简介：

本文主要介绍几种基于灰度的图像匹配算法：平均绝对差算法（MAD）、绝对误差和算法（SAD）、误差平方和算法（SSD）、平均误差平方和算法（MSD）、归一化积相关算法（NCC）、序贯相似性检测算法（SSDA）、hadamard变换算法（SATD）。下面依次对其进行讲解。

MAD算法

介绍

平均绝对差算法（Mean Absolute Differences，简称MAD算法），它是Leese在1971年提出的一种匹配算法。是模式识别中常用方法，该算法的思想简单，具有较高的匹配精度，广泛用于图像匹配。

设S(x,y)是大小为mxn的搜索图像，T(x,y)是MxN的模板图像，分别如下图(a)、(b)所示，我们的目的是：在(a)中找到与(b)匹配的区域（黄框所示）。

算法思路

在搜索图S中，以(i,j)为左上角，取MxN大小的子图，计算其与模板的相似度；遍历整个搜索图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果。

MAD算法的相似性测度公式如下。显然，平均绝对差D(i,j)越小，表明越相似，故只需找到最小的D(i,j)即可确定能匹配的子图位置：

其中：

算法评价：

优点：

①思路简单，容易理解（子图与模板图对应位置上，灰度值之差的绝对值总和，再求平均，实质：是计算的是子图与模板图的L1距离的平均值）。

②运算过程简单，匹配精度高。

缺点：

①运算量偏大。

②对噪声非常敏感。

——————————————————————————————————————————————————————————————————————————————

SAD算法

介绍

绝对误差和算法（Sum of Absolute Differences，简称SAD算法）。实际上，SAD算法与MAD算法思想几乎是完全一致，只是其相似度测量公式有一点改动（计算的是子图与模板图的L1距离），这里不再赘述。

算法实现

由于文章所介绍的几个算法非常相似，所以本文仅列出SAD算法的代码，其余算法的实现类似。看别人代码都相对费力，想自己敲也很简单。

MATLAB代码

%%
%绝对误差和算法（SAD）
clear all;
close all;
%%
src=imread('lena.jpg');
[a b d]=size(src);
if d==3
src=rgb2gray(src);
end
mask=imread('lena_mask.jpg');
[m n d]=size(mask);
if d==3
mask=rgb2gray(mask);
end
%%
N=n;%模板尺寸，默认模板为正方形
M=a;%代搜索图像尺寸，默认搜索图像为正方形
%%
dst=zeros(M-N,M-N);
for i=1:M-N %子图选取，每次滑动一个像素
for j=1:M-N
temp=src(i:i+N-1,j:j+N-1);%当前子图
dst(i,j)=dst(i,j)+sum(sum(abs(temp-mask)));
end
end
abs_min=min(min(dst));
[x,y]=find(dst==abs_min);
figure;
imshow(mask);title('模板');
figure;
imshow(src);
hold on;
rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
hold off;title('搜索图');

输出结果

SSD算法

误差平方和算法（Sum of Squared Differences，简称SSD算法），也叫差方和算法。实际上，SSD算法与SAD算法如出一辙，只是其相似度测量公式有一点改动（计算的是子图与模板图的L2距离）。这里不再赘述。

MSD算法

平均误差平方和算法（Mean Square Differences，简称MSD算法），也称均方差算法。实际上，MSD之余SSD，等同于MAD之余SAD（计算的是子图与模板图的L2距离的平均值），故此处不再赘述。

————————————————————————————————————————————————————————————————————————————————

NCC算法

归一化积相关算法（Normalized Cross Correlation，简称NCC算法），与上面算法相似，依然是利用子图与模板图的灰度，通过归一化的相关性度量公式来计算二者之间的匹配程度。

其中，、分别表示(i,j)处子图、模板的平均灰度值。

————————————————————————————————————————————————————————————————————————

SSDA算法

序贯相似性检测算法（Sequential Similiarity Detection Algorithm，简称SSDA算法），它是由Barnea和Sliverman于1972年，在文章《A class of algorithms for fast digital image registration》中提出的一种匹配算法，是对传统模板匹配算法的改进，比MAD算法快几十到几百倍。

与上述算法假设相同：S(x,y)是mxn的搜索图，T(x,y)是MxN的模板图，是搜索图中的一个子图（左上角起始位置为(i,j)）。

显然：，

SSDA算法描述如下：

①定义绝对误差：

其中，带有上划线的分别表示子图、模板的均值：

实际上，绝对误差就是子图与模板图各自去掉其均值后，对应位置之差的绝对值。

②设定阈值Th；

③在模板图中随机选取不重复的像素点，计算与当前子图的绝对误差，将误差累加，当误差累加值超过了Th时，记下累加次数H，所有子图的累加次数H用一个表R(i,j)来表示。SSDA检测定义为：

下图给出了A、B、C三点的误差累计增长曲线，其中A、B两点偏离模板，误差增长得快；C点增长缓慢，说明很可能是匹配点（图中Tk相当于上述的Th，即阈值；I(i,j)相当于上述R(i,j)，即累加次数）。

④在计算过程中，随机点的累加误差和超过了阈值（记录累加次数H）后，则放弃当前子图转而对下一个子图进行计算。遍历完所有子图后，选取最大R值所对应的(i,j)子图作为匹配图像【若R存在多个最大值（一般不存在），则取累加误差最小的作为匹配图像】。

由于随机点累加值超过阈值Th后便结束当前子图的计算，所以不需要计算子图所有像素，大大提高了算法速度；为进一步提高速度，可以先进行粗配准，即：隔行、隔离的选取子图，用上述算法进行粗糙的定位，然后再对定位到的子图，用同样的方法求其8个邻域子图的最大R值作为最终配准图像。这样可以有效的减少子图个数，减少计算量，提高计算速度。

——————————————————————————————————————————————————————————————————————

SATD算法

hadamard变换算法（Sum of Absolute Transformed Difference，简称SATD算法），它是经hadamard变换再对绝对值求和算法。hadamard变换等价于把原图像Q矩阵左右分别乘以一个hadamard变换矩阵H。其中，hardamard变换矩阵H的元素都是1或-1，是一个正交矩阵，可以由MATLAB中的hadamard(n)函数生成，n代表n阶方阵。

SATD算法就是将模板与子图做差后得到的矩阵Q，再对矩阵Q求其hadamard变换（左右同时乘以H，即HQH），对变换都得矩阵求其元素的绝对值之和即SATD值，作为相似度的判别依据。对所有子图都进行如上的变换后，找到SATD值最小的子图，便是最佳匹配。

MATLAB实现：

%//*****************************************
%//@filename:demo.m
%//@datetime:2015.08.20
%//@author:HJS
%//@e-mail:eleftheria@163.com
%//@blog:http://blog.csdn.net/hujingshuang
%//*****************************************
%%
%//SATD模板匹配算法-哈达姆变换(hadamard)
clear all;
close all;
%%
src=double(rgb2gray(imread('lena.jpg')));%//长宽相等的
mask=double(rgb2gray(imread('lena_mask.jpg')));%//长宽相等的
M=size(src,1);%//搜索图大小
N=size(mask,1);%//模板大小
%%
hdm_matrix=hadamard(N);%//hadamard变换矩阵
hdm=zeros(M-N,M-N);%//保存SATD值
for i=1:M-N
for j=1:M-N
temp=(src(i:i+N-1,j:j+N-1)-mask)/256;
sw=(hdm_matrix*temp*hdm_matrix)/256;
hdm(i,j)=sum(sum(abs(sw)));
end
end
min_hdm=min(min(hdm));
[x y]=find(hdm==min_hdm);
figure;imshow(uint8(mask));
title('模板');
figure;imshow(uint8(src));hold on;
rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
title('搜索结果');hold off;
%//完

输出结果：

—————————————————————————————————————————————————————————————————————

OK，介绍完毕，以上便是几种常见的基于灰度的模板匹配算法。

参考文献：

1、D.I BARNEA, H.F SILVERMAN, A class of algorithms for fast digital image registration[J], IEEE TRANSACTIONS ON COMPUTERS,1972.

2、赵启, 图像匹配算法研究[D], 2013.

3、丁慧珍, 抗任意角度旋转灰度匹配方法研究[D], 2006.

4、陈皓, 马彩文等, 基于灰度统计的快速模板匹配算法[J], 光子学报, 2009.

5、杨小冈等, 基于相似度比较的图像灰度匹配算法研究[J], 系统工程与电子技术, 2005.

转载自：https://blog.csdn.net/hujingshuang/article/details/47759579

【图像配准】基于灰度的模板匹配算法（一）：MAD、SAD、SSD、MSD、NCC、SSDA、SATD算法相关推荐

基于灰度的模板匹配算法：MAD、SAD、SSD、MSD、NCC、SSDA算法
简介: 本文主要介绍几种基于灰度的图像匹配算法:平均绝对差算法(MAD).绝对误差和算法(SAD).误差平方和算法(SSD).平均误差平方和算法(MSD).归一化积相关算法(NCC).序贯相似性算法( ...
【图像配准】基于灰度的模板匹配算法（三）：划分强度一致法（PIU）
简介: 前面几篇文章介绍了一些比较基本的基于灰度的图像配准算法: 基于灰度的模板匹配算法(一):MAD.SAD.SSD.MSD.NCC.SSDA.SATD算法基于灰度的模板匹配算法(二):局部灰度 ...
基于灰度的模板匹配算法（一）：MAD、SAD、SSD、MSD、NCC、SSDA算法
简介: 本文主要介绍几种基于灰度的图像匹配算法:平均绝对差算法(MAD).绝对误差和算法(SAD).误差平方和算法(SSD).平均误差平方和算法(MSD).归一化积相关算法(NCC).序贯相似性算法( ...
基于金字塔的模板匹配算法(python)
今天完成了机器视觉的课程作业-基于金字塔的模板匹配算法,就顺便记录一下.本次作业我是通过python+opencv来完成的.这个作业就是一个模板匹配算法的基础上加一个金字塔的模型来减少计算量,所谓金字 ...
9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度、形态平滑、高帽变换、低帽变换)
9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度.形态平滑.高帽变换.低帽变换) 文章目录 9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度.形 ...
基于金字塔的模板匹配算法matlab
先上代码 function [r,c,nccImg] = pyramidMatch(img, template, nLevels) % -------------------------------- ...
图像配准中的归一化互相关匹配算法
原文地址:http://blog.csdn.net/fengbingchun/article/details/5857810 在用Harris算子对图像进行角点提取后,两幅图像得到的角点个数不一定相等 ...
基于Halcon学习的基于灰度值模板匹配【一】exhaustive_match.hdev例程
* 模板与图像的匹配 read_image (Image, 'fabrik') gen_rectangle1 (Rectangle, 365, 300, 390, 330) *将图像的定义域缩小为创建 ...
【语音识别】基于mfcc特征模板匹配算法实现声纹识别matlab源码含GUI
在任意一个Automatic speech recognition 系统中,第一步就是提取特征.换句话说,我们需要把音频信号中具有辨识性的成分提取出来,然后把其他的乱七八糟的信息扔掉,例如背景噪声啊, ...

【图像配准】基于灰度的模板匹配算法（一）：MAD、SAD、SSD、MSD、NCC、SSDA、SATD算法

简介：