[发明专利]一种基于灰度统计特征的灰度模板匹配方法

摘要

本发明涉及一种基于灰度统计特征的灰度模板匹配的方法。现有的模板匹配的速度慢、效率低。本发明方法的具体步骤是：首先调整待匹配图像I的宽度为和高度，其次将待匹配图像I进行分块，然后将图像I像素块C_i与灰度模板T进行比对，计算像素块C_i与灰度模板T相似区域，根据每个像素块C_i的相似区域得到子图K_i。根据灰度直方图相似距离D′_I，灰度级位置方差相似距离D′_σ，几何矩相似距离D′_M求和得到K_i和T的距离D′；对所有K_i和模板T的距离D′，选择D′最小的K_i记为K_min，这个K_min为与模板T匹配的图像子图。本发明方法匹配过程，通过计算模板T与匹配子图潜在的重叠区域来对模板T在图像I中进行快速的移动，提高了模板匹配的速度。此外该方法还具有较好的匹配准确性。

主权项

1.一种基于灰度统计特征的灰度模板匹配方法，其特征在于该方法的具体步骤是：步骤(1).设定灰度模板T的宽度为N₁、高度为N₂，待匹配图像I的宽度为M₁、高度为M₂，M₁＝k₁·N₁+α，k₁＝1，2，3…，0≤α＜N₁，M₂＝k₂·N₂+β，k₂＝1，2，3…，0≤β＜N₂；如果α＞0，则将待匹配图像I的横向的边沿进行复制延伸，使得α＝N₁，则延伸后的待匹配图像I的宽度为M′₁＝(k₁+1)·N₁，复制延伸的图像在横向为一个像素；如果β＞0，则将待匹配图像I的纵向的边沿进行复制延伸，使得β＝N₂，则延伸后的待匹配图像I的高度为M′₂＝(k₂+1)·N₂，复制延伸的图像在纵向为一个像素；步骤(2).将待匹配图像I以灰度模板T为单元进行分块：对于复制延伸过的待匹配图像I，分为(M′₁/N₁)×(M′₂/N₂)块；对于未进行复制延伸的待匹配图像I，分为(M₁/N₁)×(M₂/N₂)块；按照先从左到右、再从上到下的顺序将各块图像进行编号为像素块C_i，i＝1，2，3…；步骤(3).按照像素块C_i编号的顺序，将图像I的像素块C_i与灰度模板T进行比对，具体的比对方法是：(a).对灰度模板T的模板当前像素点P₁从灰度模板T的左上角开始，按照先从左到右、再从上到下顺序在模板T中以一个像素单位进行移动，模板当前像素点P₁与灰度模板T左上角的像素点为对角线构成像素子块矩阵T_Z，该像素子块矩阵T_Z的宽度为N_W，高度为N_H；模板当前像素点P₁在模板T中移动过程中，得到N₁×N₂个不同的像素子块矩阵T_Z，计算每个像素子块矩阵T_Z的灰度统计特征；所述的灰度统计特征包括灰度统计直方图、灰度级位置方差和灰度图像pq阶几何矩；灰度统计直方图是灰度级函数，对灰度图像的所有像素，统计每个灰度级范围的像素的个数，统计的像素个数就是灰度统计直方图在此灰度级的值，表示为：I(j)＝I(j，n)其中j表示第j灰度级，I(j)表示灰度统计直方图在第j灰度级的值，I(j，n)表示灰度图像中所有灰度值在第j灰度级范围内的像素的个数；以图像矩阵的左下角为原点，灰度级位置方差表示为：σjx2=E{(xj-x‾j)2}Σk=1NjE{(xj-x‾j)2},]]>σjy2=E{(yj-y‾j)2}Σk=1NjE{(yj-y‾j)2}---(2)]]>其中σ_jx表示灰度图像中的所有灰度值在第j灰度级范围内的像素的x坐标值的灰度级位置方差；σ_jy表示灰度图像中所有灰度值在第j灰度级范围的像素的y坐标值的灰度级位置方差；N_j表示灰度图像中所有灰度值在第j灰度级范围的像素的个数；x_j表示灰度图像中所有灰度值在第j灰度级范围内的像素横坐标值；x_j表示灰度图像中所有灰度值在第j灰度级范围内的象素的横坐标平均值；y_j表示灰度图像中所有灰度值在第j灰度级范围内的像素的纵坐标值；y_j表示灰度图像中所有灰度值在第j灰度级范围内的象素的纵坐标平均值；E(·)是期望值；灰度图像pq阶几何矩表示为：Mp,q=Σ(xpyqf(x,y))Σxpyq]]>其中M_pq表示图像的pq阶矩，f(x，y)表示灰度图像在(x，y)位置处的像素灰度值，∑表示灰度图像的所有像素，x表示灰度图像像素的横坐标值，y表示灰度图像像素的纵坐标值；(b).把像素子块矩阵T_Z划分为四个区域：像素子块矩阵T_Z的右下角的一个像素点为区域D；区域D所在的行去除区域D的一个像素点后的所有像素点的集合为区域B；区域D所在的列去除区域D的一个像素点后的所有像素点的集合为区域C；像素子块矩阵T_Z去除区域B、C、D后的所有像素点的集合为区域A；区域A是当前像素点P₁在灰度模板T移动过程中的一个像素子块矩阵；区域A和区域B合并构成的区域A+B是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵；区域A和区域C合并构成的区域A+C是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵；区域A，区域D，区域A+B，区域A+C，区域A+B+C+D的灰度统计直方图的关系为：I_(A+B+C+D)(j)＝I_(A+B)(j)+I_(A+C)(j)-I_A(j)+I_D(j)其中I_(A+B+C+D)(j)表示A+B+C+D区域的灰度统计直方图的第j灰度级的值，I_(A+B)(j)表示A+B区域的灰度统计直方图的第j灰度级的值，I_(A+C)(j)表示A+C区域的灰度统计直方图的第j灰度级的值，I_(A)(j)表示A区域的灰度统计直方图的第j灰度级的值，I_(D)(j)表示D区域的灰度统计直方图的第j灰度级的值；区域A、区域D、区域A+B、区域A+C、区域A+B+C+D的像素横坐标值关系为：Σ(A+B+C+D)x(j)=Σ(A+B)x(j)+Σ(A+C)x(j)-ΣAx(j)+ΣDx(j),]]>xi(A+B+C+D)‾(j)=Σ(A+B)xi(j)+Σ(A+C)x(j)-ΣAx(j)+ΣDx(j)I(A+B+C+D)(j)]]>Σ(A+B+C+D)x(j)2=Σ(A+B)x(j)2+Σ(A+C)x(j)2-ΣAx(j)2+ΣDx(j)2,]]>E(A+B+C+D)(x(j)2)=Σ(A+B+C+D)x(j)2I(A+B+C+D)(j)]]>σ_(A+B+C+D)jx²＝E_(A+B+C+D)(x(j)²)-x(j)²其中x(j)表示灰度图像的像素中灰度值在第j灰度级范围内的一个像素的横坐标值，表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域A+B中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域A+C中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域A中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域D中所有灰度值在第j灰度级范围内像素的横坐标值总和，x_(A+B+C+D)(j)表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的横坐标值平均值，E_(A+B+C+D)(x(j)²)表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的横坐标值的平方的期望值，σ_(A+B+C+D)jx表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的横坐标值的灰度级位置方差；区域A、区域D、区域A+B、区域A+C、区域A+B+C+D的像素的纵坐标值关系为：Σ(A+B+C+D)y(j)=Σ(A+B)y(j)+Σ(A+C)y(j)-ΣAy(j)+ΣDy(j),]]>yi(A+B+C+D)‾(j)=Σ(A+B)y(j)+Σ(A+C)y(j)-ΣAy(j)+ΣDy(j)I(A+B+C+D)(j)]]>Σ(A+B+C+D)y(j)2=Σ(A+B)y(j)2+Σ(A+C)y(j)2-ΣAy(j)2+ΣDy(j)2,]]>E(A+B+C+D)(y(j)2)=Σ(A+B+C+D)y(j)2I(A+B+C+D)(j)]]>σ_(A+B+C+D)jy²＝E_(A+B+C+D)(y(j)²)-y(j)²其中y(j)表示灰度图像的像素中灰度值在第j灰度级范围内的一个像素的横坐标值，表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域A+B中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域A+C中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域A中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域F中所有灰度值在第j灰度级范围内像素的横坐标值总和，y_(A+B+C+D)(j)表示区域A+B+C+D的中所有灰度值在第j灰度级范围内像素的横坐标值平均值，E_(A+B+C+D)(y(j)²)表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的横坐标值的平方的期望值，σ_(A+B+C+D)jy表示区域A+B+C+D中所有灰度值在第j灰度级范围内的像素的纵坐标值的灰度级位置方差；区域A、区域D、区域A+B、区域A+C、区域A+B+C+D像素矩阵的几何矩的关系为：Σ(A+B+C+D)x(j)py(j)qfj(x,y)=Σ(A+C)x(j)py(j)qfj(x,y)+Σ(A+B)x(j)py(j)qfj(x,y)]]>-ΣAx(j)py(j)qfj(x,y)+ΣDx(j)py(j)qfj(x,y)]]>其中f_j(x，y)表示在(x，y)坐标处并且灰度图像中所有灰度值在第j灰度级范围内的像素的灰度值；(c).C_i的当前像素点P′₁从划分块C_i的右下角开始，按照先从右到左、再从下到上的顺序在C_i中以一个像素单位进行移动，以C_i的当前像素点P′₁与划分块C_i的右下角的像素点为对角线构成像素子块矩阵T′_Z，T′_Z的宽度为N′_W、高度为N′_H；C_i的当前像素点P′₁在划分块C_i的移动过程中，得到N₁×N₂个不同的像素子块矩阵T′_Z；按照步骤(a)的方法计算每个像素子块矩阵T′_Z的灰度统计直方图，灰度级位置方差，pq阶几何矩；(d).把像素子块矩阵T′_Z划分为四个区域：像素子块矩阵T′_Z的左上角的一个像素点为区域H；区域H所在的行去除区域H的一个像素点后的所有像素点的集合为区域J；区域H所在的列去除区域H的一个像素点后的所有像素点的集合为区域F；像素子块矩阵T′_Z去除区域F、J、H后的所有像素点的集合为区域E；区域E是C_i的当前像素点P′₁在划分块C_i移动过程中的一个像素子块矩阵，区域E和区域F合并构成的区域E+F是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵，区域E和区域J合并构成的区域E+J是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E、区域H、区域E+F、区域E+J、区域E+F+J+H的灰度统计直方图的关系为：I_(E+F+J+H)(j)＝I_(E+F)(j)+I_(E+J)(j)-I_E(j)+I_H(j)其中I_(E+F+J+H)(j)表示E+F+J+H区域的灰度统计直方图的第j灰度级的值，I_(E+F)(j)表示E+F+J+H区域的灰度统计直方图的第j灰度级的值，I_(E+J)(j)表示E+J区域的灰度统计直方图的第j灰度级的值，I_(H)(j)表示H区域的灰度统计直方图的第j灰度级的值，I_(E)(j)表示E区域的灰度统计直方图的第j灰度级的值；区域E、区域E+F、区域E+J、区域H、区域E+F+J+H的像素横坐标值关系为：Σ(E+F+J+H)x(j)=Σ(E+F)x(j)+Σ(E+J)x(j)-ΣEx(j)+ΣHx(j),]]>xi(E+F+J+H)‾(j)=Σ(E+F)x(j)+Σ(E+J)x(j)-ΣEx(j)+ΣHx(j)I(E+F+J+H)(j)]]>Σ(E+F+J+H)x(j)2=Σ(E+F)x(j)2+Σ(E+J)x(j)2-ΣEx(j)2+ΣHx(j)2,]]>E(E+F+J+H)(x(j)2)=Σ(E+F+J+H)x(j)2I(E+F+J+H)(j)]]>σ_(E+F+J+H)jx²＝E_(E+F+J+H)(x(j)²)-x(j)²其中x(j)表示灰度图像的像素中灰度值在第j灰度级范围内的一个像素的横坐标值，表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域E+F中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域E+J中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域H中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域E中所有灰度值在第j灰度级范围内像素的横坐标值总和，x_(E+F+J+H)(j)表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的横坐标值平均值，E_(E+F+J+H)(x(i)²)表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的横坐标值平方的期望值，σ_(A+B+C+D)jx表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的横坐标值的灰度级位置方差；区域E、区域H、区域E+F、区域E+J、区域E+F+J+H的像素的纵坐标值关系有：Σ(E+F+J+H)y(j)=Σ(E+F)y(j)+Σ(E+J)y(j)-ΣEy(j)+ΣHy(j),]]>yi(E+F+J+H)‾(j)=Σ(E+F)y(j)+Σ(E+J)y(j)-ΣEy(j)+ΣHy(j)I(E+F+J+H)(j)]]>Σ(E+F+J+H)y(j)2=Σ(E+F)y(j)2+Σ(E+J)y(j)2-ΣEy(j)2+ΣHy(j)2,]]>E(E+F+J+H)(y(j)2)=Σ(E+F+J+H)y(j)2I(E+F+J+H)(j)]]>σ_(E+F+J+H)jy²＝E_(E+F+J+H)(y(j)²)-y(j)²其中y(j)表示灰度图像的像素中灰度值在第j灰度级范围内的一个像素的横坐标值，表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域E+F中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域E+J中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域E中所有灰度值在第j灰度级范围内的像素的横坐标值总和，表示区域H中所有灰度值在第j灰度级范围内像素的横坐标值总和，y_(E+F+J+H)(j)表示区域A+B+C+D的中所有灰度值在第j灰度级范围内像素的横坐标值平均值，E_(A+B+C+D)(y(j)²)表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的横坐标值的平方的期望值，σ_(A+B+C+D)ix表示区域E+F+J+H中所有灰度值在第j灰度级范围内的像素的纵坐标值的灰度级位置方差；区域E、区域H、区域E+F、区域E+J、区域E+F+J+H像素矩阵的几何矩的关系为：Σ(E+F+J+H)x(j)py(j)qfj(x,y)=Σ(E+F)x(j)py(j)qfj(x,y)+Σ(E+J)x(j)py(j)qfj(x,y)]]>-ΣEx(j)py(j)qfj(x,y)+ΣHx(j)py(j)qfj(x,y)]]>其中f_j(x，y)表示在(x，y)坐标处并且灰度图像中所有灰度值在第j灰度级范围内的像素的灰度值；(e).将当前像素点P₁从灰度模板T的左上角以先从左到右、再从上到下的顺序的每一次移动所得到的T_Z与当前像素点P′₁从划分块C_i的右下角开始以先从右到左、再从下到上的顺序在C_i中的每一次移动所得到的T′_Z相对应；采用欧拉距离计算公式计算T_Z和T′_Z的灰度统计直方图的距离D_I，采用欧拉距离计算公式计算每个灰度级的灰度级位置方差的距离，并计算所有灰度级位置方差距离的总和D_σ，采用欧拉距离计算公式计算灰度图像的pq阶几何矩的距离D_M；将D_I，D_σ，D_M求和得到T_Z和T′_Z的距离D；对T和划分块C_i的所有对应的T_Z和T′_Z的距离D进行排序，获得D最小的T_Z和T′_Z，距离D最小的T′_Z的左上角的当前像素点P′₁为移动像素点S_i；(f).计算图像I的每个划分块C_i的S_i，移动像素点S_i的个数与图像I的划分块的个数相等；对每一个S_i，将S_i作为左上角，在图像I中取大小和灰度模板T一致的像素块K_i，按照步骤(a)的方法计算K_i的灰度统计直方图，灰度级位置方差，pq阶几何矩；对于K_i和模板T，采用欧拉距离计算公式计算K_i和T的灰度统计直方图的距离D′_I，采用欧拉距离计算公式计算每个灰度级的灰度级位置方差的距离，并计算所有灰度级位置方差距离的总和D′_σ，采用欧拉距离计算公式计算灰度图像的pq阶几何矩的距离D′_M；将D′_I，D′_σ，D′_M求和得到K_i和T的距离D′；对所有K_i和模板T的距离D′，选择D′最小的K_i记为K_min，K_min为与模板T匹配的图像子图。