OpenCV "coordinate specific" 匹配模板
OpenCV "coordinate specific" match template
我有一张图像，需要尽快检测到物体。我也知道我只需要检测离中心最近的物体。
AFAIK Opencv 的 MatchTemplate 有点像这样（伪代码）：
for(x in width):
for(y in height):
value = calcSimilarity(inputImage, searchedImage, x, y)
matched[x][y] = value
之后，我必须循环遍历生成的图像并找到最靠近中心的点，这非常浪费。
所以我想知道我是否可以做类似的事情：
coordsGen = new CoordsGen() // a class that generates specific coords for me
while(!coordsGen.stop):
x, y = coordsGen.next()
value = calcSimilarity(inputImage, searchedImage, x, y)
if(value > treshold)
return x, y
基本上我在这里需要的是 calcSimilarity 函数。这将使我能够极大地优化流程。
模板匹配的相似度评分方法一般有多种选择。*
OpenCV 有 3 种可用的模板匹配模式：
- 差平方和（欧氏距离）
- 互相关
- 皮尔逊相关系数
在 OpenCV 中，这三个版本也都有 normed/scaled 个版本：
- 归一化平方差和
- 归一化互相关
- 归一化皮尔逊相关系数
您可以看到 OpenCV docs under TemplateMatchModes 中使用的实际公式，尽管这些公式与上述方法随处可见的通用公式一致。
您可以编写与自己匹配的模板，而不是使用 OpenCV。但是，请注意 OpenCV 针对这些操作进行了优化，并且通常在模板匹配方面速度非常快。 OpenCV 使用 DFT 来执行其中一些计算以减少计算负载。例如，参见：
- Why is opencv's Template Matching ... so fast?
- OpenCV Sum of squared differences speed
您也可以使用 OpenCV 的 minMaxLoc() 来查找 min/maximum 值，而不是自己循环。此外，您没有指定如何访问您的值，但并非所有查找方法都像其他方法一样快。请参阅 How to scan images 以查看最快的 Mat 访问操作。剧透：原始指针。
优化的主要加速功能是提前终止函数。但是，我认为您通常不会通过自己编码来实现更快的速度，除非模板通常所在的原始图像的子集明显更小。
如果您的图像非常大，减少搜索时间的更好方法是使用金字塔分辨率方法。基本上，将模板和搜索图像设为图像的 1/2，因为 1/2，1/2，依此类推。然后你开始在一个小的 1/16 或任何大小的图像上进行模板匹配，并找到模板的一般位置。然后你对下一个图像尺寸做同样的事情，但你只搜索你的模板在之前比例的位置周围的一个小子集。然后，每次将图像尺寸增大到更接近原始尺寸时，您只是在寻找几个像素的微小差异，以更准确地确定位置。一般位置首先用最小缩放的图像找到，与原始图像大小相比只需要一小部分时间找到，然后你只需通过缩放来细化它。
* 请注意，OpenCV 不包括您可能在其他地方看到的其他模板匹配方法。特别是，OpenCV 有平方差和但没有绝对距离和方法。相位差也用作相似性度量，但在 OpenCV 中不存在。无论哪种方式，互相关和差平方和在图像处理中都非常常见，除非您有特殊的图像域，否则应该可以正常工作。
我有一张图像，需要尽快检测到物体。我也知道我只需要检测离中心最近的物体。
AFAIK Opencv 的 MatchTemplate 有点像这样（伪代码）：
for(x in width):
for(y in height):
value = calcSimilarity(inputImage, searchedImage, x, y)
matched[x][y] = value
之后，我必须循环遍历生成的图像并找到最靠近中心的点，这非常浪费。
所以我想知道我是否可以做类似的事情：
coordsGen = new CoordsGen() // a class that generates specific coords for me
while(!coordsGen.stop):
x, y = coordsGen.next()
value = calcSimilarity(inputImage, searchedImage, x, y)
if(value > treshold)
return x, y
基本上我在这里需要的是 calcSimilarity 函数。这将使我能够极大地优化流程。
模板匹配的相似度评分方法一般有多种选择。*
OpenCV 有 3 种可用的模板匹配模式：
- 差平方和（欧氏距离）
- 互相关
- 皮尔逊相关系数
在 OpenCV 中，这三个版本也都有 normed/scaled 个版本：
- 归一化平方差和
- 归一化互相关
- 归一化皮尔逊相关系数
您可以看到 OpenCV docs under TemplateMatchModes 中使用的实际公式，尽管这些公式与上述方法随处可见的通用公式一致。
您可以编写与自己匹配的模板，而不是使用 OpenCV。但是，请注意 OpenCV 针对这些操作进行了优化，并且通常在模板匹配方面速度非常快。 OpenCV 使用 DFT 来执行其中一些计算以减少计算负载。例如，参见：
- Why is opencv's Template Matching ... so fast?
- OpenCV Sum of squared differences speed
您也可以使用 OpenCV 的 minMaxLoc() 来查找 min/maximum 值，而不是自己循环。此外，您没有指定如何访问您的值，但并非所有查找方法都像其他方法一样快。请参阅 How to scan images 以查看最快的 Mat 访问操作。剧透：原始指针。
优化的主要加速功能是提前终止函数。但是，我认为您通常不会通过自己编码来实现更快的速度，除非模板通常所在的原始图像的子集明显更小。
如果您的图像非常大，减少搜索时间的更好方法是使用金字塔分辨率方法。基本上，将模板和搜索图像设为图像的 1/2，因为 1/2，1/2，依此类推。然后你开始在一个小的 1/16 或任何大小的图像上进行模板匹配，并找到模板的一般位置。然后你对下一个图像尺寸做同样的事情，但你只搜索你的模板在之前比例的位置周围的一个小子集。然后，每次将图像尺寸增大到更接近原始尺寸时，您只是在寻找几个像素的微小差异，以更准确地确定位置。一般位置首先用最小缩放的图像找到，与原始图像大小相比只需要一小部分时间找到，然后你只需通过缩放来细化它。
* 请注意，OpenCV 不包括您可能在其他地方看到的其他模板匹配方法。特别是，OpenCV 有平方差和但没有绝对距离和方法。相位差也用作相似性度量，但在 OpenCV 中不存在。无论哪种方式，互相关和差平方和在图像处理中都非常常见，除非您有特殊的图像域，否则应该可以正常工作。