圖象分割與邊緣檢測(cè)(編輯修改稿)

　

【文章內(nèi)容簡(jiǎn)介】 0102101010102)],([),(),(),([2),()],([),(JjKkJjKkJjKkkjtyxDTkyjxfkjtyxD S TkyjxfyxDS第五章 圖像分割與邊緣檢測(cè) DS(x, y)稱為原圖像中與模板對(duì)應(yīng)區(qū)域的能量 ， 它與像素位置 (x, y)有關(guān) ， 但隨像素位置 (x, y)的變化 ， DS(x, y)變化緩慢 。DST(x, y)稱為模板與原圖像對(duì)應(yīng)區(qū)域的互相關(guān) ， 它隨像素位置 (x, y)的變化而變化 ， 當(dāng)模板 t(j, k)和原圖像中對(duì)應(yīng)區(qū)域相匹配時(shí)取得最大值 。 DT(x, y)稱為模板的能量 ， 它與圖像像素位置 (x, y)無關(guān) ， 只用一次計(jì)算便可 。 顯然 ， 用式 (58)計(jì)算誤差平方和測(cè)度可以減少計(jì)算量 。 第五章 圖像分割與邊緣檢測(cè) 基于上述分析 ， 若設(shè) DS(x, y)也為常數(shù) ， 則用 DST(x, y)便可進(jìn)行圖像匹配 ， 當(dāng) DST(x, y)取最大值時(shí) ， 便可認(rèn)為模板與圖像是匹配的 。 但假設(shè) DS(x, y)為常數(shù)會(huì)產(chǎn)生誤差 ， 嚴(yán)重時(shí)將無法正確地完成匹配 ， 因此可用歸一化互相關(guān)作為誤差平方和測(cè)度 ， 其定義為 ?????????????????????????10210102101010)],([)],([),(),(),(KkJjKkJjKkJjkjtkyjxfkyjxfkjtyxR(59) 第五章 圖像分割與邊緣檢測(cè) 圖 515給出了模板匹配的示意圖 ， 其中假設(shè)原圖像 f(x, y)和模板圖像 t(k, l)的原點(diǎn)都在左上角 。 對(duì)任何一個(gè) f(x, y)中的 (x, y)， 根據(jù)式 （ 59） 都可以算得一個(gè) R(x, y)值 。 當(dāng) x和 y變化時(shí) ， t(j, k)在原圖像區(qū)域中移動(dòng)并得出 R(x, y)所有值 。 R(x, y)的最大值便指出了與 t(j, k)匹配的最佳位置 ， 若從該位置開始在原圖像中取出與模板大小相同的一個(gè)區(qū)域 ， 便可得到匹配圖像 。 第五章 圖像分割與邊緣檢測(cè) 圖 515 模板匹配示意圖 Oyiyi＋ kixi＋ jixijikikJKjNMyx第五章 圖像分割與邊緣檢測(cè) 用歸一化互相關(guān)求匹配的計(jì)算工作量非常大 ， 因?yàn)槟０逡?M－ J＋ 1) (N－ K＋ 1)個(gè)參考位置上做相關(guān)計(jì)算 ， 其中 ， 除最佳匹配點(diǎn)外 ， 其余做的都是無效運(yùn)算 ， 所以有必要對(duì)其進(jìn)行改進(jìn) ， 以提高運(yùn)算速度 。 常用的方法有序貫相似性檢測(cè)算法 、 幅度排序相關(guān)算法 、 FFT相關(guān)算法 、 分層搜索序貫判決算法等 。 模板匹配的主要局限性在于它只能進(jìn)行平行移動(dòng) ， 如原圖像中要匹配的目標(biāo)發(fā)生旋轉(zhuǎn)或大小變化 ， 該算法無效 。 另外 ， 如原圖像中要匹配的目標(biāo)只有部分可見 ， 該算法也無法完成匹配 。 第五章 圖像分割與邊緣檢測(cè) 模板匹配程序的核心代碼如下： //**************************************** //函數(shù)名稱： BOOL TemplateMatch() //基本功能： 本函數(shù)對(duì)傳入的 CDibObject //參數(shù)說明： CDibObject *pTemplate // CDibObject *pDibObject //返回值： BOOL 成功時(shí)返回 TRUE， 失敗時(shí)返回 FALSE // //**************************************** BOOL CAreaPro:: TemplateMatch(CDibObject *pTemplate, CDibObject *pDibObject) { 第五章 圖像分割與邊緣檢測(cè) //其他變量定義、 // int i, j, m, n。 // double dSigmaST。 double dSigmaS。 double dSigmaT。 // double R。 // double MaxR。 // int nMaxWidth, nMaxHeight。 … 第五章 圖像分割與邊緣檢測(cè) //計(jì)算 dSigmaT dSigmaT = 0。 // for (n = 0。 n nTempHeight。 n++) { for(m = 0。 m nTempWidth。 m++) { pTemplateTemp = pTempBits + nTempWidthBytes * n + m。 templatepixel = *pTemplateTemp。 dSigmaT += (double)templatepixel * templatepixel。 } } 第五章 圖像分割與邊緣檢測(cè) // MaxR = 。 for (j = 0。 j nHeight nTempHeight + 1。 j++) { for(i = 0。 i nWidth nTempWidth + 1。 i++) { dSigmaST = 0。 dSigmaS = 0。 // for (n = 0。 n nTempHeight。 n++) { for(m = 0。 m nTempWidth。 m++) { 第五章 圖像分割與邊緣檢測(cè) pOldTemp = pOldBits + nWidthBytes * (j + n) + (i + m)。 pTemplateTemp = pTempBits + nTempWidthBytes * n + m。 pixel = *pOldTemp。 templatepixel = *pTemplateTemp。 dSigmaS += (double)pixel * pixel。 dSigmaST += (double)pixel * templatepixel。 } } // R = dSigmaST / ( sqrt(dSigmaS) * sqrt(dSigmaT))。 //與最大相關(guān)性比較 第五章 圖像分割與邊緣檢測(cè) if (R MaxR) { MaxR = R。 nMaxWidth = i。 nMaxHeight = j。 } } } // for (n = 0。 n nTempHeight。 n++) { 第五章 圖像分割與邊緣檢測(cè) for(m = 0。 m nTempWidth。 m++) { pTemplateTemp = pTempBits + nTempWidthBytes * n + m。 pNewTemp= pNewBits + nWidthBytes * (n+nMaxHeight) + (m+nMaxWidth)。 *pNewTemp = *pTemplateTemp。 } } // return(TRUE)。 } … 第五章 圖像分割與邊緣檢測(cè) 圖 516 (a) 原圖像與匹配結(jié)果； (b) 模板；（ c） 街坊（ City Block）距離法顏色匹配的結(jié)果 第五章 圖像分割與邊緣檢測(cè) 直方圖匹配 顏色是描述圖像內(nèi)容的一個(gè)重要特征 。 人們已經(jīng)提出了多種借助顏色特征對(duì)圖像進(jìn)行檢索的方法 。 常用的顏色空間有 R、 G、 B和 H、 S、 I。 實(shí)際上 ， 利用 H、 S、 I顏色空間進(jìn)行檢索的效果更好一些 ， 但以下討論主要以 R、 G、 B空間為例 。 為利用圖像的顏色特征描述圖像 ， 可借助圖像特征的統(tǒng)計(jì)直方圖 。 利用直方圖進(jìn)行圖像的匹配 ， 這便是直方圖匹配 。 由于篇幅所限 ， 在此只給出常用直方圖匹配的數(shù)學(xué)原理公式 ， 有關(guān)算法請(qǐng)讀者自行設(shè)計(jì)完成 。 第五章 圖像分割與邊緣檢測(cè) 1. 直方圖相交法 設(shè) HQ(k)和 HD(k)分別為查詢圖像 Q和數(shù)據(jù)庫圖像 D的特征統(tǒng)計(jì)直方圖 ， 則兩圖像之間的匹配值 d(Q, D)為 ???????1010)()](),(m i n [),(LkQLkDQkHkHkHDQd (510) 第五章 圖像分割與邊緣檢測(cè) 2. 為減少計(jì)算量 ， 可采用直方圖的均值來粗略地表達(dá)顏色信息 ， 對(duì)