Opencv 使用误差平方和算法进行模式匹配

使用误差平方和算法（Sum of Squared Difference，简称SSD）进行模式匹配（Template Matching）.

在这里我们使用误差平方和进行模式匹配。将imori_part.jpg在imori.jpg中匹配的图像使用红框框出来。

模式匹配，即寻找待匹配图像和全体图像中最相似的部分，用于物体检测任务。现在虽然使用卷积神经网络（CNN）来检测物体，但是模式识别仍然是最基本的处理方法。

下面介绍具体算法。原图像记为$$I(H\times W)$$，待匹配图像为$$T(h\times w)$$：

1. 对于图像$$I$$：，for ( j = 0, H-h) for ( i = 0, W-w)在一次移动1像素的过程中，原图像I的一部分$$I(i:i+w, j:j+h)$$与待匹配图像计算相似度$$S$$。
2. S最大或最小的地方即为匹配的位置。

S的计算方法主要有 SSD、SAD、NCC、ZNCC等。对于不同的方法，我们需要选择出最大值或者最小值。

在这里我们使用误差平方和SSD（Sum of Squared Difference）。SSD计算像素值的差的平方和，S取误差平方和最小的地方。
$$S=\sum\limits_{x=0}^w\ \sum\limits_{y=0}^h\ [I(i+x,j+y)-T(x,y)]^2$$
顺便说一句，像模式匹配这样，从图像的左上角开始往右进行顺序查找的操作一般称作光栅扫描（Raster Scan）或者滑动窗口扫描。这样的术语在图像处理邻域经常出现。

可以使用cv2.rectangle ()来画矩形。另外，imori_part.jpg稍微改变了颜色。

python实现：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# Read image
img = cv2.imread("imori.jpg").astype(np.float32)
H, W, C = img.shape

# Read templete image
temp = cv2.imread("imori_part.jpg").astype(np.float32)
Ht, Wt, Ct = temp.shape


# Templete matching
i, j = -1, -1
v = 255 * H * W * C
for y in range(H-Ht):
    for x in range(W-Wt):
        _v = np.sum((img[y:y+Ht, x:x+Wt] - temp) ** 2)
        if _v < v:
            v = _v
            i, j = x, y

out = img.copy()
cv2.rectangle(out, pt1=(i, j), pt2=(i+Wt, j+Ht), color=(0,0,255), thickness=1)
out = out.astype(np.uint8)

# Save result
cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.destroyAllWindows()

输入(imori.jpg)：

template图像(imori_part.jpg)：

输出：