Hausdorff距离--模板匹配

Hausdorff距离是描述两组点集之间相似程度的一种量度,它是两个点集之间距离的一种定义形式:假设有两组集合A={a1,…,ap},B= {b1,…,bq},则这两个点集合之间的Hausdorff距离定义为H(A,B)=max(h(A,B),h(B,A)) (1)

  其中,

  h(A,B)=max(a∈A)min(b∈B)‖a-b‖ (2)

  h(B,A)=max(b∈B)min(a∈A)‖b-a‖ (3)

  ‖·‖是点集A和B点集间的距离范式(如:L2或Euclidean距离).

  这里,式(1)称为双向Hausdorff距离,是Hausdorff距离的最基本形式;式(2)中的h(A,B)和h(B,A)分别称为从A集合到
B集合和从B集合到A集合的单向Hausdorff距离.即h(A,B)实际上首先对点集A中的每个点ai到距离此点ai最近的B集合中点bj之间的距离
‖ai-bj‖进行排序,然后取该距离中的最大值作为h(A,B)的值.h(B,A)同理可得.

  由式(1)知,双向Hausdorff距离H(A,B)是单向距离h(A,B)和h(B,A)两者中的较大者,它度量了两个点集间的最大不匹配程度.

时间: 2024-10-30 16:29:32

Hausdorff距离--模板匹配的相关文章

Hausdorff距离

微分动力系统原理 这本书里有介绍 Hausdorff距离是描述两组点集之间相似程度的一种量度,它是两个点集之间距离的一种定义形式:假设有两组集合A={a1,…,ap},B={b1,…,bq},则这两个点集合之间的Hausdorff距离定义为H(A,B)=max(h(A,B),h(B,A)) (1) 其中, h(A,B)=max(a∈A)min(b∈B)|a-b| (2) h(B,A)=max(b∈B)min(a∈A)|b-a| (3) |·|是点集A和B点集间的距离范式(如:L2或Euclide

模式识别之目标跟踪---最简单的目标跟踪方法--------模板匹配与相关系数法

前言 模板匹配和相关系数法是目标跟踪的经典方法,它的优点有很多:简单准确,适用面广,抗噪性好,而且计算速度快.缺点是不能适应剧烈光照变化和目标剧烈形变. 所谓模板匹配法,就是指在一帧图像内寻找目标模板的位置,和模板最像的地方就是目标了.只要把全图的所有子区域和目标模板比较一下,找到最像目标模板的子区域,它就是目标的位置.如何度量子区域和目标模板的相似程度呢?最简单的办法就是计算这二者的相关系数. 相关系数 相关系数(r)是一种数学距离,可以用来衡量两个向量的相似程度.它起源于余弦定理:cos(A

opencv笔记(二十二)——模板匹配 template matching

模板匹配就是在给定一幅图像和一幅模板(一般模板比图像的尺寸小很多)的情况下,找到这个图像中最最相似于模板的位置,比如 第一幅是给定的图片,第二幅是模板,第三幅就是搜索到的匹配的位置. 这个搜索的过程,我没有在源码中求索,但是根据tutorial,应该是采用sliding window的方法,利用滑动的窗口,逐像素进行匹配.这个逐像素的意思,就是锚定某个像素之后,在这个像素的右边和下方,以template的宽度和高度的距离的范围内,进行模板与图像的相似度计算. 这种方法和行人检测中常用的方法类似.

halcon 模板匹配 -- find_shape_model

find_shape_model(Image : :  //搜索图像 ModelID, //模板句柄 AngleStart,  // 搜索时的起始角度 AngleExtent, //搜索时的角度范围,必须与创建模板时的有交集 MinScore, //最小匹配值,输出的匹配的得分Score 大于该值 NumMatches, //定义要输出的匹配的最大个数 MaxOverlap, //当找到的目标存在重叠时,且重叠大于该值时选择一个好的输出 SubPixel, //计算精度的设置,五种模式,多选2,

图像相似度测量与模板匹配总结

摘要 本文主要总结了进行目标跟踪.检测中经常使用到的图像相似度测量和模板匹配方法,并给出了具体的基于OpenCV的代码实现. 引言 模板匹配是一种在源图像中寻找与图像patch最相似的技术,常常用来进行目标的识别.跟踪与检测.其中最相似肯定是基于某种相似度准则来讲的,也就是需要进行相似度的测量.另外,寻找就需要在图像上进行逐行.逐列的patch窗口扫描,当然也不一定需要逐行逐列的扫描,当几个像素的误差比计算速度来的不重要时就可以设置扫描的行列步进值,以加快扫描和计算的时间消耗.下面就对相似度测量

模式识别—最邻近模板匹配法

简介 在模式识别中一个最基本的方法,就是模板匹配法(template matching),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. 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,已知原始图像S(W,H),如图所示: 利用以下

模板匹配

欧式距离 || 图像处理中任意核卷积(matlab中conv2函数)的快速实现 || 解析opencv中Box Filter的实现并提出进一步加速的方案(源码共享) 标准的基于欧式距离的模板匹配优化源码和实现 解析opencv中Box Filter的实现并提出进一步加速的方案(源码共享) 原文地址:https://www.cnblogs.com/LieYanAnYing/p/12404930.html

opencv学习之路(21)、模板匹配及应用

一.模板匹配概念 二.单模板匹配 1 #include "opencv2/opencv.hpp" 2 #include <iostream> 3 using namespace std; 4 using namespace cv; 5 6 void main() 7 { 8 Mat temp=imread("E://mu.jpg"); 9 Mat src=imread("E://lena.jpg"); 10 Mat dst=src.c

基于opencv的视频流 模板匹配 (灰度化 二值化 )

#include <cv.h> #include <highgui.h> #include <windows.h> // 获取直方图 // 1. pImageData 图像数据 // 2. nWidth 图像宽度 // 3. nHeight 图像高度 // 4. nWidthStep 图像行大小 // 5. pHistogram 直方图 BOOL GetHistogram(unsigned char *pImageData, int nWidth, int nHeigh