CN105894441A - 一种图像匹配方法及装置 - Google Patents
一种图像匹配方法及装置 Download PDFInfo
- Publication number
- CN105894441A CN105894441A CN201511017712.5A CN201511017712A CN105894441A CN 105894441 A CN105894441 A CN 105894441A CN 201511017712 A CN201511017712 A CN 201511017712A CN 105894441 A CN105894441 A CN 105894441A
- Authority
- CN
- China
- Prior art keywords
- row
- sample
- column
- region
- matched
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 239000013598 vector Substances 0.000 claims description 297
- 230000008878 coupling Effects 0.000 claims description 17
- 238000010168 coupling process Methods 0.000 claims description 17
- 238000005859 coupling reaction Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 57
- 239000000523 sample Substances 0.000 description 307
- 230000008859 change Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 244000181917 Rubus leucodermis Species 0.000 description 2
- 235000011036 Rubus leucodermis Nutrition 0.000 description 2
- 235000003942 Rubus occidentalis Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种图像匹配方法及装置,包括:根据搜索框在图像中确定出待匹配区域;计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,针对预创建的任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,将最大相似度对应的模板样本作为匹配模板样本;将所述最大相似度对应的所述待匹配区域的行/列像素点确定的区域作为目标区域。本发明实施例提供的图像匹配方法及装置,省去了现有技术中采图后拼接的过程,避免了拼接导致的模板样本不准确的问题,根据多个独立的模板样本对图像进行匹配,可获得准确地匹配结果。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像匹配方法及装置。
背景技术
当需要针对如圆柱体等曲面上的图案生成模板样本时,如果采用常规的采图方式,一次采图只能采到图案正面的一部分,无法在一张图上采到所有面的图案。
对此,现有技术采用线阵相机采集曲面上每一列的图像,之后将采集的每一列的图像拼接成完整的模板样本,但是,由于线阵相机的成本较高、体积较大,对于小巧且低成本的设备来说会造成很大的负担。
现有技术的另一解决方案中,将图案中的每一部分都进行采图,然后使用图像拼接算法直接拼成完整的模板样本,但是,这种方案对采图的精度要求较高,而由于曲面越靠近两侧的部分扭曲的程度越大,这导致该方案中采图的精度很难达到算法的要求,在扭曲部分的拼接效果并不好;而且,对于特征比较少的图案,图像拼接算法存在较大无法,甚至会导致模板样本不准确,无法实现对曲面图像的准确匹配。
发明内容
本发明实施例提供一种图像匹配方法及装置,用以解决现有技术中无法便捷地为曲面图像进行准确匹配的问题。
本发明实施例提供一种图像匹配方法,包括:
S101,根据搜索框在图像中确定出待匹配区域,其中,待匹配区域的尺寸大于模板样本的尺寸;
S102,计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,针对预创建的任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,将最大相似度对应的模板样本作为匹配模板样本;
S103,将所述最大相似度对应的所述待匹配区域的行/列像素点确定的区域作为目标区域。
本发明实施例提供一种图像匹配装置,包括:
选取模块,用于根据搜索框在图像中确定出待匹配区域,其中,待匹配区域的尺寸大于模板样本的尺寸;
匹配模板样本获取模块,用于计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,比较所述待匹配区域与预创建的若干模板样本的各行/列灰度均值,确定出与所述待匹配区域中部分相邻行/列灰度均值相似度最高的模板样本作为匹配模板样本;
定位模块,用于将所述待匹配区域中与所述匹配模板样本的各行/列灰度均值匹配对应的区域确定为目标区域。
本发明实施例提供的图像匹配方法及装置,预先创建多个模板样本,为图像提供匹配依据,省去现有技术中采图后拼接的过程,避免了拼接导致的模板样本不准确的问题,根据多个独立的模板样本对图像进行分析匹配,可获得准确地匹配结果;通过对待匹配区域和若干模板样本进行行/列灰度均值的比较计算,获得各行/列灰度均值的相似度,并进一步根据最大相似度确定出匹配模板样本和待匹配区域中的目标区域。以待匹配区域中各行/列像素点的灰度值进行图像的特征分析,并作为匹配依据,可进一步保证匹配的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明图像匹配方法流程图;
图2为本发明图像匹配方法实施例流程图;
图3为本发明图像匹配方法实施例流程图;
图4为本发明图像匹配方法实施例流程图;
图5为本发明图像匹配方法实施例流程图;
图6为本发明标准样品图像采图过程示意图;
图7为本发明模板样本创建过程中的二值化样本示意图;
图8为本发明待匹配区域示意图;
图9为本发明经过列匹配确定出的待匹配区域的列区域示意图;
图10为本发明图像匹配装置结构示意图;
图11为本发明图像匹配装置实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种图像匹配方法及装置,可应用于图像检测场景中。对于曲面上的图像进行匹配检测时,现有技术通常采用线阵相机进行列扫描后拼接生成完整的一副图像作为模板样本,但成本过高;或者通过图像拼接算法直接将对图像的部分彩图拼接为完整的一副图像作为模板样本,但拼接的效果不好,导致图像匹配的结果不准确。本发明实施例提供的匹配方法及装置,正是要克服现有技术存在的缺陷,预先创建若干独立的模板样本,将图像中的待匹配区域分别与若干模板样本进行匹配,并可根据匹配的结果判断待匹配样品的各种质量参数,如图案是否存在缺陷等。
另外,本发明实施例提供的图像匹配方法及装置,还可应用于其它图像匹配场景中,在此不作限定。
参考图1,本发明实施例提供一种图像匹配方法,包括:
S100,根据搜索框在图像中确定出待匹配区域,其中,待匹配区域的尺寸大于模板样本的尺寸;
S200,计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,针对预创建的任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,将最大相似度对应的模板样本作为匹配模板样本;
S300,将所述最大相似度对应的所述待匹配区域的行/列像素点确定的区域作为目标区域。
其中,S100根据搜索框在图像中确定出的待匹配区域作为后续过程中用于与模板样本进行比较的区域,待匹配区域的尺寸设定的大于所述模板样本的尺寸,以避免因图像中图案的位置不固定导致的匹配不准确。最终匹配出的模板样本将对应待匹配区域中的一部分区域,例如图8中,黑色背景的范围对应待匹配区域的尺寸,而黑色背景中的框线范围则代表模板样本的尺寸。
S200中,首先计算所述待匹配区域的行/列灰度均值,并将所述待匹配区域的各行灰度均值分别与若干模板样本的各行灰度均值进行比较,或者将所述待匹配区域的各列灰度均值分别与若干模板样本的各列灰度均值进行比较。由于所述待匹配区域的尺寸大于所述模板样本的尺寸,因此所述待匹配区域的行/列灰度均值的个数必然大于所述模板样本的行/列灰度均值的个数,在比较的过程中,针对任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,通过匹配比较可找出最大相似度对应的匹配模板样本以及待匹配区域中的目标区域,例如图8中,通过匹配比较确定出框线范围的区域为目标区域,确定出的目标区域的尺寸与模板样本的尺寸相同。
由于不同的图案所对应的像素点的灰度值不同,本实施例根据待匹配区域的行/列灰度均值可确定出待匹配区域中各行/列像素点的特征。具体地,可将图像转化为二值图像后进行行/列灰度均值的计算,而且在计算行/列灰度均值时,将待匹配区域大于模板样本的区域内的像素点的灰度值均认为是0,因此,在计算行/列灰度均值时将每行/列的像素点个数认为与模板样本的每行/列的像素点个数相同。模板样本的各行/列灰度均值与待匹配区域中对应数量且相邻的各行/列灰度均值相匹配,则证明该模板样本的图案与待匹配区域中目标区域的图案相同或极其相似,通过这种方式可确定出用于工业处理或其它应用场景的匹配模板样本以及在图像中定位出待处理的目标区域。例如可在工业处理或其它应用场景中继续对确定出的目标区域进行图案缺陷分析、印刷质量分析等等处理。
S200中计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度的方式多种多样,以下以多个实施例的方式对计算方案进行举例说明。
参考图2,本发明实施例提供的图像匹配方法中,S200包括:
S201,根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
S202,计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出最大相似度对应的一对搜索行向量和样本行向量;
S203,将确定出的样本行向量对应的模板样本作为匹配模板样本。
本实施例中,S201可根据计算所述待匹配区域的每列像素点的列灰度均值,其中Q(i,j)表示待匹配区域内的各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw表示模板样本的列数量。通过计算可获得所述待匹配区域的Lw个列灰度均值,将其中任意相邻的Kw个列灰度均值定义为一个搜索行向量,例如可以第0~Kw-1个列灰度均值定义为一搜索行向量,或将第1~Kw个、第2~Kw+1个、第3~Kw+2个列灰度均值分别定义为搜索行向量,以此类推,可定义出Lw-Kw+1个搜索行向量。搜索行向量的长度均与模板样本中的样本行向量的长度相同。对于步骤S201定义的Lw-Kw+1个搜索行向量,S202将每一个搜索行向量都与预先创建的若干模板样本的样本行向量进行比较,并计算出搜索行向量和样本行向量的相似度。如果模板样本的数量为N,那么计算获得的相似度的个数将为N*(Lw-Kw+1),之后从N*(Lw-Kw+1)个相似度中选出最大相似度,并将最大相似度对应的样本行向量所对应的模板样本确定为匹配模板样本,上述S300会将最大相似度对应的搜索行向量对应的待匹配区域中的像素点确定的区域作为目标区域。
参考图3,本发明实施例提供的图像匹配方法中,S200包括:
S211,根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
S212,计算所述待匹配区域的各搜索列向量与所述若干模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
S213,将确定出的样本列向量对应的模板样本作为匹配模板样本。
本实施例中,S211可根据计算所述待匹配区域的每行像素点的行灰度均值,其中Q(i,j)表示待匹配区域内的各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kh表示模板样本的行数量。通过计算可获得所述待匹配区域的Lh个行灰度均值,将其中任意相邻的Kh个行灰度均值定义为一个搜索列向量,例如可以第0~Kh-1个行灰度均值定义为一搜索列向量,或将第1~Kh个、第2~Kh+1个、第3~Kh+2个行灰度均值分别定义为搜索列向量,以此类推,可定义出Lh-Kh+1个搜索列向量。搜索列向量的长度均与模板样本中的样本列向量的长度相同。对于步骤S211定义的Lh-Kh+1个搜索列向量,S212将每一个搜索列向量都与预先创建的若干模板样本的样本列向量进行比较,并计算出搜索列向量和样本列向量的相似度。如果模板样本的数量为N,那么计算获得的相似度的个数将为N*(Lh-Kh+1),之后从N*(Lh-Kh+1)个相似度中选出最大相似度,并将最大相似度对应的样本列向量所对应的模板样本确定为匹配模板样本,上述S300会将最大相似度对应的搜索列向量对应的待匹配区域中的像素点确定的区域作为目标区域。
参考图4,本发明实施例提供的图像匹配方法中,S102包括:
S221,根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
S222,计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出相似度大于预定阈值的多对搜索行向量和样本行向量;
S223,将确定出的多个样本行向量对应的模板样本作为中间模板样本;
S224,根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
S225,计算所述待匹配区域的各搜索列向量与多个中间模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
S226,将确定出的样本列向量对应的中间模板样本作为匹配模板样本。
本实施例中,S221可根据计算所述待匹配区域的每列像素点的列灰度均值,其中Q(i,j)表示待匹配区域内的各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw表示模板样本的列数量。通过计算可获得所述待匹配区域的Lw个列灰度均值,将其中任意相邻的Kw个列灰度均值定义为一个搜索行向量,定义出Lh-Kh+1个搜索行向量。搜索行向量的长度均与模板样本中的样本行向量的长度相同。对于步骤S221定义的Lw-Kw+1个搜索行向量,S222将每一个搜索行向量都与预先创建的若干模板样本的样本行向量进行比较,并计算出搜索行向量和样本行向量的相似度。如果模板样本的数量为N,那么计算获得的相似度的个数将为N*(Lw-Kw+1),之后从N*(Lw-Kw+1)个相似度中选出大于预定阈值或者根据相似度由大到小排序后选出预定数量的排列在前端的相似度,S223将选出的相似度对应的模板样本确定为中间模板样本,经过S221~223的列匹配过程确定出的中间模板样本的数量将远远小于模板样本的总数量。再通过S224~226对待匹配区域和中间模板样本执行行匹配过程后,从计算获得的待匹配区域的各搜索列向量与多个中间模板样本的样本列向量的相似度中选出最大相似度,并将最大相似度对应的中间模板样本确定为匹配模板样本。
本实施例中,先对待匹配区域与所有模板样本执行列匹配过程,从中选出列匹配度较高的多个模板样本作为中间模板样本,之后再对待匹配区域和中间模板样本执行行匹配过程,并从中选出行匹配度最高中间模板样本作为匹配模板样本,通过两次匹配过程,可更准确地确定出待匹配区域与模板样本的匹配关系,从而更准确地确定出待匹配区域中的目标区域,以及用于对目标区域进行进一下分析处理的匹配模板样本。
另外,需要说明的是,本实施例中仅实例性的说明了先执行了对待匹配区域与所有模板样本的列匹配过程,后执行了对待匹配区域和中间模板样本的行匹配过程的方案,同理地,先执行待匹配区域与所有模板样本的行匹配过程,后执行待匹配区域和中间模板样本的列匹配过程的方案,也可获得同样准确的匹配结果。
参考图8,本发明实施例提供的图像匹配方法中,S200包括:
S231,根据所述待匹配区域每列像素点的灰度值计算列灰度均值,根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
S232,计算所述待匹配图像的搜索行向量与所述若干模板样本的样本行向量的相似度,确定出每个模板样本对应的最大相似度;
S233,按照确定出的每个模板样本对应的最大相似度,选取最大相似度高于预定阈值的模板样本作为中间模板样本;
S234,根据所述中间模板样本对应的搜索行向量确定所述待匹配区域中对应的列区域,计算确定出的所述待匹配区域中对应的列区域的每行像素点的行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
S235,计算所述中间模板样本的样本列向量与所述待匹配区域中对应的列区域的搜索列向量的相似度;
S236,确定出所述中间模板样本的样本列向量与所述待匹配区域中对应的列区域的搜索列向量的相似度中的最大值,并将所述最大值对应的中间模板样本作为匹配模板样本。
S231可根据计算所述待匹配区域的每列像素点的灰度值的列平均值,其中Q(i,j)表示待匹配区域内的像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw表示模板样本的列数量。此处,认为待匹配区域与模板样本相比,每列多出的像素点的灰度值均为0,根据上述方式计算时,以待匹配区域中有效列像素点的数量作为列灰度均值的计算基准,且将有效列像素点的数量定义为与模板样本的列像素点数量相同,这样计算出的列灰度均值才能在计算与模板样本的列灰度均值的相似度时获得准确的相似度结果。通过计算可获得所述待匹配区域的Lw个列灰度均值,将其中任意相邻的Kw个列灰度均值定义为一个搜索行向量,可定义出Lw-Kw+1个搜索行向量。对于每个模板样本来说,其样本行向量将与待匹配区域的Lw-Kw+1个搜索行向量进行相似度的计算,每个模板样本将对应获得Lw-Kw+1个相似度,从Lw-Kw+1个相似度中选出最大相似度。如果模板样本的总数量为N,那么S232将确定出N个最大相似度。S233从N个最大相似度中选择预定数量或者大于预定阈值的最大相似度,根据预定数量选择时可将N个最大相似度进行由大到小的排序并从大数值的一端选取预定数量的最大相似度。选取出的最大相似度对应的模板样本将作为中间模板样本。
对于每个中间模板样本,可根据其样本行向量与所述待匹配区域的搜索行向量的对应关系,在所述待匹配区域中确定出如图9所示的中间模板样本对应的列区域,S234从中间模板样本的角度,对所述待匹配区域进行反向匹配,在确定出的所述待匹配区域的列区域中,根据继续计算所述列区域内的每行像素点的行灰度均值,获得Lh个行灰度均值,根据获得的Lh个行灰度均值可定义出Lh-Kh+1个长度为Kh的搜索列向量,所述搜索列向量与所述中间模板样本的样本列向量的长度相同。之后S235计算所述中间模板样本的样本行向量与所述待匹配区域中对应的列区域的搜索列向量的相似度,确定出每个中间模板样本对应的最大相似度,S236通过比较S235确定出的多个最大相似度获得其中的最大值,该最大值对应的中间模板样本将作为匹配模板样本,该最大值对应的搜索行向量及搜索列向量可在待匹配区域中确定出目标区域。
本实施例中,先对待匹配区域与所有模板样本执行列匹配过程,计算出每个模板样本与待匹配区域的最大相似度,并根据每个模板样板的最大相似度选出最优的几个中间模板样本,并确定出这几个中间模板样本对应在待匹配区域中的最佳匹配的列区域;之后再对确定出的待匹配区域的列区域和中间模板样本执行行匹配过程,此时的行匹配过程仅在确定出的列区域内计算行灰度均值,S234将依据计算出的列区域的各行灰度均值定义待匹配区域的搜索列向量,以及S235以根据此种方式计算出的搜索列向量与中间模板样本的样本列向量进行相似度的计算。如果中间模板样本的数量为n时,那么将获得n*(Lh-Kh+1)个相似度,S235从n*(Lh-Kh+1)个相似度选出最大值,并将最大值对应的中间模板样本作为匹配模板样本。其中,S235从n*(Lh-Kh+1)个相似度选出最大值,可先计算出每个中间模板样本对应的最大相似度,之后再从n个最大相似度中选择最大值,或者直接从n*(Lh-Kh+1)个相似度选出最大值,以及采用其它方式均可,在此不作限定。
另外,需要说明的是,本实施例中仅实例性的说明了先执行了对待匹配区域与所有模板样本的列匹配过程,后执行了列匹配过程确定出的待匹配区域的列区域和中间模板样本的行匹配过程的方案,同理地,先执行待匹配区域与所有模板样本的行匹配过程,后执行行匹配过程确定出的待匹配区域的行区域和中间模板样本的列匹配过程的方案,也可获得同样准确的匹配结果。两种方案都属于本发明的保护范围。通过本实施例可先锁定待匹配区域与模板样本的最匹配的几个行/列区域,之后再对分别匹配出的行/列区域进行列/行匹配处理,可确定出更加准确的目标区域。且所述匹配结果可精确到图像中的像素点的位置,因此,可进行精准的图像匹配并获得比现有技术更准确的匹配结果。
上述各实施例中,计算相似度时,可采用多种方式,此处以根据向量夹角计算相似的方案进行举例说明。
上述各实施例中,可根据计算所述待匹配区域的搜索行/列向量与所述模板样本的样本行/列向量的相似度,其中,m表示搜索行/列向量以所述待匹配区域的第m列/行的列/行灰度均值为起始,P(n)表示第n个所述模板样本的样本行/列向量,表示所述待匹配区域的的搜索行/列向量。
例如,根据第0~Kw-1个列平均值定义的搜索行向量与模板样本的样本行向量的夹角可根据进行计算获得,而其中即可作为两向量的相似度dn,0,相似度越大,则两向量的夹角越小,差别越小。通用地,所述待匹配区域的搜索列向量与所述模板样本的相似度可根据计算获得。上述各实施例中可根据不同的计算参数、比较对象,获得不同数量的相似度,最终都可根据相似度选出差别最小,匹配度最高的一对样本行/列向量和搜索行/列向量,并据此准确滴确定出匹配模板样本和待匹配区域中的目标区域。
以下再以一实施例对所述模板样本的预创建过程进行详细说明。模板样本的预创建过程为上述实施例各实施例中的相似度计算过程提供了计算的基础,模板样本的预创建过程至少在上述实施例中执行计算相似度步骤之前完成。
本实施例中,所述模板样本的预创建过程包括:
S401,根据采图框对标准样品图像进行采图,获得若干采图样本,将所述采图样本进行二值化处理获得二值化样本,其中,所述采图框的尺寸设定为Kw*Kh;
S402,计算所述二值化样本每行像素点的灰度值的行平均值和每列像素点的灰度值的列平均值,并根据所述二值化样本的所有的行平均值定义长度为Kw的样本列向量,根据所述二值化样本的所有的列平均值定义长度为Kh的样本行向量;
S403,对每个所述二值化样本进行编号,将编号后且定义样本列向量及样本行向量后的若干二值化样本作为模板样本。
其中,步骤S401中,采图的周期可根据实际情况进行设定,一般可每隔3~5度进行一次采图,及避免了过多的采图造成过多的时间损耗,又可保证采图样本的采样率符合要求。标准样品图像需使用标准的正样品,以避免依据不标准的样品进行采图后生成不准确的模板样本。另外,采图框在采图时应正对所述标准样品图像,且采图框的尺寸不应过大,以避免过大的采图尺寸造成采图样本扭曲而导致模板样本不准确。另外,本文中所述的二值化处理是指对图像进行0和255的灰度值转换,转换方式有多种,例如如果图像的亮度稳定,可采用二值化阈值方法提取图案进行灰度值转换,其它的,还可采用图像灰度礼帽、黑帽、边缘提取等方法,本发明对此不作限定。
步骤S402中,对二值化处理获得的二值化样本逐行和逐列执行行灰度均值和列灰度均值的计算,具体地可根据计算所述二值化样本的行灰度均值,根据计算所述二值化样本的列灰度均值,其中I(i,j)表示所述二值化样本中各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw和Kh分别表示二值化样本的列数量和行数量。根据步骤S402可获得Kw个列灰度均值,Kh个行灰度均值,分别将二值化样本的Kw个列灰度均值定义为样本行向量,将Kh个行灰度均值定义为样本列向量。
步骤S403,将步骤S402计算的样本列向量和样本行向量标记到所述二值化样本生成模板样本,另外还对模板样本进行了编号,以便于后续在对图像进行匹配过程中可方便地查找到匹配模板样本。
优选地,本实施例中在将所述采图样本进行二值化处理获得二值化样本,之前还包括:
删除无用的采图样本,所述无用的采图样本包括:与前一采图样本的采图角度差小于预定阈值或无图案的采图样本。
删除无用的采图样本可有效减少样本的分析时间,最终剩余的采图样本数量在80~180之间即可满足采样分析要求。
本实施例中,改变了传统的完整的一副图像作为模板样本的方案,以多个独立的模板样本的形式作为图像匹配的依据,因此,免去了图像拼接的过程,进而可避免由于图像拼接带来的模板样本不准确的问题;而且,本实施例中的各模板样本中标记了样本列向量和样本行向量,可实现高精度的图像匹配。
以下以图6中的曲面产品上的图像为例进行实施例的详细解释。
首先,将图6中的圆柱型标准正样品进行旋转,并将采图框对准样品的正面正中间的位置对样品曲面上的图像进行采图,获得若干采图样本,在删除无用的采图样本,对N个采图样本进行二值化处理获得如图4所示的二值化样本,之后对N个二值化样本分别进行行分析和列分析,并定义出二值化样本的样本列向量和样本行向量,以及对每个二值化验本进行标号n,获得N个模板样本,每个模板样本的样本列向量可记为Ph(n),样本行向量可记为Pv(n),至此,完成了模板样本的创建过程。
当需要对图像进行匹配分析时,先对图像进行二值化处理,然后根据搜索框在图像中选取如图8所示的待匹配区域,待匹配区域的尺寸(图8中黑色背景对应的尺寸)大于模板样本的尺寸(图8中框线对应的尺寸);之后根据计算待匹配区域的每列像素点的灰度值的列灰度均值pv(j),并从左至右取任意Kw个列灰度均值定义Lw-Kw+1个搜索行向量,例如从左起第一个搜索行向量记为之后分别计算待匹配区域的Lw-Kw+1个搜索行向量与N个模板样本的样本行向量的相似度;然后根据计算出的N*(Lw-Kw+1)个相似度,选出每个模板样本对应的最大相似度,并进一步从N个最大相似度中选出前5个,这5个最大相似度对应的模板样本将作为中间模板样本,并根据5个最大相似度对应的待匹配区域的搜索行向量确定出对应的5个列区域,至此完成了对待匹配区域的列匹配过程。
之后,根据5个中间模板样本分别对待匹配区域中对应的列区域进行行匹配。图9示出了单个中间模板样本对应锁定的待匹配区域中的列区域,对于锁定的列区域,可与上述列匹配过程相似地,从上至下取任意Kh个行灰度均值定义Lh-Kh+1个搜索列向量,之后计算每个中间模板样本的样本行向量与在其对应的列区域中定义的Lh-Kh+1个搜索行向量的相似度,并获得5个中间模板样本的最大相似度,比较获得的5个最大相似度,从中选出最大值,并将最大值对应的中间模板样本确定为匹配模板样本,以及根据所述最大值对应的搜索行向量和搜索列向量确定出所述待匹配区域中的目标区域。
参考图10,本发明实施例提供一种图像匹配装置,包括:
选取模块11,用于根据搜索框在图像中确定出待匹配区域,其中,待匹配区域的尺寸大于模板样本的尺寸;
匹配模板样本获取模块12,用于计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,针对预创建的任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,将最大相似度对应的模板样本作为匹配模板样本;
定位模块13,用于将所述最大相似度对应的所述待匹配区域的行/列像素点确定的区域作为目标区域。
其中,选取模块11根据搜索框在图像中确定出的待匹配区域作为后续过程中用于与模板样本进行比较的区域,待匹配区域的尺寸设定的大于所述模板样本的尺寸,以避免因图像中图案的位置不固定导致的匹配不准确。最终匹配出的模板样本将对应待匹配区域中的一部分区域,例如图8中,黑色背景的范围对应待匹配区域的尺寸,而黑色背景中的框线范围则代表模板样本的尺寸。
匹配模板样本获取模块12中,首先计算所述待匹配区域的行/列灰度均值,并将所述待匹配区域的各行灰度均值分别与若干模板样本的各行灰度均值进行比较,或者将所述待匹配区域的各列灰度均值分别与若干模板样本的各列灰度均值进行比较。由于所述待匹配区域的尺寸大于所述模板样本的尺寸,因此所述待匹配区域的行/列灰度均值的个数必然大于所述模板样本的行/列灰度均值的个数,在比较的过程中,针对任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,通过匹配比较可找出最大相似度对应的匹配模板样本以及待匹配区域中的目标区域,例如图8中,通过匹配比较确定出框线范围的区域为目标区域,确定出的目标区域的尺寸与模板样本的尺寸相同。
由于不同的图案所对应的像素点的灰度值不同,本实施例根据待匹配区域的行/列灰度均值可确定出待匹配区域中各行/列像素点的特征。具体地,可将图像转化为二值图像后进行行/列灰度均值的计算,而且在计算行/列灰度均值时,将待匹配区域大于模板样本的区域内的像素点的灰度值均认为是0,因此,在计算行/列灰度均值时将每行/列的像素点个数认为与模板样本的每行/列的像素点个数相同。模板样本的各行/列灰度均值与待匹配区域中对应数量且相邻的各行/列灰度均值相匹配,则证明该模板样本的图案与待匹配区域中目标区域的图案相同或极其相似,通过这种方式可确定出用于工业处理或其它应用场景的匹配模板样本以及在图像中定位出待处理的目标区域。例如可在工业处理或其它应用场景中继续对确定出的目标区域进行图案缺陷分析、印刷质量分析等等处理。
匹配模板样本获取模块12计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度的方式多种多样,以下以多个实施例的方式对计算方案进行举例说明。
一个实施例中,所述匹配模板样本获取模块12,用于:
根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出最大相似度对应的一对搜索行向量和样本行向量;
将确定出的样本行向量对应的模板样本作为匹配模板样本。
本实施例中,匹配模板样本获取模块12可根据计算所述待匹配区域的每列像素点的列灰度均值,其中Q(i,j)表示待匹配区域内的各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw表示模板样本的列数量。通过计算可获得所述待匹配区域的Lw个列灰度均值,将其中任意相邻的Kw个列灰度均值定义为一个搜索行向量,例如可以第0~Kw-1个列灰度均值定义为一搜索行向量,或将第1~Kw个、第2~Kw+1个、第3~Kw+2个列灰度均值分别定义为搜索行向量,以此类推,可定义出Lw-Kw+1个搜索行向量。搜索行向量的长度均与模板样本中的样本行向量的长度相同。对于步骤S201定义的Lw-Kw+1个搜索行向量,S202将每一个搜索行向量都与预先创建的若干模板样本的样本行向量进行比较,并计算出搜索行向量和样本行向量的相似度。如果模板样本的数量为N,那么计算获得的相似度的个数将为N*(Lw-Kw+1),之后从N*(Lw-Kw+1)个相似度中选出最大相似度,并将最大相似度对应的样本行向量所对应的模板样本确定为匹配模板样本,上述定位模块13会将最大相似度对应的搜索行向量对应的待匹配区域中的像素点确定的区域作为目标区域。
另个一实施例中,所述匹配模板样本获取模块12,用于:
根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述待匹配区域的各搜索列向量与所述若干模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
将确定出的样本列向量对应的模板样本作为匹配模板样本。
本实施例中,匹配模板样本获取模块12可根据计算所述待匹配区域的每行像素点的行灰度均值,其中Q(i,j)表示待匹配区域内的各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kh表示模板样本的行数量。通过计算可获得所述待匹配区域的Lh个行灰度均值,将其中任意相邻的Kh个行灰度均值定义为一个搜索列向量,例如可以第0~Kh-1个行灰度均值定义为一搜索列向量,或将第1~Kh个、第2~Kh+1个、第3~Kh+2个行灰度均值分别定义为搜索列向量,以此类推,可定义出Lh-Kh+1个搜索列向量。搜索列向量的长度均与模板样本中的样本列向量的长度相同。对于步骤S211定义的Lh-Kh+1个搜索列向量,S212将每一个搜索列向量都与预先创建的若干模板样本的样本列向量进行比较,并计算出搜索列向量和样本列向量的相似度。如果模板样本的数量为N,那么计算获得的相似度的个数将为N*(Lh-Kh+1),之后从N*(Lh-Kh+1)个相似度中选出最大相似度,并将最大相似度对应的样本列向量所对应的模板样本确定为匹配模板样本,上述定位模块13会将最大相似度对应的搜索列向量对应的待匹配区域中的像素点确定的区域作为目标区域。
另一个实施例中,所述匹配模板样本获取模块12,用于:
根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出相似度大于预定阈值的多对搜索行向量和样本行向量;
将确定出的多个样本行向量对应的模板样本作为中间模板样本;
根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述待匹配区域的各搜索列向量与多个中间模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
将确定出的样本列向量对应的中间模板样本作为匹配模板样本。
本实施例中,匹配模板样本获取模块12可根据计算所述待匹配区域的每列像素点的列灰度均值,其中Q(i,j)表示待匹配区域内的各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw表示模板样本的列数量。通过计算可获得所述待匹配区域的Lw个列灰度均值,将其中任意相邻的Kw个列灰度均值定义为一个搜索行向量,定义出Lh-Kh+1个搜索行向量。搜索行向量的长度均与模板样本中的样本行向量的长度相同。对于步骤S221定义的Lw-Kw+1个搜索行向量,匹配模板样本获取模块12将每一个搜索行向量都与预先创建的若干模板样本的样本行向量进行比较,并计算出搜索行向量和样本行向量的相似度。如果模板样本的数量为N,那么计算获得的相似度的个数将为N*(Lw-Kw+1),之后从N*(Lw-Kw+1)个相似度中选出大于预定阈值或者根据相似度由大到小排序后选出预定数量的排列在前端的相似度,匹配模板样本获取模块12将选出的相似度对应的模板样本确定为中间模板样本,经过匹配模板样本获取模块12的列匹配过程确定出的中间模板样本的数量将远远小于模板样本的总数量。再通过匹配模板样本获取模块12对待匹配区域和中间模板样本执行行匹配过程后,从计算获得的待匹配区域的各搜索列向量与多个中间模板样本的样本列向量的相似度中选出最大相似度,并将最大相似度对应的中间模板样本确定为匹配模板样本。
本实施例中,先对待匹配区域与所有模板样本执行列匹配过程,从中选出列匹配度较高的多个模板样本作为中间模板样本,之后再对待匹配区域和中间模板样本执行行匹配过程,并从中选出行匹配度最高中间模板样本作为匹配模板样本,通过两次匹配过程,可更准确地确定出待匹配区域与模板样本的匹配关系,从而更准确地确定出待匹配区域中的目标区域,以及用于对目标区域进行进一下分析处理的匹配模板样本。
另外,需要说明的是,本实施例中仅实例性的说明了匹配模板样本获取模块12先执行了对待匹配区域与所有模板样本的列匹配过程,后执行了对待匹配区域和中间模板样本的行匹配过程的方案,同理地,匹配模板样本获取模块12先执行待匹配区域与所有模板样本的行匹配过程,后执行待匹配区域和中间模板样本的列匹配过程的方案,也可获得同样准确的匹配结果。
另一个实施例中,所述匹配模板样本获取模块12,用于:
根据所述待匹配区域每列像素点的灰度值的计算列灰度均值,根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
比较所述图像的搜索行向量与所述若干模板样本的样本行向量,确定出每个模板样本的样本行向量对应的相似度最高的搜索行向量;
计算所述图像的搜索行向量与所述若干模板样本的样本行向量的相似度,确定出每个模板样本对应的最大相似度;
根据所述中间模板样本对应的搜索行向量确定所述待匹配区域中对应的列区域,计算确定出的所述待匹配区域中对应的列区域的每行像素点的行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述中间模板样本的样本列向量与所述待匹配区域中对应的列区域的搜索列向量的相似度,确定出每个中间模板样本对应的最大相似度;
确定出所述中间模板样本对应的最大相似度中的最大值,并将所述最大值对应的中间模板样本作为匹配模板样本。
匹配模板样本获取模块12可根据计算所述待匹配区域的每列像素点的灰度值的列平均值,其中Q(i,j)表示待匹配区域内的像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw表示模板样本的列数量。此处,认为待匹配区域与模板样本相比,每列多出的像素点的灰度值均为0,根据上述方式计算时,以待匹配区域中有效列像素点的数量作为列灰度均值的计算基准,且将有效列像素点的数量定义为与模板样本的列像素点数量相同,这样计算出的列灰度均值才能在计算与模板样本的列灰度均值的相似度时获得准确的相似度结果。通过计算可获得所述待匹配区域的Lw个列灰度均值,将其中任意相邻的Kw个列灰度均值定义为一个搜索行向量,可定义出Lw-Kw+1个搜索行向量。对于每个模板样本来说,其样本行向量将与待匹配区域的Lw-Kw+1个搜索行向量进行相似度的计算,每个模板样本将对应获得Lw-Kw+1个相似度,从Lw-Kw+1个相似度中选出最大相似度。如果模板样本的总数量为N,那么匹配模板样本获取模块12将确定出N个最大相似度。S233从N个最大相似度中选择预定数量或者大于预定阈值的最大相似度,根据预定数量选择时可将N个最大相似度进行由大到小的排序并从大数值的一端选取预定数量的最大相似度。选取出的最大相似度对应的模板样本将作为中间模板样本。
对于每个中间模板样本,可根据其样本行向量与所述待匹配区域的搜索行向量的对应关系,在所述待匹配区域中确定出如图9所示的中间模板样本对应的列区域,匹配模板样本获取模块12从中间模板样本的角度,对所述待匹配区域进行反向匹配,在确定出的所述待匹配区域的列区域中,根据继续计算所述列区域内的每行像素点的行灰度均值,获得Lh个行灰度均值,根据获得的Lh个行灰度均值可定义出Lh-Kh+1个长度为Kh的搜索列向量,所述搜索列向量与所述中间模板样本的样本列向量的长度相同。之后匹配模板样本获取模块12计算所述中间模板样本的样本行向量与所述待匹配区域中对应的列区域的搜索列向量的相似度,确定出每个中间模板样本对应的最大相似度,匹配模板样本获取模块12通过比较确定出的多个最大相似度获得其中的最大值,该最大值对应的中间模板样本将作为匹配模板样本,该最大值对应的搜索行向量及搜索列向量可在待匹配区域中确定出目标区域。
本实施例中,先对待匹配区域与所有模板样本执行列匹配过程,计算出每个模板样本与待匹配区域的最大相似度,并根据每个模板样板的最大相似度选出最优的几个中间模板样本,并确定出这几个中间模板样本对应在待匹配区域中的最佳匹配的列区域;之后再对确定出的待匹配区域的列区域和中间模板样本执行行匹配过程,此时的行匹配过程仅在确定出的列区域内计算行灰度均值,匹配模板样本获取模块12将依据计算出的列区域的各行灰度均值定义待匹配区域的搜索列向量,以及根据此种方式计算出的搜索列向量与中间模板样本的样本列向量进行相似度的计算。如果中间模板样本的数量为n时,那么将获得n*(Lh-Kh+1)个相似度,匹配模板样本获取模块12从n*(Lh-Kh+1)个相似度选出最大值,并将最大值对应的中间模板样本作为匹配模板样本。其中,匹配模板样本获取模块12从n*(Lh-Kh+1)个相似度选出最大值,可先计算出每个中间模板样本对应的最大相似度,之后再从n个最大相似度中选择最大值,或者直接从n*(Lh-Kh+1)个相似度选出最大值,以及采用其它方式均可,在此不作限定。
另外,需要说明的是,本实施例中仅实例性的说明了匹配模板样本获取模块12先执行了对待匹配区域与所有模板样本的列匹配过程,后执行了列匹配过程确定出的待匹配区域的列区域和中间模板样本的行匹配过程的方案,同理地,匹配模板样本获取模块12先执行待匹配区域与所有模板样本的行匹配过程,后执行行匹配过程确定出的待匹配区域的行区域和中间模板样本的列匹配过程的方案,也可获得同样准确的匹配结果。两种方案都属于本发明的保护范围。通过本实施例可先锁定待匹配区域与模板样本的最匹配的几个行/列区域,之后再对分别匹配出的行/列区域进行列/行匹配处理,可确定出更加准确的目标区域。且所述匹配结果可精确到图像中的像素点的位置,因此,可进行精准的图像匹配并获得比现有技术更准确的匹配结果。
上述各实施例中,所述匹配模板样本获取模块12计算相似度时,可采用多种方式,此处以根据向量夹角计算相似的方案进行举例说明。
所述匹配模板样本获取模块12,用于:
根据计算所述待匹配区域的搜索行/列向量与所述模板样本的样本行/列向量的相似度,其中,m表示搜索行/列向量以所述待匹配区域的第m列/行的列/行灰度均值为起始,P(n)表示第n个所述模板样本的样本行/列向量,表示所述待匹配区域的的搜索行/列向量。
例如,根据第0~Kw-1个列平均值定义的搜索行向量与模板样本的样本行向量的夹角可根据进行计算获得,而其中即可作为两向量的相似度dn,0,相似度越大,则两向量的夹角越小,差别越小。通用地,所述待匹配区域的搜索列向量与所述模板样本的相似度可根据计算获得。上述各实施例中可根据不同的计算参数、比较对象,获得不同数量的相似度,最终都可根据相似度选出差别最小,匹配度最高的一对样本行/列向量和搜索行/列向量,并据此准确滴确定出匹配模板样本和待匹配区域中的目标区域。
参考图11,以下再以一实施例对所述模板样本的预创建过程进行详细说明。模板样本的预创建过程为上述实施例各实施例中的相似度计算过程提供了计算的基础。
本实施例中提供的图像匹配装置,还包括:
模板样本预创建模块14,用于:
根据采图框对标准样品图像进行采图,获得若干采图样本,将所述采图样本进行二值化处理获得二值化样本,其中,所述采图框的尺寸设定为Kw*Kh;
计算所述二值化样本每行像素点的灰度值的行平均值和每列像素点的灰度值的列平均值,并根据所述二值化样本的所有的行平均值定义长度为Kw的样本列向量,根据所述二值化样本的所有的列平均值定义长度为Kh的样本行向量;
对每个所述二值化样本进行编号,将编号后且定义样本列向量及样本行向量后的若干二值化样本作为模板样本。
模板样本预创建模块14中,采图的周期可根据实际情况进行设定,一般可每隔3~5度进行一次采图,及避免了过多的采图造成过多的时间损耗,又可保证采图样本的采样率符合要求。标准样品图像需使用标准的正样品,以避免依据不标准的样品进行采图后生成不准确的模板样本。另外,采图框在采图时应正对所述标准样品图像,且采图框的尺寸不应过大,以避免过大的采图尺寸造成采图样本扭曲而导致模板样本不准确。另外,本文中所述的二值化处理是指对图像进行0和255的灰度值转换,转换方式有多种,例如如果图像的亮度稳定,可采用二值化阈值方法提取图案进行灰度值转换,其它的,还可采用图像灰度礼帽、黑帽、边缘提取等方法,本发明对此不作限定。
模板样本预创建模块14中,对二值化处理获得的二值化样本逐行和逐列执行行灰度均值和列灰度均值的计算,具体地可根据计算所述二值化样本的行灰度均值,根据计算所述二值化样本的列灰度均值,其中I(i,j)表示所述二值化样本中各像素点的灰度值,i表示像素点的行坐标,j表示像素点的列坐标,Kw和Kh分别表示二值化样本的列数量和行数量。模板样本预创建模块14根据获得的Kw个列灰度均值,Kh个行灰度均值,分别将二值化样本的Kw个列灰度均值定义为样本行向量,将Kh个行灰度均值定义为样本列向量。
模板样本预创建模块14,将计算获得的样本列向量和样本行向量标记到所述二值化样本生成模板样本,另外还对模板样本进行了编号,以便于后续在对图像进行匹配过程中可方便地查找到匹配模板样本。
优选地,本实施例中,所述模板样本预创建模块14,用于:
删除无用的采图样本,所述无用的采图样本包括:与前一采图样本的采图角度差小于预定阈值或无图案的采图样本。
删除无用的采图样本可有效减少样本的分析时间,最终剩余的采图样本数量在80~180之间即可满足采样分析要求。
本实施例中,改变了传统的完整的一副图像作为模板样本的方案,以多个独立的模板样本的形式作为图像匹配的依据,因此,免去了图像拼接的过程,进而可避免由于图像拼接带来的模板样本不准确的问题;而且,本实施例中的各模板样本中标记了样本列向量和样本行向量,可实现高精度的图像匹配。
通过本发明实施例提供的图像匹配方法及装置,可准确地匹配出图像中的各种图案,包括密集图像也可准确的实现匹配,同时通过多个独立的模板样本省去了拼接过程,使得匹配结果准确,且运算速度更快。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (16)
1.一种图像匹配方法,其特征在于,包括:
S101,根据搜索框在图像中确定出待匹配区域,其中,待匹配区域的尺寸大于模板样本的尺寸;
S102,计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,针对预创建的任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,将最大相似度对应的模板样本作为匹配模板样本;
S103,将所述最大相似度对应的所述待匹配区域的行/列像素点确定的区域作为目标区域。
2.根据权利要求1所述的方法,其特征在于,S102包括:
根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意连续的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出最大相似度对应的一对搜索行向量和样本行向量;
将确定出的样本行向量对应的模板样本作为匹配模板样本。
3.根据权利要求1所述的方法,其特征在于,S102包括:
根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述待匹配区域的各搜索列向量与所述若干模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
将确定出的样本列向量对应的模板样本作为匹配模板样本。
4.根据权利要求1所述的方法其特征在于,S102包括:
根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出相似度大于预定阈值的多对搜索行向量和样本行向量;
将确定出的多个样本行向量对应的模板样本作为中间模板样本;
根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述待匹配区域的各搜索列向量与多个中间模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
将确定出的样本列向量对应的中间模板样本作为匹配模板样本。
5.根据权利要求1所述的方法,其特征在于,S102包括:
根据所述待匹配区域每列像素点的灰度值计算列灰度均值,根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述图像的搜索行向量与所述若干模板样本的样本行向量的相似度,确定出每个模板样本对应的最大相似度;
按照确定出的每个模板样本对应的最大相似度,选取最大相似度高于预定阈值的模板样本作为中间模板样本;
根据所述中间模板样本对应的搜索行向量确定所述待匹配区域中对应的列区域,计算确定出的所述待匹配区域中对应的列区域的每行像素点的行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述中间模板样本的样本列向量与所述待匹配区域中对应的列区域的搜索列向量的相似度,确定出每个中间模板样本对应的最大相似度;
确定出所述中间模板样本对应的最大相似度中的最大值,并将所述最大值对应的中间模板样本作为匹配模板样本。
6.根据权利要求1所述的方法,其特征在于,所述模板样本的预创建,包括:
根据采图框对标准样品图像进行采图,获得若干采图样本,将所述采图样本进行二值化处理获得二值化样本,其中,所述采图框的尺寸设定为Kw*Kh;
计算所述二值化样本每行像素点的灰度值的行平均值和每列像素点的灰度值的列平均值,并根据所述二值化样本的所有的行平均值定义长度为Kw的样本列向量,根据所述二值化样本的所有的列平均值定义长度为Kh的样本行向量;
对每个所述二值化样本进行编号,将编号后且定义样本列向量及样本行向量后的若干二值化样本作为模板样本。
7.根据权利要求6所述的方法,其特征在于,所述将所述采图样本进行二值化处理获得二值化样本,之前还包括:
删除无用的采图样本,所述无用的采图样本包括:与前一采图样本的采图角度差小于预定阈值或无图案的采图样本。
8.根据权利要求1~5任一项所述的方法,其特征在于,所述计算相似度,包括:
根据计算所述待匹配区域的搜索行/列向量与所述模板样本的样本行/列向量的相似度,其中,m表示搜索行/列向量以所述待匹配区域的第m列/行的列/行灰度均值为起始,P(n)表示第n个所述模板样本的样本行/列向量,表示所述待匹配区域的的搜索行/列向量。
9.一种图像匹配装置,其特征在于,包括:
选取模块,用于根据搜索框在图像中确定出待匹配区域,其中,待匹配区域的尺寸大于模板样本的尺寸;
匹配模板样本获取模块,用于计算所述待匹配区域的每行/列像素点的灰度值的行/列灰度均值,针对预创建的任一个模板样本,计算待匹配区域中对应所述模板样本行/列数量的任意连续行/列像素点的行/列灰度均值,与所述模板样本的行/列灰度均值的相似度,将最大相似度对应的模板样本作为匹配模板样本;
定位模块,用于将所述最大相似度对应的所述待匹配区域的行/列像素点确定的区域作为目标区域。
10.根据权利要求9所述的装置,其特征在于,所述匹配模板样本获取模块,用于:
根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出最大相似度对应的一对搜索行向量和样本行向量;
将确定出的样本行向量对应的模板样本作为匹配模板样本。
11.根据权利要求9所述的装置,其特征在于,所述匹配模板样本获取模块,用于:
根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述待匹配区域的各搜索列向量与所述若干模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
将确定出的样本列向量对应的模板样本作为匹配模板样本。
12.根据权利要求9所述的装置,其特征在于,所述匹配模板样本获取模块,用于:
根据所述待匹配区域的每列像素点的灰度值计算列灰度均值,并根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
计算所述待匹配区域的各搜索行向量与所述若干模板样本的样本行向量的相似度,确定出相似度大于预定阈值的多对搜索行向量和样本行向量;
将确定出的多个样本行向量对应的模板样本作为中间模板样本;
根据所述待匹配区域的每行像素点的灰度值计算行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述待匹配区域的各搜索列向量与多个中间模板样本的样本列向量的相似度,确定出最大相似度对应的一对搜索列向量和样本列向量;
将确定出的样本列向量对应的中间模板样本作为匹配模板样本。
13.根据权利要求9所述的装置,其特征在于,所述匹配模板样本获取模块,用于:
根据所述待匹配区域每列像素点的灰度值的计算列灰度均值,根据任意相邻的Kw个列灰度均值定义Lw-Kw+1个搜索行向量,其中Lw表示所述待匹配区域的列数量,Kw表示所述模板样本的列数量,Lw>Kw;
比较所述图像的搜索行向量与所述若干模板样本的样本行向量,确定出每个模板样本的样本行向量对应的相似度最高的搜索行向量;
计算所述图像的搜索行向量与所述若干模板样本的样本行向量的相似度,确定出每个模板样本对应的最大相似度;
根据所述中间模板样本对应的搜索行向量确定所述待匹配区域中对应的列区域,计算确定出的所述待匹配区域中对应的列区域的每行像素点的行灰度均值,并根据任意相邻的Kh个行灰度均值定义Lh-Kh+1个搜索列向量,其中Lh表示所述待匹配区域的行数量,Kh表示所述模板样本的行数量,Lh>Kh;
计算所述中间模板样本的样本列向量与所述待匹配区域中对应的列区域的搜索列向量的相似度,确定出每个中间模板样本对应的最大相似度;
确定出所述中间模板样本对应的最大相似度中的最大值,并将所述最大值对应的中间模板样本作为匹配模板样本。
14.根据权利要求9所述的装置,其特征在于,还包括:
模板样本预创建模块,用于:
根据采图框对标准样品图像进行采图,获得若干采图样本,将所述采图样本进行二值化处理获得二值化样本,其中,所述采图框的尺寸设定为Kw*Kh;
计算所述二值化样本每行像素点的灰度值的行平均值和每列像素点的灰度值的列平均值,并根据所述二值化样本的所有的行平均值定义长度为Kw的样本列向量,根据所述二值化样本的所有的列平均值定义长度为Kh的样本行向量;
对每个所述二值化样本进行编号,将编号后且定义样本列向量及样本行向量后的若干二值化样本作为模板样本。
15.根据权利要求14所述的装置,其特征在于,所述模板样本预创建模块,用于:
删除无用的采图样本,所述无用的采图样本包括:与前一采图样本的采图角度差小于预定阈值或无图案的采图样本。
16.根据权利要求9~13任一项所述的装置,其特征在于,所述匹配模板样本获取模块,用于:
根据计算所述待匹配区域的搜索行/列向量与所述模板样本的样本行/列向量的相似度,其中,m表示搜索行/列向量以所述待匹配区域的第m列/行的列/行灰度均值为起始,P(n)表示第n个所述模板样本的样本行/列向量,表示所述待匹配区域的的搜索行/列向量。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511017712.5A CN105894441A (zh) | 2015-12-29 | 2015-12-29 | 一种图像匹配方法及装置 |
PCT/CN2016/088691 WO2017113692A1 (zh) | 2015-12-29 | 2016-07-05 | 一种图像匹配方法及装置 |
US15/247,000 US20170185865A1 (en) | 2015-12-29 | 2016-08-25 | Method and electronic apparatus of image matching |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511017712.5A CN105894441A (zh) | 2015-12-29 | 2015-12-29 | 一种图像匹配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894441A true CN105894441A (zh) | 2016-08-24 |
Family
ID=57002184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511017712.5A Pending CN105894441A (zh) | 2015-12-29 | 2015-12-29 | 一种图像匹配方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105894441A (zh) |
WO (1) | WO2017113692A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960437A (zh) * | 2017-03-24 | 2017-07-18 | 重庆邮电大学 | 一种电力巡检机器人的油浸电力变压器液位检测方法 |
CN109448219A (zh) * | 2018-10-25 | 2019-03-08 | 深圳怡化电脑股份有限公司 | 图像匹配方法、装置、票据鉴别仪及计算机可读存储介质 |
CN110456308A (zh) * | 2019-07-08 | 2019-11-15 | 广西工业职业技术学院 | 一种三维空间定位快速搜索方法 |
CN112559314A (zh) * | 2019-09-26 | 2021-03-26 | 上海汽车集团股份有限公司 | 人机交互界面的测试方法和测试装置 |
CN112818983A (zh) * | 2021-01-22 | 2021-05-18 | 常州友志自动化科技有限公司 | 一种利用图片相识度判断字符倒置的方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814690B (zh) * | 2020-07-09 | 2023-09-01 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556695A (zh) * | 2009-05-15 | 2009-10-14 | 广东工业大学 | 一种图像匹配方法 |
CN101576961A (zh) * | 2009-06-16 | 2009-11-11 | 天津大学 | 高速的图像匹配方法及装置 |
CN104134213A (zh) * | 2014-09-02 | 2014-11-05 | 武汉华目信息技术有限责任公司 | 一种数字图像中的目标定位方法以及装置 |
US20140376807A1 (en) * | 2011-08-29 | 2014-12-25 | Adobe Systems Incorporated | Patch-Based Synthesis Techniques Using Color and Color Gradient Voting |
-
2015
- 2015-12-29 CN CN201511017712.5A patent/CN105894441A/zh active Pending
-
2016
- 2016-07-05 WO PCT/CN2016/088691 patent/WO2017113692A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556695A (zh) * | 2009-05-15 | 2009-10-14 | 广东工业大学 | 一种图像匹配方法 |
CN101576961A (zh) * | 2009-06-16 | 2009-11-11 | 天津大学 | 高速的图像匹配方法及装置 |
US20140376807A1 (en) * | 2011-08-29 | 2014-12-25 | Adobe Systems Incorporated | Patch-Based Synthesis Techniques Using Color and Color Gradient Voting |
CN104134213A (zh) * | 2014-09-02 | 2014-11-05 | 武汉华目信息技术有限责任公司 | 一种数字图像中的目标定位方法以及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960437A (zh) * | 2017-03-24 | 2017-07-18 | 重庆邮电大学 | 一种电力巡检机器人的油浸电力变压器液位检测方法 |
CN106960437B (zh) * | 2017-03-24 | 2020-04-14 | 重庆邮电大学 | 一种电力巡检机器人的油浸电力变压器液位检测方法 |
CN109448219A (zh) * | 2018-10-25 | 2019-03-08 | 深圳怡化电脑股份有限公司 | 图像匹配方法、装置、票据鉴别仪及计算机可读存储介质 |
CN110456308A (zh) * | 2019-07-08 | 2019-11-15 | 广西工业职业技术学院 | 一种三维空间定位快速搜索方法 |
CN112559314A (zh) * | 2019-09-26 | 2021-03-26 | 上海汽车集团股份有限公司 | 人机交互界面的测试方法和测试装置 |
CN112559314B (zh) * | 2019-09-26 | 2024-05-31 | 上海汽车集团股份有限公司 | 人机交互界面的测试方法和测试装置 |
CN112818983A (zh) * | 2021-01-22 | 2021-05-18 | 常州友志自动化科技有限公司 | 一种利用图片相识度判断字符倒置的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017113692A1 (zh) | 2017-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894441A (zh) | 一种图像匹配方法及装置 | |
Türetken et al. | Reconstructing curvilinear networks using path classifiers and integer programming | |
CN108701234A (zh) | 车牌识别方法及云*** | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、***、设备及存储介质 | |
CN109886970B (zh) | 太赫兹图像中目标物体的检测分割方法及计算机存储介质 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
Wang et al. | A computer vision based machine learning approach for fatigue crack initiation sites recognition | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及*** | |
CN110147837B (zh) | 基于特征聚焦的任意方向密集目标检测方法、***及设备 | |
CN115661459A (zh) | 一种使用差异信息的2D mean teacher模型 | |
CN108733749A (zh) | 一种基于草图的图像检索方法 | |
CN113706562A (zh) | 图像分割方法、装置、***及细胞分割方法 | |
CN110135407A (zh) | 样本标注方法及计算机存储介质 | |
CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 | |
CN109087344A (zh) | 三维重建中的图像选择方法及装置 | |
Su et al. | Learning based automatic detection of myonuclei in isolated single skeletal muscle fibers using multi-focus image fusion | |
CN116071491A (zh) | 一种多视角三维点云重建方法及装置 | |
Li et al. | A hybrid edge detection method for cell images based on fuzzy entropy and the canny operator | |
CN110807483B (zh) | 基于fpga的模板匹配实现装置及方法 | |
Li et al. | A machine learning approach to robustly determine director fields and analyze defects in active nematics | |
Li et al. | HNSR: Highway networks based deep convolutional neural networks model for single image super-resolution | |
CN111899240A (zh) | 图像校准方法及装置、存储介质、电子设备 | |
Yuan et al. | Salient Object Detection Based on Improved PoolNet. | |
Yang et al. | Cell tracking based on multi-frame detection and feature fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160824 |