最邻近模板匹配法

《最邻近模板匹配法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、报告提交日期2013年6  月27报告批改日期2013年  月最邻近模板匹配法一．实验内容：在模式识别中一个最基本的方法，就是模板匹配法(templatematching)，它基本上是一种统计识别方法。为了在图像中检测出已知形状的目标物，我们使用这个目标物的形状模板（或窗口）与图像匹配，在约定的某种准则下检测出目标物图像，通常称其为模板匹配法。它能检测出图像中上线条、曲线、图案等等。它的应用包括：目标模板与侦察图像相匹配；文字识别和语音识别等。二.实验条件pc机一台，vs2008软件三.实验原理我们采用以下的算式来衡量模板T（m,n)与所覆盖的子图Sij（i,j)的关系，

2、已知原始图像S(W,H)，如图所示：利用以下公式衡量它们的相似性：上述公式中第一项为子图的能量，第三项为模板的能量，都和模板匹配无关。第二项是模板和子图的互为相关，随（i,j）而改变。当模板和子图匹配时，该项由最大值。在将其归一化后，得到模板匹配的相关系数：18当模板和子图完全一样时，相关系数R(i,j)=1。在被搜索图S中完成全部搜索后，找出R的最大值Rmax(im,jm)，其对应的子图Simjm即位匹配目标。显然，用这种公式做图像匹配计算量大、速度慢。我们可以使用另外一种算法来衡量T和Sij的误差，其公式为：计算两个图像的向量误差，可以增加计算速度，根据不同的匹配方向

3、选取一个误差阀值E0，当E(i,j)>E0时就停止该点的计算，继续下一点的计算。最终的实验证明，被搜索的图像越大，匹配的速度越慢；模板越小，匹配的速度越快；阀值的大小对匹配速度影响大；3、改进的模板匹配算法将一次的模板匹配过程更改为两次匹配；第一次匹配为粗略匹配。取模板的隔行隔列数据，即1/4的模板数据，在被搜索土上进行隔行隔列匹配，即在原图的1/4范围内匹配。由于数据量大幅减少，匹配速度显著提高。同时需要设计一个合理的误差阀值E0：E0=e0*(m+1)/2*(n+1)/2式中：e0为各点平均的最大误差，一般取40~50即可；m,n为模板的长宽；第二次匹配是精确匹配。在

4、第一次误差最小点（imin,jmin)的邻域内，即在对角点为（imin-1,jmin-1),(Imin+1,jmin+1)的矩形内，进行搜索匹配，得到最后结果。四．实验内容1.流程图182.程序number_noClassification::LeastDistance(){doublemin=10000000000;定义一个变量存放最小值number_nonumber_no;for(intn=0;n<10;n++)三个for循环逐一地和每个样品{进行距离计算，并把最小距离值for(inti=0;i

5、(pattern[n].feature[i],testsample)

6、现步骤，编程代码三部分，了解了基本理论之后，按照实现步骤的指导，可以了解算法的实现思路和方法，再进一步体会核心代码。但由于对C++掌握不是太好，所有算法都是用VC++编程实现的，所以对模式识别技术的掌握还是不够好。研究程序代码是枯燥无味的，但只要用心去学，研究，还是能收获自己想要的结果，也会拥有不一样的快乐。别人的思想要做到学以致用，同时自己也要学会绝一反三。希望以后低年级的教学安排中，能早一点多学点相关的软件基础，平时老师能给我们学生一部分相关的作业作为练习。之后能细致的讲解和辅导。当然，我们自己也应该更加努力课下阅读学习相关的书籍知识。七.参考文献杨淑莹，《图像模式识

7、别》，清华大学出版社，2005年第一版Bayes分类器——最小错误概率的Bayes方法一.实验目的：1.对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识；2.理解二类分类器的设计原理。二.实验条件pc机一台，vs2008软件三．实验原理1.目标：计算。分析：18由于数据t是一个新的数据，无法在训练数据集中统计出来。因此需要转换。根据概率论中的贝叶斯定理将的计算转换为：（1）其中，表示类Cj在整个数据空间中的出现概率，可以在训练集中统计出来（即用Cj在训练数据集中出现的频率来作为概率。但和仍然不