英文的资料，很有用，运动估计块匹配算法。

数值图像处理之刚性变换匹配源代码（opencv），很经典的一个算法。仿射匹配只需稍加改进即可

使用siftflow可用于匹配图像对，找到像素点偏移的点，所用平台为MATLAB，亲测可用！

VBA匹配文件日期的图片（VBA图片联动）.xlsm

在一个图像区域中，物体检测的一种最基本的方法是通过模板匹配来进行。在匹配过程中，所关注的物体（即模板）和图像区域中的所有的未知物体进行比较，如果模板和未知物体是匹配的，并且模板是足够精确的，则未知物体被标示为模板物体。本次试验的模板匹配的思想：利用快速傅里叶变化的一个重要特性，即连个函数的卷积的傅立叶变换等于两个函数的傅立叶变换的乘积。

python计算机视觉编程（三）——Harris角点SIFT匹配地理标记图像 计算机视觉.pdf

图像匹配；linemod2D;VS2017工程

双目立体视觉中的核心部分，利用AD-census算法实现立体匹配

5.6 图像间的欧氏距离计算 根据每个图形返回的向量，可计算两个图形向量之间的距离，该距离称为图像的欧 式距离。欧式距离算法的核心是：设图像矩阵有 n 个元素（n个像素点），用 n个元素 值(x1，x2，...，xn)组成该图像的特征组（像素点矩阵中所有的像素点），特征组形 成了 n维空间（欧式距离就是针对多维空间的），特征组中的特征码（每一个像素点） 构成了每一维的数值，就是 x1（第一个像素点）对应一维，x2（第二个像素点）对应二 维，. . .，xn（第 n个像素点）对应 n维。在 n维空间下，两个图像矩阵各形成了一 个点，然后利用数学上的欧式距离公式计算这两个点之间的距离，距离最小者就是最匹 配的图像。 欧式距离公式： 点 A = （x1, x2, ... , xn）； 点 B = （y1, y2, ... , yn）； AB^2 = (x1-y1)^2+(x2-y2)^2+...+(xn-yn)^2； AB就是所求的 A，B两个多维空间中的点之间的距离 [16] 。效果如图 5-13所示：

汉字拼音匹配表 采用sqlite3保存 包括20000多个汉字