HALCON Local Deformable Matching 实现(二)

经过一段时间的编码与调试，我终于完成了find_local_deformable_model（局部可变形模板匹配）的第一个可用版本。开发过程中遇到了不少问题，好在有AI的帮助，大部分问题都顺利解决了。下面主要总结一下开发过程中遇到的几个核心问题，以及目前采用的解决方案。

关于“形变场”的选择

在生成稠密形变场时，我先后尝试了多种经典方法，包括B样条自由变形（FFD）、薄板样条插值(TPS)，以及通过求解拉普拉斯方程实现的调和插值（Harmonic Interpolation）。

经过对比，调和插值的整体效果最好。不过，目前的生成结果与Halcon官方例程中展示的形变场相比，在形态上仍有明显差异。

这部分我会继续探索，尝试缩小与 Halcon 官方实现之间的差异。

局部可变形匹配中最棘手的问题：歧义性

局部可变形匹配的基本思路是：先把模板上的特征点划分成多个小块(patch)，每个patch相当于稀疏形变场中的一个控制点。然后对每个patch单独做匹配，算出它在目标图像中的位移(u,v)。

但问题在于，当图像中存在重复纹理或严重扭曲时，匹配得分图中常常会出现多个局部极值点，导致匹配结果不确定——这就是我所说的“歧义性”。我认为这是局部可变形匹配中最难处理的问题。

为了抑制歧义性，我采用了以下策略：

1. 位移逐层传递

从金字塔的高层（低分辨率）开始匹配，将得到的位移结果逐层传递给下一层，作为初始估计，从而减少低层匹配时的搜索范围。

2. 次优峰值抑制

该方法源于 David Lowe 的 SIFT 算法，通过比较匹配得分最高与次高两个峰值。若差距过小，表明匹配存在歧义，该结果将被舍弃。

3. 周围控制点约束

检查每个控制点的位移是否和它周围控制点的位移明显不同。差异过大的点会被剔除，以保证整体形变的平滑性。

4. 雅可比行列式滤波

计算形变的雅可比行列式，如果出现负值（表示局部翻转）或接近零（表示过度压缩），则判断该区域形变不合理，予以剔除。

5. 局部梯度/应变能滤波

计算位移场的局部梯度幅值（可以理解为应变能），找出那些形变程度和整体统计规律差异很大的“刺头”区域，并将其移除。

效果展示与使用说明

新的测试程序已发布（版本日期：2026.09.02），在程序的缩放方式下拉框中选择局部可变形，即可调用find_local_deformable_model。该模式支持设置缩放比例，推荐范围是(1.0,1.0)或(0.9,1.1)。

目前仅在Halcon官方例程中的cocoa和gasket图片集上进行了测试，匹配效果仍有不尽人意之处。由于本次代码大部分由AI辅助完成，不仅耗时较长，还可能存在一些bug，我会持续进行打磨和优化。欢迎感兴趣的朋友下载测试，并提出宝贵意见！

下载地址：mwwztech.com