基于灰度的模板匹配论文

想将自己开发机器人视觉应用中的点滴过程和心得进行记录分享，讨论，生活很有趣，学术很有趣，当然能让自己做的研究落地更有意义！可能的优化路径： 1.匹配路径优化算法：从图像预处理中改进，对模板匹配的较可能区域先定位，后进行精确的卷积运算，减低卷积计算量，但没有从根本上减少卷积运算计算量大的缺点。 2.通过傅里叶变换将函数的卷积运算转为乘积运算。 ps:opencv中的自适应阈值方法为adaptiveThreshold 金字塔分层快速图像搜索算法流程： 1.对降采样的图像进行自适应阈值化处理 2.处理完的图像通过opencv快速模板匹配寻找最匹配的坐标： cv::matchTemplate() cv::normalize() cv::minMaxLoc() 3.根据获取的降采样层的坐标获取源图像的坐标（*2.05），注意不要越出图像边界 源图像层根据放大后的坐标截取一个子图 4.在子图上进行快速模板匹配，搜索模板图像，返回搜索到的坐标 5.通过联合Hash算法确认源图像层坐标下的模板图像和原图像是否相似（可以选择别的相似度量函数） 在原图自适应阈值处理后的快速模板匹配函数处理时间为0.076s，加入金字塔处理后的时间为0.376s.. 现在进行金字塔加速后进行阈值处理再进行模板匹配的时间。0.022s（第三层金字塔处）,0.39s(带金字塔处理过程)

halcon的模板匹配可以归为三类： 1、基于灰度：灰度，互相关ncc 2、基于形状：形状，组件 3、基于描述符：描述匹配 应用场合：定位对象内部的灰度值没有大的变化，没有缺失部分，没有干扰图像和噪声的场合。 1.创建模板：create_template() 2.寻找模板：best_match() 3.释放模板：clear_template() 应用场合：搜索对象有轻微的变形，大量的纹理，图像模糊等场合，速度快，精度低。 1.创建模板：create_ncc_model() 2.寻找模板：find_ncc_model()，find_ncc_models() 3.释放模板：clear_ncc_model() 4.get_ncc_model_region (ModelRegion, ModelID) smallest_rectangle2 (ModelRegion, Row3, Column3, Phi, Length1, Length2) 应用场合：组件匹配是形状匹配的扩展，但不支持大小缩放匹配，一般用于多个对象（工件）定位的场合。 算法步骤： 1.获取组件模型里的初始控件 gen_initial_components() 参数： ModelImage [Input] 初始组件的图片 InitialComponents [Output] 初始组件的轮廓区域 ContrastLow [Input] 对比度下限 ContrastHigh [Input] 对比度上限 MinSize [Input] 初始组件的最小尺寸 Mode[Input] 自动分段的类型 GenericName [Input] 可选控制参数的名称 GenericValue [Input] 可选控制参数的值 2.根据图像模型，初始组件，训练图片来训练组件和组件相互关系 train_model_components() 3.创建组件模型 create_trained_component_model() 4.寻找组件模型 find_component_model() 5.释放组件模型 clear_component_model() 应用场合：定位对象内部的灰度值可以有变化，但对象轮廓一定要清晰平滑。 1.创建形状模型：create_shape_model() 2.寻找形状模型：find_shpae_model() 3.释放形状模型：clear_shape_model() 应用场合：搜索对象有轻微的变形。 1.创建模板：create_local_deformable_model() 2.寻找模板：find_local_deformable_model() 3.释放模板：clear_deformable_model() 应用场合：搜索对象有轻微的变形，透视的场合，根据一些描述点的位置和灰度值来进行匹配。 1.创建模板：create_calib_descriptor_model() 2.寻找模板：find_calib_descriptor_model() 3.释放模板：clear_descriptor_model(）