图像处理中的模板匹配c++实现

一、理论基础

• 基于相关的模板匹配技术可直接用于在一幅图像中，寻找某种子图像模式。对于大小为MxN的图像f(x,y)和大小为JxK的子图像模式w(x,y),f与w的相关可表示为：

• 其种，x=0,1,2,…N-K,y=0,1,2,…M-J。此处
  的目的是寻找匹配而不是对f(x,y)进行滤波操作，因此w的原点被设置在子图像的左上角，
  并且式(11-3) 给出的形式也完全适用于J和K 为偶数的情况。

• 计算相关c(x,y)的过程就是在图像f(x,y)中逐点地移动子图像w(x,小),使w 的原点和点
  (x,y)重合，然后计算w与f中被w覆盖的图像区域对应像素的乘积之和，以此计算结果作
  为相关图像c(x,)在(x,y)点的响应。

• 相关可用于在图像f(x,y)中找到与子图像w(x,y)匹配的所有位置。实际上，当w 按照上
  段中描述的过程移过整幅图像f之后，最大的响应点(xo,yo)即为最佳匹配的左上角点。我们
  也可以设定一个阈值T,认为响应值大于该阈值的点均是可能的匹配位置。

• 相关的计算是通过将图像元素和子模式图像元素联系起来获得的，将相关元素相乘后累
  加。我们完全可以将子图像w视为一个按行或按列存储的向量，将计算过程中被w覆盖的图像区域视为另一个按照同样的方式存储的向量.这样一来,相关计算就- 成了向量之间的点积运算。

两个向量的点积为:

• 其中，Θ 为向量、之间的夹角。显然，当和具有完全相同的方向(平行) 时，,从而式(11-4) 取得其最大值，这就意味着当图像的局部区域类似于子图像模式时，相关运算产生最大的响应。然而，式(11-4) 最终的取值还与向量、自身的模有关，这将导致按照式(11-4) 计算的相关响应存在着对f和w 的灰度幅值比较敏感的缺陷。这样一来，在f的高灰度区域，可能尽管其内容与子图像w的内容并不相近，但由于自身较大而同样产生一个很高的响应。可通过对向量以其模值来归一化解决这一问题，即通过来计算。
  

改进的用于匹配的相关计算公式如下:

二、代码部分

• 看了脑疼的理论，下面看看让人愉快的代码吧。

TemplateMatch.h

#pragma once#include<opencv2\opencv.hpp>using namespace cv;typedef unsigned char BYTE;void TemplateMatch(Mat * pTo, Mat * pTemplate,Mat * src);

TemplateMatch.cpp

 #include"TemplateMatch.h"void TemplateMatch(Mat * pTo, Mat * pTemplate, Mat * src){    //循环变量    int i, j, m, n;    double dSumT; //模板元素的平方和    double dSumS; //图像子区域元素的平方和    double dSumST; //图像子区域和模板的点积                       //响应值    double R;    //记录当前的最大响应    double MaxR;    //最大响应出现位置    int nMaxX;    int nMaxY;    int nHeight = src->rows;    int nWidth = src->cols;    //模板的高、宽    int nTplHeight = pTemplate->rows;    int nTplWidth = pTemplate->cols;    //计算 dSumT    dSumT = 0;    for (m = 0; m < nTplHeight; m++)    {        for (n = 0; n < nTplWidth; n++)        {            // 模板图像第m行，第n个象素的灰度值            int nGray =*pTemplate->ptr(m, n);            dSumT += (double)nGray*nGray;        }    }    //找到图像中最大响应的出现位置    MaxR = 0;    for (i = 0; i < nHeight - nTplHeight + 1; i++)    {        for (j = 0; j < nWidth - nTplWidth + 1; j++)        {            dSumST = 0;            dSumS = 0;            for (m = 0; m < nTplHeight; m++)            {                for (n = 0; n < nTplWidth; n++)                {                    // 原图像第i+m行，第j+n列象素的灰度值                    int nGraySrc = *src->ptr(i + m, j + n);                    // 模板图像第m行，第n个象素的灰度值                    int nGrayTpl = *pTemplate->ptr(m, n);                    dSumS += (double)nGraySrc*nGraySrc;                    dSumST += (double)nGraySrc*nGrayTpl;                }            }            R = dSumST / (sqrt(dSumS)*sqrt(dSumT));//计算相关响应            //与最大相似性比较            if (R > MaxR)            {                MaxR = R;                nMaxX = j;                nMaxY = i;            }        }    }    //将找到的最佳匹配区域复制到目标图像    for (m = 0; m < nTplHeight; m++)    {        for (n = 0; n < nTplWidth; n++)        {            int nGray = *src->ptr(nMaxY + m, nMaxX + n);            //pTo->setTo(nMaxX + n, nMaxY + m, RGB(nGray, nGray, nGray));            pTo->at<BYTE>(nMaxY + m, nMaxX + n) = nGray;        }    }}   

测试代码

#include"TemplateMatch.h"#include<iostream>using namespace std;int main(){    Mat src = imread("./src.jpg", 0);    Mat Template = imread("./template.jpg", 0);    Mat pt=src;    pt.data = new BYTE[src.cols*src.rows];    memset(pt.data, 255, src.cols*src.rows);    TemplateMatch(&pt, &Template, &src);    imshow("S", src);    imshow("T", Template);    imshow("P", pt);    imwrite("S.jpg", src);    imwrite("T.jpg", Template);    imwrite("P.jpg", pt);    waitKey(0);    return 0;}

效果如下：

    下面给出这个工程的百度云连接：链接：http://pan.baidu.com/s/1jIuuT3w 密码：veto

写的不好的地方，还希望指正，O(∩_∩)O谢谢。
在这我要强烈推荐一本书：《数字图像处理与机器视觉 Visual C 与Matlab实现》，这本书写的很基础，适合初学者和研究人员