图像匹配SATD

2023-12-29 06:36
文章标签 图像匹配 satd

本文主要是介绍图像匹配SATD，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

    • 一、SATD是什么
    • 二、 技术细节
    • 1.matlab 连续读取图片，并截取区域
    • 2.matlab SATD相似度识别
    • 3.matlab 在多维矩阵中找最小值
  • 三、c++ 实现SATD
    • 3.1 OpenCV和C++实现SATD
    • 3.2 c++ opencv
    • 小结

一、SATD是什么

提示：这里可以添加技术名词解释

SATD（Sum of Absolute Transformed Differences）是一种用于图像匹配的算法，其原理主要包含以下步骤：

  1. 将模板图像与待匹配图像做差，得到一个差值矩阵Q。
  2. 对差值矩阵Q进行Hadamard变换（一种特殊的矩阵变换）。Hadamard变换等价于把原图像Q矩阵左右分别乘以一个Hadamard变换矩阵H。Hadamard变换矩阵H的元素都是1或-1，是一个正交矩阵，可以由MATLAB中的hadamard(n)函数生成，n代表n阶方阵。
  3. 对变换后的矩阵求其元素的绝对值之和，得到一个SATD值。这个SATD值作为相似度的判别依据。
  4. 对所有待匹配的子图都进行如上的变换后，找到SATD值最小的子图，便是最佳匹配。

以上信息仅供参考，如需更多信息，建议查阅图像处理相关的书籍或咨询图像处理专家。

二、 技术细节

1.matlab 连续读取图片，并截取区域

为了连续读取1到1000张图片，并截取中间的100*100区域，然后重新存储为M1到M1000，你可以使用以下的MATLAB代码：

% 设定图片文件夹路径
folderPath = 'path_to_your_image_folder'; % 请替换为你的图片文件夹路径% 遍历每张图片
for i = 1:1000% 生成当前图片的文件名fileName = fullfile(folderPath, sprintf('I%d.jpg', i)); % 假设原始图片命名为I1.jpg, I2.jpg, ... I1000.jpg% 读取图片img = imread(fileName);% 检查图片是否读取成功if isempty(img)error(sprintf('无法读取图片: %s', fileName));end% 计算截取区域[height, width, ~] = size(img);xStart = max(1, width/2 - 50);    % 100*100区域的左起点yStart = max(1, height/2 - 50);   % 100*100区域的上起点cropImg = img(yStart:yStart+99, xStart:xStart+99, :);% 存储截取后的图片outputFileName = fullfile(folderPath, sprintf('M%d.jpg', i));imwrite(cropImg, outputFileName);
end

注意事项：

  1. 请确保你的图片是.jpg格式。如果不是，请在代码中修改对应的扩展名。
  2. 这个代码假设原始图片的命名是连续的，从I1.jpg到I1000.jpg。如果实际命名与此不符，请相应地调整文件名生成部分。
  3. 这个代码会截取图片中心附近的100*100区域。如果原始图片的尺寸小于这个区域，代码会自动调整截取区域以确保不会超出图片边界。

2.matlab SATD相似度识别

close all
clear all
clc
% src=double(rgb2gray(imread('baby.jpg'))); %长宽相等的
% mask=double(rgb2gray(imread('模板图像_bdd.jpg'))); %长宽相等的src=double(rgb2gray(imread('frame_1442.jpg'))); %长宽相等的
mask=double(rgb2gray(imread('frame_1442_mask.jpg'))); %长宽相等的[M,K]=size(src); %搜索图大小
N=size(mask,1); %模板大小
%%
hdm_matrix=hadamard(N); %hadamard变换矩阵
hdm=zeros(M-N+1,K-N+1); %保存SATD值
for i=1:M-N+1for j=1:K-N+1temp=(src(i:i+N-1,j:j+N-1)-mask)/256;sw=(hdm_matrix*temp*hdm_matrix)/256;hdm(i,j)=sum(sum(abs(sw)));end
end
min_hdm=min(min(hdm));
[x, y]=find(hdm==min_hdm);
figure, imshow(uint8(mask));
title('模板图像');
imwrite(uint8(mask),'模板图像_zhuti_gray.jpg');
figure, imshow(uint8(src)); 
hold on;
rectangle('position',[y,x,N-1,N-1],'edgecolor','r');
title('STAD匹配结果'); 
hold off;

3.matlab 在多维矩阵中找最小值

在MATLAB中，min(min(hdm)) 的作用是从一个多维数组（比如矩阵）中找到最小值。

具体解释如下：

  1. min(hdm)：当 hdm 是一个矩阵时，这个操作会返回每一列的最小值，结果是一个行向量。
  2. min( ... )：外面的 min 函数作用于之前得到的行向量，返回该行向量中的最小值。

所以，min_hdm = min(min(hdm)); 的意思是找到 hdm 矩阵中的最小值，并将其赋值给 min_hdm。

例如，如果 hdm 是以下矩阵：

hdm = [3, 7, 2;8, 1, 6;4, 5, 9];

那么 min(hdm) 会返回 [3, 1, 2]（每列的最小值），然后 min(min(hdm)) 会返回 1，这是整个矩阵的最小值。

这段MATLAB代码是在寻找数组hdm中与最小值min_hdm相等的元素的索引。

具体解释如下：

  1. hdm == min_hdm：这部分会返回一个逻辑数组，其中值为true的位置表示hdm中与min_hdm相等的元素。
  2. find(...)：这个函数会返回逻辑数组中true的位置的索引。所以，如果hdm == min_hdm返回的是一个与hdm相同大小的逻辑数组，那么find(...)会返回所有与min_hdm相等的元素的索引。
  3. [x, y] = ...：这部分将返回两个向量。向量x包含所有与min_hdm相等的元素的行索引，而向量y包含它们的列索引。

例如，如果：

hdm = [3, 7, 2;8, 1, 6;4, 5, 9];
min_hdm = 1;

那么 [x, y] = find(hdm == min_hdm) 将返回 x = [2], y = [2]，表示在第二行第二列的位置上，hdm的值是1。

三、c++ 实现SATD

3.1 OpenCV和C++实现SATD

下面是使用OpenCV和C++实现SATD（Sum of Absolute Transformed Differences）的一个简单示例。在这个例子中，我将假设你已经有了待匹配的模板图像（template_img）和待匹配的源图像（source_img）。

注意：这个代码只是一个基本的示例，可能需要根据你的具体需求进行修改和优化。

#include <opencv2/opencv.hpp>
#include <iostream>// 计算SATD
double computeSATD(const cv::Mat &img1, const cv::Mat &img2) {cv::Mat diff;cv::absdiff(img1, img2, diff); // 计算绝对差值cv::Mat gray;cv::cvtColor(diff, gray, cv::COLOR_BGR2GRAY); // 转换为灰度图像cv::Mat abs_diff_mat;cv::convertScaleAbs(gray, abs_diff_mat); // 转换为绝对值double sum = cv::sum(abs_diff_mat)[0]; // 计算总和return sum;
}int main() {// 读取图像cv::Mat template_img = cv::imread("template.png", cv::IMREAD_GRAYSCALE);cv::Mat source_img = cv::imread("source.png", cv::IMREAD_GRAYSCALE);if (template_img.empty() || source_img.empty()) {std::cout << "无法加载图像" << std::endl;return -1;}// 确保图像大小相同if (template_img.size() != source_img.size()) {std::cout << "图像大小不一致" << std::endl;return -1;}// 计算SATD值double satd = computeSATD(template_img, source_img);std::cout << "SATD值: " << satd << std::endl;return 0;
}

这个代码首先计算两个图像的绝对差值，然后将差值图像转换为灰度图像，再将其转换为绝对值。最后，它计算并返回所有像素的绝对值之和，这就是SATD值。注意，这个代码没有进行任何形式的模板匹配优化，例如使用滑动窗口或快速近似算法。对于大型图像或实时应用，你可能需要使用这些优化方法来提高性能。

3.2 c++ opencv

要使用C++和OpenCV实现SATD（Sum of Absolute Transformed Differences）图像匹配，你需要遵循以下步骤：

  1. 设置环境：

    • 安装OpenCV库。你可以从OpenCV官网下载并按照说明进行安装。
    • 创建一个C++项目，并配置OpenCV库。

  2. 读取图像：

    • 使用OpenCV的imread函数读取模板图像和待匹配图像。

  3. 预处理：

    • 如果需要，对图像进行预处理，如灰度化、平滑等。

  4. 定义SATD函数：

    • 编写一个函数来计算两个图像的SATD值。该函数将接收两个图像作为输入，并返回它们的SATD值。

  5. 滑动窗口匹配：

    • 在待匹配图像上使用滑动窗口技术。对于每个窗口位置，计算模板图像与当前窗口的SATD值。
    • 记录每个位置的SATD值。

  6. 找到最佳匹配：

    • 找到SATD值最小的位置，这就是最佳匹配位置。

  7. 显示结果：

    • 在待匹配图像上标出最佳匹配位置。
    • 使用OpenCV的imshow函数显示结果图像。

  8. 保存/输出结果：

    • 如果需要，保存匹配结果图像或输出相关信息。

  9. 代码示例：
    下面是一个简化的C++和OpenCV实现SATD图像匹配的代码示例：

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>
#include <cmath>double computeSATD(const cv::Mat& templateImg, const cv::Mat& sourceRegion) {cv::Mat absDiff;cv::absdiff(templateImg, sourceRegion, absDiff); // 计算绝对差值return cv::sum(absDiff)[0]; // 返回绝对值之和
}cv::Point findMatch(const cv::Mat& templateImg, const cv::Mat& sourceImg) {int minSATD = INT_MAX;cv::Point bestLocation;int templateHeight = templateImg.rows;int templateWidth = templateImg.cols;for (int i = 0; i < sourceImg.rows - templateHeight; ++i) {for (int j = 0; j < sourceImg.cols - templateWidth; ++j) {cv::Rect region(j, i, templateWidth, templateHeight);double currentSATD = computeSATD(templateImg, sourceImg(region));if (currentSATD < minSATD) {minSATD = currentSATD;bestLocation = cv::Point(j, i); // 更新最佳匹配位置}}}return bestLocation; // 返回最佳匹配位置
}int main() {cv::Mat templateImg = cv::imread("template.png", cv::IMREAD_GRAYSCALE); // 读取模板图像（灰度）cv::Mat sourceImg = cv::imread("source.png", cv::IMREAD_GRAYSCALE); // 读取待匹配图像（灰度）if (templateImg.empty() || sourceImg.empty()) {std::cerr << "Error: Could not load images." << std::endl;return -1;}cv::Point matchLocation = findMatch(templateImg, sourceImg); // 找到最佳匹配位置// 在源图像上画出匹配位置（例如使用矩形）并显示结果...return 0;
}

这个示例展示了如何使用C++和OpenCV来实现基本的SATD图像匹配。注意，对于实际应用，可能需要进一步的优化和调整以提高性能和准确性。

小结

提示：这里可以添加总结

例如：

提供先进的推理，复杂的指令，更多的创造力。

这篇关于图像匹配SATD的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/548639。

相关文章

CoFSM基于共现尺度空间的多模态遥感图像匹配方法--论文阅读记录

CoFSM基于共现尺度空间的多模态遥感图像匹配方法--论文阅读记录

目录 论文 Multi-Modal Remote Sensing Image Matching Considering Co-Occurrence Filter 参考论文：SIFT系列论文， SIFT    Distinctive Image Features from Scale-Invariant Keypoints，作者：David G. Lowe 快速样本共识算法FSC：A N
阅读更多...
基于特征的图像匹配c语言,一种基于SIFT和SUSAN特征的图像匹配方法

基于特征的图像匹配c语言,一种基于SIFT和SUSAN特征的图像匹配方法

摘   要： 针对SIFT方法在角点检测上的不足，提出了一种基于SIFT和SUSAN混合特征匹配的自动匹配算法。算法应用SIFT 和SUSAN 两种具有互补特性的局部不变特征，利用SIFT方法检测空间极值特征点，利用SUSAN方法检测角点，结合两种特征点位置，利用SIFT方法生成匹配特征向量，最后根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对，实现图像的配准。实验表明该算法有效，能够
阅读更多...
经典的图像匹配算法----SIFT

经典的图像匹配算法----SIFT

一. SIFT简介 1.1 算法提出的背景： 成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。1999年British Columbia大学大卫.劳伊（ David G.Lowe）教授总结了现有的基于不变量
阅读更多...
DFM-无监督图像匹配

DFM-无监督图像匹配

DFM：A Performance Baseline for Deep Feature Matching（深度特征匹配的性能基准） 2021.06.14 摘要         提出了一种新的图像匹配方法，利用现成的深度神经网络提取的学习特征来获得良好的图像匹配效果。该方法使用预训练的VGG结构作为特征提取器，不需要任何额外的训练来提高匹配。灵感来自心理学领域成熟的概念，如心理旋转，初始扭曲是
阅读更多...
CVPR 2021 | 图像匹配挑战赛总结 (SuperPoint + SuperGlue 缝缝补补还能再战一年)

CVPR 2021 | 图像匹配挑战赛总结 (SuperPoint + SuperGlue 缝缝补补还能再战一年)

https://cloud.tencent.com/developer/article/1855000
阅读更多...
毕业设计 双目立体视觉图像匹配与测距

毕业设计 双目立体视觉图像匹配与测距

文章目录 0 项目说明1 研究目的2 研究方法3 研究结论4 项目源码5 最后 0 项目说明 基于双目立体视觉的图像匹配与测距 提示：适合用于课程设计或毕业设计，工作量达标，源码开放 1 研究目的 双目立体视觉是计算机视觉范畴的核心之一，它利用双目相机来获得目标物体的图像，经过物体图像处理之后得到目标物体所在场景环境的三维信息，最终实现非接触条件下测距，简单便捷。
阅读更多...
SAD 与SATD

SAD 与SATD

SAD和SATD的区别与几个名词解释 Q:如果不用率失真最优化，为什么选择SATD＋delta×r（mv，mode）作为模式选择的依据？为什么运动估计中，整象素搜索用SAD，而亚象素用SATD？为什么帧内模式选择要用SATD？ A:    SAD即绝对误差和，仅反映残差时域差异，影响PSNR值，不能有效反映码流的大小。SATD即将残差经哈德曼变换的4×4块的预测残差绝对值总和，可以将其看作简单的
阅读更多...
OpenCV之图像匹配与定位

OpenCV之图像匹配与定位

利用图像特征的keypoints和descriptor来实现图像的匹配与定位。图像匹配算法主要有暴力匹配和FLANN匹配，而图像定位是通过图像匹配结果来反向查询它们在目标图片中的具体坐标位置。 以QQ登录界面为例，将整个QQ登录界面保存为QQ.png文件，QQ登录界面是在计算机的1920×1080分辨率下截图保存的；再把计算机的分辨率改为1280×1024，将QQ登录界面的用户头像保存并对图
阅读更多...
openCV4.4.0 基于SIFT特征值的图像匹配【java】。。。。。搞到吐

openCV4.4.0 基于SIFT特征值的图像匹配【java】。。。。。搞到吐

前言 首先，java使用opengCV4.4.0成功搞出来基于SIFT的图像匹配是很开心的，但是还是要吐槽几句下面这块都是吐槽，干货在下面，代码自取哈。 java是要凉了还是咋地，真的没人搞openCV了么，在网上找了快一个星期真就找不到能用的代码。要么是C++要么是Python，，，我吐了。 部分提供出来的代码也是旧的版本的，旧的我也忍了，代码拿过来还是用不了！说是因为版权原因不能直接用，需要
阅读更多...
2023图像匹配挑战冠军方案|无需提取特征点也能进行弱纹理三维重建！

2023图像匹配挑战冠军方案|无需提取特征点也能进行弱纹理三维重建！

3DCV有幸邀请到顶会作者Xingyi He, Jiaming Sun, Yifan Wang与大家一起分享他们的最新文章，如果您有相关工作需要分享，文末可以联系我们！ 在公众号「3D视觉工坊」后台，回复「原论文」即可获取pdf或代码。 添加微信：dddvisiona，备注：三维点云，拉你入群。文末附行业细分群。 0. 笔者个人体会 SfM是指给定一组无序图像，恢复出相机位姿以及场景点云
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2