Spiegazione della correlazione incrociata e della normalizzazione per il modello di corrispondenza di openCV

Question

Il mio capo e io non siamo d'accordo su cosa sta succedendo con il metodo CV_TM_CCORR_NORMED per matchTemplate(); in openCV.

Puoi spiegare cosa sta succedendo qui, in particolare l'aspetto della radice quadrata di questa equazione.

Answer 1

La correlazione è la somiglianza di due segnali, vettori ecc Supponiamo di avere vettori

template=[0 1 0 0 1 0 ] A=[0 1 1 1 0 0] B =[ 1 0 0 0 0 1] 

se si esegue la correlazione tra i vettori e template per ottenere che uno è più simile, si vedrà A è simile a template più di B perché gli 1 sono posizionati in indici corrispondenti. Ciò significa che più elementi diversi da zero corrispondono alla maggiore correlazione tra i vettori.

Nelle immagini in scala di grigi i valori sono nella gamma di 0-255.Let di fare quello:

template=[10 250 36 30] A=[10 250 36 30] B=[220 251 240 210].

Qui è evidente che A è lo stesso ma template correlazione tra B e template è maggiore di A e template .In normalizzato trasversale parte correlazione denominatore di formula è risolvere questo problema. Se controlli la formula qui sotto puoi vedere che il denumeratore per B(x)template sarà molto più grande di A(x)template.

Formula come indicato nella documentazione OpenCV:

In pratica se si utilizza correlazione incrociata, se c'è una luminosità in una parte di un'immagine, la correlazione tra la parte e il modello sarà larger.But se usi la correlazione incrociata normalizzata otterrai risultati migliori.

Riflessione formula è la seguente:

Prima moltiplicazione elemento per elemento si sta normalizzando due matrixes.By dividendo radice quadrata somma di tutti gli elementi di matrice si rimuove il guadagno, se tutti gli elementi sono grandi quindi il divisore è grande.

Pensa di dividere la somma di tutti gli elementi nella matrice. Se il valore di un pixel si trova in un'area più luminosa, i suoi valori di pixel vicini saranno alti. Dividendo la somma del suo vicinato stai rimuovendo l'effetto di illuminazione. Questo è per l'immagine elaborazione in cui i valori dei pixel sono sempre positivi. Ma per la matrice 2D potrebbero esserci dei valori negativi, quindi la quadratura ignora il segno.