基于灰度的模板匹配

想将自己开发机器人视觉应用中的点滴过程和心得进行记录分享，讨论，生活很有趣，学术很有趣，当然能让自己做的研究落地更有意义！

可能的优化路径：

1.匹配路径优化算法：从图像预处理中改进，对模板匹配的较可能区域先定位，后进行精确的卷积运算，减低卷积计算量，但没有此陆答从根本上减少卷积运算计算悉裂量大的缺点。

2.通过傅里叶变换将函数的卷积运算转为乘积运算。

ps:opencv中的自适应阈值方法为adaptiveThreshold

金字塔分层快速图像搜索算法流程：

1.对降采样的图像进行自适应阈值化处理

2.处理完的图像通过opencv快速模板匹配寻找最匹配的坐标：

cv::matchTemplate()

cv::normalize()

cv::minMaxLoc()

3.根据获取的降采样层的坐标获取源图像的坐标（*2.05），注意不要越出图像边界

源图像层根据放大后的坐标截取一个子图

4.在子图上进行快速模板匹配，搜索模板图像，返回搜索到的坐标

5.通过联合Hash算法确认源图像层坐标下的模板图像和原图像是否相似（可以选择别的相似度量函数）

在原图自适应阈值处理后的快速模板匹配函数处理时间为0.076s，森慧加入金字塔处理后的时间为0.376s..

现在进行金字塔加速后进行阈值处理再进行模板匹配的时间。0.022s（第三层金字塔处）,0.39s(带金字塔处理过程)

凹版灰度匹配打印机灰度调整的具体方法如下：

1. 准备测试样品：将凹版的灰度样品印刷出来，然后与打印机耐局印刷昌纯让出的相应灰度样品对比。

2. 打印测试样品：使用打印机印刷出相应的灰度样品。

3. 观察测试样品：将打印出的样品与凹版的灰度样品对比，看看裤山它们之间的灰度是否匹配。

4. 调整打印机灰度：根据观察结果，如果发现打印机印刷出的灰度过深或过浅，可以尝试调整打印机的灰度设置，使其与凹版的灰度匹配。

5. 重新测试：调整完灰度设置后，再次印刷测试样品，并再次对比凹版样品，看看灰度是否已经匹配。

需要注意的是，不同的打印机灰度调整方法可能略有不同，具体的 *** 作步骤需要参考打印机的说明书，或者请专业人士进行 *** 作。

既然要用到投影特征，当然就是基于特征族雀辩的。虽然投影特征肯定要从灰度信息中获取，但匹配的时候就只用投影特征来进行比较了。就像，基于边缘的图像匹配算法一样，先从灰度信息中提取边缘信息，然后，在匹配的过程中就只要利用边缘信息进行比较就行了兆缺。基于灰度的匹配算法指的是匹配的时候，只利用原始的灰度信息来进行比较，比如灰度相关匹配，灰度平方差匹配，灰度绝对差匹配等等。只要是匹配的时候，只用到从原始的灰度信息中提取到的特征，在特岁乱征空间进行比较的都是基于特征的匹配算法。

---