Une de calculer la somme des produits entre les

Une méthode de base de Template
Matching  utilise un convolution masque
(template), adapté à une caractéristique spécifique de l’image de recherche,
que nous voulons détecter. Cette technique est  réalisée sur des images en niveau de
gris , La sortie de convolution sera le plus élevé aux endroits
où la structure de l’ image correspond à la structure du masque, où
de grandes valeurs d’image se multiplient par les grandes valeurs de
masque.

Cette méthode est normalement mis en
œuvre par la première collecte à une partie de l’image de recherche à
utiliser comme modèle: Nous appellerons l’image de recherche S (x,
y) , où (x, y) représentent les coordonnées de chaque pixel dans
l’image de recherche .  le modèle T (x t ,
y t ) , où (x t ,
y t ) représentent les coordonnées de chaque pixel dans le
modèle. Le principe consiste à déplacer le centre du modèle T
(x t , y t ) sur chaque (x, y) point dans
l’image de recherche et de calculer la somme des produits entre les
coefficients de S (x, y) et T (x t ,
y t ) sur toute la surface couverte par le modèle. Comme
toutes les positions possibles du modèle par rapport à l’image de
recherche sont pris en compte, la position avec le score le plus
élevé est considérée la meilleure position. Ce procédé est parfois
appelé ” le filtrage spatial linéaire ” et le
modèle est appelé un masque filtrant.

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!


order now

Par exemple, une façon de traiter
les problèmes de traduction sur les images, en utilisant
un modèle correspondant est de comparer les intensités des pixels , en utilisant
la SAD ( Somme des différences absolues )
mesure.

Un pixel dans l’image de recherche à
l’ aide des coordonnées (x s , y s ) a
une intensité I s (x s , y s ) et
un pixel dans la matrice de coordonnées (x t ,
y t ) a une intensité I t (x t ,
y t ) . Ainsi , la différence absolue dans les intensités des pixels est défini
comme  Diff (x s , y s , x t ,
y t ) = | I s (x s , y s ) –
I t (x t , y t ) | .

 

{ Displaystyle SAD (x, y) = sum _
{i = 0} ^ {T _ { text {lignes}}} sum _ {j = 0} ^ {T _ { text {cols}}} {{
texte {}} diff (x + i, y + j, i, j)}}

La représentation mathématique de
l’idée de boucle à travers les pixels de l’image de recherche que nous
traduisons l’origine du modèle à chaque pixel et de prendre la mesure SAD est
la suivante:

{ Displaystyle sum _ {x = 0} ^ {S
_ { text {lignes}}} sum _ {y = 0} ^ {S _ { text {cols}}} {SAD (x, y)}}

S lignes et S cols definitivement les lignes et les colonnes de l’image de la recherche et les rangées et les cols désignés par les lignes et les colonnes de l’image modèle, respectivement. Dans cette méthode, le score le plus bas SAD donne l’estimation pour la meilleure position du modèle dans l’image de recherche. Méthode simple à mettre en place et à comprendre, mais il est l’un des plus