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Ci与灰度模板T进行比对，计算像素块Ci与灰度模板T的相似区域；根据每个像素块Ci相似区域得到一个子图Ki，将矢量角度θ相等的T的灰度共生矩阵与Ki的灰度共生矩阵计算特征参数Con和Cor的相似距离；对T和Ki的8个灰度共生矩阵的距离求总和得到对应T和Ki的距离D′；选择D′最小的Ki记为Kmin，这个Kmin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。
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Ci，i＝
步骤(3).按照像素块Ci编号的顺序，将图像I的像素块Ci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TZ，该像素子块矩阵TZ的宽度为NW，高度为NH；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TZ，计算每个像素子块矩阵TZ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(Px，Py)的出现次数为n ，
条件1：灰度值等于x的像素点Px和灰度值等于y的像素点Py的距离为d；
条件2：以Px为矢量起点、以Py为矢量终点所构成矢量角度为θ；
则出现次数n 为灰度共生矩阵在(x，y)处的元素值；
根据像素子块矩阵TZ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，其中，
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TZ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：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).Ci的当前像素点P′1从划分块Ci的右下角开始，按照先从右到左、再从下到上的顺序在Ci中以一个像素单位进行移动，以Ci的当前像素点P1′与划分块Ci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；Ci的当前像素点P′1在划分块Ci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；
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Ci的当前像素点P′1在划分块Ci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Ci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Ci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：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TZ与当前像素点P′1从划分块Ci的右下角开始以先从右到左、再从下到上的顺序在Ci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TZ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TZ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TZ和T′Z的距离D；对灰度模板T和划分块Ci的所有对应的TZ和T′Z的距离D进行排序，获得D最小的TZ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Si；
(f).计算图像I的每个划分块Ci的Si，移动像素点Si的个数与图像I的划分块的个数是相等；对每一个Si，将Si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Ki，按照步骤(a)的定义计算每个像素子块矩阵Ki的灰度共生矩阵G″(x，y，d，θ)的特征参数Con和Cor，每个Ki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Ki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Ki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Ki的距离D′；对所有的Ki和T的距离D′，选择D′最小的Ki记为Kmin，这个Kmin为与模板T匹配的图像子图。
一种基于灰度共生矩阵的灰度模板匹配方法
技术领域
[0001] 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
[0002] 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
[0003] 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。
[0004] 本发明方法的具体步骤是：
[0005] 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；
[0006] 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Ci，i＝1，2，3…；
[0007] 步骤(3).按照像素块Ci编号的顺序，将图像I的像素块Ci与灰度模板T进行比对，具体的比对方法是：
[0008] (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TZ，该像素子块矩阵TZ的宽度为NW，高度为NH；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TZ，计算每个像素子块矩阵TZ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；
[0009] 同时符合以下条件的像素对(Px，Py)的出现次数为n(x，y，d，θ)，[0010] 条件1：灰度值等于x的像素点Px和灰度值等于y的像素点Py的距离为d，d＝1，[0011] 条件2：以Px为矢量起点、以Py为矢量终点所构成矢量角度为θ；θ＝0°，45°，90°，135°，180°，225°，270°，315°
[0012] 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；
[0013] 根据像素子块矩阵TZ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，
[0014]
[0015]
[0016] 其中，
[0017] (b).把像素子块矩阵TZ划分为四个区域：
[0018] 像素子块矩阵TZ的右下角的一个像素点为区域D；
[0019] 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；
[0020] 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；
[0021] 像素子块矩阵TZ去除区域B、C、D后的所有像素点的集合为区域A；
[0022] 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：
[0023]
[0024] 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；
[0025] 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；
[0026] (c).Ci的当前像素点P′1从划分块Ci的右下角开始，按照先从右到左、再从下到上的顺序在Ci中以一个像素单位进行移动，以Ci的当前像素点P′1与划分块Ci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；Ci的当前像素点P′1在划分块Ci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；
[0027] (d).把像素子块矩阵T′Z划分为四个区域：
[0028] 像素子块矩阵T′Z的左上角的一个像素点为区域H；
[0029] 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；
[0030] 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；
[0031] 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；
[0032] 区域E是Ci的当前像素点P′1在划分块Ci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Ci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Ci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：
[0033]
[0034] 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；
[0035] 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；
[0036] (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TZ与当前像素点P′1从划分块Ci的右下角开始以先从右到左、再从下到上的顺序在Ci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TZ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TZ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TZ和T′Z的距离D；对灰度模板T和划分块Ci的所有对应的TZ和T′Z的距离D进行排序，获得D最小的TZ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Si；
[0037] (f).计算图像I的每个划分块Ci的Si，移动像素点Si的个数与图像I的划分块的个数是相等；对每一个Si，将Si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Ki，按照步骤(a)的定义计算每个像素子块矩阵Ki的灰度共生矩阵G″(x，y，d，θ)的特征参数Con和Cor，每个Ki将有8个不同的灰度共生矩阵；
[0038] 将矢量角度θ相等的T的灰度共生矩阵G(x，y，d，θ)与Ki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Ki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Ki的距离D′；对所有的Ki和T的距离D′，选择D′最小的Ki记为Kmin，这个Kmin为与模板T匹配的图像子图。
[0039] 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
[0040] 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：
[0041] 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。
[0042] 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Ci，i＝1，2，3…。
[0043] 步骤(3).按照像素块Ci编号的顺序，将图像I的像素块Ci与灰度模板T进行比对，具体的比对方法是：
[0044] (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TZ，该像素子块矩阵TZ的宽度为NW，高度为NH；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TZ，计算每个像素子块矩阵TZ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；
[0045] 同时符合以下条件的像素对(Px，Py)的出现次数为n(x，y，d，θ)，[0046] 条件1：灰度值等于x的像素点Px和灰度值等于y的像素点Py的距离为d，d＝1，[0047] 条件2：以Px为矢量起点、以Py为矢量终点所构成矢量角度为θ；θ＝0°，45°，90°，135°，180°，225°，270°，315°
[0048] 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；
[0049] 根据像素子块矩阵TZ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，
[0050]
[0051]
[0052] 其中，
[0053]
[0054] (b).把像素子块矩阵TZ划分为四个区域：
[0055] 像素子块矩阵TZ的右下角的一个像素点为区域D；
[0056] 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；
[0057] 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；
[0058] 像素子块矩阵TZ去除区域B、C、D后的所有像素点的集合为区域A；
[0059] 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：
[0060]
[0061] 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；
[0062] 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；
[0063] (c).Ci的当前像素点P′1从划分块Ci的右下角开始，按照先从右到左、再从下到上的顺序在Ci中以一个像素单位进行移动，以Ci的当前像素点P′1与划分块Ci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；Ci的当前像素点P′1在划分块Ci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；
[0064] (d).把像素子块矩阵T′Z划分为四个区域：
[0065] 像素子块矩阵T′Z的左上角的一个像素点为区域H；
[0066] 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；
[0067] 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；
[0068] 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；
[0069] 区域E是Ci的当前像素点P′1在划分块Ci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Ci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Ci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
