專利名稱：一種基于灰度共生矩陣的灰度模板匹配方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像檢索技術(shù)領(lǐng)域，特別是涉及一種灰度共生矩陣的灰度模 板匹配的方法。
背景技術(shù)：
根據(jù)己知的灰度模式T (模板圖像)，在另一幅灰度圖像I中搜索相似 子圖G的過程稱為灰度模板匹配。灰度模板匹配可以運用于灰度圖像模板 檢索應(yīng)用中?；叶饶０鍒D像檢索不同于傳統(tǒng)的基于內(nèi)容的灰度圖像檢索，前 者是根據(jù)模板T對灰度圖像數(shù)據(jù)庫中所有的圖像I進行模板匹配，模板T和 圖像I的尺寸大小可以不一致，而后者要求檢索圖像和數(shù)據(jù)庫中圖像I的尺 寸大小一致。由此可見，灰度模板圖像檢索具有更加廣泛的使用用途，由于 快速灰度模板匹配方法可以提高灰度模板圖像檢索的檢索速度。此外，灰度 信息是彩色圖像的一個重要信息，灰度模板圖像匹配也可以用于彩色模板圖 像匹配應(yīng)用，因此快速灰度模板匹配方法也具有非常好的使用前景。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種灰度共生矩陣的灰度模板匹配的方法。 本發(fā)明方法的具體步驟是
步驟(l).設(shè)定灰度模板T的寬度為M、高度為K，待匹配圖像I的 寬度為M,、髙度為似2， M尸^'7V,+" (&=1,2,3,"， OS"〈A^)， M2=A:2.iV2+p (yt2=l，2,3...， 0^/ <iV2);如果《>0，則將待匹配圖像I的橫向的邊沿進 行復制延伸，使得《 = ^，則延伸后的待匹配圖像I的寬度為M;-"+l).7V 復制延伸的圖像在橫向為一個像素；如果^>0，則將待匹配圖像I的縱向 的邊沿進行復制延伸，使得/ = ^2，則延伸后的待匹配圖像I的高度為 M; = (yt2 +1) W2 ，復制延伸的圖像在縱向為一個像素；
步驟(2).將待匹配圖像I以灰度模板T為單元進行分塊對于復制延 伸過的待匹配圖像I，分為(M;/Agx(M;/^)塊；對于未進行復制延伸的待匹配圖像I，分為(MJA^)x(M2/A^)塊；按照先從左到右、再從上到下的順 序?qū)⒏鲏K圖像進行編號為像素塊C,. ， ^ = 1,2,3…；
步驟(3).按照像素塊C,.編號的順序，將圖像I的像素塊C,.與灰度模板T 進行比對，具體的比對方法是
(a).對灰度模板T的模板當前像素點S從灰度模板T的左上角開始，按 照先從左到右、再從上到下順序在模板T中以一個像素單位進行移動，模板 當前像素點g與灰度模板T左上角的像素點為對角線構(gòu)成像素子塊矩陣rz ， 該像素子塊矩陣^的寬度為AV，高度為A^;模板當前像素點^在模板T中 移動過程中，得到A^xA^個不同的像素子塊矩陣&，計算每個像素子塊矩陣 rz的灰度共生矩陣G(;c，y^")的特征參數(shù)Cm和， ；c為灰度共生矩陣元素 值的行，x = l，2,3...255， y為灰度共生矩陣元素值的列，；;=1,2,3...255， J為灰 度模板T中像素對中兩個像素的矢量距離，d = l， 0為灰度模板T中像素 對中兩個像素的矢量角度，e = 0°,45°,90°,135°，180°，225°，270°，315°;每個像素子 塊T^有8個不同的灰度共生矩陣；
同時符合以下條件的像素對(A， A)的出現(xiàn)次數(shù)為"(w'^， 條件1:灰度值等于x的像素點A和灰度值等于y的像素點Py的距離為J， d = l，
條件2:以g為矢量起點、以^為矢量終點所構(gòu)成矢量角度為e;
6> = 0。，45。,90°，135°,180。,225°，270°,3150 則出現(xiàn)次數(shù)n^〃)為灰度共生矩陣在(x，y)處的元素值；
根據(jù)像素子塊矩陣&的灰度共生矩陣G(x,;;^")，計算灰度共生矩陣的特 征值Co"禾口Cor，
255 255
Co" = Z2>-力V禍 (1)
255 255
<formula>formula see original document page 8</formula> (2)
255 255 255 255
其中<formula>formula see original document page 8</formula>(b).把像素子塊矩陣rz劃分為四個區(qū)域
像素子塊矩陣&的右下角的一個像素點為區(qū)域d;
區(qū)域d所在的行去除區(qū)域d的一個像素點后的所有像素點的集合為區(qū)域b; 區(qū)域d所在的列去除區(qū)域d的一個像素點后的所有像素點的集合為區(qū)域c;
像素子塊矩陣^去除區(qū)域b、 c、 d后的所有像素點的集合為區(qū)域a;
區(qū)域a是當前像素點s在灰度模板t移動過程中的一個像素子塊矩陣；
區(qū)域a和區(qū)域b合并構(gòu)成的區(qū)域a+b是當前像素點s在灰度模板t中移動過 程中的一個像素子塊矩陣；區(qū)域a和區(qū)域c合并構(gòu)成的區(qū)域a+c是當前像素
點^在灰度模板t中移動過程中的一個像素子塊矩陣。區(qū)域a、區(qū)域d、區(qū) 域a+b、區(qū)域a+c、區(qū)域a+b+c+d的灰度共生矩陣的關(guān)系如下
"■(yl+B+C+fl) _ 〃(4+B) 十"(yl+C) 卞、 d 乂
其中《^S,表示區(qū)域a+b+c+d所形成的像素子塊矩陣的灰度共生矩陣 的元素值，《^f表示區(qū)域a+c所形成的像素子塊矩陣的灰度共生矩陣的元 素值，《^丫)表示區(qū)域a+b所形成的像素子塊矩陣的灰度共生矩陣的元素值， 《f")表示區(qū)域a所形成的像素子塊矩陣的灰度共生矩陣的元素值，n((^^表 示區(qū)域d所形成的像素子塊矩陣的灰度共生矩陣的元素值；
區(qū)域a+b+c+d的灰度共生矩陣可以使用區(qū)域a、區(qū)域d、區(qū)域a+b、區(qū)域 a+c的灰度共生矩陣進行計算；
(c). C,.的當前像素點尸/從劃分塊C,.的右下角開始，按照先從右到左、再 從下到上的順序在C,中以一個像素單位進行移動，以C,.的當前像素點g'與劃
分塊c,的右下角的像素點為對角線構(gòu)成像素子塊矩陣r〗，巧的寬度為、
高度為A^; C,.的當前像素點ir在劃分塊C,.的移動過程中，得到N^^個不 同的像素子塊矩陣巧；按照步驟(a)的方法定義每個像素子塊矩陣巧的灰度 共生矩陣G'(x,;;^")的特征參數(shù)Co"和a^ ，每個巧將有8個不同的灰度共生 矩陣；
(d).把像素子塊矩陣r〗劃分為四個區(qū)域 像素子塊矩陣"的左上角的一個像素點為區(qū)域H;區(qū)域H所在的行去除區(qū)域H的一個像素點后的所有像素點的集合為區(qū)域J; 區(qū)域H所在的列去除區(qū)域H的一個像素點后的所有像素點的集合為區(qū)域F; 像素子塊矩陣r〗去除區(qū)域F、 J、 H后的所有像素點的集合為區(qū)域E;
區(qū)域E是C,.的當前像素點S'在劃分塊C,移動過程中的一個像素子塊矩 陣；區(qū)域E和區(qū)域F合并構(gòu)成的區(qū)域E+F是當前像素點巧在劃分塊C,中的移 動過程中的一個像素子塊矩陣；區(qū)域E和區(qū)域J合并構(gòu)成的區(qū)域E+J是當前 像素點/T在劃分塊C,.中的移動過程中的一個像素子塊矩陣；區(qū)域E、區(qū)域H、 區(qū)域E+F、區(qū)域E+J、區(qū)域E+F+J+H的灰度共生矩陣的關(guān)系有
其中n&H"表示區(qū)域E+F+J+H所形成的像素子塊矩陣的灰度共生矩陣 的元素值，《'+，表示區(qū)域E+F所形成的像素子塊矩陣的灰度共生矩陣的元 素值，ngt"表示區(qū)域E+J所形成的像素子塊矩陣的灰度共生矩陣的元素值， 《f "表示區(qū)域H所形成的像素子塊矩陣的灰度共生矩陣的元素值，《f'0)表 示區(qū)域E所形成的像素子塊矩陣的灰度共生矩陣的元素值；
區(qū)域E+F+J+H的灰度共生矩陣可以使用區(qū)域E、區(qū)域H、區(qū)域E+F、區(qū)域 E+J的灰度共生矩陣進行計算；
(e) .將當前像素點6從灰度模板T的左上角以先從左到右、再從上到下 的順序的每一次移動所得到的Tz與當前像素點/T從劃分塊C,.的右下角開始
以先從右到左、再從下到上的順序在c,.中的每一次移動所得到的r〗相對應(yīng)；
將矢量角度e相等的Tz的灰度共生矩陣G(x,jv/,0與巧的灰度共生矩陣 G'(;c，y，c/")利用歐拉距離公式計算特征參數(shù)C訓和Cor的相似距離，得到對應(yīng)
灰度共生矩陣的距離；對r,和r〗的所有對應(yīng)的8個灰度共生矩陣的距離求 總和得到對應(yīng)rz和巧的距離d ;對灰度模板T和劃分塊c,.的所有對應(yīng)的rz和 r)的距離/)進行排序，獲得d最小的7^和ri，距離d最小的r〗的左上角的 當前像素點/T為移動像素點;
(f) .計算圖像l的每個劃分塊c,的& ，移動像素點s,.的個數(shù)與圖像I的
劃分塊的個數(shù)是相等；對每一個&，將&作為左上角，在圖像I中取大小和灰度模板T 一致的像素塊《，按照步驟(a)的定義計算每個像素子塊矩陣& 的灰度共生矩陣G"(x,y乂e)的特征參數(shù)C訓和。r，每個《.將有8個不同的
灰度共生矩陣；
將矢量角度^相等的T的灰度共生矩陣G(^乂。與《,.的灰度共生矩陣 G"Oc,y乂0利用歐拉距離公式計算特征參數(shù)C。"和a^的相似距離，得到對應(yīng) 灰度共生矩陣的距離；對T和&的所有對應(yīng)的8個灰度共生矩陣的距離求總 和得到對應(yīng)T和《.的距離；對所有的《,和T的距離D'，選擇最小的《, 記為尺_，這個^^為與模板T匹配的圖像子圖。
本發(fā)明方法在模板T與圖像I的模式匹配過程中，通過計算模板T與匹 配子圖潛在的重疊區(qū)域來對模板T在圖像I中進行快速的移動，從而可以大 大的提高模板匹配的速度。此外，本發(fā)明方法采用的灰度共生矩陣能較好的 體現(xiàn)灰度圖像的紋理特征，因此該方法還具有較好的匹配準確性。
具體實施例方式
一種基于灰度共生矩陣的灰度模板匹配方法，該方法的具體步驟如下
歩驟(l).設(shè)定灰度模板T的寬度為A^、高度為A^，待匹配圖像I的 寬度為M。高度為M2， M產(chǎn)^'7V!+a "1=1，2,3...，M2=A:,iV2+y
=1,2,3...， 0《"<W2);如果《>0，則將待匹配圖像I的橫向的邊沿進 行復制延伸，使得《 = ^，則延伸后的待匹配圖像I的寬度為M;-^+l).M， 復制延伸的圖像在橫向為一個像素；如果/ >0，則將待匹配圖像I的縱向 的邊沿進行復制延伸，使得々=^2，則延伸后的待匹配圖像I的高度為 M; = (、 +1) iV2 ，復制延伸的圖像在縱向為一個像素。
步驟(2).將待匹配圖像I以灰度模板T為單元進行分塊對于復制延 伸過的待匹配圖像I，分為(M;/A^)x(M;/Ag塊；對于未進行復制延伸的待 匹配圖像I，分為(M,/A^)x(M2/A^)塊;按照先從左到右、再從上到下的順 序?qū)⒏鲏K圖像進行編號為像素塊C,.， " 1,2,3…。
步驟(3).按照像素塊C,.編號的順序，將圖像I的像素塊C,.與灰度模板T 進行比對，具體的比對方法是(a).對灰度模板T的模板當前像素點g從灰度模板T的左上角開始，按 照先從左到右、再從上到下順序在模板T中以一個像素單位進行移動，模板 當前像素點g與灰度模板T左上角的像素點為對角線構(gòu)成像素子塊矩陣rz ， 該像素子塊矩陣7^的寬度為AV，高度為A^;模板當前像素點《在模板T中 移動過程中，得到7V,xA^個不同的像素子塊矩陣rz，計算每個像素子塊矩陣 T^的灰度共生矩陣G(x，;;,^)的特征參數(shù)C訓和a^， x為灰度共生矩陣元素 值的行，x = 1,2,3...255 ， y為灰度共生矩陣元素值的列，y = l，2,3...255， J為灰 度模板T中像素對中兩個像素的矢量距離，d = l， 6為灰度模板T中像素 對中兩個像素的矢量角度，6 = 0°,45°,90°, 135°, 180°,225°,270°,315° ;每個像素子 塊^有8個不同的灰度共生矩陣；
同時符合以下條件的像素對(A, A)的出現(xiàn)次數(shù)為""，" 條件1:灰度值等于x的像素點^和灰度值等于y的像素點A的距離為J， d = l，
條件2:以A為矢量起點、以^為矢量終點所構(gòu)成矢量角度為e;
6> = 0°,45°, 90°,135°,180°,225°,270°, 315° 則出現(xiàn)次數(shù)^'〃'"為灰度共生矩陣在(x, y)處的元素值；
根據(jù)像素子塊矩陣rz的灰度共生矩陣G(;c,y^，。，計算灰度共生矩陣的特 征值Co"禾口Cor ，
255 255
Cow = ^^> —力2"(w") (1) C『gg(H,)("》"一) (2)
^=1 ，=1
255 255 255 255
其中，",=2>(2>("""))
(b).把像素子塊矩陣7;劃分為四個區(qū)域 像素子塊矩陣rz的右下角的一個像素點為區(qū)域D;
區(qū)域D所在的行去除區(qū)域D的一個像素點后的所有像素點的集合為區(qū)域B; 區(qū)域D所在的列去除區(qū)域D的一個像素點后的所有像素點的集合為區(qū)域C;像素子塊矩陣&去除區(qū)域B、 C、 D后的所有像素點的集合為區(qū)域A;
區(qū)域A是當前像素點S在灰度模板T移動過程中的一個像素子塊矩陣；
區(qū)域A和區(qū)域B合并構(gòu)成的區(qū)域A+B是當前像素點S在灰度模板T中移動過 程中的一個像素子塊矩陣；區(qū)域A和區(qū)域C合并構(gòu)成的區(qū)域A+C是當前像素 點S在灰度模板T中移動過程中的一個像素子塊矩陣。區(qū)域A、區(qū)域D、區(qū) 域A+B、區(qū)域A+C、區(qū)域A+B+C+D的灰度共生矩陣的關(guān)系如下
其中《'+^!L)表示區(qū)域A+B+C+D所形成的像素子塊矩陣的灰度共生矩陣 的元素值，表示區(qū)域A+C所形成的像素子塊矩陣的灰度共生矩陣的元 素值，《+f表示區(qū)域A+B所形成的像素子塊矩陣的灰度共生矩陣的元素值， n(^〃)表示區(qū)域A所形成的像素子塊矩陣的灰度共生矩陣的元素值，ngf ^表 示區(qū)域D所形成的像素子塊矩陣的灰度共生矩陣的元素值；
區(qū)域A+B+C+D的灰度共生矩陣可以使用區(qū)域A、區(qū)域D、區(qū)域A+B、區(qū)域 A+C的灰度共生矩陣進行計算；
(c). C,.的當前像素點《從劃分塊C,.的右下角開始，按照先從右到左、再 從下到上的順序在C,.中以一個像素單位進行移動，以C,的當前像素點S'與劃
分塊c,.的右下角的像素點為對角線構(gòu)成像素子塊矩陣r〗，r〗的寬度為、
高度為iV" C,.的當前像素點"在劃分塊C,.的移動過程中，得到N^N,個不 同的像素子塊矩陣巧；按照步驟(a)的方法定義每個像素子塊矩陣r〗的灰度 共生矩陣的特征參數(shù)Co"和Cor ，每個r〗將有8個不同的灰度共生 矩陣；
(d).把像素子塊矩陣r〗劃分為四個區(qū)域
像素子塊矩陣巧的左上角的一個像素點為區(qū)域H;
區(qū)域H所在的行去除區(qū)域H的一個像素點后的所有像素點的集合為區(qū)域J; 區(qū)域H所在的列去除區(qū)域H的一個像素點后的所有像素點的集合為區(qū)域F; 像素子塊矩陣r〗去除區(qū)域F、 J、 H后的所有像素點的集合為區(qū)域E;
區(qū)域E是C,的當前像素點"在劃分塊C,.移動過程中的一個像素子塊矩陣；區(qū)域E和區(qū)域F合并構(gòu)成的區(qū)域E+F是當前像素點S'在劃分塊C,中的移 動過程中的一個像素子塊矩陣；區(qū)域E和區(qū)域J合并構(gòu)成的區(qū)域E+J是當前 像素點巧在劃分塊C,.中的移動過程中的一個像素子塊矩陣；區(qū)域E、區(qū)域H、 區(qū)域E+F、區(qū)域E+J、區(qū)域E+F+J+H的灰度共生矩陣的關(guān)系有
其中W^^U)表示區(qū)域E+F+J+H所形成的像素子塊矩陣的灰度共生矩陣 的元素值，r^，^f)表示區(qū)域E+F所形成的像素子塊矩陣的灰度共生矩陣的元
素值，r^+^"表示區(qū)域E+J所形成的像素子塊矩陣的灰度共生矩陣的元素值， 《f 。表示區(qū)域H所形成的像素子塊矩陣的灰度共生矩陣的元素值，ngf "表 示區(qū)域E所形成的像素子塊矩陣的灰度共生矩陣的元素值；
區(qū)域E+F+J+H的灰度共生矩陣可以使用區(qū)域E、區(qū)域H、區(qū)域E+F、區(qū)域 E+J的灰度共生矩陣進行計算；
(e) .將當前像素點6從灰度模板T的左上角以先從左到右、再從上到下 的順序的每一次移動所得到的^與當前像素點iT從劃分塊C,.的右下角開始 以先從右到左、再從下到上的順序在C,.中的每一次移動所得到的r〗相對應(yīng)； 將矢量角度e相等的rz的灰度共生矩陣G(;c,y乂")與r〗的灰度共生矩陣
G'(x，y^")利用歐拉距離公式計算特征參數(shù)C。"和C。r的相似距離，得到對應(yīng) 灰度共生矩陣的距離；對^和r〗的所有對應(yīng)的8個灰度共生矩陣的距離求
總和得到對應(yīng)rz和r〗的距離d ;對灰度模板T和劃分塊c,.的所有對應(yīng)的rz和 r;的距離D進行排序，獲得D最小的K和r〗，距離D最小的r〗的左上角的 當前像素點為移動像素點&;
(f) .計算圖像l的每個劃分塊c,.的&，移動像素點s,.的個數(shù)與圖像l的 劃分塊的個數(shù)是相等；對每一個s,.，將s,.作為左上角，在圖像l中取大小和
灰度模板T 一致的像素塊& ，按照步驟(a)的定義計算每個像素子塊矩陣&
的灰度共生矩陣G"(;c,y乂。的特征參數(shù)c。w和a^，每個&將有8個不同的
灰度共生矩陣；
將矢量角度0相等的T的灰度共生矩陣G(xj乂0)與K,的灰度共生矩陣G"";^^)利用歐拉距離公式計算特征參數(shù)a^和C。r的相似距離，得到對應(yīng) 灰度共生矩陣的距離；對T和《的所有對應(yīng)的8個灰度共生矩陣的距離求總 和得到對應(yīng)T和《.的距離iT ;對所有的《.和T的距離Z)'，選擇D'最小的《
記為，這個《mn為與模板T匹配的圖像子圖。
權(quán)利要求
1.一種基于灰度共生矩陣的灰度模板匹配方法，其特征在于該方法的具體步驟是步驟(1).設(shè)定灰度模板T的寬度為N1、高度為N2，待匹配圖像I的寬度為M1、高度為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，則將待匹配圖像I的橫向的邊沿進行復制延伸，使得α＝N1，則延伸后的待匹配圖像I的寬度為M′1＝(k1+1)·N1，復制延伸的圖像在橫向為一個像素；如果β＞0，則將待匹配圖像I的縱向的邊沿進行復制延伸，使得β＝N2，則延伸后的待匹配圖像I的高度為M′2＝(k2+1)·N2，復制延伸的圖像在縱向為一個像素；步驟(2).將待匹配圖像I以灰度模板T為單元進行分塊對于復制延伸過的待匹配圖像I，分為(M′1/N1)×(M′2/N2)塊；對于未進行復制延伸的待匹配圖像I，分為(M1/N1)×(M2/N2)塊；按照先從左到右、再從上到下的順序?qū)⒏鲏K圖像進行編號為像素塊Ci，i＝1，2，3...；步驟(3).按照像素塊Ci編號的順序，將圖像I的像素塊Ci與灰度模板T進行比對，具體的比對方法是(a).對灰度模板T的模板當前像素點P1從灰度模板T的左上角開始，按照先從左到右、再從上到下順序在模板T中以一個像素單位進行移動，模板當前像素點P1與灰度模板T左上角的像素點為對角線構(gòu)成像素子塊矩陣TZ，該像素子塊矩陣TZ的寬度為NW，高度為NH；模板當前像素點P1在模板T中移動過程中，得到N1×N2個不同的像素子塊矩陣TZ，計算每個像素子塊矩陣TZ的灰度共生矩陣G(x，y，d，θ)的特征參數(shù)Con和Cor，x為灰度共生矩陣元素值的行，x＝1，2，3...255，y為灰度共生矩陣元素值的列，y＝1，2，3...255，d為灰度模板T中像素對中兩個像素的矢量距離，d＝1，θ為灰度模板T中像素對中兩個像素的矢量角度，θ＝0°，45°，90°，135°，180°，225°，270°，315°；每個像素子塊TZ有8個不同的灰度共生矩陣；同時符合以下條件的像素對(Px，Py)的出現(xiàn)次數(shù)為n(x，y，d，θ)，條件1灰度值等于x的像素點Px和灰度值等于y的像素點Py的距離為d；條件2以Px為矢量起點、以Py為矢量終點所構(gòu)成矢量角度為θ；則出現(xiàn)次數(shù)n(x，y，d，θ)為灰度共生矩陣在(x，y)處的元素值；根據(jù)像素子塊矩陣TZ的灰度共生矩陣G(x，y，d，θ)，計算灰度共生矩陣的特征值Con和Cor，<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mi>Con</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <mn>255</mn></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <mn>255</mn></munderover><msup> <mrow><mo>(</mo><mi>x</mi><mo>-</mo><mi>y</mi><mo>)</mo> </mrow> <mn>2</mn></msup><msup> <mi>n</mi> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>]]></math></maths><maths id="math0002" num="0002" ><math><![CDATA[ <mrow><mi>Con</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <mn>255</mn></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <mn>255</mn></munderover><mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <msub><mi>u</mi><mi>x</mi> </msub> <mo>)</mo></mrow><mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <msub><mi>u</mi><mi>y</mi> </msub> <mo>)</mo></mrow><msup> <mi>n</mi> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>其中，<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><msub> <mi>u</mi> <mi>x</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <mn>255</mn></munderover><mi>x</mi><mo>·</mo><mrow> <mo>(</mo> <munderover><mi>Σ</mi><mrow> <mi>y</mi> <mo>=</mo> <mn>1</mn></mrow><mn>255</mn> </munderover> <msup><mi>n</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>d</mi> <mo>,</mo> <mi>θ</mi> <mo>)</mo></mrow> </msup> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0003" file="A2009101012510003C3.tif" wi="41" he="10" top= "184" left = "45" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths><maths id="math0004" num="0004" ><math><![CDATA[ <mrow><msub> <mi>u</mi> <mi>y</mi></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <mn>255</mn></munderover><mi>y</mi><mo>·</mo><mrow> <mo>(</mo> <munderover><mi>Σ</mi><mrow> <mi>x</mi> <mo>=</mo> <mn>1</mn></mrow><mn>255</mn> </munderover> <msup><mi>n</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>,</mo> <mi>d</mi> <mo>,</mo> <mi>θ</mi> <mo>)</mo></mrow> </msup> <mo>)</mo></mrow> </mrow>]]></math> id="icf0004" file="A2009101012510003C4.tif" wi="40" he="10" top= "184" left = "90" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>(b).把像素子塊矩陣TZ劃分為四個區(qū)域像素子塊矩陣TZ的右下角的一個像素點為區(qū)域D；區(qū)域D所在的行去除區(qū)域D的一個像素點后的所有像素點的集合為區(qū)域B；區(qū)域D所在的列去除區(qū)域D的一個像素點后的所有像素點的集合為區(qū)域C；像素子塊矩陣TZ去除區(qū)域B、C、D后的所有像素點的集合為區(qū)域A；區(qū)域A是當前像素點P1在灰度模板T移動過程中的一個像素子塊矩陣；區(qū)域A和區(qū)域B合并構(gòu)成的區(qū)域A+B是當前像素點P1在灰度模板T中移動過程中的一個像素子塊矩陣；區(qū)域A和區(qū)域C合并構(gòu)成的區(qū)域A+C是當前像素點P1在灰度模板T中移動過程中的一個像素子塊矩陣；區(qū)域A、區(qū)域D、區(qū)域A+B、區(qū)域A+C、區(qū)域A+B+C+D的灰度共生矩陣的關(guān)系如下<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>A</mi><mo>+</mo><mi>B</mi><mo>+</mo><mi>C</mi><mo>+</mo><mi>D</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>=</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>A</mi><mo>+</mo><mi>B</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>+</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>A</mi><mo>+</mo><mi>C</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>-</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>A</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>+</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>D</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>其中n(A+B+C+D)(x，y，d，θ)表示區(qū)域A+B+C+D所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(A+C)(i，j，d，θ)表示區(qū)域A+C所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(A+B)(x，y，d，θ)表示區(qū)域A+B所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(A)(x，y，d，θ)表示區(qū)域A所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(D)(x，y，d，θ)表示區(qū)域D所形成的像素子塊矩陣的灰度共生矩陣的元素值；(c).Ci的當前像素點P′1從劃分塊Ci的右下角開始，按照先從右到左、再從下到上的順序在Ci中以一個像素單位進行移動，以Ci的當前像素點P′1與劃分塊Ci的右下角的像素點為對角線構(gòu)成像素子塊矩陣T′Z，T′Z的寬度為N′W、高度為N′H；Ci的當前像素點P′1在劃分塊Ci的移動過程中，得到N1×N2個不同的像素子塊矩陣T′Z；按照步驟(a)的方法定義每個像素子塊矩陣T′Z的灰度共生矩陣G′(x，y，d，θ)的特征參數(shù)Con和Cor，每個T′Z將有8個不同的灰度共生矩陣；(d).把像素子塊矩陣T′Z劃分為四個區(qū)域像素子塊矩陣T′Z的左上角的一個像素點為區(qū)域H；區(qū)域H所在的行去除區(qū)域H的一個像素點后的所有像素點的集合為區(qū)域J；區(qū)域H所在的列去除區(qū)域H的一個像素點后的所有像素點的集合為區(qū)域F；像素子塊矩陣T′Z去除區(qū)域F、J、H后的所有像素點的集合為區(qū)域E；區(qū)域E是Ci的當前像素點P′1在劃分塊Ci移動過程中的一個像素子塊矩陣；區(qū)域E和區(qū)域F合并構(gòu)成的區(qū)域E+F是當前像素點P′1在劃分塊Ci中的移動過程中的一個像素子塊矩陣；區(qū)域E和區(qū)域J合并構(gòu)成的區(qū)域E+J是當前像素點P′1在劃分塊Ci中的移動過程中的一個像素子塊矩陣；區(qū)域E、區(qū)域H、區(qū)域E+F、區(qū)域E+J、區(qū)域E+F+J+H的灰度共生矩陣的關(guān)系有<maths id="math0006" num="0006" ><math><![CDATA[ <mrow><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>E</mi><mo>+</mo><mi>F</mi><mo>+</mo><mi>J</mi><mo>+</mo><mi>H</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>=</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>E</mi><mo>+</mo><mi>F</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>+</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>E</mi><mo>+</mo><mi>J</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>-</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>E</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>+</mo><msubsup> <mi>n</mi> <mrow><mo>(</mo><mi>H</mi><mo>)</mo> </mrow> <mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>,</mo><mi>d</mi><mo>,</mo><mi>θ</mi><mo>)</mo> </mrow></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>其中n(H+I+J+K)(x，y，d，θ)表示區(qū)域E+F+J+H所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(E+F)(x，y，d，θ)表示區(qū)域E+F所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(E+J)(x，y，d，θ)表示區(qū)域E+J所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(H)(x，y，d，θ)表示區(qū)域H所形成的像素子塊矩陣的灰度共生矩陣的元素值，n(E)(x，y，d，θ)表示區(qū)域E所形成的像素子塊矩陣的灰度共生矩陣的元素值；(e).將當前像素點P1從灰度模板T的左上角以先從左到右、再從上到下的順序的每一次移動所得到的TZ與當前像素點P′1從劃分塊Ci的右下角開始以先從右到左、再從下到上的順序在Ci中的每一次移動所得到的T′Z相對應(yīng)；將矢量角度θ相等的TZ的灰度共生矩陣G(x，y，d，θ)與T′Z的灰度共生矩陣G′(x，y，d，θ)利用歐拉距離公式計算特征參數(shù)Con和Cor的相似距離，得到對應(yīng)灰度共生矩陣的距離；對TZ和T′Z的所有對應(yīng)的8個灰度共生矩陣的距離求總和得到對應(yīng)TZ和T′Z的距離D；對灰度模板T和劃分塊Ci的所有對應(yīng)的TZ和T′Z的距離D進行排序，獲得D最小的TZ和T′Z，距離D最小的T′Z的左上角的當前像素點P′1為移動像素點Si；(f).計算圖像I的每個劃分塊Ci的Si，移動像素點Si的個數(shù)與圖像I的劃分塊的個數(shù)是相等；對每一個Si，將Si作為左上角，在圖像I中取大小和灰度模板T一致的像素塊Ki，按照步驟(a)的定義計算每個像素子塊矩陣Ki的灰度共生矩陣G″(x，y，d，θ)的特征參數(shù)Con和Cor，每個Ki將有8個不同的灰度共生矩陣；將矢量角度θ相等的T的灰度共生矩陣G(x，y，d，θ)與Ki的灰度共生矩陣G″(x，y，d，θ)利用歐拉距離公式計算特征參數(shù)Con和Cor的相似距離，得到對應(yīng)灰度共生矩陣的距離；對T和Ki的所有對應(yīng)的8個灰度共生矩陣的距離求總和得到對應(yīng)T和Ki的距離D′；對所有的Ki和T的距離D′，選擇D′最小的Ki記為Kmin，這個Kmin為與模板T匹配的圖像子圖。
全文摘要
本發(fā)明涉及一種基于灰度共生矩陣的灰度模板匹配方法。現(xiàn)有的灰度模板匹配方法速度慢，效率低。本發(fā)明方法的具體步驟是首先調(diào)整待匹配圖像I寬度和高度，然后將待匹配圖像I進行分塊，最后將圖像I的像素塊C<sub>i</sub>與灰度模板T進行比對，計算像素塊C<sub>i</sub>與灰度模板T的相似區(qū)域；根據(jù)每個像素塊C<sub>i</sub>相似區(qū)域得到一個子圖K<sub>i</sub>，將矢量角度θ相等的T的灰度共生矩陣與K<sub>i</sub>的灰度共生矩陣計算特征參數(shù)Con和Cor的相似距離；對T和K<sub>i</sub>的8個灰度共生矩陣的距離求總和得到對應(yīng)T和K<sub>i</sub>的距離D′；選擇D′最小的K<sub>i</sub>記為K<sub>min</sub>，這個K<sub>min</sub>為與模板T匹配的圖像子圖。本發(fā)明方法在匹配過程中，通過計算模板T與匹配子圖潛在的重疊區(qū)域來對模板T在圖像I中進行快速的移動，提高了模板匹配的速度。
文檔編號G06T7/00GK101609555SQ20091010125
公開日2009年12月23日 申請日期2009年7月27日 優(yōu)先權(quán)日2009年7月27日
發(fā)明者楊柏林, 勛 王, 章志勇 申請人:浙江工商大學