opencv中的TM_CCORR和TM_CCOEFF是什么意思？

opencv中的TM_CCORR和TM_CCOEFF是什么意思？我发现TM_CCORR代表相关系数。然而，由于其命名，TM_CCOEFF煤层也可能是相关系数

你知道abbrevations代表什么吗？

TM_SQDIFF=T安置MATCHSquareDiff

TM\U CCEFF=T侵位MATCHC相关系数icient

TM\U CCORR=TemplateMatchingCorrelation？？？

正如HansHire提到的那样，在窗口幻灯片中显示了用于像素求和的公式。此外，示例还包括：

TM_CCOEFF

请注意，文档中说：

您可以看到，使用cv2.TM_CCORR的结果并不像我们预期的那样好

如果您想使用始终保持不变的屏幕截图或图像部分（a-la）（而不是照明/变换可以改变的真实世界的相机帧），请使用

匹配模板

，否则请尽量避免使用。它只适用于特定的用例，不同的求和函数在实际结果方面没有太大的差异

为了回答您对缩写

TM_CCORR

和

TM_cceeff

代表什么的评论：

我真的不知道，但这不会阻止我猜测：））

根据文档公式，我的直觉是，

TM\u CCORR

是模板和图像之间的直接（“最简单”）关联：

结果像素是模板中每个像素的模板像素和图像像素之间的点积之和

当模板在图像中“滑动”时，计算结果图像

TM_CCOEFF

但使用更复杂的“系数”（

T'

）代替当前模板像素（

T

）（

T（x′，y′）−1/（w）⋅h）⋅∑x〃，y〃T（x〃，y〃）

）（类似地（

I'

使用）

我对数学符号的理解非常有限，但从公式中可以看出，

CORR

版本与

COEFF

版本相比，考虑了模板和图像的尺寸以及像素强度的总和

另一种受支持的方法是

TM_SQDIFF

，正如简写名称所示，该方法使用模板和图像像素强度之间的平方距离

对于这三种主要方法中的每一种，都有规范化的版本

好的，这就是我对缩写的理解（例如，直接（点积）关联与更复杂（非双关语）关联）

但这意味着什么

实际上，我主要要注意的是，

TM_CCORR

和

TM_cceeff

最有可能匹配最亮的像素，而

TM_SQDIFF

则相反：最暗的值很可能匹配（参见链接的示例图像）

我会从

TM_CCOEFF

开始，然后如果当前图像的结果没有返回一致的结果，请修改参数，但如前所述，我只会将其用于非常非常受控的条件

对于不属于同一图像（A- La）的瓦尔多（）的截屏或模板的实时数据，我将查看对象检测（例如，用HOG作为特征描述符来训练SVM）< /P> < P>参见“OpenCV 3：用OpenCV库在C++中实现计算机视觉” 作者：阿德里安·凯勒，加里·布拉德斯基

书中说：

TM\u CCORR

=互相关

TM_CCOEFF

=相关系数

FWIW:The

−1/（w）⋅h）⋅∑在
TM_CCOEFF
方法中，x〃，y〃T（x〃，y〃）

仅用于a）使模板和图像零均值，b）使图像的暗部分为负值，而使图像的亮部分为正值

这意味着当模板和图像的明亮部分重叠时，点积中会得到正值，当黑暗部分与黑暗部分重叠时（-ve值x-ve值给出+ve值）。 这意味着您在亮部匹配和暗部匹配方面都获得+ve分数

当模板上有暗（-ve）和图像上有亮（+ve）时，将得到-ve值。当模板上有亮的（+ve）和图像上有暗的（-ve）时，也会得到-ve值。 这意味着你会在不匹配的情况下得到一个负分

---

另一方面，如果您没有

−1/（w）⋅h）⋅∑x〃，y〃T（x〃，y〃）

术语，即在

TM_CCORR

方法中，当模板和图像之间存在不匹配时，您不会得到任何惩罚。实际上，这种方法是测量图像中与模板形状相同的最亮像素集的位置。（这就是为什么徽标、足球和梅西腿部上方区域在匹配结果中具有高强度的原因）。

以下公式给出了T（x，y）的居中版本：

T′（x′，y′）=T（x′，y′）−1/（w）⋅h）⋅∑x′，y′T（x′，y′）

与I′稍有不同，因为它将I集中在内核（w，h）中

I′（x+x′，y+y′）=I（x+x′，y+y′）−1/（w）⋅h）⋅∑x′，y′I（x+x′，y+y′）

我认为理想情况下，TM_CCORR_NORMED和TM_cceff_NORMED应该给出类似的结果。 这种差异可能是由于计算机四舍五入造成的，因为TM_CCOEFF_NORMED通常在数字接近零的情况下运行

更新

T'=T-m，其中m是T的平均值

I'=I-I*M，其中M是大小为（w，h）的平均滤波器矩阵

其中U-为单位滤波器，锐度=U-M为锐度滤波器

所以，TM_CCOEFF是TM_CCORR的锐度

TM_CCORR

TM_CCOEFF  = T' * I' = (T - m) * (I - I * M) =
           = ((T - m) * I) * (U - M)
           = TM_CCORR * SHARPNESS - m * (I * SHARPNESS)