一、基于灰度值的模板匹配
1. 基本原理
基于灰度值的匹配通过衡量模板图像（T）与待匹配图像（S）子区域的灰度相似性实现定位，核心是计算归一化积相关系数（NCC），公式如下：
(R(i,j) = \frac{\sum{m=1}^{M}\sum{n=1}^{N} T(m,n) \cdot S{i,j}(m,n)}{\sqrt{\sum{m=1}^{M}\sum{n=1}^{N} T(m,n)^2 \cdot \sum{m=1}^{M}\sum{n=1}^{N} S{i,j}(m,n)^2}})
(R(i,j) \in [-1,1])，值越接近 1，匹配度越高。
原理：模板在待匹配图像上滑动，计算每个位置的 NCC 值，最大值对应最佳匹配位置。
2. 序贯相似性检测算法（SSDA）
为提高效率，SSDA 通过累加误差阈值判断提前终止非匹配区域的计算：
定义绝对误差：(|S_{i,j}(m,n) - T(m,n)|)；
设定阈值(T_k)，随机选取像素点累加误差，若超过(T_k)则标记为非匹配区域，记录累加次数r；
r越大，匹配度越高（匹配区域需更多计算才可能超过阈值）。
3. Halcon 灰度匹配算子及实例
核心算子
create_ncc_model(Template, NumLevels, AngleStart, AngleExtent, AngleStep, Metric, ModelID)：创建 NCC 模板find_ncc_model(Image, ModelID, AngleStart, AngleExtent, MinScore, NumMatches, ..., Row, Column, Angle, Score)：搜索最佳匹配
实例：SMD 芯片匹配
dev_update_off () read_image (Image, 'smd/smd_on_chip_05') // 读取图像 get_image_size (Image, Width, Height) dev_open_window (0, 0, Width, Height, 'black', WindowHandle) dev_set_color ('green') dev_set_draw ('margin') // 定义模板区域（ROI） gen_rectangle1 (Rectangle, 175, 156, 440, 460) reduce_domain (Image, Rectangle, ImageReduced) // 裁剪模板区域 // 创建NCC模板（支持旋转角度0~0，自动金字塔层级） create_ncc_model (ImageReduced, 'auto', 0, 0, 'auto', 'use_polarity', ModelID) dev_display (Image) dev_display (Rectangle) stop () // 批量匹配多幅图像 for J := 1 to 11 by 1 read_image (Image, 'smd/smd_on_chip_' + J$'02') // 搜索匹配（最小得分0.5，最多1个匹配） find_ncc_model (Image, ModelID, 0, 0, 0.5, 1, 0.5, 'true', 0, Row, Column, Angle, Score) dev_display (Image) // 显示匹配结果 dev_display_ncc_matching_results (ModelID, 'green', Row, Column, Angle, 0) stop () endfor clear_ncc_model (ModelID) // 释放模板二、基于特征的模板匹配
1. 基本原理
通过提取图像的特征点 / 轮廓 / 矩等信息进行匹配，解决灰度匹配对光照、旋转敏感的问题，常见方法包括：
不变矩匹配：利用图像矩的旋转 / 缩放不变性匹配；
距离变换匹配：计算边缘点到模板边缘的最小欧式距离，距离越小匹配度越高；
最小均方误差匹配：通过仿射变换模型最小化对应点对的误差。
2. Halcon 特征匹配算子及实例
核心算子
create_shape_model(Template, NumLevels, AngleStart, AngleExtent, AngleStep, ..., ModelID)：创建形状模板find_shape_model(Image, ModelID, AngleStart, AngleExtent, MinScore, ..., Row, Column, Angle, Score)：搜索形状匹配
实例：形状模板匹配
dev_update_off () read_image (Image, 'part.png') // 读取包含目标的图像 dev_close_window () get_image_size (Image, Width, Height) dev_open_window (0, 0, Width, Height, 'black', WindowHandle) // 提取模板区域（假设目标为矩形） threshold (Image, Region, 100, 255) connection (Region, ConnectedRegions) select_shape (ConnectedRegions, TemplateRegion, 'area', 'and', 500, 10000) // 检查模板可行性（生成金字塔层级） inspect_shape_model (TemplateRegion, ModelImages, ModelRegions, 4, 30) // 创建形状模板（支持旋转-30°~30°，步长1°） create_shape_model (TemplateRegion, 4, -0.52, 1.05, 'auto', 'none', 'use_polarity', 30, 10, ModelID) // 获取模板轮廓用于显示 get_shape_contours (ModelContours, ModelID, 1) // 读取待匹配图像并搜索 read_image (TestImage, 'part_test.png') find_shape_model (TestImage, ModelID, -0.52, 1.05, 0.6, 1, 0.5, 'least_squares', 0, 0.9, Row, Col, Angle, Score) // 显示结果 dev_display (TestImage) dev_display_shape_matching_results (ModelID, 'green', Row, Col, Angle, 1, 1, 0) stop () clear_shape_model (ModelID) // 释放模板
三、图像金字塔
1. 定义与作用
图像金字塔是多分辨率图像集合，自下而上分辨率逐步降低，用于：
加速匹配（先在低分辨率层粗匹配，再在高分辨率层精匹配）；
提高抗干扰能力（低分辨率层过滤细节噪声）。
2. 常见类型
高斯金字塔：通过高斯模糊 + 下采样（去除偶数行 / 列）生成，用于向下采样；
拉普拉斯金字塔：记录高斯金字塔层间差异，用于图像重建（向上采样）。
3. Halcon 金字塔相关算子
inspect_shape_model(Image, ModelImages, ModelRegions, NumLevels, Contrast)：检查模板并生成金字塔；create_shape_model中NumLevels参数指定金字塔层级（通常 3~5 层）。
四、Halcon Matching 助手
1. 功能
可视化创建模板、设置参数（如旋转范围、最小得分）、测试匹配结果，并自动生成代码，支持 4 种匹配方式：
基于形状的匹配；
基于相关性的匹配（NCC）；
基于描述符的匹配；
基于形变的匹配。
2. 使用步骤
打开助手：
助手 → 打开新的Matching；创建模板：从图像中框选 ROI 或加载已有模板；
配置参数：设置角度范围、金字塔层级、最小得分等；
测试匹配：在 “检测” 选项卡执行匹配，查看结果；
生成代码：在 “代码生成” 选项卡导出可执行的 Halcon 程序。
五、本章小结
灰度匹配：基于像素灰度相关性（NCC），适用于光照稳定、无大幅形变场景；
特征匹配：基于形状 / 轮廓特征，抗光照、旋转能力强，适用于复杂场景；
图像金字塔：通过多分辨率加速匹配，平衡效率与精度；
Matching 助手：简化模板创建与参数调试，快速生成匹配代码。
习题参考思路
8.1：图像匹配目的是定位目标在图像中的位置 / 姿态，常用方法包括灰度匹配（NCC、SSDA）、特征匹配（形状、不变矩）、基于描述符的匹配（SIFT、SURF）等。
8.2 字母识别：
步骤：创建每个字母的形状模板 → 对测试图像预处理（二值化、去噪） → 用
find_shape_model批量匹配并输出结果。
8.3 数字 3 和 5 识别：
步骤：分别创建 “3” 和 “5” 的模板 → 遍历图像用
find_shape_model搜索，设置NumMatches为 “所有”，筛选得分高于阈值的结果。
