Il pattern matching è quella procedura che permette di trovare una immagine master in un nuova immagine acquisita.
Ricerca in aree piccole
Idea: devo allineare due aree, una master e la nuova acquisita in modo da effettuare un allineamento sul master o confronto.
Qualora l’immagine acquisita non abbia molta variabilità con l’immagine master, quindi io so che il mio pattern matching sarà sempre più o meno nella stessa posizione, posso operare come segue.
Full Search
Assumiamo che io debba cercare il mio pattern in una area di 32 pixel, la soluzione ottima sarebbe il confronto pixel pixel tra l’immagine e il master in tutte le 32*32 posizioni possibili, dove ho la maggiore percentuale di somiglianza tra i pixel ho la corrispondenza col master. Soluzione ottima ma lenta, dobbiamo utilizzare una euristica.
Fast Search
Non provo davvero tutte le posizioni, utilizzo un algoritmo per andare molto vicino all’ottimo. Dato lo spazio di ricerca, provo di sicuro dove deve essere, poi provo a nord, sud, est, ovest (distanza 8 dal centro). Guardo che punteggi ho, quella che mi da il punteggio migliore effettuo un dimezzamento del passo e faccio come sopra. Ultimo passo 1 effettuo la FullSearch, sugli ultimi 9 pixel. Il numero di controlli è 9+8*numeroPassi, sicuramente inferiore alla FullSearch come sopra. Il metodo funziona se la funzione di somiglianza è monotona decrescente mano a mano che mi allontano dal master, cosa che succede sempre a meno di utilizzare pattern ripetitivi
Livelli piramidali
Invece che ragionare in posizione di ricerca ragiono in risoluzione: se devo fare un pattern matching con un pattern grande sono lento, allora creo n sottolivelli (copie della immagine di ricerca corrente) dimezzando la risoluzione ogni volta. Con l’immagine a risoluzione 1/8 (esempio) sono molto veloce e più o meno capisco dove è, poi proseguo con 1/4 e 1/2. Se parametrizzo in modo errato i livelli, o in genere sbaglio la prima ricerca ad 1/8 poi non esco più, l’algoritmo non è in grado di uscire da eventuali minimo locali che trova. Tipicamente utilizzando i livelli, in alcune situazioni, posso ottenere una precisione maggiore.
Parametri
Si seguito una spiegazione dei vari parametri del pattern matching presenti nel nostro software.
Greediness
Quanta scrematura fai all’inizio. Attenzione che Halcon utilizza il GreedinessScore per scremare i risultati, quindi se io metto uno GreedinessScore alto, diventa molto più greedy e screma conseguentemente molto di più.
Quindi posso avere il caso strano per cui dico ad Halcon di trovare un pattern con punteggio minimo 0.9 e lui non lo trova. Se metto 0.8 lui lo trova con punteggio 0.92. Conseguentemente introduco il parametro MinScore che è lo score vero, mentre GreedinessScore è un valore più basso che indica ad Halcon di trovare più soluzioni possibili.
GreedinessScore
Punteggio minimo affinché il pattern risulti trovato, sempre minore del MinScore.
Tipicamente
MinScore
Punteggio minimo affinché il pattern risulti trovato. Analogo al GreedinessScore con la differenza che non lo mettiamo nelle funzioni di Halcon, altrimenti c’è il rischio che non trovi un pattern che effettivamente esiste per il problema indicato sopra.