简介：
本文主要介绍几种基于灰度的图像匹配算法：平均绝对差算法（MAD）、绝对误差和算法（SAD）、误差平方和算法（SSD）、平均误差平方和算法（MSD）、归一化积相关算法（NCC）、序贯相似性检测算法（SSDA）、hadamard变换算法（SATD）。下面依次对其进行讲解。
MAD算法
介绍
平均绝对差算法（Mean Absolute Differences，简称MAD算法），它是Leese在1971年提出的一种匹配算法。是模式识别中常用方法，该算法的思想简单，具有较高的匹配精度，广泛用于图像匹配。
设S(x,y)是大小为mxn的搜索图像，T(x,y)是MxN的模板图像，分别如下图(a)、(b)所示，我们的目的是：在(a)中找到与(b)匹配的区域（黄框所示）。
算法思路
在搜索图S中，以(i,j)为左上角，取MxN大小的子图，计算其与模板的相似度；遍历整个搜索图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果。
MAD算法的相似性测度公式如下。显然，平均绝对差D(i,j)越小，表明越相似，故只需找到最小的D(i,j)即可确定能匹配的子图位置：
其中：
算法评价：
优点：
①思路简单，容易理解（子图与模板图对应位置上，灰度值之差的绝对值总和，再求平均，实质：是计算的是子图与模板图的L1距离的平均值）。
②运算过程简单，匹配精度高。
缺点：
①运算量偏大。
②对噪声非常敏感。
——————————————————————————————————————————————————————————————————————————————
SAD算法
介绍
绝对误差和算法（Sum of Absolute Differences，简称SAD算法）。实际上，SAD算法与MAD算法思想几乎是完全一致，只是其相似度测量公式有一点改动（计算的是子图与模板图的L1距离），这里不再赘述。
算法实现
由于文章所介绍的几个算法非常相似，所以本文仅列出SAD算法的代码，其余算法的实现类似。看别人代码都相对费力，想自己敲也很简单。
MATLAB代码
- %%
- %绝对误差和算法（SAD）
- clear all;
- close all;
- %%
- src=imread('lena.jpg');
- [a b d]=size(src);
- if d==3
- src=rgb2gray(src);
- end
- mask=imread('lena_mask.jpg');
- [m n d]=size(mask);
- if d==3
- mask=rgb2gray(mask);
- end
- %%
- N=n;%模板尺寸，默认模板为正方形
- M=a;%代搜索图像尺寸，默认搜索图像为正方形
- %%
- dst=zeros(M-N,M-N);
- for i=1:M-N %子图选取，每次滑动一个像素
- for j=1:M-N
- temp=src(i:i+N-1,j:j+N-1);%当前子图
- dst(i,j)=dst(i,j)+sum(sum(abs(temp-mask)));
- end
- end
- abs_min=min(min(dst));
- [x,y]=find(dst==abs_min);
- figure;
- imshow(mask);title('模板');
- figure;
- imshow(src);
- hold on;
- rectangle('position',[x,y,N-1,N-1],'edgecolor','r');
- hold off;title('搜索图');
输出结果
——————————————————————————————————————————————————————————————————————————————
SSD算法
（未完待续）
http://blog.csdn.net/hujingshuang/article/details/47759579
http://blog.csdn.net/yanbdsky/article/details/5648295