2. 程式人生 > >圖片相似度計算-模板匹配

圖片相似度計算-模板匹配

阿新 • • 發佈：2019-01-03

什麼是模板匹配？
　　所謂模板匹配就是給出一個模板圖片和一個搜尋圖片，在搜尋圖片中找到與模板圖片最為相似的部分。
怎麼實現？
　　簡單來說，就是讓模板圖片在搜尋圖片上滑動，以畫素點為單位，計算每一個位置上的相似度，最終得到相似度最高的畫素點的位置，以該畫素點為原定，模板圖片為大小，對應在搜尋圖片上的位置即為匹配度最高的部分。
有哪些匹配演算法？
　　在opencv中 可以通過函式matchTemplate實現模板匹配，同時有六種相關的匹配演算法
　　 T (

x , y ) T(x,y) 用來表示我們的模板。 I ( x ,
y ) I(x,y) 是我們的目標影象 ， R ( x , y )
R(x,y) 是用來描述相似度的函式。

  1. 平方差匹配 method=CV_TM_SQDIFF
    　這類方法利用平方差來進行匹配,最好匹配為0.匹配越差,匹配值越大.
    　　　　　 R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) − I ( x + x ′ , y + y ′ ) ) 2 R(x,y)= \sum _{x',y'} (T(x',y')-I(x+x',y+y'))^2

  2. 標準平方差匹配 method=CV_TM_SQDIFF_NORMED
    　　這個方法其實和平方差匹配演算法是類似的。只不過對影象和模板進行了標準化操作。
    　　　　　 R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) − I ( x + x ′ , y + y ′ ) ) 2 ∑ x ′ , y ′ T ( x ′ , y ′ ) 2 ⋅ ∑ x ′ , y ′ I ( x + x ′ , y + y ′ ) 2 R(x,y)= \frac{\sum_{x',y'} (T(x',y')-I(x+x',y+y'))^2}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}

  3. 相關匹配 method=CV_TM_CCORR
    　這類方法採用模板和影象間的乘法操作,所以較大的數表示匹配程度較高,0標識最壞的匹配效果.
    　　　　　 R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) ⋅ I ( x + x ′ , y + y ′ ) ) R(x,y)= \sum _{x',y'} (T(x',y') \cdot I(x+x',y+y'))

  4. 標準相關匹配 method=CV_TM_CCORR_NORMED
    　這個方法和 標準化差值平方和匹配 類似，都是去除了亮度線性變化對相似度計算的影響。可以保證影象和模板同時變亮或變暗k倍時結果不變。
    　　　　　 R ( x , y ) = ∑ x ′ , y ′ ( T ( x ′ , y ′ ) ⋅ I ′ ( x + x ′ , y + y ′ ) ) ∑ x ′ , y ′ T ( x ′ , y ′ ) 2 ⋅ ∑ x ′ , y ′ I ( x + x ′ , y + y ′ ) 2 R(x,y)= \frac{\sum_{x',y'} (T(x',y') \cdot I'(x+x',y+y'))}{\sqrt{\sum_{x',y'}T(x',y')^2 \cdot \sum_{x',y'} I(x+x',y+y')^2}}

  5. 相關匹配 method=CV_TM_CCOEFF
    　　這類方法將模版對其均值的相對值與影象對其均值的相關值進行匹配,1表示完美匹配,-1表示糟糕的匹配,0表示沒有任何相關性(隨機序列).
    　　　　　 R ( x , y ) = ∑ x ′ , y ′ ( T ′ ( x ′ , y ′ ) ⋅ I ( x + x ′ , y + y ′ ) ) R(x,y)= \sum _{x',y'} (T'(x',y') \cdot I(x+x',y+y'))

    相關推薦

    圖片相似度計算-模板匹配

    什麼是模板匹配？ 　　所謂模板匹配就是給出一個模板圖片和一個搜尋圖片，在搜尋圖片中找到與模板圖片最為相似的部分。 怎麼實現？ 　　簡單來說，就是讓模板圖片在搜尋圖片上滑動，以畫素點為單位，計算每一個位置上的相似度，最終得到相似度最高的畫素點的位置，以該畫素點為原定，模板圖片為大小，對應在搜尋

    雜湊演算法-圖片相似度計算

    雜湊演算法實現圖片相似度計算 實現圖片相似度比較的雜湊演算法有三種：均值雜湊演算法，差值雜湊演算法，感知雜湊演算法 1.均值雜湊演算法 一張圖片就是一個二維訊號，它包含了不同頻率的成分。亮度變化小的區域是低頻成分，它描述大範圍的資訊。而亮度變化劇烈的區域（比如物

    圖片相似度計算

    今天自己寫了一個簡單的計算圖相似度的演算法，借鑑了雜湊演算法思想進行編寫，在此分享給大家！ 總體思路 ： （借鑑了相似影象搜素的關鍵技術——雜湊演算法）將每一張圖片人為轉換具有0或1規律表達的影象，即將影象按照某個閾值生成對應的指紋字串。我們最終

    計算兩張圖片相似度的方法總結

    title rac 相似度 無法 tween hive any 明顯 embed python工具包－pyssim 簡介 python工具包，用來計算圖像之間的結構相似性 (Structural Similarity Image Metric: SSIM)。結構相似性介紹

    Bag-of-words模型-可用於計算文字及圖片相似度

    引言上述這4篇文章對SIFT演算法的原理和C語言實現都做了詳細介紹，用SIFT做影象匹配效果不錯。現在考慮更為高層的應用，將SIFT演算法應用於目標識別：發現影象中包含的物體類別，這是計算機視覺領域最基本也是最重要的任務之一。且原經典演算法研究系列可能將改名為演算法珠璣--經

    計算圖片相似度的多種解決方案

    利用直方圖距離計算圖片相似度 計算公式： 其中，G和S為兩張圖片的影象顏色分佈直方圖，N為顏色空間樣點數。 這裡使用分塊的方法計算相似度，用以提高各部分的特徵，防止圖片顏色相似導致計算的相似度高。 利用平均雜湊演算法計算圖片相似度 計算步驟：

    iOS圖片相似度比較

    整數 return per 計算 spa 獲取 wid last csb 1. 縮小尺寸：將圖像縮小到8*8的尺寸，總共64個像素。這一步的作用是去除圖像的細節，只保留結構/明暗等基本信息，摒棄不同尺寸/比例帶來的圖像差異； 註：實際操作時，采取了兩種尺寸作對比（

    用戶相似度計算

    計算 使用 val PE 相似度 ID turn 稀疏 code 協同過濾中用戶距離計算 # 構建共同的評分向量 def build_xy(user_id1, user_id2): bool_array = df.loc[user_id1].notnull() &

    Spark MLlib 之 大規模數據集的相似度計算原理探索

    tis afr 廣播 圖片 times 導致 coord 向量 校驗 無論是ICF基於物品的協同過濾、UCF基於用戶的協同過濾、基於內容的推薦，最基本的環節都是計算相似度。如果樣本特征維度很高或者<user, item, score>的維度很大，都會導致無法直

    短文本相似度計算

    實用 好的 svm center 大量 network alt 詞匯 很難 短文本的相似度計算方法可以分為兩大類：基於深度學習的方法和基於非深度學習的方法。科研方面基本都是從深度學習方面入手，但個人覺得想把單語言的短文本相似度計算給做出花來比較難，相對而言基

    1. 文本相似度計算-文本向量化

    就是 mage method 根據 計算 down youdao 比較 所有 1.前言 在自然語言處理過程中，經常會涉及到如何度量兩個文本之間的相似性，我們都知道文本是一種高維的語義空間，如何對其進行抽象分解，從而能夠站在數學角度去量化其相似性。 有了文本之間相似性的度量方

    影象相似度計算-kmeans聚類

    關於影象相似度,主要包括顏色,亮度,紋理等的相似度,比較直觀的相似度匹配是直方圖匹配.直方圖匹配演算法簡單,但受亮度,噪聲等影響較大.另一種方法是提取影象特徵,基於特徵進行相似度計算,常見的有提取影象的sift特徵,再計算兩幅影象的sift特徵相似度.對於不同的影象型別,也可以採用不同的

    協同過濾相似度計算

       (1)傳統的傑卡德相似度計算公式如下，  其中A，B可以為不同使用者的購物品類，         當用戶量特別大的時候，導致計算複雜度比較高，因為直接進行了笛卡爾積運算，這時候可能沒有辦法進行運算。優化方法

    相似度計算之Jaccard係數

    Jaccard相似係數 定義 給定兩個集合A,B，Jaccard 係數定義為A與B交集的大小與A與B並集的大小的比值，定義如下： 當集合A，B都為空時，J(A,B)定義為1。 與Jaccard 係數相關的指標叫做Jaccard 距離，用於描述集合之間的不相似度。Jaccard

    餘弦相似度計算[轉載]

    轉自:https://www.cnblogs.com/dsgcBlogs/p/8619566.html 1.定義及計算公式   餘弦相似度用向量空間中兩個向量夾角的餘弦值作為衡量兩個個體間差異的大小。 餘弦值越接近1，就表明夾角越接近0度，也就是兩個向量越相似，這就叫"餘弦相似性"。

    nlp中文字相似度計算問題

    文章的目的：文字相似度計算一直是nlp中常見的問題，本文的目標是總結並對比文字相似度計算方法。當然文字的相似度計算會有進一步的應用，比如文字的分類、聚類等。 文章結構：本文先介紹最直接的字面距離相似度度量，而後介紹語義主題層面的度量，最後介紹目前一些新的相似度計算方法。 一、字面距

    Java開源專案-圖片相似度測試系統-執行綜述

    本文主要介紹如何搭建環境，併成功的執行一個圖片相似度測試專案。該專案基於Spring框架，建立了圖片上傳Restful API，並使用OpenCV進行影象的處理，提取出圖中的物品同時對物品進行相似度對比操作。專案中，結合了兩種圖片相似度測試的方法，對處理過的圖片

    句子相似度計算的幾種方法

    在做自然語言處理的過程中，我們經常會遇到需要找出相似語句的場景，或者找出句子的近似表達，這時候我們就需要把類似的句子歸到一起，這裡面就涉及到句子相似度計算的問題，那麼本節就來了解一下怎麼樣來用 Python 實現句子相似度的計算。 基本方法 句子相似度計算我們一共歸類

    高效相似度計算 LSH minHash simHash的學習

    joey 周琦 本文首先介紹了局部敏感雜湊的概念與用處，然後介紹了常見的快速計算相似度、尋找近鄰的方法minHash, simHash 區域性敏感雜湊Locality-sensitive hashing (LSH) 定義 首先我們看看wiki上比較準確的英文

    相似度計算之餘弦相似度

     一、定義及概念： 餘弦取值範圍為[-1,1]。求得兩個向量的夾角，並得出夾角對應的餘弦值，此餘弦值就可以用來表徵這兩個向量的相似性。夾角越小，趨近於0度，餘弦值越接近於1，它們的方向更加吻合，則越相似。當兩個向量的方向完全相反夾角餘弦取最小值-1。當餘弦值為0時，兩向量正交，夾角為9