图像匹配是机器视觉技术中一种自动寻找图像中某个指定图案或物品中某个指定部件的算法，通常用于定位视野中的某个部分或某个目标物体，用以判断目标物或图案是否存在于视野中。因其可靠的视觉算法，能用于引导机器人、寻找药片上的图案和其他各种科学实验。

几何特征匹配是一种先进的基于图像边缘的识别算法。它通过查找边缘，提取角点、线段、矩形、圆形、T形等几何形状，然后再基于这些几何形状进行图像匹配，优点在于只要图像放大或缩小在50%范围内，无论旋转、倒置还是交叠，无论光线明暗变化，都不影响几何特征的识别。

通过几何匹配算法，上图的T形工件和L形工件都能被机器人准确识别并挑出和归类放置。

图像灰度匹配

灰度匹配基于视野图像的灰度值，通过计算与模板灰度分布的相似度来定位目标，也被称为归一化灰度匹配。

1、图形匹配为什么要灰度化？

灰度化处理就是将一幅彩色图像转化为灰度图像的过程。灰度化目的就是为了简化矩阵，提高运算速度。彩色图像中的每个像素颜色由R\G\B三个分量来决定，每个分量的取值范围都在0-255，因此每个像素点就会有250*256*256=1677216种颜色的可能性。而灰度图像对计算机来说，每个像素点只有0-255这256种颜色。

灰度值样表

以识别电路板上的集成电路（ICs)为例，用灰度匹配来检测电路板上是否安装了集成电路。

首先挑选一张清晰高质的图像作为模板如下图紫色方框。

当视野中的图像按组逐个扫描并计算出灰度值，算法将模板的灰度值同扫描的灰度值分组进行对比，找出最高相似度的组并进行区域定位。

虽然灰度化后的灰度组合矩阵已经变小，但若将像素值逐个对行对比计算，运算速度还是会很慢。采用分组分级匹配就能很快找出最高相似度的组。第一层匹配基于低分辨率图像的模糊比对，搜索出可能匹配的组，第二层匹配仅对该组较高质量的图像进行比对。重复以上步骤，最终锁定完全匹配的组，然后返回位置信息。

2、分组匹配算法是如何计算灰度相似性的？

灰度相似系数通过计算后输出匹配度为P，P是模板（M）和目标图像（I）的对比区域协方差除以模板和目标图像各自标准差的乘积。

灰度匹配的相似系数为标准化的协方差，因此值为0到1。1代表完全相似，0代表不存在相似性。

3、为什么将灰度归一化

在目标图像与模板的灰度分布对比过程中，将值P限定在一定的范围内【0，1】，从而来减少因照明变化引起的目标图像灰度极端样本的不良影响。归一化包括计算目标图像每个像灰度值和整个目标图像的平均灰度值，并将其调整至模板灰度值范围内，以此输出更准确的匹配结果。

4、灰度匹配的优缺点

灰度匹配算法只需要通过匹配图形中每个像素灰度值就能查找图案，所以它快速高效但是不稳定，灰度值特别受光照的影响。虽然旋转和形变不一定影响灰度匹配，但是图尺寸改变、非平放或交叠则无法进行灰度相似性识别，因此这种算法不能用于无法控制照明和上述条件限制的应用中，这时几何匹配可能更适合。

能正确识别的图像

5、灰度匹配的应用

灰度匹配常在半导体生产中的各环节用于检测重要部件是否正确安装。

例：上图案例使用灰度匹配算法来定位半导体图像中的加号[+]。该算法可多重定位，即使在亚像素精度下，也能识别轻微旋转或变形的目标图案。

可以关注我们微信公众号并留言哦