当前位置：文档视界 › 数字图像模板匹配

数字图像模板匹配

摘要

模板匹配就是把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法。模板匹配是数字图像处理的重要组成部分之一。简单而言，模板就是一幅已知的小图像。模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。

当以两块区域像素点灰度值的差别作为判别标准时，最简单的一种方法是直接把各点灰度的差值累计起来。另一种方法是计算两块区域的对应像素点灰度值的相关系数，相关系数越大，则两块图像的匹配程度越高。该方法的匹配效果要更好，匹配成功率有所提高。

关键词：图像匹配；MATLAB；灰度相关；模板匹配

1设计目的与要求 (1)

1.1设计目的 (1)

1.2设计要求 (1)

2 系统设计原理 (1)

2.1 数字图像模板匹配及原理 (1)

3设计方案 (2)

3.1 设计思想 (2)

3.2 设计流程 (2)

3.3 算法设计 (3)

4代码实现 (4)

4.1 相关函数说明 (4)

4.2 模版匹配源代码 (7)

5 系统仿真结果与分析 (9)

结论 (11)

参考文献 (12)

1设计目的与要求

1.1设计目的

数字图像出技术的迅猛发展，使其应用前景的得到了不可限量的扩展。如今各行各业都在积极发展与图像相关的技术，数字图像处理逐渐凸显出其魅力。其应用如医学影像，航天航空，无人驾驶，自动导航，工业控制，导弹制导，文化艺术等。边缘检测技术在图像处理和计算机视觉等领域起着重要的作用，是图像分析，模式识别，目标检测与分割等的前期处理。前期边缘检测的好坏，直接影响后期更高级处理的精度。在实际图像边缘检测问题中，图像的边缘作为图像的一种基本特征，经常被应用到较高层次的图像应用中去。它在图像识别，图像分割，图像增强以及图像压缩等的领域中有较为广泛的应用，也是它们的基础。

1.2设计要求

通过分析题目的基本要求，我将此使用两种方法实现匹配:一个是基于灰度的模板匹配，另一个是基于灰度的快速匹配。在以上两种方法中，用户可以对两张图像进行匹配并显示匹配结果。

2 系统设计原理

2.1 数字图像模板匹配及原理

计算机模式识别所要解决的问题，就是用计算机代替人去认识图像和找出一幅图像中人们感兴趣的目标物。在机器识别物体的过程，常需把不同传感器或同一传感器在不同时间，不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图中寻找相应的模式，这就叫做匹配。模板匹配是一种最原始、最基本的模式识别方法。研究某一特定对象物位于图像的位置，进而识别对象，这就是匹配的问题。利用模板匹配可以在一幅图像中找到已知的物体。这里的模板指的是一幅待匹配的图像，相当于模式识别的模式。基本要求如下:

(1).进行匹配的两幅图像为JPG格式或BMP格式。

(2).能够进行对两幅数字图像的匹配。

(3).采用交互式程序对图像进行匹配。

3设计方案

3.1 设计思想

由于各种各样的原因如(成象条件的差异)图象预处理，引入的误差等，参与图象匹配的模板与潜在的匹配子图象间通常存在着程度不同的不一致，因此根据模板在一幅陌生图象中检测出潜在的匹配对象并得出它在图象中的位置是一件复杂的工作。

模板匹配是指用一个较小的图像，即模板与源图像进行比较，以确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，还可确定其位置并提取该区域。

3.2 设计流程

①数字图像:数字图像是由被称做像素的小块区域组成的二维像素矩阵。一般把图像分成3种形式：单色图像，灰度图像和彩色图像。

②像素：表示图像颜色的最小单位

③灰度图像：灰度图是指只含亮度信息，不含色彩信息的图像，就像平时看到的黑白照片：亮度由暗到明，变化是连续的。灰度图的每个像素的亮度用一个数值来表示，通常数值范围在0—255之间，即可用一个字节来表示，0表示黑，255表示白，而其他表示灰度。

④点阵图:显示器的屏幕由可以发光的像素点组成. 并且从几何位置看, 所用这些像素点构成一个矩形的阵列.利用计算机控制各像素点按我们指定的要求发光,就构成了我们需要的图形.这种方式构成的图形我们可称之为点阵图形.

⑤点阵图形的坐标系统：各像素点有一个坐标唯一指定了它的位置.如果点阵图形的大小是N×M, 那么它的点阵共有M行N 列, 每个像素点的位置就由它所在的行和列的位置所唯一确定. 这个行和列的位置就给出了点阵图形的坐标系统. 按照前面的顺序, 第m行, 第n列的像素点顺序数就是m+(n-1)N.反之, 顺序数为s的像素点在第s Mod N 行, 第Int(s/N ) + 1列, 这里的s Mod N是s除以N后的余数, Int( s/N ) 是s/N的整数部

分.需要注意的是第m 行, 第n 列的像素点的坐标可能不是(m; n), 而是(m-1; n-1). 这是因为有时为了在计算机中处理的方便, 像素点的行列的排序不是从1, 而是从0开始的。我们常用的显

3.3 算法设计

模板匹配常用的一种测度为模手术台与源图像对应区域的误差平方和。设f(x,y)为M×N 的源图像，t(j,k)为J×K(J≤M,K≤N)的模板图像,则误差平方和测度定义为:

200(,)[(,)(,)]J K j k D x y f x j y k t j k --===

++-∑∑ （2.1）由上式展开可得: 111111

20000(,)[(,)]2(,)(,)[(,)]J K J K J K j k j k j k D x y f x j y k t j k f x j y k t j k ------=====++-?+++∑∑∑∑∑∑ （2.2）令

200(,)[(,)]J K j k DS x y f x j y k --===++∑∑ （2.3）

00(,)2[(,)(,)]J K j k DST x y t j k f x j y k --===?++∑∑ （2.4）

200(,)[(,)]J K j k DT x y t j k --===∑∑ （2.5）

DS(x,y)称为源图像中与模板对应区域的能量，它与像素位置（x,y ）有关，但随像素位置（x,y ）的变化，DS(x,y)变化缓慢。DST(x,y)模板与源图像对应区域的互相关，它随像素位置（x,y ）的变化而变化，当模板t(j,k)和源图像中对应区域相匹配时取最大值。DT(x,y)称为模板的能量，它与图像像素位置(x,y)无关，只用一次计算便可。显然，计算误差平方和测度可以减少计算量。

基于上述分析，若设DS(x,y)也为常数，则用DST(x,y)便可进行图像匹配，当DST(x,y)取最大值时，便可认为模板与图像是匹配的。但假设DS(x,y)为常数会产生误差，严重时将无法下确匹配，因此可用归一化互相关作为误差平方和测度，其定义为：

00111120000(,)(,)

(,)[(,)][(,)]J K j k J K J K j k j k t j k f x j y k R x y f x j y k t j k --==----====?++=++?

∑∑∑∑∑∑ （2.6）

模板匹配的示意图如图图2.1所示，其中假设源图像f(x,y)和模板图像t(k,l)的原点都在左上角。对任何一个f(x,y)中的(x,y),根据上式都可以算得一个R(x,y).当x 和y 变化时，t(j,k)在源图像区域中移动并得出R(x,y)所有值。R(x,y)的最大值指出了与t(j,k)匹配的最佳位置，若从该位置开始在源图像中取出与模板大小相同的一个区域，便可得到匹配图像。

图2.1 模板匹配示意图

4代码实现

4.1 相关函数说明

1、imread 函数

功能：从图像文件(BMP,HDF,JPEG ,PCX,TIFF,XWD 等格式)中读入图像数据。

格式：A=imread(文件名，?图像文件格式?)

说明:文件名为指定图像文件名称的字符串。?图像文件格式?为图像文件格式的字符串。文件名必须在当前目录或MATLAB路径中，如果找不到则录找?文件名.图像文件格式?.A为无符号8位整数(uint8)。如果文件灰度图像(详细解释见“算法设计”中的“概念解释”)，则A为一个二维数组；如果文件是一个真彩色RGB图像，则A是一个三维数组（m×n×3）。

举例：A=imread(…E:\temp_picture.jpg?);%读取存放在E盘下的名为temp_picture.jpg 的图像，并将其整个点阵数据传给A。

注：在MATLAB中申请一个变量时不需要指定类型，其具体类型由系统自动判别。

2、imwrite函数

功能：交图像写入图像文件（以BMP,HDF,JPEG,PCX,TIFF,XWD等格式）。

格式：imwrite(A,文件名，…图像文件格式?)

说明：文件名为指定图像文件名称的字符串。…图像文件格式?是指定图像文件的保存格式的字符串。如果A是一个无符号8位整数表示的灰度图像或真彩色图像，imwrite 直接交数组A中的值写入文件。如果A为双精度浮点数，imwrite首先使用uint8(round(255*A))自动将数组中的值变换为无符号8位整数，即交[0，1]范围内的浮点数变换为[0，255]范围内8位整数，然后写入文件。

3、imshow函数

功能：图像显示。

格式：imshow(I)

说明：在图形窗口显示I，其中I为用imread函数赋值的变量,是一个图形矩阵。4、rgb2gray函数

功能：转换RGB图像或颜色映像表为灰度图像。

格式：I = rgb2gray(RGB)

说明：RGB为用imread函数赋值的变量,是一个图形矩阵；I为一个表示灰度图像的二维数组。

5、imcrop函数

功能：图像剪裁。

格式：

Ⅰ:I2=imcrop(I)

Ⅱ:I2=imcrop(I,RECT)

说明：格式Ⅰ为交互方式，imcrop 显示输入图像，等待用户用鼠标定义要剪裁的矩形。格式Ⅱ为非交互方式，对灰度图像进行非交互方式的剪裁操作，通过四元素向量RECT=[xmin ymin width height]指定剪裁矩阵，这些值是定义在坐标系中的，xmin 和ymin 是图像矩阵I 的一处坐标，width 是以此坐标为准向右的延伸的长度，height 是以此坐标为准向下延伸的长度，由此构成要剪裁的矩形区域。

6、size 函数

功能：用来求出某一个变量的的大小参数。

格式:[x,y]=size(I)

说明：I 用imread 函数赋值的变量,是一个图形矩阵且为灰度图像，x 用来保存I 的高度值，y 用来保存I 的宽度值。

7、mean2函数

功能：求图像均值

格式：m=mean2(A)

说明：mean2函数可用来计算图像矩阵A 的均值m,m 是双精度标量。

举例：I=imread(…temp_picture.jpg?);

m=mean2(I)

运行结果：

107.6755

8、corr2函数

功能：求图像间相关系数。

格式：r=cor2(A,B)

说明：corr2函数计算图像矩阵A 与B 的相关系数，矩阵A 与B 的大小相同，如均为：m×n 。

计算公式如下：

22()()(())(())

mn mn m n

mn mn m n m n A A B B r A A B B --=-?-∑∑∑∑∑∑ （3.1）

其中，A=mean2(A), B=mean2(B)。

相关系数是表示矩阵A与B的线性联系密切程度的一个统计量，相关系数值是小于等于1的正数。值为1时，表示矩阵A与B的线性联系最为密切,值为0时，表示矩阵A与B不相关，线性联系最最弱。

举例：

I=imread(…temp_picture.jpg?);

C=corr2(I,I);

运行结果如下：

C=1

9、plot函数

功能：在线性坐标系中绘制二维数据

格式：plot(x,y,?颜色?)

说明：x,y可以为任意一个失量。

举例：

plot(1:100,4,'r');%在纵坐标为4处画一条平行于x轴，长度为100的红色的线段

%其中1:100表示从1到100以默认值为1的速度递增,?r?表示红色10、hold命令

功能：可以交图形添加到现有的图形中，从而实现图形的叠加。如果交hold设置为ON，则MATLAB在绘图时交不再清除已经存在的图形，而是交新的数据直接加到当前图形中。当新的数据落在原来的坐标范围之外时，MATLAB交自动进行坐标比例的调整。

4.2 模版匹配源代码

function testpipei_1(yuantu,pipeitu)

yuantu=imread('D:\原始图.bmp'); %读取原图像

pipeitu=imread('D:\匹配图.bmp'); %读取匹配图像

yuantu2gray=rgb2gray(yuantu); %将原图灰度化

pipeitu2gray=rgb2gray(pipeitu); %将匹配图灰度化

[pipei_height,pipei_width]=size(pipeitu2gray);

[yuantu_height,yuantu_width]=size(yuantu2gray);

imshow(yuantu); %显示原图像

hold on;

for i=1:yuantu_height-pipei_height

forj=1:yuantu_width-pipei_width

temp_picture=imcrop(yuantu2gray,[j,i,pipei_width-1,pipei_height-1]);

r=corr2(temp_picture,pipeitu2gray); %取得相关系数

if r>0.95 %规定值为0.95

%下面用plot函数在原图的坐标系上画出匹配区域

plot(j:j+pipei_width,i,'b');

plot(j:j+pipei_width,i+pipei_height,'b');

plot(j,i:i+pipei_height,'b');

plot(j+pipei_width,i:i+pipei_height,'b');

end

5 系统仿真结果与分析

图4.1 原始图.bmp

图4.2 匹配图.bmp

图4.3 匹配结果

源程序中读取原始图和匹配图分别如图4.1图4.2所示，运行模版匹配程序，如果找到了匹配地点就会用蓝色矩形将匹配区域给圈定下来，实际运行结果如图4.3所示。

结论

随着信号处理技术和计算机技术的不断发展,生产自动化水平的不断提高，机器视觉的应用越来越广泛。数字图像匹配是机器视觉信息处理领域里一项十分基本和重要的技术。在匹配过程中匹配算法起到举足轻重的作用，对匹配算法进行研究具有一定的理论价值和实际意义。在工业检测、半导体封装等流水线作业中,匹配的速度和精度一直是研究的热点。

图像匹配技术是近代信息处理，特别是图像信息处理领域中极为重要的技术。图像匹配就是要根据参考图像和实时图像来选定某些特征、相似性准则及搜索策略进行相关运算，以确定匹配的最佳空间对应点。它主要研究的问题有特征空间、相似性度量和搜索策略三个方面。图像匹配关键是要确定有效的匹配方法，要求匹配概率高、误差小、速度快且适时性好。

通过这次课程设计培养了自己对新的编译软件的自学能力和适应能力，也培养了我对新知识的接受能力，让我收获很多。在老师和同学的帮助下，通过上网查找资料完成了模板匹配的课程设计，也使我对matlab有了新的体会。

参考文献

[1] 阮秋琦. 数字图像处理学[M]. 北京：电子工业出版社，2001.

[2] 龚声蓉，刘纯平，王强等. 数字图像处理与分析[M]. 北京：清华大学出版社，2006.

[3] 贾永红. 计算机图像处理与分析[M]. 武汉：武汉大学出版社，2001.

[4] 陈桂明. 应用MATLAB语言处理数字信号与图像处理[M]. 北京：科学出版社，2000.

[5] 夏德深，傅德胜. 计算机图像处理及应用[M]. 南京：东南大学出版社，2004.

[6] 姚敏. 计算机图像处理[M]. 北京：机械工业出版社，2006.

[7] 容观澳. 计算机图像处理[M]. 北京：清华大学出版社，2000.

[8] 吴健康. 数字图像分析[M]. 北京：邮电出版社，1989.

Halcon中模板匹配方法的总结归纳

Halcon中模板匹配方法的总结归纳基于组件的模板匹配：应用场合：组件匹配是形状匹配的扩展，但不支持大小缩放匹配，一般用于多个对象（工件）定位的场合。算法步骤： 1.获取组件模型里的初始控件gen_initial_components() 参数： ModelImage [Input] 初始组件的图片 InitialComponents [Output] 初始组件的轮廓区域 ContrastLow [Input] 对比度下限 ContrastHigh [Input] 对比度上限 MinSize [Input] 初始组件的最小尺寸 Mode[Input] 自动分段的类型 GenericName [Input] 可选控制参数的名称 GenericValue [Input] 可选控制参数的值 2.根据图像模型，初始组件，训练图片来训练组件和组件相互关系train_model_components() 3.创建组件模型create_trained_component_model() 4.寻找组件模型find_component_model() 5.释放组件模型clear_component_model() 基于形状的模板匹配：应用场合：定位对象内部的灰度值可以有变化，但对象轮廓一定要清晰平滑。 1.创建形状模型：create_shape_model() 2.寻找形状模型：find_shpae_model() 3.释放形状模型：clear_shape_model() 基于灰度的模板匹配：应用场合：定位对象内部的灰度值没有大的变化，没有缺失部分，没有干扰图像和噪声的场合。 1.创建模板：create_template() 2.寻找模板：best_match() 3.释放模板：clear_template() 基于互相关匹配：应用场合：搜索对象有轻微的变形，大量的纹理，图像模糊等场合，速度快，精度低。 1.创建模板：create_ncc_model() 2.寻找模板：find_ncc_model() 3.释放模板：clear_ncc_model() 基于变形匹配：应用场合：搜索对象有轻微的变形。 1.创建模板：create_local_deformable_model() 2.寻找模板：find_local_deformable_model() 3.释放模板：clear_deformable_model()

基于模板匹配算法的数字识别讲解

中南民族大学毕业论文(设计) 学院: 计算机科学学院专业: 软件工程年级:2009 题目: 基于模板匹配算法的数字识别学生姓名: 李成学号:09065093指导教师姓名: 李波职称: 讲师 2013年5月

中南民族大学本科毕业论文（设计）原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。作者签名：2013年月日

摘要 (1) Abstract (1) 1 绪论 (2) 1.1 研究目的和意义 (2) 1.2 国内外研究现状 (2) 2 本文基本理论介绍 (3) 2.1 位图格式介绍 (3) 2.2 二值化 (3) 2.3 去噪 (3) 2.4 细化 (4) 2.5 提取骨架 (4) 3 图像的预处理 (5) 3.1 位图读取 (5) 3.2 二值化及去噪声 (5) 3.3 提取骨架 (6) 4 基于模板匹配的字符识别 (8) 4.1 样本训练 (8) 4.2 特征提取 (8) 4.3 模板匹配 (9) 4.4 加权特征模板匹配 (10) 4.5 实验流程与结果 (10) 5 结论 (16) 5.1 小结 (16) 5.2 不足 (16) 6 参考文献 (17)

基于模板匹配算法的数字识别摘要数字识别已经广泛的应用到日常生活中，典型的数字自动识别系统由图像采集、预处理、二值化、字符定位、字符分割和字符识别等几部分组成, 这些过程存在着紧密的联系。传统的模板匹配算法因为图像在预处理之后可能仍然存在较大的干扰，数字笔画粗细不均匀，有较大的噪声，识别效率不高。本文采的主要思想就是对字符进行分类，之后对字符进行细化，提取细化后字符的特征矢量，与模板的特征矢量进行加权匹配，误差最小的作为识别结果。本文在模板匹配法的基础上, 采用了特征值加权模板匹配法, 并且改进了匹配系数的求法。应用该法取得了满意的效果, 提高了识别率。关键词：模板匹配；数字识别；特征值加权；字符识别； Template matching algorithm-based digital identification Abstract Digital identification has been widely applied to daily life, the typical digital automatic identification system by the image acquisition, pre-processing, binarization, character positioning, character segmentation and character recognition several parts, there is a close link these processes. Traditional template matching algorithm because the image may still exist after pre-greater interference, digital strokes uneven thickness, the noise, the identification efficiency is not high. Adopted herein main idea is to classify the character after character refinement, the characters feature vector extraction refinement, and the template feature vector is weighted matching, the minimum error as a recognition result. Template matching method based on feature weighted template matching method, and improve the matching coefficient method. The application of the method to obtain satisfactory results, to improve the recognition rate. Key words：Template matching; digital identification; characteristic value weighted; character recognition;

(完整版)数字图像处理第三版中文答案解析冈萨雷斯

第二章 2.1（第二版是0.2和1.5*1.5的矩形，第三版是0.3和1.5圆形）对应点的视网膜图像的直径x 可通过如下图题2.1所示的相似三角形几何关系得到，即 ()()017 023 02.x .d = 解得x=0.06d 。根据2.1 节内容，我们知道：如果把中央凹处想象为一个有337000 个成像单元的圆形传感器阵列，它转换成一个大小2 5327.?π成像单元的阵列。假设成像单元之间的间距相等，这表明在总长为1.5 mm （直径）的一条线上有655个成像单元和654个成像单元间隔。则每个成像单元和成像单元间隔的大小为s=[(1.5 mm)/1309]=1.1×10-6 m 。如果在中央凹处的成像点的大小是小于一个可分辨的成像单元，在我们可以认为改点对于眼睛来说不可见。换句话说，眼睛不能检测到以下直径的点： m .d .x 61011060-?<=，即m .d 610318-?< 2.2 当我们在白天进入一家黑暗剧场时，在能看清并找到空座时要用一段时间适应。2.1节描述的视觉过程在这种情况下起什么作用？亮度适应。 2.3 虽然图2.10中未显示，但交流电的却是电磁波谱的一部分。美国的商用交流电频率是77HZ 。问这一波谱分量的波长是多少？光速c=300000km/s ，频率为77Hz 。因此λ=c/v=2.998 * 108(m/s)/77(1/s) = 3.894*106 m = 3894 Km. 2.5 根据图2.3得：设摄像机能看到物体的长度为x (mm)，则有:500/x=35/14; 解得：x=200，所以相机的分辨率为：2048/200=10;所以能解析的线对为：10/2=5线对/mm. 2.7 假设中心在（x0,y0）的平坦区域被一个强度分布为： ])0()0[(2 2),(y y x x Ke y x i -+--= 的光源照射。为简单起见，假设区域的反射是恒定的，并等于1.0，令K=255。如果图像用k 比特的强度分辨率进行数字化，并且眼睛可检测相邻像素间8种灰度的突变，那么k 取什么值将导致可见的伪轮廓？解：题中的图像是由： ()()()()()[ ]()()[]2 02 02 020********y y x x y y x x e .e y ,x r y ,x i y ,x f -+---+--=?== 一个截面图像见图（a ）。如果图像使用k 比特的强度分辨率，然后我们有情况见图（b ），其中()k G 21255+=?。因为眼睛可检测4种灰度突变，因此，k G 22564==?，K= 6。

基于数字图像处理

基于数字图像处理的目标识别通过这半个学期对数字图像处理这门课程的学习，我了解了有关数字图像处理的知识，并且对数字图像处理的相关仿真软件——matlab有了更加深入的了解，可以更加熟练的使用matlab软件处理实际问题，从而促进我对数字图像处理这门课程产生更加浓烈的兴趣，也让我对这种仿真软件有了更加全面的认识，了解它更多的功能。在课程结束之际，我利用自己在课堂上学习的一些知识和在课下学习的东西写出以下总结。希望老师给予耐心指导。一、数字图像处理技术数字图像处理(Dital Image Processing)又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。从接近人们日常生活的照相，电视图像显示，到工业上面对某些零件的处理等，再到军事类的人像识别，雷达目标识别等，这些都离不开数字图像处理的身影。图像处理的信息量很大，对处理速度的要求也比较高。Matlab强大的运算和图形展示功能，使图像处理变得更加的简单和直观。本文基于

MATLAB的数字图像处理环境，设计并实现了一个图像处理系统，展示如何通过利用Matlab的工具函数和多种算法实现对图形图像的各种处理。论述了利用设计的系统实现图像文件（bmp、jpg、tiff、gif等）进行打开、保存、另存、打印、退出等功能操作，图像预处理功能（包括彩色图像的灰度化变换等、一般灰度图像的二值化处理、色彩增强等），图像分割，图像特征提取等图像处理。图像的数学表达式可表示为：f(x，y)表示幅图像。x,y,f为有限、离散值。黑白图像可用二维函数f(x，y)表示，其中x,y是平面的二维坐标，f(x，y)表示点(x，y)的亮度值(灰度值)。对模拟图像来讲，f(x,y)显然是连续函数。为了适应数字计算机的处理，必须对连续图像函数进行空间和幅值数字化。空间坐标(x,y)的数字化称为图像采样，而幅值数字化被称为灰度级量化。经过数字化后的图像称为数字图像(或离散图像)。 F(x,y,z)表示三维的图像，f 为点的分布，有限，离散值，为彩色图像的表示方式。 (1)数字图像的灰度图像的阵列表示法。设连续图像f(x，y)按等间隔采样，排成MxN阵列(一般取方阵列NxN) 图像阵列中每个元素都是离散值，称为像素(pix—el)。在数字图像处理中，一般取阵列N和灰度级C都是2的整数幂，即取N=及G=。对一般电视图像，N取256或512，灰度级C取64级(m=6bit)至256级m=8bit)，即可满足图像处理的需要。对特殊要求的图像，如SAR图片取 10000×10000，灰度级m取8bit或者16bit。

数字图像处理实验指导书模板

《数字图像处理》实验指导书编写: 罗建军海南大学三亚学院 10月

目录一、概述 ....................................................................... 错误!未定义书签。二、建立程序框架 ....................................................... 错误!未定义书签。三、建立图像类 ........................................................... 错误!未定义书签。四、定义图像文档实现图像读/写.............................. 错误!未定义书签。五、实现图像显示 ....................................................... 错误!未定义书签。六、建立图像处理类................................................... 错误!未定义书签。七、实现颜色处理功能............................................... 错误!未定义书签。 (一) 亮度处理................................................................. 错误!未定义书签。 (二) 对比度处理............................................................. 错误!未定义书签。 (三) 色阶处理................................................................. 错误!未定义书签。 (四) 伽马变换................................................................. 错误!未定义书签。 (五) 饱和度处理............................................................. 错误!未定义书签。 (六) 色调处理................................................................. 错误!未定义书签。八、实现几何变换功能............................................... 错误!未定义书签。 (一) 图像缩放................................................................. 错误!未定义书签。 (二) 旋转......................................................................... 错误!未定义书签。 (三) 水平镜像................................................................. 错误!未定义书签。 (四) 垂直镜像................................................................. 错误!未定义书签。 (五) 右转90度................................................................. 错误!未定义书签。 (六) 左转90度................................................................. 错误!未定义书签。 (七) 旋转180度............................................................... 错误!未定义书签。九、实现平滑锐化功能............................................... 错误!未定义书签。十、图像处理扩展编程............................................... 错误!未定义书签。

数字图像处理课程设计题目和要求模板

数字图像处理课程设计题目和要求 1 2020年4月19日

文档仅供参考数字图像处理课程设计内容、要求题目一：图像处理软件 1、设计内容及要求：（1）、独立设计方案，实现对图像的十五种以上处理（比如：底片化效果、灰度增强、图像复原、浮雕效果、木刻效果等等）。（2）、参考photoshop软件，设计软件界面，对处理前后的图像以及直方图等进行对比显示；（3）、将实验结果与其它软件实现的效果进行比较、分析。总结设计过程所遇到的问题。 2、参考方案（所有参考方案若无特殊说明，均以matlab为例说明）： (1)实现图像处理的基本操作学习使用matlab图像处理工具箱，利用imread（）语句读入图像，例如image=imread（flower.jpg），对图像进行显示(如imshow（image）)，以及直方图计算和显示。 (2)图像处理算法的实现与显示 1 2020年4月19日

文档仅供参考针对课程中学习的图像处理内容，实现至少十五种图像处理功能，例如模糊、锐化、对比度增强、复原操作。改变图像处理的参数，查看处理结果的变化。自己设计要解决的问题，例如引入噪声，去噪；引入运动模糊、聚焦模糊等，对图像进行复原。 (3)参照“photoshop”软件，设计图像处理软件界面可设计菜单式界面，在功能较少的情况下，也能够设计按键式界面，视功能多少而定；参考matlab软件中GUI设计，学习软件界面的设计。题目二：数字水印 1、设计内容及要求：为保护数字图像作品的知识产权，采用数字水印技术嵌入水印图像于作品中，同时尽可能不影响作品的可用性，在作品版权发生争执时，经过提取水印信息确认作品版权。一般情况下，水印图像大小要远小于载体图像，嵌入水印后的图像可能遇到噪声、有损压缩、滤波等方面的攻击。因此，评价水印算法的原则就是水印的隐藏性和抗攻击性。根据这一要求，设计水印算法。（1）、查阅文献、了解数字水印的基本概念。 2 2020年4月19日

基于数字图像处理的车牌识别系统

基于数字图像处理的车牌识别系统言经官电气学院电子112 摘要：车牌识别系统（License Plate Recognition 简称LPR）技术基于数字图像处理，是智能交通系统中的关键技术，同时他的发展也十分迅速，已经逐渐融入到我们的现实生活中。文章介绍了车牌识别系统的意义、图像去噪处理以及图像二值化方法,并通过仿真试验模拟了图像处理的过程。本文所做的工作在于前期的图像预处理工作。本次设计着重在于图像识别方面, 中心工作都为此而展开,文中没有进行车牌的定位处理,而是采用数码相机直接对牌照进行正面拍照,获取原始车牌图像。之后利用Matlab编程对图片进行了大小的调整、彩色图片转化成灰度图片、图片去噪、以及图片二值化等工作。其中,去噪与二值化是关系图像识别率的关键。关键字：车牌识别系统；图像预处理；字符识别；Matlab；去噪；二值化引言智能交通系统（ITS）是当今世界交通管理体系发展的必然趋势，而作为智能交通系统中的重要组成部分之一的车牌自动识别技术，目前已被广泛应用于城市道路监控、高速公路收费与监控、小区与停车场出入口管理、公安治安卡口等场合，成为研究的热点。伴随我国国民经济的高速发展，国内高速公路、城市道路、停车场建设越来越多，对交通控制，安全管理的要求也日益提高。因此迫切需要采用高科技手段,对违法违章车辆牌照进行登记, 在这种情况下，作为信息来源的自动检索，图像识别技术越来越受到人们的重视。车牌识别系统的出现成为了交通管制必不可少的有力武器。 1 车牌识别系统的目标利用计算机等辅助设备进行的自动汽车牌照自动识别就是在装备了数字摄像设备和计算机信息管理系统等软硬件平台的基础之上，通过对车辆图像的采集，采用先进的图像处理、模式识别和人工智能技术，在图像中找到车牌的位置，提取出组成车牌号码的全部字符图像，再识别出车牌中的文字、字母和数字，最后给出车牌的真实号码。国外的车牌识别研究始于80 年代，90 年代始已有不少成套的产品出现。由于我国车牌的组成及组合的方式与国外的车牌不一致，使得我们不能直接使用国外的车辆牌照识别系统，而必须针对我国车牌重新设计相应的车辆牌照识别系统。车牌识别的使用环境、背景各有差异，目前还没有一种算法能在不同环境、各种复杂背景条件下达到非常高的车牌识别率，因而车牌识别技术仍然是研究的重点。 2 MATLAB 及其图像处理工具概述 MATLAB 是MAT rix LABora tory( 矩阵实验室) 的缩写, 是Ma thWorks 公司开发的一种功能强、效率高、简单易学的数学软件。MATLAB 7. 1 是一套功能十分强大的工程计算及数据分析软件, 其应用范围涵盖了数学、工业技术、电子科学、医疗卫生、建筑、金融、数字图像处理等各个领域。MATLAB 的图像处理工具箱, 功能十分强大, 支持的图像文件格式丰富, 如* .BMP、* . JPG、* . JPEG、* . GIF、* . ti;f% 95% 94、* . ti;f%95%94F、* . PNG、* . PCX、* . XWD、* . HDF、* . ICO、* .CUR 等。本文将给出MATLAB的图像处理工具箱中的图像处理函数实现图像处理与分析的应用技术实例。

基于HALCON的模板匹配方法总结--蓝云杨的机器视觉之路

基于HALCON的模板匹配方法总结--蓝云杨的机器视觉之路蓝云杨的机器视觉之路https://www.docsj.com/doc/8514916537.html,/blog/user1/8/index.html 首页相册标签机器视觉(64)图像处理(11)视频压缩(12)小波分析(5)三峡(3)生活随笔(32)HALCON(7)编程感悟(18)哲思慧语(32) 基于HALCON的模板匹配方法总结 2006-8-16 16:34:00 4 推荐很早就想总结一下前段时间学习HALCON的心得，但由于其他的事情总是抽不出时间。去年有过一段时间的集中学习，做了许多的练习和实验，并对基于HDevelop 的形状匹配算法的参数优化进行了研究，写了一篇《基于HDevelop的形状匹配算法参数的优化研究》文章，总结了在形状匹配过程中哪些参数影响到模板的搜索和匹配，又如何来协调这些参数来加快匹配过程，提高匹配的精度，这篇paper放到了中国论文在线了，需要可以去下载。德国MVTec公司开发的HALCON机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如VC++来开发的过程。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示： ⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用area_center()找到这个矩形的中心； ⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等； ⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart 和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization

数字图像处理

基于MATLAB的数字图像空域平滑法摘要：本文通过在MATLAB环境下，对比中值滤波与均值滤波处理带有椒盐噪声的图像，中值滤波不同模板处理加入椒盐噪声的图像以及中值滤波处理加入不同噪声图像的效果图，分析中值滤波的优缺点。 1 引言图像平滑的目的是为了去除或衰减图像中的噪声和假轮廓,它可以分为空域法和频域法.而空域法就是直接对图像的像素灰度值进行处理,以达到滤除或衰减图像中噪声的目的.空域法主要包括基于平均的方法和中值滤波法.本文重点以中值滤波法为主,详细介绍MATLAB环境下,中值滤波相对均值滤波的优缺点，不同模板中值滤波对加入椒盐噪声图像的处理效果以及中值滤波法对加入不同噪声图像的处理效果。 2 中值滤波的概念中值滤波是一种典型的低通滤波器,属于非线性滤波技术,它的目的是保护图像边缘的同时去除噪声。所谓中值滤波，是指把以某点（x,y）为中心的小窗口内的所有象素的灰度按从大到小的顺序排列,若窗口中的象素为奇数个,则将中间值作为(x，y)处的灰度值。若窗口中的象素为偶数个，则取两个中间值的平均值作为(x，y)处的灰度值。中值滤波对去除椒盐噪声很有效。中值滤波器的缺点是对所有象素点采用一致的处理，在滤除噪声的同时有可能改变真正象素点的值，引入误差，损坏图像的边缘和细节。 3 中值滤波器与均值滤波器的比较本文采用的图像是一幅多值图像，首先将其灰度化，并加入椒盐噪声，在MATALB环境下，采用3*3窗口的中值滤波器与均值滤波器处理此图像，编写程序如下： A=imread('1.jpg'); h=ones(3,3)/9; A_zh=rgb2gray(A); A_noi=imnoise(A_zh,'salt & pepper',0.02); A_med=medfilt2(A_noi); A_low=imfilter(A_noi,h); subplot(2,2,1);imshow(A_zh);title('灰度图像'); subplot(2,2,2);imshow(A_noi);title('加入椒盐噪声的图像'); subplot(2,2,3);imshow(A_med);title('中值滤波图像'); subplot(2,2,4);imshow(A_low);title('均值滤波图像'); 程序运行结果如图2所示。图像文件1.jpg中存储着一幅彩色图像，把该文件读入后使用函数imadjust进行调整。调整后的范围是默认的范围【0 0 0；1 1 1】，

基于数字图像处理的车牌识别系统

基於HALCON的模板匹配方法总结

基於HALCON的模板匹配方法總結基於HALCON的模板匹配方法總結很早就想總結一下前段時間學習HALCON的心得，但由於其他的事情總是抽不出時間。去年有過一段時間的集中學習，做了許多的練習和實驗，並對基於HDevelop的形狀匹配算法的參數優化進行了研究，寫了一篇《基於HDevelop的形狀匹配算法參數的優化研究》文章，總結了在形狀匹配過程中哪些參數影響到模板的搜索和匹配，又如何來協調這些參數來加快匹配過程，提高匹配的精度，這篇paper放到了中國論文在線了，需要可以去下載。德國MVTec公司開發的HALCON機器視覺開發軟件，提供了許多的功能，在這裡我主要學習和研究了其中的形狀匹配的算法和流程。HDevelop開發環境中提供的匹配的方法主要有三種，即Component-Based、Gray-Value-Based、Shape-Based,分別是基於組件（或成分、元素）的匹配，基於灰度值的匹配和基於形狀的匹配。這三種匹配的方法各具特點，分別適用於不同的圖像特征，但都有創建模板和尋找模板的相同過程。這三種方法裡面，我主要就第三種－基於形狀的匹配，做了許多的實驗，因此也做了基於形狀匹配的物體識別，基於形狀匹配的視頻對象分割和基於形狀匹配的視頻對象跟蹤這些研究，從中取得較好的效果，簡化了用其他工具，比如VC++來開發的過程。在VC下往往針對不同的圖像格式，就會弄的很頭疼，更不用說編寫圖像特征提取、模板建立和搜尋模板的代碼呢，我想其中間過程會很復雜，效果也不一定會顯著。下面我就具體地談談基於HALCON的形狀匹配算法的研究和心得總結。 1. Shape-Based matching的基本流程 HALCON提供的基於形狀匹配的算法主要是針對感興趣的小區域來建立模板，對整個圖像建立模板也可以，但這樣除非是對象在整個圖像中所佔比例很大，比如像視頻會議中人體上半身這樣的圖像，我在後面的視頻對象跟蹤實驗中就是針對整個圖像的，這往往也是要犧牲匹配速度的，這個後面再講。基本流程是這樣的，如下所示： ⑴首先確定出ROI的矩形區域，這裡只需要確定矩形的左上點和右下點的坐標即可， gen_rectangle1()這個函數就會幫助你生成一個矩形，利用area_center()找到這個矩形的中心； ⑵然後需要從圖像中獲取這個矩形區域的圖像，reduce_domain()會得到這個ROI；這之後就可以對這個矩形建立模板，而在建立模板之前，可以先對這個區域進行一些處理，方便以後的建模，比如閾值分割，數學形態學的一些處理等等； ⑶接下來就可以利用create_shape_model()來創建模板了，這個函數有許多參數，其中金字塔的級數由Numlevels指定，值越大則找到物體的時間越少，AngleStart和AngleExtent 決定可能的旋轉范圍，AngleStep指定角度范圍搜索的步長；這裡需要提醒的是，在任何情

图像匹配程序设计——模板匹配

摘要模板匹配就是把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法。模板匹配是数字图像处理的重要组成部分之一。简单而言，模板就是一幅已知的小图像。模板匹配就是在一幅大图像中搜寻目标，已知该图中有要找的目标，且该目标同模板有相同的尺寸、方向和图像，通过一定的算法可以在图中找到目标，确定其坐标位置。本文主要主要介绍了灰度相关的匹配方法，灰度相关的图像匹配算法是图像匹配算法中比较经典的一种，很多匹配技术都以它为基础进行延伸和扩展。它是从待拼接图像的灰度值出发，对待匹配图像中一块区域与参考图像中的相同尺寸的区域使用最小二乘法或者其它数学方法计算其灰度值的差异，对此差异比较后来判断待拼接图像重叠区域的相似程度，由此得到待拼接图像重叠区域的范围和位置，从而使用MATLAB软件实现图像匹配。当以两块区域像素点灰度值的差别作为判别标准时，最简单的一种方法是直接把各点灰度的差值累计起来。另一种方法是计算两块区域的对应像素点灰度值的相关系数，相关系数越大，则两块图像的匹配程度越高。该方法的匹配效果要更好，匹配成功率有所提高。关键词：图像匹配；MATLAB；灰度相关

目录 1 需求分析 (1) 1.1 问题描述 (1) 1.2 基本要求 (1) 2 设计方案 (2) 2.1 相关概念 (2) 2.2 算法设计 (2) 3 仿真内容 (5) 3.1 相关函数说明 (5) 3.2 模版匹配源代码 (8) 4 仿真结果及分析 (9) 结束语 (11) 参考文献 (12)

1 需求分析 1.1 问题描述计算机模式识别所要解决的问题，就是用计算机代替人去认识图像和找出一幅图像中人们感兴趣的目标物。在机器识别物体的过程，常需把不同传感器或同一传感器在不同时间，不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准，或根据已知模式到另一幅图中寻找相应的模式，这就叫做匹配。模板匹配是一种最原始、最基本的模式识别方法。研究某一特定对象物位于图像的位置，进而识别对象，这就是匹配的问题。利用模板匹配可以在一幅图像中找到已知的物体。这里的模板指的是一幅待匹配的图像，相当于模式识别的模式。基本要求如下: (1).进行匹配的两幅图像为JPG格式或BMP格式。 (2).能够进行对两幅数字图像的匹配。 (3).采用交互式程序对图像进行匹配。 1.2 基本要求通过分析题目的基本要求，我将此使用两种方法实现匹配:一个是基于灰度的模板匹配，另一个是基于灰度的快速匹配。在以上两种方法中，用户可以对两张图像进行匹配并显示匹配结果。

数字图像处理第三版 (Rafael C.Gonzalez著)第三章答案

（a ）由2 )(Kr Ae r T s -==，3/2 A Ae KL =-得：) 3/1ln(20=-KL ，20 /0986.1L K = 2 2 0986.1)(r L Ae r T s -== （b ）、由， 4/)1(2 0B e KL =--B 得： )4/3ln(2 0=-KL ,2 0/2877.0L K = )1()(2 2 2877.0r L e B r T s - -== （c ）、逐次查找像素值，如（x ，y ）=（0，0）点的f （x ，y ）值。若该灰度值的4比特的第0 位是1，则该位置的灰度值全部置1，变为15；否则全部置0，变为0。因此第7位平面[0,7]置0，[7,15]置1，第6位平面[0,3]，[4,7]置0，[8,11]，[12,15]置15。依次对图像的全部像素进行操作得到第0位平面，若是第i 位平面，则该位置的第i 位值是0还是1，若是1，则全置1，变为15，若是0，则全置0 设像素的总数为n ，是输入图像的强度值，由，rk 对应sk ，所以，由和得由此得知，第二次直方图均衡化处理的结果与第一次直方图均衡化处理的结果相同，这里我们假设忽略不计四舍五入的误差。

3.11题、由 dw w p z G v z z )()(0 ? = =, ?? ?=<<-5 .0041 5.044)( w w w w z w p { 5 .0021 5.02210 2 2 )()(<<<<+-= = =? z z z z z z z dw w p z G v 令v s =得所以?? ???=?? ?? ?==- <<+-±<<- -+-±±-±-5.010221 5.0121 )2(25.022 125.01 22 )(r r r r r r v v v G z 3.12题、第k 个点邻域内的局部增强直方图的值为： P r (r k )=n k /n (k=0,1,2,……K-1)。这里n k 是灰度级为r k 的像素个数，n 是邻域内像素的总个数，k 是图像中可能的灰度级总数。假设此邻域从左以一个像素为步长向右移动。这样最左面的列将被删除的同时在后面又产生一个新的列。变化后的直方图则变成： (k=0,1,2,……K-1) 这里n lk 是灰度级r k 在左面的列出现的次数，n rk 则为在右面出现的次数。上式也可以改写成： (k=0,1,2,……K-1) 同样的方法也适用于其他邻域的移动：这里a k 是灰度级r k 在邻域内在移动中被删除的像素数，b k 则是在移动中引入的像素数： (k=0,1,2,…… K-1) 上式等号右边的第一项为0（因为f 中的元素均为常数）。变量是噪声的简单抽样，它的方差是。因此并且我们可以得到。上述过

基于HALCON的模板匹配方法总结.

基于HALCON的模板匹配方法总结基于HALCON的模板匹配方法总结 HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果。在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。 1. Shape-Based matching的基本流程 HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。基本流程是这样的，如下所示： ⑴ 首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用 area_center()找到这个矩形的中心；

⑵ 然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等； ⑶ 接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10；Metric参数决定模板识别的条件，如果设为’use_polarity’，则图像中的物体和模板必须有相同的对比度；创建好模板后，这时还需要监视模板，用inspect_shape_model()来完成，它检查参数的适用性，还能帮助找到合适的参数；另外，还需要获得这个模板的轮廓，用于后面的匹配，get_shape_model_contours()则会很容易的帮我们找到模板的轮廓； ⑷ 创建好模板后，就可以打开另一幅图像，来进行模板匹配了。这个过程也就是在新图像中寻找与模板匹配的图像部分，这部分的工作就由函数 find_shape_model()来承担了，它也拥有许多的参数，这些参数都影响着寻找模板的速度和精度。这个的功能就是在一幅图中找出最佳匹配的模板，返回一个模板实例的长、宽和旋转角度。其中参数SubPixel决定是否精确到亚像素级，设为’interpolation’，则会精确到，这个模式不会占用太多时间，若需要更精确，则可设为’least_square’,’lease_square_high’，但这样会增加额外的时间，因此，这需要在时间和精度上作个折中，需要和实际联系起来。比较重要的两个参数是MinSocre和Greediness，前一个用来分析模板的旋转对称和它们之间的相似度，值越大，则越相似，后一个是搜索贪婪度，这个值在很大程度上影响着搜索速度，若为0，则为启发式搜索，很耗时，若为1，则为不安全搜索，但最快。在大多数情况下，在能够匹配的情况下，尽可能的增大其值。 ⑸ 找到之后，还需要对其进行转化，使之能够显示，这两个函数 vector_angle_to_rigid()和affine_trans_contour_xld()在这里就起这个作用。前一个是从一个点和角度计算一个刚体仿射变换，这个函数从匹配函数的