机器视觉模板匹配讲解（现场应用版）

B站  ：道传科技上位机   观看教程

一、专业术语

相机对比度：相机对比度是指图像中明暗区域最亮部分（白）与最暗部分（黑）之间的亮度差异程度‌，差异越大对比度越高，反之则越低。

贪婪（ Greediness ）： Halcon中的Greediness参数是find_shape_model函数的一个关键参数，用于控制搜索过程的贪婪度，即搜索策略的激进程度。

 ‌高精度需求场景‌：若模板与搜索图像相似度高且无复杂干扰，可适当降低Greediness以提高匹配准确性。

‌实时性优先场景‌：当需要快速定位目标且对匹配完整性要求不高时，可提高Greediness以加快搜索速度。 ‌

 “贪婪”的启发式搜索（0：安全但慢；1：快速但比赛可能会错过）。

亚像素（SubPixel） ：

Shape:SubPixel参数有很多值可以设置，不同的值可以实现不同的匹配精度和效果。其中none表示只提取像素精度的角度和位置，interpolation表示通过多项式插值得到亚像素精度的角度和位置，least_squares表示通过最小二乘法最小化轮廓距离得到亚像素精度的角度和位置，它们的精度依次增高。

Ncc: SubPixel参数有很多值可以设置，不同的值可以实现不同的匹配精度和效果。false   true    他们的精度依次提高

二、金字塔

金字塔：金字塔在图像处理中就像是用不同倍数的放大镜观察图片，Halcon用它来大幅提高匹配和检测的效率。

工作原理：先看缩小版的整幅画（找到大概区域），然后放大一点看候选区，最后在原图精确位置

金字塔为什么能加速？

顶层搜索：在极小图像上计算，1个像素相当于原图16x16区域

逐层传递：只把可能的位置传到下一层

最终计算量：比直接搜索原图减少50-90%

设置建议：高对比度目标：3-5层（如金属零件）；低对比度目标：1-3层（如医疗图像）； 超大图像：6-8层（如卫星图像）

三、形状匹配

形状匹配（Shape-Based Matching）

算法原理

基于目标的边缘或轮廓特征，使用金字塔分层搜索和相似性度量（如边缘方向差）。

应用场景

高精度定位、存在部分遮挡或光照变化的场景（如机械臂抓取）。

优点

抗光照变化和部分遮挡；支持旋转、缩放和多目标检测。

缺点

需要清晰的边缘特征；对模糊或低对比度图像效果差。

create_shape_model(TemplateImage, 'auto', 0, 0, 'auto', 'auto', 'use_polarity', 'auto', &ModelID);

find_shape_model(SearchImage, ModelID, 0, 0, 0.8, 1, 0.5, 'least_squares', 0, 0.9, &Row, &Column, &Angle, &Score);

四、组件匹配

组件匹配（create_component_model/find_component_model）

设计：

将目标分解为多个关键组件；每个组件独立匹配后组合评分；支持组件间弹性位移

组件配置策略：

选择高对比度区域作为组件；组件数量控制在3-5个；设置合理的组件最小尺寸(MinSize)

create_component_model(ValveTemplate, ['leaflet1','leaflet2','annulus'], 10, 30, 50, ModelID)

find_component_model(USImage, ModelID, 0.7, -0.2, 0.4, 0.6, 3, 0.3, 'true', 'deformable', Rows, Cols, Angles, Scores, CompIndices)

五、灰度匹配

归一化互相关匹配（create_ncc_model）

独特价值：

对线性光照变化免疫

适合低对比度场景

支持任意旋转角度

create_ncc_model(AlignmentMark, 'auto', 0, rad(360), 'auto', 'use_polarity', ModelID)

find_ncc_model(WaferImage, ModelID, 0, rad(360), 0.8, 1, 0.5, 'true', 0, Rows, Cols, Angles, Scores)

六、形状和灰度匹配比较

灰度匹配

‌场景一：纹理丰富的物体识别‌

适用于纹理丰富、形状变化不大的物体识别，如识别不同光照条件下的同一物体。

例如，在监控系统中识别同一车辆或行人，即使它们的位置或方向发生变化。

‌场景二：图像拼接和图像融合‌

在图像拼接和融合过程中，灰度匹配可以用于找到重叠区域，以便将不同视角的图像无缝连接。

‌场景三：基于内容的图像检索‌

在图像数据库中检索与查询图像内容相似的图像，不考虑物体的具体形状，只关注图像的灰度信息和纹理。

形状匹配

‌场景一：精确形状识别‌

适用于需要精确识别物体形状的应用，如工业检测中的零件形状验证、机器人抓取特定形状的物体等。

例如，在制造业中识别装配线上特定形状的零件。

‌场景二：轮廓分析‌

在需要对物体的轮廓进行分析的场景中，如道路标志识别、地形分析等。

例如，在地图绘制或地形分析中识别河流、道路等自然或人造边界。

‌场景三：模式识别和分类‌

在需要对物体进行分类或模式识别的应用中，形状特征可以提供关键信息。

例如，在医学图像中识别不同类型的细胞或组织结构。

优缺点比较

‌灰度匹配‌的优点在于其对纹理和光照变化的鲁棒性较好，适用于多种环境条件。但其缺点是可能对形状变化敏感，特别是在形状发生较大变化时。

‌形状匹配‌则对形状的变化更为敏感，能够提供关于物体结构的详细信息，但可能在纹理不丰富或光照条件多变的环境下表现不佳。

（注意：在去单一产品，存在叠料的情况下，需要使用灰度匹配）