它还可以计算图像与模板特征之间的距离，并用最小距离法确定类别。但是，一

它還可以計算圖像與模板特徵之間的距離，並用最小距離法確定類別。但是，一般情況下，用於匹配的每幅圖像的成像條件存在差異，造成較大的噪聲干擾，或者經過圖像預處理和歸一化後，圖像的灰度級或像素點的位置發生變化。在模板的實際設計中，它是根據每個區域形狀的內在特徵，突出相似區域之間的差異，並考慮到加工過程中容易產生的噪聲和位移等因素。根據圖像的不變性特徵設計的一些特徵構造模板，可以避免上述問題。

Může také vypočítat vzdálenost mezi obrazem a funkcí šablony a určit kategorii metodou minimální vzdálenosti. Obecně se však podmínky zobrazení pro každý obrázek, který se používá k shodě, liší, což způsobuje značné rušení šumu nebo se po předběžném zpracování a normalizaci obrazu změní umístění obrazu ve stupních šedi nebo obrazových bodech. Ve skutečném návrhu šablony zdůrazňuje rozdíly mezi podobnými oblastmi podle vnitřních charakteristik každého tvaru oblasti, s přihlédnutím k faktorům, jako je hluk a posunutí, které jsou snadno generovány během zpracování. Výše uvedeným problémům se lze vyhnout vytvořením šablon založených na některých funkcích navržených na základě nedenaturovaných funkcí obrazu.

It can also calculate the distance between the image and the template features, and determine the category with the minimum distance method. However, in general, the imaging conditions of each image used for matching are different, resulting in large noise interference, or after image preprocessing and normalization, the gray level of the image or the position of the pixel point changes. In the actual design of the template, it is based on the internal characteristics of the shape of each region, highlighting the differences between similar regions, and taking into account the factors such as noise and displacement that are easy to produce in the process of processing. The above problems can be avoided by constructing templates based on the invariant features of images.<br>