图像匹配SATD

Winner13002023-12-29 8:41

文章目录

    • 一、SATD是什么
    • [二、 技术细节](#二、 技术细节)
    • [1.matlab 连续读取图片，并截取区域](#1.matlab 连续读取图片，并截取区域)
    • [2.matlab SATD相似度识别](#2.matlab SATD相似度识别)
    • [3.matlab 在多维矩阵中找最小值](#3.matlab 在多维矩阵中找最小值)
  • [三、c++ 实现SATD](#三、c++ 实现SATD)
    • [3.1 OpenCV和C++实现SATD](#3.1 OpenCV和C++实现SATD)
    • [3.2 c++ opencv](#3.2 c++ opencv)
    • 小结

一、SATD是什么

提示：这里可以添加技术名词解释

SATD（Sum of Absolute Transformed Differences）是一种用于图像匹配的算法，其原理主要包含以下步骤：

  1. 将模板图像与待匹配图像做差，得到一个差值矩阵Q。
  2. 对差值矩阵Q进行Hadamard变换（一种特殊的矩阵变换）。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。Hadamard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。
  3. 对变换后的矩阵求其元素的绝对值之和，得到一个SATD值。这个SATD值作为相似度的判别依据。
  4. 对所有待匹配的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。

以上信息仅供参考，如需更多信息，建议查阅图像处理相关的书籍或咨询图像处理专家。

二、 技术细节

1.matlab 连续读取图片，并截取区域

为了连续读取1到1000张图片，并截取中间的100*100区域，然后重新存储为M1到M1000，你可以使用以下的MATLAB代码：

matlab 复制代码 
% 设定图片文件夹路径
folderPath = 'path_to_your_image_folder'; % 请替换为你的图片文件夹路径

% 遍历每张图片
for i = 1:1000
    % 生成当前图片的文件名
    fileName = fullfile(folderPath, sprintf('I%d.jpg', i)); % 假设原始图片命名为I1.jpg, I2.jpg, ... I1000.jpg
    
    % 读取图片
    img = imread(fileName);
    
    % 检查图片是否读取成功
    if isempty(img)
        error(sprintf('无法读取图片: %s', fileName));
    end
    
    % 计算截取区域
    [height, width, ~] = size(img);
    xStart = max(1, width/2 - 50);    % 100*100区域的左起点
    yStart = max(1, height/2 - 50);   % 100*100区域的上起点
    cropImg = img(yStart:yStart+99, xStart:xStart+99, :);
    
    % 存储截取后的图片
    outputFileName = fullfile(folderPath, sprintf('M%d.jpg', i));
    imwrite(cropImg, outputFileName);
end

注意事项：

  1. 请确保你的图片是.jpg格式。如果不是，请在代码中修改对应的扩展名。
  2. 这个代码假设原始图片的命名是连续的，从I1.jpg到I1000.jpg。如果实际命名与此不符，请相应地调整文件名生成部分。
  3. 这个代码会截取图片中心附近的100*100区域。如果原始图片的尺寸小于这个区域，代码会自动调整截取区域以确保不会超出图片边界。

2.matlab SATD相似度识别

matlab 复制代码 
close all
clear all
clc
% src=double(rgb2gray(imread('baby.jpg'))); %长宽相等的
% mask=double(rgb2gray(imread('模板图像_bdd.jpg'))); %长宽相等的

src=double(rgb2gray(imread('frame_1442.jpg'))); %长宽相等的
mask=double(rgb2gray(imread('frame_1442_mask.jpg'))); %长宽相等的

[M,K]=size(src); %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+1,K-N+1); %保存SATD值
for i=1:M-N+1
    for j=1:K-N+1
        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('模板图像');
imwrite(uint8(mask),'模板图像_zhuti_gray.jpg');
figure, imshow(uint8(src)); 
hold on;
rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
title('STAD匹配结果'); 
hold off;

3.matlab 在多维矩阵中找最小值

在MATLAB中，min(min(hdm)) 的作用是从一个多维数组（比如矩阵）中找到最小值。

具体解释如下：

  1. min(hdm)：当 hdm 是一个矩阵时，这个操作会返回每一列的最小值，结果是一个行向量。
  2. min( ... )：外面的 min 函数作用于之前得到的行向量，返回该行向量中的最小值。

所以，min_hdm = min(min(hdm)); 的意思是找到 hdm 矩阵中的最小值，并将其赋值给 min_hdm。

例如，如果 hdm 是以下矩阵：

matlab 复制代码 
hdm = [3, 7, 2;
       8, 1, 6;
       4, 5, 9];

那么 min(hdm) 会返回 [3, 1, 2]（每列的最小值），然后 min(min(hdm)) 会返回 1，这是整个矩阵的最小值。

这段MATLAB代码是在寻找数组hdm中与最小值min_hdm相等的元素的索引。

具体解释如下：

  1. hdm == min_hdm：这部分会返回一个逻辑数组，其中值为true的位置表示hdm中与min_hdm相等的元素。
  2. find(...)：这个函数会返回逻辑数组中true的位置的索引。所以，如果hdm == min_hdm返回的是一个与hdm相同大小的逻辑数组，那么find(...)会返回所有与min_hdm相等的元素的索引。
  3. [x, y] = ...：这部分将返回两个向量。向量x包含所有与min_hdm相等的元素的行索引，而向量y包含它们的列索引。

例如，如果：

matlab 复制代码 
hdm = [3, 7, 2;
       8, 1, 6;
       4, 5, 9];
min_hdm = 1;

那么 [x, y] = find(hdm == min_hdm) 将返回 x = [2], y = [2]，表示在第二行第二列的位置上，hdm的值是1。

三、c++ 实现SATD

3.1 OpenCV和C++实现SATD

下面是使用OpenCV和C++实现SATD（Sum of Absolute Transformed Differences）的一个简单示例。在这个例子中，我将假设你已经有了待匹配的模板图像（template_img）和待匹配的源图像（source_img）。

注意：这个代码只是一个基本的示例，可能需要根据你的具体需求进行修改和优化。

cpp 复制代码 
#include <opencv2/opencv.hpp>
#include <iostream>

// 计算SATD
double computeSATD(const cv::Mat &img1, const cv::Mat &img2) {
    cv::Mat diff;
    cv::absdiff(img1, img2, diff); // 计算绝对差值
    cv::Mat gray;
    cv::cvtColor(diff, gray, cv::COLOR_BGR2GRAY); // 转换为灰度图像
    cv::Mat abs_diff_mat;
    cv::convertScaleAbs(gray, abs_diff_mat); // 转换为绝对值
    double sum = cv::sum(abs_diff_mat)[0]; // 计算总和
    return sum;
}

int main() {
    // 读取图像
    cv::Mat template_img = cv::imread("template.png", cv::IMREAD_GRAYSCALE);
    cv::Mat source_img = cv::imread("source.png", cv::IMREAD_GRAYSCALE);
    if (template_img.empty() || source_img.empty()) {
        std::cout << "无法加载图像" << std::endl;
        return -1;
    }

    // 确保图像大小相同
    if (template_img.size() != source_img.size()) {
        std::cout << "图像大小不一致" << std::endl;
        return -1;
    }

    // 计算SATD值
    double satd = computeSATD(template_img, source_img);
    std::cout << "SATD值: " << satd << std::endl;

    return 0;
}

这个代码首先计算两个图像的绝对差值，然后将差值图像转换为灰度图像，再将其转换为绝对值。最后，它计算并返回所有像素的绝对值之和，这就是SATD值。注意，这个代码没有进行任何形式的模板匹配优化，例如使用滑动窗口或快速近似算法。对于大型图像或实时应用，你可能需要使用这些优化方法来提高性能。

3.2 c++ opencv

要使用C++和OpenCV实现SATD（Sum of Absolute Transformed Differences）图像匹配，你需要遵循以下步骤：

  1. 设置环境：

    • 安装OpenCV库。你可以从OpenCV官网下载并按照说明进行安装。
    • 创建一个C++项目，并配置OpenCV库。

  2. 读取图像：

    • 使用OpenCV的imread函数读取模板图像和待匹配图像。

  3. 预处理：

    • 如果需要，对图像进行预处理，如灰度化、平滑等。

  4. 定义SATD函数：

    • 编写一个函数来计算两个图像的SATD值。该函数将接收两个图像作为输入，并返回它们的SATD值。

  5. 滑动窗口匹配：

    • 在待匹配图像上使用滑动窗口技术。对于每个窗口位置，计算模板图像与当前窗口的SATD值。
    • 记录每个位置的SATD值。

  6. 找到最佳匹配：

    • 找到SATD值最小的位置，这就是最佳匹配位置。

  7. 显示结果：

    • 在待匹配图像上标出最佳匹配位置。
    • 使用OpenCV的imshow函数显示结果图像。

  8. 保存/输出结果：

    • 如果需要，保存匹配结果图像或输出相关信息。

  9. 代码示例 ：

    下面是一个简化的C++和OpenCV实现SATD图像匹配的代码示例：

cpp 复制代码 
#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>
#include <cmath>

double computeSATD(const cv::Mat& templateImg, const cv::Mat& sourceRegion) {
    cv::Mat absDiff;
    cv::absdiff(templateImg, sourceRegion, absDiff); // 计算绝对差值
    return cv::sum(absDiff)[0]; // 返回绝对值之和
}

cv::Point findMatch(const cv::Mat& templateImg, const cv::Mat& sourceImg) {
    int minSATD = INT_MAX;
    cv::Point bestLocation;
    int templateHeight = templateImg.rows;
    int templateWidth = templateImg.cols;
    for (int i = 0; i < sourceImg.rows - templateHeight; ++i) {
        for (int j = 0; j < sourceImg.cols - templateWidth; ++j) {
            cv::Rect region(j, i, templateWidth, templateHeight);
            double currentSATD = computeSATD(templateImg, sourceImg(region));
            if (currentSATD < minSATD) {
                minSATD = currentSATD;
                bestLocation = cv::Point(j, i); // 更新最佳匹配位置
            }
        }
    }
    return bestLocation; // 返回最佳匹配位置
}

int main() {
    cv::Mat templateImg = cv::imread("template.png", cv::IMREAD_GRAYSCALE); // 读取模板图像（灰度）
    cv::Mat sourceImg = cv::imread("source.png", cv::IMREAD_GRAYSCALE); // 读取待匹配图像（灰度）
    if (templateImg.empty() || sourceImg.empty()) {
        std::cerr << "Error: Could not load images." << std::endl;
        return -1;
    }
    cv::Point matchLocation = findMatch(templateImg, sourceImg); // 找到最佳匹配位置
    // 在源图像上画出匹配位置（例如使用矩形）并显示结果...
    return 0;
}

这个示例展示了如何使用C++和OpenCV来实现基本的SATD图像匹配。注意，对于实际应用，可能需要进一步的优化和调整以提高性能和准确性。

小结

提示：这里可以添加总结

例如：

提供先进的推理，复杂的指令，更多的创造力。

相关推荐
Trouvaille ~8 分钟前
【机器学习】从流动到恒常，无穷中归一：积分的数学诗意
人工智能·python·机器学习·ai·数据分析·matplotlib·微积分
dundunmm16 分钟前
论文阅读：Deep Fusion Clustering Network With Reliable Structure Preservation
论文阅读·人工智能·数据挖掘·聚类·深度聚类·图聚类
qystca20 分钟前
洛谷 P11242 碧树 C语言
数据结构·算法
szxinmai主板定制专家25 分钟前
【国产NI替代】基于FPGA的4通道电压 250M采样终端边缘计算采集板卡，主控支持龙芯/飞腾
人工智能·边缘计算
是十一月末25 分钟前
Opencv实现图像的腐蚀、膨胀及开、闭运算
人工智能·python·opencv·计算机视觉
冠位观测者27 分钟前
【Leetcode 热题 100】124. 二叉树中的最大路径和
数据结构·算法·leetcode
悲伤小伞32 分钟前
C++_数据结构_详解二叉搜索树
c语言·数据结构·c++·笔记·算法
云空33 分钟前
《探索PyTorch计算机视觉：原理、应用与实践》
人工智能·pytorch·python·深度学习·计算机视觉
杭杭爸爸34 分钟前
无人直播源码
人工智能·语音识别
m0_675988232 小时前
Leetcode3218. 切蛋糕的最小总开销 I
c++·算法·leetcode·职场和发展
热门推荐
0119个Web前端交互式3D JavaScript框架和库02ARM学习（31）编译器对overlay方式的支持03玄机平台应急响应—webshell查杀04RAG 实践- Ollama+RagFlow 部署本地知识库05【一文读懂】NTN（非地面网络）技术介绍06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07ZZ038 物联网应用与服务赛题第J套08组基轨迹建模 GBTM的介绍与实现（Stata 或 R）09Docker 夺命连环 15 问10VSCode插件 —— Cody AI （免费AI助手！）