。
特征匹配算法：对特征描述符进行匹配的方法。
1)稳定算法：速度快，效果稳定，适用场合较广。
采样步伐：对源图像进行采样的步长。
尺度范围：图像的尺度变化范围。
提取器阈值：提取器阈值，用于控制特征点数量。
匹配阈值：匹配器阈值，用于控制匹配点数量。
最大匹配个数：设置最大匹配目标的个数。
三、特征匹配参数影响
表2 特征匹配参数影响表
四、特征匹配应用案例
图6 特征匹配案例
1、可用于初定位，数据值可在ROI中引用，做基准定位使用；
2、根据产品的局部特征，对产品进行匹配。在特征较为明显的产品中使用，可判断产品有无。
什么是轮廓匹配？
轮廓匹配是一种利用图像的轮廓信息进行图像匹配的方法。
轮廓匹配的原理是什么？
轮廓匹配的特点：图像的边缘可以不连续，或可以有遮挡或断裂；可识别部分重合的物体；可方便的计算匹配得分，判断匹配程度。
模板轮廓提取：根据Canny高低阈值，利用Canny算子提取轮廓，再根据长度筛选出符合要求的阈值。
方向向量：此处定义任一轮廓点的方向向量为该点强度变化最大的方向。如果两个像素点的方向向量越接近说明两个点越相似。
相似度量：模板相对图像滑动，每滑动一个步长，图像上和模板轮廓点相应的像素计算相关性(如下图公式)，结果越大，越相似。
一、轮廓匹配的工具界面
图7为轮廓匹配工具界面，右上角蓝色轮廓为模板，图像中绿色框内为匹配到的目标物体。
图7 轮廓匹配工具界面示意图
二、轮廓匹配的参数设置
滤波系数：滤波系数，范围是[0.1,50]。
低阈值：Canny边缘检测低阈值，其值小于高阈值，范围是[0,255]。
高阈值：Canny边缘检测高阈值，其值大于低阈值，范围是[0,255]。
最短轮廓：Canny边缘检测最短轮廓，其值小于或者等于最长轮廓，范围是[1,100000]。
最长轮廓：Canny边缘检测最长轮廓，其值大于或者等于最短轮廓，范围是[1,100000]。
金字塔分解次数：金字塔分级层数，范围是：[-1,7]，“-1”表示自动分层，“0”表示不分层。若选择“自动”，则内部自动计算最大的分解级数。
起始角度：旋转匹配时搜索的起始角度，其值小于或等于终止角度，范围是[-180°,180°]。
终止角度：旋转匹配时搜索的终止角度，其值大于或等于起始角度，范围是[-180°,180°]。
角度步长：每间隔几度进行搜索，范围是[1°,10°]。
最大匹配个数：最多一次匹配多少个目标物体，范围是[0,100]。
重合度：以模板大小的百分之几作为搜索区域，对这片区域内的匹配得分进行非极大值抑制算法。这个百分之几就是通过重合度设置的，输入50表示取模板大小的50%作为搜索区域。范围是[0,100]。
最小匹配得分：最低匹配分数，范围是[0,100]。
三、轮廓匹配参数影响
表3 轮廓匹配参数影响表
四、轮廓匹配应用案例
图8 轮廓匹配案例
1、可用于初定位，数据值可在ROI中引用，做基准定位使用；
2、根据产品的轮廓特征，对产品进行匹配。用于轮廓较为明显的产品。
根据上述三种匹配算法的介绍，我们整理了一份匹配算法对比表格如下(点击右键可保存图片)：
表4 三种匹配算法对比简表
