opencv模板匹配论文

方法如下：使用OPENCV下SIFT库做图像匹配的例程// : 定义控制台应用程序的入口点。//#include ""#include #include #include#include#includeusing namespace std;using namespace cv;int _tmain(int argc, _TCHAR* argv[]){ const char* imagename = ""; //从文件中读入图像 Mat img = imread(imagename); Mat img2=imread(""); //如果读入图像失败 if(()) { fprintf(stderr, "Can not load image %s\n", imagename); return -1; } if(()) { fprintf(stderr, "Can not load image %s\n", imagename); return -1; } //显示图像 imshow("image before", img); imshow("image2 before",img2); //sift特征检测 SiftFeatureDetector siftdtc; vectorkp1,kp2; (img,kp1); Mat outimg1; drawKeypoints(img,kp1,outimg1); imshow("image1 keypoints",outimg1); KeyPoint kp; vector::iterator itvc; for(itvc=();itvc!=();itvc++) { cout<<"angle:"<angle<<"\t"<class_id<<"\t"<octave<<"\t"<pt<<"\t"<response<> matcher; vector matches; Mat img_matches; (img,kp1,descriptor1); (img2,kp2,descriptor2); imshow("desc",descriptor1); cout<

本文主要关注opencv常规版和cuda版的模板匹配算法，网上cuda版的资料不多，这里做个记录，以后用到也好有个参考。 @[toc] opencv cuda版需要自己用cmake编译，编译过程并不复杂，cmake编译成vs的项目，然后用vs编译成.编译过程可参考 link1 , link2 GPU加速模板匹配看起来效果并不是很好，测试了不同大小的图片有的情况速度会超过CPU，本来觉得应该会有几倍的加速效果，但是其实并没有，大多数情况下反而是变慢了。开始觉得是cpu向gpu传图的过程耗时较多，后面去掉传图的过程只看匹配过程，它的计算就是比cpu的慢，不知道是不是因为这块GPU太低端了。

匹配算法有很多，比如最简单的对比原图和模板图的像素值。但是这种方法稍微有一点旋转和光照变化结果就会很差。为了改进这个，有了SAD算法。然后SAD相似的SSD。再然后是计算区域互相关性的NCC算法。以上三种算法中，SAD算法最简单，因此当模板大小确定后，SAD算法的速度最快。NCC算法与SAD算法相比要复杂得多。至于算法的过程，这三个算法都是很好理解的算法，我觉得还是自学比较好。

尊敬的用户，使用JavaOpenCV进行模板匹配时，可以使用matchTemplate()方法一次性进行多个模板的匹配，并可以选择不同的比较方式（如相关性，卡方等）。