问题描述
给出图片im，
>>> np.random.seed(0)
>>> im = np.random.randint(0,100,(10,5))
>>> im
array([[44,47,64,67,67],[ 9,83,21,36,87],[70,88,12,58],[65,39,87,46,88],[81,37,25,77,72],20,80,69,79],[47,82,99,[49,29,19,14],[39,32,65,9,57],[32,31,74,23,35]])
例如，找到此图像特定片段的最佳方法是什么
>>> im[6:9,2:5]
array([[82,[19,57]])
如果不存在特定的组合（可能是由于噪声），我希望有一个相似性度量，该度量搜索具有相似分布的线段，并告诉我im的每个像素，同意是。例如类似
array([[0.03726647,0.14738364,0.04331007,0.02704363,0.0648282 ],[0.02993497,0.04446428,0.0772978,0.1805197,0.08999 ],[0.12261269,0.18046972,0.01985607,0.19396181,0.13062801],[0.03418192,0.07163043,0.15013723,0.12156613,0.06500945],[0.00768509,0.12685481,0.19178985,0.13055806,0.12701177],[0.19905991,0.11637007,0.08287372,0.0949395,0.12470202],[0.06760152,0.13495046,0.06344035,0.1556691,0.18991421],[0.13250537,0.00271433,0.12456922,0.97,0.194389 ],[0.17563869,0.10192488,0.01114294,0.09023184,0.00399753],[0.08834218,0.19591735,0.07188889,0.09617871,0.13773224]])
示例代码是python。
我认为应该有一个将内核与im相关联的解决方案。但是，这将带来一个问题，即具有相同值但已缩放的线段将给出更清晰的响应。
解决方法
模板匹配将是解决该问题的方法之一。当然，深度学习/ ML也可以用于更复杂的匹配。
大多数图像处理库都支持某种匹配功能，该功能可以比较一组2张图像-参考图像和要匹配的图像。在OpenCV中，它返回一个可用于确定匹配项的分数。匹配方法使用支持缩放和/或旋转不变匹配的各种功能。当心您计划使用的方法中的许可限制。
如果图像可能并不总是准确的，则可以使用标准偏差（StdDev）允许允许的偏差，然后将其分类为存储桶。根据要匹配图像的条件，也可以使用直方图匹配（除非使用特定通道，否则照明，颜色可能很重要）。使用直方图会避免整体匹配模板。
参考以进行模板匹配：
- OpenCV-https://docs.opencv.org/master/d4/dc6/tutorial_py_template_matching.html
- SciPy-https://scikit-image.org/docs/dev/auto_examples/features_detection/plot_template.html
感谢banerjk的出色回答-template matching就是解决方案！
一些备份方法
考虑到我与内核相关的想法，有一些进展：
当人们将图像与模板相关联时（即我在问题中称为目标片段），机会很大，即相关图像中最强的点（相对于平均强度）与模板位置相匹配（请参见{{1} }和im）。好像我不是第一个提出这个想法的人，可以从第39页的lecture notes中看到。
但是，并非总是如此。此方法或多或少仅检测模板中最大值处的重量。在此示例中，m的构造使得它欺骗了这个概念。
如果事先在图像上应用一些过滤器（例如中值），可能会变得更加可靠。
我只想在这里提及它，因为它在某些情况下可能具有优势（与Wikipedia的template_matching实现相比，它应具有更高的性能）。
示例
im2输出
import numpy as np
from scipy import ndimage
np.random.seed(0)
im = np.random.randint(0,100,(10,5))
t = im[6:9,2:5]
print('t',t,sep='\n')
m = ndimage.correlate(im,t) / ndimage.correlate(im,np.ones(t.shape))
m /= np.amax(m)
print('im',im,sep='\n')
print('m',m,sep='\n')
print("this can be 'tricked',however")
im2 = im.copy()
im2[6:9,:3] = 0
im2[6,1] = 1
m2 = ndimage.correlate(im2,t) / ndimage.correlate(im2,np.ones(t.shape))
m2 /= np.amax(m2)
print('im2',im2,sep='\n')
print('m2',m2,sep='\n')
也许有人可以在讲义的背景上做出贡献。
更新：在第一页的J. P. Lewis,“Fast Normalized Cross-Correlation”,Industrial Light and Magic.中进行了讨论。