我对SSDA方法的理解

SSDA序贯相似性检测算法

 SSDA是一种基于模板匹配的图形匹配算法，目前的匹配方法主要有，基于灰度相关的匹配，基于特征的匹配灯。
优点：方法简单，抗干扰性能好，易于硬件实现。
缺点：计算量大。
所以该文章通过一系列方法来改进算法。

基本的SSDA算法

目标图像记为S，大小为K*L，待搜索图像记为W，大小为M*N。匹配时选择目标图像的左上角为参考点，当前待匹配点位于W上的（u,v)处时，在W中所选取的待匹配区域是以点（u,v),(u,v+L-1)，（u+K-1,v),(u+K-1,v+L-1)组成的区域。相当于参考点位置（i,j)的点的匹配误差定义为:

  在目标图像和带匹配区域中随机抽取n个点，计算这些点引起的误差和序列，记为：

当 与预先设定好的一个阈值进行比较，如果大于这个阈值的话，结束这个待匹配点的匹配过程，记下当前的k值。

如果小于这个阈值的话，则抽取下一个点做计算。直到大于这个阈值，或者k=n，记下k值。

阈值的设定，最大匹配点数n=150.

对不同的待匹配点进行上述匹配计算，最后取最大k值对应的待匹配点位置，认为这就是需要找的匹配点。

改进的SSDA算法

减少噪声的影响

在每个带匹配区域中，计算第k点的误差时，首先将计算结果与预定义的噪声阈值T2比较，如果大于该阈值，则认为词典产生的误差是由于噪声引起的，将该点结果丢弃，不加入误差和中，但要对此噪声点计数。如果在一个待匹配区域内噪声计数值超过预定义的噪声计数阈值T3，则停止本次计算，记录下本次的k值。

如果第k点的误差小于T2时，则认为此时的误差不是由于噪声而引起的，沿用原来的基本的SSDA算法。

进行梯度处理
由于在一些非匹配点中，但图像中相似部分比较多的时候，一些点之间的误差可能会相当小，在该点处停止计算的时间将往后退，道济计算量大规模的增大。
所以采用梯度处理的方法，首先分别计算目标图像和待搜索图像的灰度梯度，并以阈值T1对他们进行量化处理，大于阈值的为1，小于阈值的为0.其中点1的为图像的特征点，然后随机抽取部分特征点对图像进行匹配。

算法基本流程

计算目标图像与待搜索图像各自某个方向的图像梯度。
选取用于计算误差的点：将梯度图像中梯度大于阈值T1的点作为计算匹配误差的特征点，在其中随机抽取n点，为了保证匹配算法的准确性，所取得的数目占模板内总点数的比例不能太小。
设置待匹配点（u,v)=(0,0)
初始化设置：k=1,e(u,v,0)=0

计算,如果小于噪声阈值  ,进行下一步

结合金字塔法

把模板图像和目标图像进行等比例降采样，一般根据图像具体分辨率定。最多8倍降采样，2倍为一个单位。
从最小分辨率开始进行SSDA算法。
但因为分辨率较低可能只能得出几个粗匹配位置，所以在上一层分辨率上对应的一个或多个粗匹配位置附近进行，获得概率更大的几个采样点。
依次类推下，直到最大分辨率 S0，即整个匹配过程结束。
比较各个k，支出最大k值对应的位置（u,v)，这就是要找到的匹配点。

效果

结果：

模板：