CN101609555B - 一种基于灰度共生矩阵的灰度模板匹配方法 - Google Patents

Abstract

本发明涉及一种基于灰度共生矩阵的灰度模板匹配方法。现有的灰度模板匹配方法速度慢，效率低。本发明方法的具体步骤是：首先调整待匹配图像I宽度和高度，然后将待匹配图像I进行分块，最后将图像I的像素块C_i与灰度模板T进行比对，计算像素块C_i与灰度模板T的相似区域；根据每个像素块C_i相似区域得到一个子图K_i，将矢量角度θ相等的T的灰度共生矩阵与K_i的灰度共生矩阵计算特征参数Con和Cor的相似距离；对T和K_i的8个灰度共生矩阵的距离求总和得到对应T和K_i的距离D′；选择D′最小的K_i记为K_min，这个K_min为与模板T匹配的图像子图。本发明方法在匹配过程中，通过计算模板T与匹配子图潜在的重叠区域来对模板T在图像I中进行快速的移动，提高了模板匹配的速度。

Description

一种基于灰度共生矩阵的灰度模板匹配方法

技术领域

本发明属于图像检索技术领域，特别是涉及一种灰度共生矩阵的灰度模板匹配的方法。

背景技术

根据已知的灰度模式T(模板图像)，在另一幅灰度图像I中搜索相似子图G的过程称为灰度模板匹配。灰度模板匹配可以运用于灰度图像模板检索应用中。灰度模板图像检索不同于传统的基于内容的灰度图像检索，前者是根据模板T对灰度图像数据库中所有的图像I进行模板匹配，模板T和图像I的尺寸大小可以不一致，而后者要求检索图像和数据库中图像I的尺寸大小一致。由此可见，灰度模板图像检索具有更加广泛的使用用途，由于快速灰度模板匹配方法可以提高灰度模板图像检索的检索速度。此外，灰度信息是彩色图像的一个重要信息，灰度模板图像匹配也可以用于彩色模板图像匹配应用，因此快速灰度模板匹配方法也具有非常好的使用前景。

发明内容

本发明的目的在于提供一种灰度共生矩阵的灰度模板匹配的方法。

本发明方法的具体步骤是：

步骤(1).设定灰度模板T的宽度为N₁、高度为N₂，待匹配图像I的宽度为M₁、高度为M₂，M₁＝k₁·N₁+α(k₁＝1，2，3…，0≤α＜N₁)，M₂＝k₂·N₂+β(k₂＝1，2，3…，0≤β＜N₂)；如果α＞0，则将待匹配图像I的横向的边沿进行复制延伸，使得α＝N₁，则延伸后的待匹配图像I的宽度为M′₁(k₁+1)·N₁，图像在横向复制延伸是以1个像素为基本单位进行复制，使得图像I的宽度M′₁刚好是模板T的宽度N₁的整数倍；如果β＞0，则将待匹配图像I的纵向的边沿进行复制延伸，使得β＝N₂，则延伸后的待匹配图像I的高度为M′₂＝(k₂+1)·N₂，图像在纵向复制延伸是以1个像素为基本单位进行复制，使得图像I的高度M′₂刚好是模板T的高度N₂的整数倍；

步骤(2).将待匹配图像I以灰度模板T为单元进行分块：对于复制延伸过的待匹配图像I，分为(M′₁/N₁)×(M′₂/N₂)块；对于未进行复制延伸的待匹配图像I，分为(M₁/N₁)×(M₂/N₂)块；按照先从左到右、再从上到下的顺序将各块图像进行编号为像素块C_i，i＝1，2，3…；

步骤(3).按照像素块C_i编号的顺序，将图像I的像素块C_i与灰度模板T进行比对，具体的比对方法是：

(a).对灰度模板T的模板当前像素点P₁从灰度模板T的左上角开始，按照先从左到右、再从上到下顺序在模板T中以一个像素单位进行移动，模板当前像素点P₁与灰度模板T左上角的像素点为对角线构成像素子块矩阵T_Z，该像素子块矩阵T_Z的宽度为N_W，高度为N_H；模板当前像素点P₁在模板T中移动过程中，得到N₁×N₂个不同的像素子块矩阵T_Z，计算每个像素子块矩阵T_Z的灰度共生矩阵G(x，y，d，θ)的特征参数Con和Cor，x为灰度共生矩阵元素值的行，x＝1，2，3...255，y为灰度共生矩阵元素值的列，y＝1，2，3...255，d为灰度模板T中像素对中两个像素的矢量距离，d＝1，θ为灰度模板T中像素对中两个像素的矢量角度，θ＝0°，45°，90°，135°，180°，225°，270°，315°；每个像素子块T_Z有8个不同的灰度共生矩阵；

同时符合以下条件的像素对(P_x，P_y)的出现次数为n^{(x，y，d，θ)}，

条件1：灰度值等于x的像素点P_x和灰度值等于y的像素点P_y的距离为d，d＝1，

条件2：以P_x为矢量起点、以P_y为矢量终点所构成矢量角度为θ；θ＝0°，45°，90°，135°，180°，225°，270°，315°

则出现次数n^{(x，y，d，θ)}为灰度共生矩阵在(x，y)处的元素值；

根据像素子块矩阵T_Z的灰度共生矩阵G(x，y，d，θ)，计算灰度共生矩阵的特征值Con和Cor，

$\mathrm{Con}=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}\underset{y=1}{\overset{255}{\mathrm{\Σ}}}{(x-y)}^2{n}^{(x,y,d,\mathrm{\θ})}---\left(1\right)$

$\mathrm{Cor}=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}\underset{y=1}{\overset{255}{\mathrm{\Σ}}}\left({x-u}_x\right)(y-u_y)n^{(x,y,d,\mathrm{\θ})}---\left(2\right)$

其中， $u_x=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}x\·\left(\underset{y=1}{\overset{255}{\mathrm{\Σ}}}{n}^{(x,y,d,\mathrm{\θ})}\right),$ $u_y=\underset{y=1}{\overset{255}{\mathrm{\Σ}}}y\·\left(\underset{x=1}{\overset{255}{\mathrm{\Σ}}}{n}^{(x,y,d,\mathrm{\θ})}\right)$

(b).把像素子块矩阵T_Z划分为四个区域：

像素子块矩阵T_Z的右下角的一个像素点为区域D；

区域D所在的行去除区域D的一个像素点后的所有像素点的集合为区域B；

区域D所在的列去除区域D的一个像素点后的所有像素点的集合为区域C；

像素子块矩阵T_Z去除区域B、C、D后的所有像素点的集合为区域A；

区域A是当前像素点P₁在灰度模板T移动过程中的一个像素子块矩阵；区域A和区域B合并构成的区域A+B是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵；区域A和区域C合并构成的区域A+C是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵。区域A、区域D、区域A+B、区域A+C、区域A+B+C+D的灰度共生矩阵的关系如下：

$n_{(A+B+C+D)}^{(x,y,d,\mathrm{\θ})}=n_{(A+B)}^{(x,y,d,\mathrm{\θ})}+n_{(A+C)}^{(x,y,d,\mathrm{\θ})}-n_{\left(A\right)}^{(x,y,d,\mathrm{\θ})}+n_{\left(D\right)}^{(x,y,d,\mathrm{\θ})}---\left(3\right)$

其中

表示区域A+B+C+D所形成的像素子块矩阵的灰度共生矩阵的元素值，表示区域A+C所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域A+B所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域A所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域D所形成的像素子块矩阵的灰度共生矩阵的元素值；

区域A+B+C+D的灰度共生矩阵可以使用区域A、区域D、区域A+B、区域A+C的灰度共生矩阵进行计算；

(c).C_i的当前像素点P′₁从划分块C_i的右下角开始，按照先从右到左、再从下到上的顺序在C_i中以一个像素单位进行移动，以C_i的当前像素点P′₁与划分块C_i的右下角的像素点为对角线构成像素子块矩阵T′_Z，T′_Z的宽度为N′_W、高度为T′_H；C_i的当前像素点P′₁在划分块C_i的移动过程中，得到N₁×N₂个不同的像素子块矩阵T′_Z；按照步骤(a)的方法定义每个像素子块矩阵T′_Z的灰度共生矩阵G′(x，y，d，θ)的特征参数Con和Cor，每个T′_Z将有8个不同的灰度共生矩阵；

(d).把像素子块矩阵T′_Z划分为四个区域：

像素子块矩阵T′_Z的左上角的一个像素点为区域H；

区域H所在的行去除区域H的一个像素点后的所有像素点的集合为区域J；

区域H所在的列去除区域H的一个像素点后的所有像素点的集合为区域F；

像素子块矩阵T′_Z去除区域F、J、H后的所有像素点的集合为区域E；

区域E是C_i的当前像素点P′₁在划分块C_i移动过程中的一个像素子块矩阵；区域E和区域F合并构成的区域E+F是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E和区域J合并构成的区域E+J是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E、区域H、区域E+F、区域E+J、区域E+F+J+H的灰度共生矩阵的关系有：

$n_{(E+F+J+H)}^{(x,y,d,\mathrm{\θ})}=n_{(E+F)}^{(x,y,d,\mathrm{\θ})}+n_{(E+J)}^{(x,y,d,\mathrm{\θ})}-n_{\left(E\right)}^{(x,y,d,\mathrm{\θ})}+n_{\left(H\right)}^{(x,y,d,\mathrm{\θ})}---\left(4\right)$

其中

表示区域E+F+J+H所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E+F所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E+J所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域H所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E所形成的像素子块矩阵的灰度共生矩阵的元素值；

区域E+F+J+H的灰度共生矩阵可以使用区域E、区域H、区域E+F、区域E+J的灰度共生矩阵进行计算；

(e).将当前像素点P₁从灰度模板T的左上角以先从左到右、再从上到下的顺序的每一次移动所得到的T_Z与当前像素点P′₁从划分块C_i的右下角开始以先从右到左、再从下到上的顺序在C_i中的每一次移动所得到的T′_Z相对应；将矢量角度θ相等的T_Z的灰度共生矩阵G(x，y，d，θ)与T′_Z的灰度共生矩阵G′(x，y，d，θ)利用欧拉距离公式计算特征参数Con和Cor的相似距离，得到对应灰度共生矩阵的距离；对T_Z和T′_Z的所有对应的8个灰度共生矩阵的距离求总和得到对应T_Z和T′_Z的距离D；对灰度模板T和划分块C_i的所有对应的T_Z和T′_Z的距离D进行排序，获得D最小的T_Z和T′_Z，距离D最小的T′_Z的左上角的当前像素点P′₁为移动像素点S_i；

(f).计算图像I的每个划分块C_i的S_i，移动像素点S_i的个数与图像I的划分块的个数是相等；对每一个S_i，将S_i作为左上角，在图像I中取大小和灰度模板T一致的像素块K_i，按照步骤(a)的定义计算每个像素子块矩阵K_i的灰度共生矩阵G″(x，y，d，θ)的特征参数Con和Cor，每个K_i将有8个不同的灰度共生矩阵；

将矢量角度θ相等的T的灰度共生矩阵G(x，y，d，θ)与K_i的灰度共生矩阵G″(x， y，d，θ)利用欧拉距离公式计算特征参数Con和Cor的相似距离，得到对应灰度共生矩阵的距离；对T和K_i的所有对应的8个灰度共生矩阵的距离求总和得到对应T和K_i的距离D′；对所有的K_i和T的距离D′，选择D′最小的K_i记为K_min，这个K_min为与模板T匹配的图像子图。

本发明方法在模板T与图像I的模式匹配过程中，通过计算模板T与匹配子图潜在的重叠区域来对模板T在图像I中进行快速的移动，从而可以大大的提高模板匹配的速度。此外，本发明方法采用的灰度共生矩阵能较好的体现灰度图像的纹理特征，因此该方法还具有较好的匹配准确性。

具体实施方式

一种基于灰度共生矩阵的灰度模板匹配方法，该方法的具体步骤如下：

步骤(1).设定灰度模板T的宽度为N₁、高度为N₂，待匹配图像I的宽度为M₁、高度为M₂，M₁＝k₁·N₁+α(k₁＝1，2，3…，0≤α＜N₁)，M₂＝k₂·N₂+β(k₂＝1，2，3…，0≤β＜N₂)；如果α＞0，则将待匹配图像I的横向的边沿进行复制延伸，使得α＝N₁，则延伸后的待匹配图像I的宽度为M′₁(k₁+1)·N₁，图像在横向复制延伸是以1个像素为基本单位进行复制，使得图像I的宽度M′₁刚好是模板T的宽度N₁的整数倍；如果β＞0，则将待匹配图像I的纵向的边沿进行复制延伸，使得β＝N₂，则延伸后的待匹配图像I的高度为M′₂＝(k₂+1)·N₂，图像在纵向复制延伸是以1个像素为基本单位进行复制，使得图像I的高度M′₂刚好是模板T的高度N₂的整数倍。

步骤(2).将待匹配图像I以灰度模板T为单元进行分块：对于复制延伸过的待匹配图像I，分为(M′₁/N₁)×(M′₂/N₂)块；对于未进行复制延伸的待匹配图像I，分为M₁/N₁)×(M₂/N₂)块；按照先从左到右、再从上到下的顺序将各块图像进行编号为像素块C_i，i＝1，2，3…。

步骤(3).按照像素块C_i编号的顺序，将图像I的像素块C_i与灰度模板T进行比对，具体的比对方法是：

(a).对灰度模板T的模板当前像素点P₁从灰度模板T的左上角开始，按照先从左到右、再从上到下顺序在模板T中以一个像素单位进行移动，模板当前像素点P₁与灰度模板T左上角的像素点为对角线构成像素子块矩阵T_Z，该像素子块矩阵T_Z的宽度为N_W，高度为N_H；模板当前像素点P₁在模板T中移动过程中，得到N₁×N₂个不同的像素子块矩阵T_Z，计算每个像素子块矩阵T_Z的灰度共生矩阵G(x，y，d，θ)的特征参数Con和Cor，x为灰度共生矩阵元素值的行，x＝1，2，3...255，y为灰度共生矩阵元素值的列，y＝1，2，3...255，d为灰度模板T中像素对中两个像素的矢量距离，d＝1，θ为灰度模板T中像素对中两个像素的矢量角度，θ＝0°，45°，90°，135°，180°，225°，270°，315°；每个像素子块TZ有8个不同的灰度共生矩阵；

同时符合以下条件的像素对(P_x，P_y)的出现次数为n^{(x，y，d，θ)}，

条件1：灰度值等于x的像素点P_x和灰度值等于y的像素点P_y的距离为d，d＝1，

条件2：以P_x为矢量起点、以P_y为矢量终点所构成矢量角度为θ；θ＝0°，45°，90°，135°，180°，225°，270°，315°

则出现次数n^{(x，y，d，θ)}为灰度共生矩阵在(x，y)处的元素值；

根据像素子块矩阵T_Z的灰度共生矩阵G(x，y，d，θ)，计算灰度共生矩阵的特征值Con和Cor，

$\mathrm{Con}=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}\underset{y=1}{\overset{255}{\mathrm{\Σ}}}{(x-y)}^2{n}^{(x,y,d,\mathrm{\θ})}---\left(1\right)$

$\mathrm{Cor}=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}\underset{y=1}{\overset{255}{\mathrm{\Σ}}}\left({x-u}_x\right)(y-u_y)n^{(x,y,d,\mathrm{\θ})}---\left(2\right)$

其中，

$u_x=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}x\·\left(\underset{y=1}{\overset{255}{\mathrm{\Σ}}}{n}^{(x,y,d,\mathrm{\θ})}\right),$ $u_y=\underset{y=1}{\overset{255}{\mathrm{\Σ}}}y\·\left(\underset{x=1}{\overset{255}{\mathrm{\Σ}}}{n}^{(x,y,d,\mathrm{\θ})}\right)$

(b).把像素子块矩阵T_Z划分为四个区域：

像素子块矩阵T_Z的右下角的一个像素点为区域D；

区域D所在的行去除区域D的一个像素点后的所有像素点的集合为区域B；

区域D所在的列去除区域D的一个像素点后的所有像素点的集合为区域C；

像素子块矩阵T_Z去除区域B、C、D后的所有像素点的集合为区域A；

区域A是当前像素点P₁在灰度模板T移动过程中的一个像素子块矩阵；区域A和区域B合并构成的区域A+B是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵；区域A和区域C合并构成的区域A+C是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵。区域A、区域D、区域A+B、区域A+C、区域A+B+C+D的灰度共生矩阵的关系如下：

$n_{(A+B+C+D)}^{(x,y,d,\mathrm{\θ})}=n_{(A+B)}^{(x,y,d,\mathrm{\θ})}+n_{(A+C)}^{(x,y,d,\mathrm{\θ})}-n_{\left(A\right)}^{(x,y,d,\mathrm{\θ})}+n_{\left(D\right)}^{(x,y,d,\mathrm{\θ})}---\left(3\right)$

其中

表示区域A+B+C+D所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域A+C所形成的像素子块矩阵的灰度共生矩阵的元素值，表示区域A+B所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域A所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域D所形成的像素子块矩阵的灰度共生矩阵的元素值；

区域A+B+C+D的灰度共生矩阵可以使用区域A、区域D、区域A+B、区域A+C的灰度共生矩阵进行计算；

(c).C_i的当前像素点P′₁从划分块C_i的右下角开始，按照先从右到左、再从下到上的顺序在C_i中以一个像素单位进行移动，以C_i的当前像素点P′₁与划分块C_i的右下角的像素点为对角线构成像素子块矩阵T′_Z，T′_Z的宽度为T′_W、高度为T′_H；C_i的当前像素点P′₁在划分块C_i的移动过程中，得到N₁×N₂个不同的像素子块矩阵T′_Z；按照步骤(a)的方法定义每个像素子块矩阵T′_Z的灰度共生矩阵G′(x，y，d，θ)的特征参数Con和Cor，每个T′_Z将有8个不同的灰度共生矩阵；

(d).把像素子块矩阵T′_Z划分为四个区域：

像素子块矩阵T′_Z的左上角的一个像素点为区域H；

区域H所在的行去除区域H的一个像素点后的所有像素点的集合为区域J；

区域H所在的列去除区域H的一个像素点后的所有像素点的集合为区域F；

像素子块矩阵T′_Z去除区域F、J、H后的所有像素点的集合为区域E；

区域E是C_i的当前像素点P′₁在划分块C_i移动过程中的一个像素子块矩阵；区域E和区域F合并构成的区域E+F是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E和区域J合并构成的区域E+J是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E、区域H、区域E+F、区域E+J、区域E+F+J+H的灰度共生矩阵的关系有：

$n_{(E+F+J+H)}^{(x,y,d,\mathrm{\θ})}=n_{(E+F)}^{(x,y,d,\mathrm{\θ})}+n_{(E+J)}^{(x,y,d,\mathrm{\θ})}-n_{\left(E\right)}^{(x,y,d,\mathrm{\θ})}+n_{\left(H\right)}^{(x,y,d,\mathrm{\θ})}---\left(4\right)$

其中

表示区域E+F+J+H所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E+F所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E+J所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域H所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E所形成的像素子块矩阵的灰度共生矩阵的元素值；

区域E+F+J+H的灰度共生矩阵可以使用区域E、区域H、区域E+F、区域E+J的灰度共生矩阵进行计算；

(e).将当前像素点P₁从灰度模板T的左上角以先从左到右、再从上到下的顺序的每一次移动所得到的T_Z与当前像素点P′₁从划分块C_i的右下角开始以先从右到左、再从下到上的顺序在C_i中的每一次移动所得到的T′_Z相对应；将矢量角度θ相等的T_Z的灰度共生矩阵G(x，y，d，θ)与T′_Z的灰度共生矩阵G′(x，y，d，θ)利用欧拉距离公式计算特征参数Con和Cor的相似距离，得到对应灰度共生矩阵的距离；对T_Z和T′_Z的所有对应的8个灰度共生矩阵的距离求总和得到对应T′_Z和T′_Z的距离D；对灰度模板T和划分块C_i的所有对应的T_Z和T′_Z的距离D进行排序，获得D最小的T_Z和T′_Z，距离D最小的T′_Z的左上角的当前像素点P′₁为移动像素点S_i；

(f).计算图像I的每个划分块C_i的S_i，移动像素点S_i的个数与图像I的划分块的个数是相等；对每一个S_i，将S_i作为左上角，在图像I中取大小和灰度模板T一致的像素块K_i，按照步骤(a)的定义计算每个像素子块矩阵K_i的灰度共生矩阵G″(x，y，d，θ)的特征参数Con和Cor，每个K_i将有8个不同的灰度共生矩阵；

将矢量角度θ相等的T的灰度共生矩阵G(x，y，d，θ)与K_i的灰度共生矩阵G″(x，y，d，θ)利用欧拉距离公式计算特征参数Con和Cor的相似距离，得到对应灰度共生矩阵的距离；对T和K_i的所有对应的8个灰度共生矩阵的距离求总和得到对应T和K_i的距离D′；对所有的K_i和T的距离D′，选择D′最小的K_i记为K_min，这个K_min为与模板T匹配的图像子图。

Claims (1)

1.一种基于灰度共生矩阵的灰度模板匹配方法，其特征在于该方法的具体步骤是：

步骤(1).设定灰度模板T的宽度为N₁、高度为N₂，待匹配图像I的宽度为M₁、高度为M₂，M₁＝k₁·N₁+α，k₁＝1，2，3…，0≤α＜N₁，M₂＝k₂·N₂+β，k₂＝1，2，3…，0≤β＜N₂；如果α＞0，则将待匹配图像I的横向的边沿进行复制延伸，使得α＝N₁，则延伸后的待匹配图像I的宽度为M′₁＝(k₁+1)·N₁，图像在横向复制延伸是以1个像素为基本单位进行复制，使得图像I的宽度M′₁刚好是模板T的宽度N₁的整数倍；如果β＞0，则将待匹配图像I的纵向的边沿进行复制延伸，使得β＝N₂，则延伸后的待匹配图像I的高度为M′₂＝(k₂+1)·N₂，图像在纵向复制延伸是以1个像素为基本单位进行复制，使得图像I的高度M′₂刚好是模板T的高度N₂的整数倍；

步骤(2).将待匹配图像I以灰度模板T为单元进行分块：对于复制延伸过的待匹配图像I，分为(M′₁/N₁)×(M′₂/N₂)块；对于未进行复制延伸的待匹配图像I，分为(M₁/N₁)×(M₂/N₂)块；按照先从左到右、再从上到下的顺序将各块图像进行编号为像素块C_i，i＝1，2，3…；

步骤(3).按照像素块C_i编号的顺序，将图像I的像素块C_i与灰度模板T进行比对，具体的比对方法是：

(a).对灰度模板T的模板当前像素点P₁从灰度模板T的左上角开始，按照先从左到右、再从上到下顺序在模板T中以一个像素单位进行移动，模板当前像素点P₁与灰度模板T左上角的像素点为对角线构成像素子块矩阵T_Z，该像素子块矩阵T_Z的宽度为N_W，高度为N_H；模板当前像素点P₁在模板T中移动过程中，得到N₁×N₂个不同的像素子块矩阵T_Z，计算每个像素子块矩阵T_Z的灰度共生矩阵G(x，y，d，θ)的特征参数Con和Cor，x为灰度共生矩阵元素值的行，x＝1，2，3...255，y为灰度共生矩阵元素值的列，y＝1，2，3...255，d为灰度模板T中像素对中两个像素的矢量距离，d＝1，θ为灰度模板T中像素对中两个像素的矢量角度，θ＝0°，45°，90°，135°，180°，225°，270°，315°；每个像素子块TZ有8个不同的灰度共生矩阵；

同时符合以下条件的像素对(P_x，P_y)的出现次数为n^{(x，y，d，θ)}，

条件1：灰度值等于x的像素点P_x和灰度值等于y的像素点P_y的距离为d；

条件2：以P_x为矢量起点、以P_y为矢量终点所构成矢量角度为θ；

则出现次数n^{(x，y，d，θ)}为灰度共生矩阵在(x，y)处的元素值；

根据像素子块矩阵T_Z的灰度共生矩阵G(x，y，d，θ)，计算灰度共生矩阵的特征值Con和Cor，

$\mathrm{Con}=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}\underset{y=1}{\overset{255}{\mathrm{\Σ}}}{(x-y)}^2{n}^{(x,y,d,\mathrm{\θ})}---\left(1\right)$

$\mathrm{Cor}=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}\underset{y=1}{\overset{255}{\mathrm{\Σ}}}\left({x-u}_x\right)(y-u_y)n^{(x,y,d,\mathrm{\θ})}---\left(2\right)$

其中， $u_x=\underset{x=1}{\overset{255}{\mathrm{\Σ}}}x\·\left(\underset{y=1}{\overset{255}{\mathrm{\Σ}}}{n}^{(x,y,d,\mathrm{\θ})}\right),$ $u_y=\underset{y=1}{\overset{255}{\mathrm{\Σ}}}y\·\left(\underset{x=1}{\overset{255}{\mathrm{\Σ}}}{n}^{(x,y,d,\mathrm{\θ})}\right)$

(b).把像素子块矩阵T_Z划分为四个区域：

像素子块矩阵T_Z的右下角的一个像素点为区域D；

区域D所在的行去除区域D的一个像素点后的所有像素点的集合为区域B；

区域D所在的列去除区域D的一个像素点后的所有像素点的集合为区域C；

像素子块矩阵T_Z去除区域B、C、D后的所有像素点的集合为区域A；

区域A是当前像素点P₁在灰度模板T移动过程中的一个像素子块矩阵；区域A和区域B合并构成的区域A+B是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵；区域A和区域C合并构成的区域A+C是当前像素点P₁在灰度模板T中移动过程中的一个像素子块矩阵；区域A、区域D、区域A+B、区域A+C、区域A+B+C+D的灰度共生矩阵的关系如下：

$n_{(A+B+C+D)}^{(x,y,d,\mathrm{\θ})}=n_{(A+B)}^{(x,y,d,\mathrm{\θ})}+n_{(A+C)}^{(x,y,d,\mathrm{\θ})}-n_{\left(A\right)}^{(x,y,d,\mathrm{\θ})}+n_{\left(D\right)}^{(x,y,d,\mathrm{\θ})}---\left(3\right)$

其中表示区域A+B+C+D所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域A+C所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域A+B所形成的像素子块矩阵的灰度共生矩阵的元素值，表示区域A所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域D所形成的像素子块矩阵的灰度共生矩阵的元素值；

(c).C_i的当前像素点P′₁从划分块C_i的右下角开始，按照先从右到左、再从下到上的顺序在C_i中以一个像素单位进行移动，以C_i的当前像素点P₁′与划分块C_i的右下角的像素点为对角线构成像素子块矩阵T′_Z，T′_Z的宽度为N′_W、高度为T′_H；C_i的当前像素点P′₁在划分块C_i的移动过程中，得到N₁×N₂个不同的像素子块矩阵T′_Z；按照步骤(a)的方法定义每个像素子块矩阵T′_Z的灰度共生矩阵G′(x，y，d，θ)的特征参数Con和Cor，每个T′_Z将有8个不同的灰度共生矩阵；

(d).把像素子块矩阵T′_Z划分为四个区域：

像素子块矩阵T′_Z的左上角的一个像素点为区域H；

区域H所在的行去除区域H的一个像素点后的所有像素点的集合为区域J；

区域H所在的列去除区域H的一个像素点后的所有像素点的集合为区域F；

像素子块矩阵T′_Z去除区域F、J、H后的所有像素点的集合为区域E；

区域E是C_i的当前像素点P′₁在划分块C_i移动过程中的一个像素子块矩阵；区域E和区域F合并构成的区域E+F是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E和区域J合并构成的区域E+J是当前像素点P′₁在划分块C_i中的移动过程中的一个像素子块矩阵；区域E、区域H、区域E+F、区域E+J、区域E+F+J+H的灰度共生矩阵的关系有：

$n_{(E+F+J+H)}^{(x,y,d,\mathrm{\θ})}=n_{(E+F)}^{(x,y,d,\mathrm{\θ})}+n_{(E+J)}^{(x,y,d,\mathrm{\θ})}-n_{\left(E\right)}^{(x,y,d,\mathrm{\θ})}+n_{\left(H\right)}^{(x,y,d,\mathrm{\θ})}---\left(4\right)$

其中表示区域E+F+J+H所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E+F所形成的像素子块矩阵的灰度共生矩阵的元素值，表示区域E+J所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域H所形成的像素子块矩阵的灰度共生矩阵的元素值，

表示区域E所形成的像素子块矩阵的灰度共生矩阵的元素值；

(e).将当前像素点P₁从灰度模板T的左上角以先从左到右、再从上到下的顺序的每一次移动所得到的T_Z与当前像素点P′₁从划分块C_i的右下角开始以先从右到左、再从下到上的顺序在C_i中的每一次移动所得到的T′_Z相对应；将矢量角度θ相等的T_Z的灰度共生矩阵G(x，y，d，θ)与T′_Z的灰度共生矩阵G′(x，y，d，θ)利用欧拉距离公式计算特征参数Con和Cor的相似距离，得到对应灰度共生矩阵的距离；对T_Z和T′_Z的所有对应的8个灰度共生矩阵的距离求总和得到对应T_Z和T′_Z的距离D；对灰度模板T和划分块C_i的所有对应的T_Z和T′_Z的距离D进行排序，获得D最小的T_Z和T′_Z，距离D最小的T′_Z的左上角的当前像素点P′₁为移动像素点S_i；

(f).计算图像I的每个划分块C_i的S_i，移动像素点S_i的个数与图像I的划分块的个数是相等；对每一个S_i，将S_i作为左上角，在图像I中取大小和灰度模板T一致的像素块K_i，按照步骤(a)的定义计算每个像素子块矩阵K_i的灰度共生矩阵G″(x，y，d，θ)的特征参数Con和Cor，每个K_i将有8个不同的灰度共生矩阵；

将矢量角度θ相等的T的灰度共生矩阵G(x，y，d，θ)与K_i的灰度共生矩阵G″(x，y，d，θ)利用欧拉距离公式计算特征参数Con和Cor的相似距离，得到对应灰度共生矩阵的距离；对T和K_i的所有对应的8个灰度共生矩阵的距离求总和得到对应T和K_i的距离D′；对所有的K_i和T的距离D′，选择D′最小的K_i记为K_min，这个K_min为与模板T匹配的图像子图。