CN113537388B - 一种基于图层特性的缩放图像模板匹配方法 - Google Patents

一种基于图层特性的缩放图像模板匹配方法 Download PDF

Info

Publication number
CN113537388B
CN113537388B CN202110895102.4A CN202110895102A CN113537388B CN 113537388 B CN113537388 B CN 113537388B CN 202110895102 A CN202110895102 A CN 202110895102A CN 113537388 B CN113537388 B CN 113537388B
Authority
CN
China
Prior art keywords
image
outer boundary
template
layers
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110895102.4A
Other languages
English (en)
Other versions
CN113537388A (zh
Inventor
罗培羽
潘岐贤
李勇
谢晨
张永明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou 4399 Information Technology Co ltd
Original Assignee
Guangzhou 4399 Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou 4399 Information Technology Co ltd filed Critical Guangzhou 4399 Information Technology Co ltd
Priority to CN202110895102.4A priority Critical patent/CN113537388B/zh
Publication of CN113537388A publication Critical patent/CN113537388A/zh
Application granted granted Critical
Publication of CN113537388B publication Critical patent/CN113537388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明提供一种基于图层特性的缩放图像模板匹配方法，包括以下步骤：设源图像S包括n个图层；获取外边界矩形列表；遍历外边界矩形列表：在源图像S的表面，首先定位到第j个外边界矩形对应的第j子图区域；然后，将模板图像T缩放，得到与第j个外边界矩形尺寸相同的模板图像Tj；计算第j子图区域和模板图像Tj的相似度距离，判断该相似度距离是否小于设定阈值，如果是，表明匹配成功，记录匹配信息。本发明提供的一种基于图层特性的缩放图像模板匹配方法，有效解决缩放图像模板的匹配问题，且大大提升匹配效率。

Description

一种基于图层特性的缩放图像模板匹配方法
技术领域
本发明属于图像模板匹配技术领域，具体涉及一种基于图层特性的缩放图像模板匹配方法。
背景技术
模板匹配是指：已知一幅小图像，即模板图像T，需要在源图像S(为一幅大图像)中寻找定位到模板图像T的过程。传统的模板匹配方法为：在源图像S上面叠放模板图像T，然后，以一个像素为单位平移模板图像T，每当移动到一个位置时，被模板图像T覆盖的源图像S的对应区域称为子图；计算模板图像T和子图的相似度；如此不断进行，当定位到某个子图和模板图像T的相似度超过设定阈值时，认为该子图即为搜寻目标，从而在源图像S中定位到需要寻找的模板图像T的坐标位置。
上述模板匹配方法具有以下问题：(1)算法实现复杂，需要进行大量的相似度计算，运算效率低；(2)模板匹配具有自身的局限性，主要表现在模板图像T只能进行平行移动，因此，若源图像S中的匹配目标发生尺寸缩放，则算法无效，无法完成模板匹配。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于图层特性的缩放图像模板匹配方法，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种基于图层特性的缩放图像模板匹配方法，包括以下步骤：
步骤1，设源图像S包括n个图层；n个图层和源图像S的图像尺寸相同；
步骤2，对于n个图层，按由上向下的顺序，依次表示为：图层C1,图层C2,...,图层Cn；
在n个图层中，获取所有单个图层的外边界矩形，任意两个图层按序叠加后形成的图像的外边界矩形，任意三个图层按序叠加后形成的图像的外边界矩形,...,直到n个图层叠加后形成的图像的外边界矩形，由此形成外边界矩形列表；其中，按序叠加是指：保持图层之间上下相对位置不变；图像的外边界矩形是指：图像的外边界包络矩形；设外边界矩形列表包括m个外边界矩形；
步骤3，模板图像匹配过程：
步骤3.1，设需要匹配的模板图像为模板图像T；
步骤3.2，令j＝1；
步骤3.3，在源图像S的表面，首先定位到第j个外边界矩形对应的第j子图区域；然后，将模板图像T缩放，得到与第j个外边界矩形尺寸相同的模板图像Tj；计算第j子图区域和模板图像Tj的相似度距离，判断该相似度距离是否小于设定阈值，如果是，表明匹配成功，记录匹配信息，结束流程；如果否，则执行步骤3.4；
步骤3.4，判断j是否等于m；如果是，则代表已完成对m个外边界矩形的匹配，匹配失败；如果否，则令j＝j+1，返回步骤3.3。
优选的，外边界矩形列表中，记录每个外边界矩形以下信息：外边界矩形的左上角坐标、外边界矩形的宽度和外边界矩形的高度。
优选的，采用以下方法，计算第j子图区域和模板图像Tj的相似度距离：欧氏距离算法、曼哈顿距离算法、堪培拉距离算法、切比雪夫距离算法、马氏距离算法、豪斯多夫距离算法和汉明距离算法。
本发明提供的一种基于图层特性的缩放图像模板匹配方法具有以下优点：
本发明提供的一种基于图层特性的缩放图像模板匹配方法，有效解决缩放图像模板的匹配问题，且大大提升匹配效率。
附图说明
图1为本发明提供的一种基于图层特性的缩放图像模板匹配方法的流程示意图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供的一种基于图层特性的缩放图像模板匹配方法，有效解决缩放图像模板的匹配问题，且大大提升匹配效率。
参考图1，本发明提供的基于图层特性的缩放图像模板匹配方法，包括以下步骤：
步骤1，设源图像S包括n个图层；n个图层和源图像S的图像尺寸相同；
步骤2，对于n个图层，按由上向下的顺序，依次表示为：图层C1,图层C2,...,图层Cn；
在n个图层中，获取所有单个图层的外边界矩形，任意两个图层按序叠加后形成的图像的外边界矩形，任意三个图层按序叠加后形成的图像的外边界矩形,...,直到n个图层叠加后形成的图像的外边界矩形，由此形成外边界矩形列表；其中，按序叠加是指：保持图层之间上下相对位置不变；图像的外边界矩形是指：图像的外边界包络矩形；设外边界矩形列表包括m个外边界矩形；
例如，假如n＝3，则共有3个图层，分别为：图层C1,图层C2,图层C3；记录的外边界矩形列表包括：(1)单个图层的外边界矩形：图层C1的外边界矩形，图层C2的外边界矩形，图层C3的外边界矩形；(2)任意两个图层按序叠加后形成的图像的外边界矩形：图层C1和图层C2序叠加后形成的图像的外边界矩形，图层C1和图层C3序叠加后形成的图像的外边界矩形，图层C2和图层C3序叠加后形成的图像的外边界矩形；(3)任意三个图层按序叠加后形成的图像的外边界矩形：图层C1、图层C2和图层C3按序叠加后形成的图像的外边界矩形。因此，一共有7个外边界矩形，并且，这7个外边界矩形的位置以及长宽尺寸并不相等。
实际应用中，外边界矩形列表中，记录每个外边界矩形以下信息：外边界矩形的左上角坐标、外边界矩形的宽度和外边界矩形的高度。
例如：记录第i个外边界矩形以下信息：左上角坐标(xi,yi)、宽度wi、高度hi。
步骤3，模板图像匹配过程：
步骤3.1，设需要匹配的模板图像为模板图像T；
步骤3.2，令j＝1；
步骤3.3，在源图像S的表面，首先定位到第j个外边界矩形对应的第j子图区域；然后，将模板图像T缩放，得到与第j个外边界矩形尺寸相同的模板图像Tj；计算第j子图区域和模板图像Tj的相似度距离，判断该相似度距离是否小于设定阈值，如果是，表明匹配成功，记录匹配信息，结束流程；如果否，则执行步骤3.4；
实际应用中，可以采用但不限于以下算法，计算第j子图区域和模板图像Tj的相似度距离：欧氏距离算法、曼哈顿距离算法、堪培拉距离算法、切比雪夫距离算法、马氏距离算法、豪斯多夫距离算法和汉明距离算法。
步骤3.4，判断j是否等于m；如果是，则代表已完成对m个外边界矩形的匹配，匹配失败；如果否，则令j＝j+1，返回步骤3.3。
本发明提供的一种基于图层特性的缩放图像模板匹配方法，有效解决模板匹配时模板图像缩放的匹配问题，且大大提升计算效率。其原理是：源图像S(如PSD设计稿)由多个图层叠加而成，模板图像T由一个或多个图层叠加而成。由此可推导得出模板图像T的外边界矩形坐标必然与源图像S匹配区域的外边界矩形坐标重叠。遍历由外边界矩形坐标组成的外边界矩形区域，计算源图像中每个外边界矩形区域与缩放到外边界矩形尺寸的模板图像的距离，若距离小于阈值，则该外边界矩形区域即为匹配区域。
本发明提供的一种基于图层特性的缩放图像模板匹配方法，具有以下优点：
(1)设源图像S宽度、高度分别为为w、h，外边界矩形数量为m，实践中：m<<w*h(<<表示远远小于)。也就是说，本发明，只需要遍历m个外边界矩形，而传统的模板匹配方法，需要遍历源图像S的每个像素，遍历数量为w*h个，因此，遍历外边界矩形的效率远高于遍历源图像的每个像素的效率，本发明算法拥有较高效率。
(2)本发明提出一种基于图层特性的缩放图像模板匹配方法，在UI设计稿分析等领域具备应用场景，有效解决传统模板匹配算法无法匹配缩放图的局限。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (3)

1.一种基于图层特性的缩放图像模板匹配方法，其特征在于，包括以下步骤：
步骤1，设源图像S包括n个图层；n个图层和源图像S的图像尺寸相同；
步骤2，对于n个图层，按由上向下的顺序，依次表示为：图层C1,图层C2,...,图层Cn；
在n个图层中，获取所有单个图层的外边界矩形，任意两个图层按序叠加后形成的图像的外边界矩形，任意三个图层按序叠加后形成的图像的外边界矩形,...,直到n个图层叠加后形成的图像的外边界矩形，由此形成外边界矩形列表；其中，按序叠加是指：保持图层之间上下相对位置不变；图像的外边界矩形是指：图像的外边界包络矩形；设外边界矩形列表包括m个外边界矩形；
步骤3，模板图像匹配过程：
步骤3.1，设需要匹配的模板图像为模板图像T；
步骤3.2，令j＝1；
步骤3.3，在源图像S的表面，首先定位到第j个外边界矩形对应的第j子图区域；然后，将模板图像T缩放，得到与第j个外边界矩形尺寸相同的模板图像Tj；计算第j子图区域和模板图像Tj的相似度距离，判断该相似度距离是否小于设定阈值，如果是，表明匹配成功，记录匹配信息，结束流程；如果否，则执行步骤3.4；
步骤3.4，判断j是否等于m；如果是，则代表已完成对m个外边界矩形的匹配，匹配失败；如果否，则令j＝j+1，返回步骤3.3。
2.根据权利要求1所述的一种基于图层特性的缩放图像模板匹配方法，其特征在于，外边界矩形列表中，记录每个外边界矩形以下信息：外边界矩形的左上角坐标、外边界矩形的宽度和外边界矩形的高度。
3.根据权利要求1所述的一种基于图层特性的缩放图像模板匹配方法，其特征在于，采用以下方法，计算第j子图区域和模板图像Tj的相似度距离：欧氏距离算法、曼哈顿距离算法、堪培拉距离算法、切比雪夫距离算法、马氏距离算法、豪斯多夫距离算法和汉明距离算法。
CN202110895102.4A 2021-08-04 2021-08-04 一种基于图层特性的缩放图像模板匹配方法 Active CN113537388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110895102.4A CN113537388B (zh) 2021-08-04 2021-08-04 一种基于图层特性的缩放图像模板匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110895102.4A CN113537388B (zh) 2021-08-04 2021-08-04 一种基于图层特性的缩放图像模板匹配方法

Publications (2)

Publication Number Publication Date
CN113537388A CN113537388A (zh) 2021-10-22
CN113537388B true CN113537388B (zh) 2023-08-11

Family

ID=78090510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110895102.4A Active CN113537388B (zh) 2021-08-04 2021-08-04 一种基于图层特性的缩放图像模板匹配方法

Country Status (1)

Country Link
CN (1) CN113537388B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7003169B1 (en) * 1999-05-26 2006-02-21 France Telecom Variable transformation hierarchical image coding
JP2013097084A (ja) * 2011-10-31 2013-05-20 Mitsubishi Electric Corp 地図画像生成装置
CN103925911A (zh) * 2014-04-23 2014-07-16 杭州师范大学 柔性线路板校正台的参照目标检测方法
CN105761237A (zh) * 2015-12-15 2016-07-13 江南大学 基于mean shift的芯片X光图像层次分割
CN106920211A (zh) * 2017-03-09 2017-07-04 广州四三九九信息科技有限公司 美颜处理方法、装置以及终端设备
CN109631829A (zh) * 2018-12-17 2019-04-16 南京理工大学 一种自适应快速匹配的双目测距方法
CN111666442A (zh) * 2020-06-02 2020-09-15 腾讯科技（深圳）有限公司 一种图像检索方法、装置及计算机设备
CN112307720A (zh) * 2020-10-29 2021-02-02 南京航空航天大学 基于psd文档的html设计模板自动转换方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE528724T1 (de) * 2002-08-30 2011-10-15 Mvtec Software Gmbh Auf hierarchischen gliedern basierte erkennung von gegenständen
US9070207B2 (en) * 2007-09-06 2015-06-30 Yeda Research & Development Co., Ltd. Modelization of objects in images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7003169B1 (en) * 1999-05-26 2006-02-21 France Telecom Variable transformation hierarchical image coding
JP2013097084A (ja) * 2011-10-31 2013-05-20 Mitsubishi Electric Corp 地図画像生成装置
CN103925911A (zh) * 2014-04-23 2014-07-16 杭州师范大学 柔性线路板校正台的参照目标检测方法
CN105761237A (zh) * 2015-12-15 2016-07-13 江南大学 基于mean shift的芯片X光图像层次分割
CN106920211A (zh) * 2017-03-09 2017-07-04 广州四三九九信息科技有限公司 美颜处理方法、装置以及终端设备
CN109631829A (zh) * 2018-12-17 2019-04-16 南京理工大学 一种自适应快速匹配的双目测距方法
CN111666442A (zh) * 2020-06-02 2020-09-15 腾讯科技（深圳）有限公司 一种图像检索方法、装置及计算机设备
CN112307720A (zh) * 2020-10-29 2021-02-02 南京航空航天大学 基于psd文档的html设计模板自动转换方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能相机在实时眼动识别中的应用;倪怡雯等;《电子技术应用》;第39卷(第11期);89-95 *

Also Published As

Publication number Publication date
CN113537388A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN110378345B (zh) 基于yolact实例分割模型的动态场景slam方法
CN103578125B (zh) 图像处理设备和图像处理方法
WO2019042426A1 (zh) 增强现实场景的处理方法、设备及计算机存储介质
CN110163912B (zh) 二维码位姿标定方法、装置及系统
CN113064407B (zh) 全区域覆盖的清扫方法、装置、清扫机器人及存储装置
WO2022179002A1 (zh) 图像匹配方法、装置、电子设备以及存储介质
He et al. Fully Automatic Multi-Organ Segmentation Based on Multi-Boost Learning and Statistical Shape Model Search.
WO2021051868A1 (zh) 目标的定位方法及装置、计算机设备、计算机存储介质
US11645846B2 (en) Closed-loop detecting method using inverted index-based key frame selection strategy, storage medium and device
JP2011043969A (ja) 画像特徴点抽出方法
CN102521597A (zh) 一种基于分级策略的影像直线特征匹配方法
CN102194121A (zh) 改进的最大类间方差法在舌像裂纹识别中的应用
CN114596592B (zh) 一种行人重识别方法、系统、设备及计算机可读存储介质
KR20210049655A (ko) 특징맵 생성방법 및 특징맵 생성장치
CN104850232B (zh) 一种摄像头条件下获取远程手势轨迹的方法
CN113240716A (zh) 一种多特征融合的孪生网络目标跟踪方法及系统
CN113537388B (zh) 一种基于图层特性的缩放图像模板匹配方法
Sun et al. Uni6Dv2: Noise elimination for 6D pose estimation
CN111127542B (zh) 一种基于图像的非合作目标对接环提取方法
CN113159103A (zh) 图像匹配方法、装置、电子设备以及存储介质
US20200320711A1 (en) Image segmentation method and device
KR102492230B1 (ko) 영상 워핑을 이용한 번호판 검출 장치 및 방법
Xing et al. An improved algorithm on image stitching based on SIFT features
CN103971086A (zh) 一种车头定位方法及装置
JP5438574B2 (ja) 画像探索方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant