图象模板匹配技术在探针台系统中的应用

摘    要  主要论述了数字图像处理技术在探针台系统中的参考点的个数，相关计算量为计算每一个搜索参考点是计算模板和搜索子图相似性所需要的计算量。所以提高匹配效率就应该从减少这两个数来进行。下面讨论的抽样点的互相关匹配算法就是减少了相关计算量，而分层匹配的互相关算法则从减少搜索位置数来提高匹配速度。

    图象模板匹配的关键是对模板和搜索子图进行相似性的检测，这种检测建立在模板和搜索子图灰度信息的基础上，利用的图象灰度信息越多越可以更好地度量两者之间的相似程度。然而应用中利用的图象信息对少与匹配实现的速度有很大的关系，利用的信息越多，需要的计算量就会越大，匹配速度会越低。图象模板匹配的算法研究是在满足一定的匹配精度的情况下，尽量减少计算量。

     抽样点匹配的内容，类比这一过程，本节提出基于图象金字塔模型的分层图象匹配方法。

    算法的实现过程如下：

    首先，将搜索图 S(i,j)和模板T(m,n) 进行相同的分层处理，方法是在图象上等间隔跳跃地取点（采样），在图象的行的方向和列的方向上可以间隔不同。从而得到一个分辨率较低和维数较小的图象。比如对 像素的图进行分层，每个三个像素点取一个点，那么得到新图象为 像素，这样的结果将使搜索位置数大大减少。

    其次，先粗后细的匹配过程。在粗匹配中找到具有叫高匹配值的潜在的位置，设定适当的采样间隔，降低图象的维数。应用基本的模板匹配方法找到粗匹配位置，经过粗匹配就是要尽最大可能地剔除非匹配的位置。精匹配是在粗匹配给定的位置的基础上进行精度较高的匹配过程，匹配方法要有较高的精度。逐步恢复原来的分辨率进行精匹配。最后给出匹配的最佳结果。

    模板的匹配过程分为粗匹配过程和精匹配过程。两个匹配过程可以采用不同的匹配方法，进行不同的组合。在粗匹配过程中，可以选择运算量小计算速度快的算法。在精匹配过程中，要选用精度较高的算法。

2.3 几种互相关算法的实验数据

本实验选取一张240×240pixel的灰度图作为搜索的目标图片，在其中选取了从40×40pixel到140×140pixel的图片作为模板，如图3所示。其中表1是利用Evision软件的模板匹配算法进行模板匹配的结果，该软件采用了亚像素插值算法，匹配结果的精度从像素级提高到了亚像素级别。表2是采用抽样点的互相关模板匹配算法，在模板中将抽样点控制在121个点，这些点均匀地分布在模板图象中。从实验的结果可以看出，匹配的精度与Evision软件的匹配结果相同，只是没有进行亚像素插值。匹配的时间随图片的增大而减小，这是由于抽样点的匹配算法忽略了模板大小对相关计算量的影响，只与搜索的位置数有关。随着模板尺寸的增大，搜索位置数减少，从而减少了总计算量。表3是采用分层匹配算法，在粗匹配过程和精匹配过程中都采用了互相关算法。