匹配演算法研究

Ⅰ 字元串匹配的傳統演算法

傳統的匹配演算法
串匹配演算法雖然發展了幾十年，然而非常實用的演算法是近年才出現。串匹配問題的研究存在理論研究和實際應用的脫節。那些專門從事演算法研究的學者關心的只是理論上看起來很美妙的演算法——具有很好的時間復雜度。而開發人員只追求實際應用中盡可能快的演算法。兩者之間從不注意對方在干什麼。將理論研究和實際應用結合的演算法(如BNDM演算法)只是近年才出現。在實際應用中常常很難找到適合需求的演算法——這樣的演算法實際上是存在的，但是只有資深專家才比較了解。考慮如下情況，一位軟體開發人員，或者一位計算生物學家，或者一位研究人員，又或者一位學生，對字元串匹配領域並沒有深入了解，可是現在需要處理一個文本搜索問題。那些汗牛充棟的書籍使得閱讀者淹沒在各種匹配演算法的海洋中，卻沒有足夠的知識選擇最適用的演算法。最後，常常導致這樣的局面：選擇一種最簡單的演算法加以實現。這往往導致很差的性能，從而影響整個開發系統的質量。更糟糕的是，選擇了一個理論上看起來很漂亮的演算法，並且花費了大量精力去實現。結果，卻發現實際效果和一個簡單演算法差不多，甚至還不如簡單演算法。因此，應該選用一種「實用」演算法，即在實際應用中性能較好，並且一個普通程序員能在幾小時內完成演算法的實現代碼。另外，在字元串匹配研究領域中，一個人所共知的事實是「演算法的思想越簡單，實際應用的效果越好」。
傳統的串匹配演算法可以概括為前綴搜索、後綴搜索、子串搜索。代表演算法有KMP，Shift-And，Shift-Or，BM，Horspool，BNDM，BOM等。所用到的技術包括滑動窗口、位並行、自動機、後綴樹等。

Ⅱ SIFT匹配演算法 匹配點少怎麼辦

用大圖。

還有篇論文講a-sift，不過不建議用。

Ⅲ 如何實現兩個聲音相似度匹配演算法

作為自然語言理解的一項基礎工作,詞語語義相似度度量一直是研究的重點。語義相似度度量本身是一個中間任務,它是大多數自然語言處理任務中一個必不可少的中間層次,在自然語言處理中有著廣泛的應用,如詞義消歧、信息檢索以及機器翻譯等。 本文的核心內容是漢語詞語語義相似度演算法研究以及如何將其應用於跨語言信息檢索(Cross-Language Information Retrieval, CLIR)領域。首先對語義相似度度量演算法進行綜述,然後重點描述基於HowNet的語義相似度度量演算法,提出根據知識詞典描述語言(Knowledge Dictionary Mark-up Language, KDML)的結構特性將詞語語義相似度分為三部分進行計算,每部分採用最大匹配的演算法,同時加入義原深度信息以區別對待不同信息含量的義原。較以往同類演算法,其計算結果具有區分度,更加符合人的主觀感覺。 本文嘗試將所建立的漢語語義相似度度量模式應用於跨語言信息檢索系統。跨語言信息檢索結合傳統文本信息檢索技術和機器翻譯技術,在多方面涉及到語義問題,是語義相似度良好的切入點。兩者的結合主要體現在兩方面：(1)將語義相似度度量應用於查詢翻譯,利用語義相似度對查詢關鍵詞進行消歧翻譯,提高翻譯質量；(2)將語義相似度應用於查詢擴展,使擴展內容與原查詢具有更高相關性,以提高檢索的召回率和准確率。 本文提出相對客觀的評價標准,如為單獨衡量詞義消歧的性能,而使用第三屆詞義消歧系統評價會議(The 3rd Evaluating Word Sense Disambiguation Systems, SENSEVAL-3)語料進行測試；為衡量應用語義相似度於跨語言檢索後的性能,又使用第九屆文本檢索會議(The 9th Text Retrieval Conference, TREC-9) CLIR評價任務的查詢集、語料庫和結果集進行評估。這使得我們的實驗結果相對公正客觀,具有一定可比性。本文對原有英漢跨語言信息檢索系統進行一定程度的改進,使得各種相關演算法都可方便地在系統中進行集成,成為一個研究跨語言信息檢索的實驗平台,其系統的設計思想充分體現模塊化和擴展性。 綜上,本文通過綜合分析主流的語義相似度演算法,而提出一種新的基於HowNet的漢語語義相似度演算法,並給出其在英漢跨語言信息檢索中的嘗試性應用,希望能給相關領域的研究者有所借鑒。

Ⅳ 光譜匹配演算法設計原理

光譜匹配由於其潛在的組織保存能力而優於其他技術，這是評估歸一化和引入雜訊的基本標准。光譜匹配方法是基於顏色通道對色斑表示的估計和圖像像素中色斑的濃度。因此，這些估計需要穩健和准確，以便可以保留組織結構，並且不會將雜訊引入歸一化圖像。

Ⅳ 初識立體匹配演算法

        第一次接觸立體匹配演算法是源於師兄的一個項目，他需要我用立體像對進行三維重建，當時的我一臉懵逼，在多次求助度娘後，均指向了立體匹配這門技術，所以我才開始慢慢深入它。但是，在了解的過程中曾一度懷疑度娘是否給我了正確的答案，因為每一篇立體匹配相關的文獻都會提到「立體匹配是計算機視覺領域中的重要研究方向...」，而我呢，呵呵~~~。

        立體匹配在英文中叫做Stereo Matching或Stereo Correspondence，但是我沒能在wiki上找到Stereo Matching的直接定義，反而簡述了 Stereo Correspondence ，是 3D reconstruction 的一個重要部分。簡單說，立體匹配演算法就是要在一對有場景重疊的圖片中尋找同名點。在此首先要安利兩個立體匹配演算法相關的重要網站：

        1. KITTI 立體匹配演算法排行榜

        2.  Middlebury 立體匹配演算法排行榜

       雖然這兩個重要的排行榜榜首早已經被深度學習強行佔領，但是對於所有學習或研究立體匹配演算法的同學來講，都是一個很好的學習網站， 同時也為大家推薦兩篇立體匹配演算法相關的綜述性文獻以及鏈接：

        [1]. Affendi H R , Haidi I .   Literature Survey on Stereo Vision Disparity Map Algorithms[J]. Journal of Sensors, 2016, 2016:1-23.

        [2]. D. Scharstein and R. Szeliski.  A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms .  nternational Journal of Computer Vision , 47(1/2/3):7-42, April-June 2002.

       有了這兩篇綜述性文獻，大家肯定能在細細研讀後對立體匹配有更為深入的理解和體會。但是，這里需要說明的是，立體匹配演算法雖然和特徵匹配等技術一樣是在兩幅圖像中尋找同名點，但是他的目標不是要改變兩幅圖像之間的坐標系統，也不會改變兩幅圖像之間的坐標系。

Ⅵ 如何比較SIFT，SURF，Harris-SIFT圖像匹配演算法性能

SIFT匹配（Scale-invariant feature transform，尺度不變特徵轉換）是一種電腦視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數，此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。
2、SIFT特徵的主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和旋轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的復雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；

Ⅶ 串模式匹配演算法

你的財富太低了。。這個寫起來貌似很多東東的
不過我想問下KMP改進演算法（NextVal[]）是什麼？

Ⅷ 計算機視覺中，目前有哪些成熟的匹配定位演算法

計算機視覺既是工程領域，也是科學領域中的一個富有挑戰性重要研究領域。計算機視覺是一門綜合性的學科，它已經吸引了來自各個學科的研究者參加到對它的研究之中。其中包括計算機科學和工程、信號處理、物理學、應用數學和統計學，神經生理學和認知科學等。 視覺是各個應用領域，如製造業、檢驗、文檔分析、醫療診斷，和軍事等領域中各種智能／自主系統中不可分割的一部分。由於它的重要性，一些先進國家，例如美國把對計算機視覺的研究列為對經濟和科學有廣泛影響的科學和工程中的重大基本問題，即所謂的重大挑戰（grand challenge）。計算機視覺的挑戰是要為計算機和機器人開發具有與人類水平相當的視覺能力。機器視覺需要圖象信號，紋理和顏色建模，幾何處理和推理，以及物體建模。一個有能力的視覺系統應該把所有這些處理都緊密地集成在一起。[Neg91]作為一門學科，計算機視覺開始於60年代初，但在計算機視覺的基本研究中的許多重要進展是在80年代取得的。現在計算機視覺已成為一門不同於人工智慧、圖象處理、模式識別等相關領域的成熟學科。計算機視覺與人類視覺密切相關，對人類視覺有一個正確的認識將對計算機視覺的研究非常有益。為此我們將先介紹人類視覺。

Ⅸ 串的模式匹配演算法

本文主要講述了串的模式匹配演算法，包括BF演算法、RK演算法、KMP演算法、BM演算法，使用不同的演算法實現目標串查找子串，重點在於分析的過程，通過不同的演算法分析提高邏輯思維能力

模式匹配的目的就是在目標串中查找與模式串相等的子串。在這里稱呼主串為s，模式串為t，主串的長度為n，模式串的長度為m

暴力演算法，將目標串和模式串的每個字元都進行一一比較。性能最差，但是使用最廣，因為實現簡單，而且在字元串較小的情況下耗費的性能也很小。

O(n*m)

RK演算法把字元串比較問題，轉換為了Hash值比較問題。
將模式串t的每個字元的比較改成了將串作為整體與目標串進行哈希值比較，這樣就減少了比較次數
以前模式串與子串的比較需要比較每個字元，現在只要整體比較依次哈希值就可以。所以減少了比較次數。

哈希演算法

這里我們可以發現一個Hash沖突問題，比如"abc"和"bc"的Hash值是一樣的，因為最高位是0。所以還需要進行哈希沖突演算法。

哈希沖突演算法：

利用前一個結果計算下一個哈希值
這是因為目標串的相鄰子串，其實相差的只有第一個字元和最後一個字元，其他字元是相同的，
所以我們可以利用前一個計算結果減去前一個字元串的第一個字元串，加上這個字元串的最後一個字元就夠了。

針對BF的弊端，在KMP演算法中可以進行多字元的跳躍對比，以此來避免目標串的不必要回溯。

例子：

簡單說明一下：

真子串：

匹配：

例如：目標串："abxabcabcaby"，模式串："abcaby"

模式串的最大真子串為ab,
我們在匹配時，發現目標串的子串abcabc與模式串的前字元都匹配，最後一個字元不匹配
所以就從目標串的abcabc的後面abc開始與模式串進行匹配，而不需要匹配前面的abc了。

也就是從上一個a字元直接跳躍到了下一個a字元，而不是從b字元開始。

會存在一種情況：

實現思想：

它是一種非常高效的字元串匹配演算法，有實驗統計，它的性能是著名的KMP演算法的三四倍。BM演算法的原理很多復雜，比較難懂，學起來比較燒腦。
實現思想和KMP演算法基本上是一樣的，都是先計算模式串的真子串，之後再查找真子串的大小，當出現不匹配時，直接在真子串後進行匹配，區別於KMP演算法，它是從後往前匹配的

這里比上面的KMP演算法增加了一個壞字元規則，可以更快的跳躍，當然KMP演算法本身也可以使用壞字元規則

壞字元規則

好後綴規則

Ⅹ 求求各位大神，幫忙找一找這篇論文。張棠輝，指紋匹配演算法的研究與應用，中科院自動化所博士學位論文

留下郵箱，給你發過去。