第6章图像分割与边缘检测.ppt

步骤2： 按逆时针方向搜索当前像素的3×3邻域， 其起始搜索方向设定如下：  (1) 对4连通区域取(dir + 3)mod 4， 如图5-13(a)所示；  (2) 对8连通区域， 若dir为奇数取(dir + 7)mod 8， 如图5-13(b)所示； 若dir为偶数取(dir + 6) mod 8， 如图5-13(c)所示。 图6-13 3×3邻域起始搜索方向 在3×3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An，同时更新变量dir为新的方向值。 步骤3：如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0，则停止搜索，结束跟踪，否则重复步骤2继续搜索。 步骤4：由边界点A0、A1、A2、…、An-2构成的边界便为要跟踪的边界。 算法中步骤1中所采用的准则称为“探测准则”， 其作用是找出第一个边界点；步骤3中所采用的准则称为“跟踪准则”，其作用是找出所有边界点。 图6-14 轮廓跟踪示例 6.3.2 轮廓提取 二值图像轮廓提取的算法非常简单， 就是掏空内部点： 如果原图像中有一点为黑，且它的8个邻点都是黑色时，说明该点是内部点， 将该点删除（置为白色像素值255）。对图像中所有像素点执行该操作便可完成图像轮廓的提取。在此不对其作过多说明，请读者参考配套光盘的源程序。 6.4 图 像 匹 配 6.4.1 模板匹配 模板匹配是指用一个较小的图像，即模板与源图像进行比较， 以确定在源图像中是否存在与该模板相同或相似的区域， 若该区域存在， 还可确定其位置并提取该区域。 模板匹配常用的一种测度为模板与原图像对应区域的误差平方和。设f(x, y)为M×N的原图像，t(j,k)为J×K(J≤M，K≤N)的模板图像，则误差平方和测度定义为 （6-7） 将式（6-7）展开可得 (6-8) 令 DS(x, y)称为原图像中与模板对应区域的能量，它与像素位置(x, y)有关， 但随像素位置(x, y)的变化， DS(x, y)变化缓慢。DST(x, y)称为模板与原图像对应区域的互相关，它随像素位置(x, y)的变化而变化，当模板t(j, k)和原图像中对应区域相匹配时取得最大值。DT(x, y)称为模板的能量，它与图像像素位置(x, y)无关，只用一次计算便可。显然，用式(6-8)计算误差平方和测度可以减少计算量。 基于上述分析，若设DS(x, y)也为常数，则用DST(x, y)便可进行图像匹配，当DST(x, y)取最大值时，便可认为模板与图像是匹配的。但假设DS(x, y)为常数会产生误差， 严重时将无法正确地完成匹配，因此可用归一化互相关作为误差平方和测度， 其定义为 (6-9) 图6-15给出了模板匹配的示意图，其中假设原图像f(x, y)和模板图像t(k, l)的原点都在左上角。对任何一个f(x, y)中的(x, y)， 根据式（6-9）都可以算得一个R(x, y)值。当x和y变化时，t(j, k)在原图像区域中移动并得出R(x, y)所有值。R(x, y)的最大值便指出了与t(j, k)匹配的最佳位置，若从该位置开始在原图像中取出与模板大小相同的一个区域， 便可得到匹配图像。 图6-15 模板匹配示意图 用归一化互相关求匹配的计算工作量非常大，因为模板要在(M－J＋1)×(N－K＋1)个参考位置上做相关计算，其中，除最佳匹配点外， 其余做的都是无效运算， 所以有必要对其进行改进， 以提高运算速度。常用的方法有序贯相似性检测算法、幅度排序相关算法、FFT相关算法、分层搜索序贯判决算法等。 模板匹配的主要局限性在于它只能进行平行移动，如原图像中要匹配的目标发生旋转或大小变化，该算法无效。另外，如原图像中要匹配的目标只有部分可见，该算法也无法完成匹配。 图6-16 模板匹配示例 (a) 原图像与匹配结果； (b) 模板；（c） 街坊（City Block）距离法颜色匹配的结果 6.4.2 直方图匹配 颜色是描述图像内容的一个重要特征。人们已经提出了多种借助颜色特征对图像进行检索的方法。常用的颜色空间有R、 G、B和H、S、I。实际上，利用H、S、I颜色空间进行检索的效果更好一些，但以下讨论主要以R、G、B空间为例。为利用图像的颜色特征描述图像，可借助图像特征的统计直方图。利用直方图进行图像的匹配，这便是直方图匹配。由于篇幅所限， 在此只给出常用直方图匹配