归一化互相关算法

本文翻译自论文：https://www.researchgate.net/publication/2378357_Fast_Normalized_Cross-Correlation

摘要

虽然众所周知，互相关可以在变换域中有效实现，但特征匹配应用程序首选的归一化形式的互相关没有简单的频域表达式。为此，在空间域中计算了归一化互相关。这篇短文表明，使用搜索窗口上的图像和图像${}^2$的预计算积分，可以有效地归一化非规范化互相关。

1 介绍

两个信号之间的相关性（互相关）是特征检测的标准方法，也是更复杂技术的组成部分。TextBook presentations of correlations描述卷积定理以及使用快速傅立叶变换在频域有效计算相关性的可能性。不幸的是，模板匹配中首选的归一化相关形式（相关系数）没有相应的简单有效的频域表达式。因此，在空间域中计算了归一化互相关。由于空间域卷积的计算量大，还开发了几种不精确但快速的空间域匹配方法。本文描述了最近引入的一种从变换域卷积中获得归一化互相关的算法。在某些情况下，新算法在归一化互相关的空域计算上提供了一个数量级的加速（第5节）。

由于我们正在介绍一种熟悉且广泛使用的算法，因此不会试图调查有关特征选择、白化、快速卷积技术、扩展、替代技术或应用的文献。有关这些主题的文献可以通过介绍性文本和手册来获取。然而，由于所提倡的特征跟踪方案的多样性，可能有必要确定归一化互相关对于某些应用（如果不是所有应用）仍然是可行的选择。这在第3节中完成。为了使本文内容完整，第2节介绍了归一化互相关，第4节简要回顾了变换域和其他快速卷积方法以及相位相关技术。大多数读者都可以跳过这些部分。第5节描述了如何从相关的变换域计算中获得归一化互相关。第6节介绍了性能结果。

2 互相关模板匹配

互相关用于模板匹配的动机是距离度量（平方欧几里德距离）：
$$d_{f,t}^2(u,v)=\sum _{x,y}[f(x,y)-t(x-u,y-v){]}^2$$

$f$是图像，而位于$u$,$v$处的特征$t$的窗口与图像逐个像素进行作差取平方再求和得到$d^2$

将$d^2$进行展开得到，
$$d_{f,t}^2(u,v)=\sum _{x,y}[f^2(x,y)-2f(x,y)t(x-u,y-v)+t^2(x-u,y-v)]$$

其中，$\sum t^2(x-u,y-v)$是常量。那么若$\sum f^2(x,y)$近似为常量，则剩余的互相关项为：
$$c(u,v)=\sum _{x,y}f(x,y)t(x-u,y-v)$$
于是，该公式(1)为图像和特征之间的相似性度量

但是，使用该公式来模板匹配有几个缺点：

• 如果图像能量$\sum f^2(x,y)$随位置变化，则使用进行匹配可能会失败。例如，特征与图像中精确匹配区域之间的相关性可能小于特征与亮点之间的相关性。
• $c(u,v)$的范围取决于特征的大小
• 对于图像振幅的变化（如图像序列中的照明条件变化引起的变化）不是不变的

相关系数通过将图像和特征向量归一化为单位长度来克服这些困难，从而产生类余弦相关系数，公式(2)：

γ(u,v)=∑x,y[f(x,y)−fˉu,v][t(x−u,y−v)−tˉ]{ ∑x,y[f(x,y)−fˉu,v]2[∑x,yt(x−u,y−v)−tˉ]2}0.5 \gamma(u,v)= \frac{\sum_{x,y}[f(x,y)-\bar{f}_{u,v}][t(x-u,y-v)-\bar{t}]} {\{ {\sum_{x,y}[f(x,y)-\bar{f}_{u,v}]^{2}[\sum_{x,y}t(x-u,y-v)-\bar{t}]^2}\}^{0.5}} γ(u,v)={ ∑