模板影象 以視窗滾動的方式 在源影象中 掃一遍。
具體運算公式如下：
m ，n 模板大小
對於公式的解釋：
dsimgmast -- 在 在原圖（i ，j） 位置 模板影象每個畫素與對應原影象素的積 的和）
dsigmat -- 模板影象每個畫素的積 的和
dsigmas -- 在原圖（i,j）位置，模板影象對應的原圖的每個畫素的積的和
/*函式：normalizegraymatch
功能：歸一化灰度值匹配
引數：src 原圖
template 模板
point 匹配的位置左上角
返回值： 0 --- 未找打匹配物件
其他 --- 返回匹配位置相似度
*/double normalizegraymatch(iplimage * src , iplimage * temp , cvpoint & point)
}double r = 0 ;
double dsigmas ;
double dsigmast ;
unsigned char piexlt,piexls;
double dmaxr = -1 ;
int nmaxheight = -1 ;
int nmaxwidht = -1 ;
for (int i = 0 ; i < nsrcheight - ntheight +1 ; ++ i )
}r = dsigmast / ( sqrt(dsigmas) * sqrt(dsigmat) ) ;
if (r > dmaxr )
}}if (dmaxr != -1)
return 0 ;序貫相似性檢測法匹配 ssda -- similarity sequential dectection algorithm
前面的歸一化積相關匹配演算法計算量很大，原因在於搜尋視窗在源影象上進行滑動，每滑動一次就要做一次匹配運算，除了匹配的點外在其他匹配點做了『無用功』，導
致了匹配演算法的計算量上公升。所以，一旦發現所在的參考位置為非匹配點，就丟棄不再計算，立刻換到新的參考點計算，可以大大加速匹配過程。
ssda演算法過程：
1.定義絕對誤差：
其中：模板對應原圖（子圖）的灰度平均值
模板的灰度平均值3.掃面原圖每個畫素點待匹配點對應的模板子圖，根據1中的公式據算絕對誤差，當累加值超過閾值時停止累加，停止此模板子圖的掃瞄，記錄帶匹配點的位置和累加次數
4，迴圈 3 直到掃瞄完全圖
5，累加次數最少的畫素點就為最佳匹配點
對於序貫相似相演算法有很多可以優化的地方， 比如 第三步 掃瞄子影象素的時候 可以用 隔行 列 掃瞄 ， 第二部 閾值可以改為自動閾值等等，不過這裡的優化有能
怎麼樣呢 還是很慢呀，還是期待後面的演算法吧。
/*函式：ssdamatch
引數：src --- 源影象 in
temp -- 匹配模板 in
point -- 匹配位置 out
threshold -- 閾值 in
返回值：累加次數
限制： 8位灰度圖
*/int ssdamatch(iplimage * src , iplimage * temp , cvpoint & point , int threshold)
}dsigmat /=ntempsize ;
double dsigmas = 0 ;
double dbr =0; //誤差
long lr = 0; //誤差累積次數
long maxr =0; //最大累積次數
int nmaxheight = 0 ; //最大累計次數 對應匹配位置 (左上角)
int nmaxwidht = 0 ;
for (int i = 0 ; i < nsrcheight - ntheight +1 ; ++i)
}dsigmas /=ntempsize ;
//計算誤差 一旦超過閾值則拋棄不再計算
for (int k = 0 ; k < ntheight ; ++ k)
if (dbr>=threshold)
break;
}//取達到threshold 累加最多的 位置
if ( lr >maxr )
}} point.x = nmaxwidht ;
point.y = nmaxheight ;
return lr;基於特徵的匹配
利用灰度資訊匹配的方法主要缺陷是計算量過大，對影象的灰度變換很敏感，尤其是非線性的光照變化，此外，對目標的旋轉、變形以及遮擋也比較敏感，為
了克服這些缺點，可以利用影象的特徵進行匹配，由於影象的特徵點比畫素點要少很多，大大減少了匹配過程的計算量，同時，特徵點的匹配度量值對位置的
變化比較敏感，可以大大的提高匹配的精度。而且，特徵點的提取過程可以減少雜訊的影響，對灰度變化、影象形變以及遮擋等有較好的適應能力。
不變矩匹配法 tm演算法 具有平移、旋轉、尺寸不變性
p+q>=2歸一化公式：
演算法過程：計算 分別計算模板和原圖的7個不變矩 ，根據歸一化公式得出相似度。
double momentmatch(unsigned char * src , unsigned char * temp ,int nwidth , int nheight ,int nwidthstep )
return r = dsigmast / sqrt( dsigmas * dsigmat) ;/*
函式：calbarycenter
功能：計算重心矩
引數：pdata -- 影象資料 in
nwidth -- 寬 in
nheight -- 高 in
nwidthstep -- 步長 in
nbarycenterx -- 重心座標 out
nbarycentery
*/void calbarycenter(unsigned char * pdata , int nwidth , int nheight ,int nwidthstep , int &nbarycenterx , int &nbarycentery)
}nbarycenterx =(int) (m10 / m00 +0.5);
nbarycentery = (int)(m01/ m00 + 0.5);/*
函式：calcentermoment
功能：計算中心矩
引數：pdata --- 影象資料 in
nwidth -- 寬 in
nheight -- 高 in
nwidthstep -- 步長 in
nbarycenterx -- 重心矩 in
nbarycentery
ip -- 階數 in
jq返回值：中心距值
*/double calcentermoment(unsigned char * pdata , int nwidth , int nheight ,int nwidthstep ,
double nbarycenterx , double nbarycentery,int ip,int jq)
}//for l
}//for l
//計算匹配誤差
dbmatch = ( dsigmast + abs(na-nb)) /(na +nb);
if (dbmatch < dbminmatch)
} // for j
} //for i
point.x = nmatchwidth;
point.y = nmatchheight;
free(ptdist);
free(ptdata);
return dbminmatch;5.最小均方誤差匹配法
最小均方誤差匹配方法是利用影象中的對應特徵點，通過解特徵點的變換防長來計算影象間的變換引數。
基本原理：最小均方誤差匹配方法是以模板中的特徵點構造矩陣x ，影象子圖中的特徵點構造矩陣y ，求解矩陣x 到矩陣y 的變換矩陣， 其中誤差
最小的位置為最佳匹配位置
影象間的仿變換方程：
原點為中心旋轉 平移構建影象矩陣 x
y最小均方誤差的原理是求解
其中
排序演算法 歸納總結
一 直接插入排序 氣泡排序和簡單選擇排序是最基本的排序方法，它們主要用於元素個數n n 10000 不是很大的情形。它們的平均複雜度均為o n 2 實現也比較簡單。1 直接插入排序對於規模很小的元素序列 n 25 非常有效。它的時間複雜度與待排序元素序列的初始排列有關。在最好情況下，直接插入排序只需...
查詢演算法和排序演算法的歸納總結
查詢演算法 有序查詢 時間複雜度 o n 二分查詢 時間複雜度 o logn 有序查詢演算法實現 public int search int searcher 二分查詢演算法實現 public int binary search int searcher return 1 排序演算法 氣泡排序 時間...
Halcon中模板匹配方法的總結歸納
基於元件的模板匹配 應用場合 元件匹配是形狀匹配的擴充套件，但不支援大小縮放匹配，一般用於多個物件 工件 定位的場合。演算法步驟 1.獲取元件模型裡的初始控制項 gen initial components 引數 modelimage input 初始元件的 initialcomponents ou...