第1部分轮廓分析的基础.doc

· 下载源代码 2.76 · 下载演示 2.74 MB 源代码和演示包括所有需要的OpenCV库。 项目需要. NET 框架 4. 介绍 本文介绍了轮廓分析的理论基础及其在图像识别中的实际应用。 本文还包括了轮廓分析的操作库，并给出了实例。 本文的第一部分主要介绍了等高线分析的主要定义和定理。 我试图选择主要时刻，以便能够快速理解轮廓分析的本质，并在实践中开始应用。 另外，我从自己那里添加了一些东西。 在核心中，关注理论的一些方面，还讨论了轮廓分析算法的优化问题。 本文的第二部分是对它的讨论。 文中给出了算法的工作结果，并对算法的问题和不足进行了描述。 第三部分介绍 C# 库 ContourAnalysis。 第 1部分：轮廓分析的基础 轮廓分析( CA ) 有什么必要？ of允许描述。存储。比较和查找以外部轮廓形式呈现的对象。 这个轮廓应该包含物体形状所必需的信息。 不接受对象的内部点。 它限制了of算法的适用范围，但仅仅考察轮廓可以以从图像的空间和算法复杂度。 CA能够有效地解决 Pattern 识别的主要问题- transposition转换。旋转和对象图像的重缩放。 CA方法对这些转换是不变的。 主要概念 首先，我们定义了这样一个物体轮廓。 轮廓是对象的边界。点( 象素)的填充。将对象与背景分离。 在计算机视觉系统中，采用了一些形式的编码格式。 但是所有这些编码格式都没有在CA中使用。 相反，在of中，轮廓由复数组成的序列编码。 在轮廓上，被称为起始点的点被固定。 然后，将轮廓扫描为( 是允许的- 顺时针)，并且每个偏移量都被一个复数a+ib记录。 在x 轴上的点偏移，y 轴上的b 偏移。 偏移与前面的点有关。 由于三维物体的物理性质，它们的轮廓总是封闭的，不能有自相交。 它允许明确定义一个轮廓( 沿方向或者逆时针方向向内)的旁路方式。 轮廓的最后一个矢量总是指向起始点。 轮廓的每个向量，我们将用初等向量，( EV )，。 复值数序列- 矢量轮廓( VC ) 。 向量轮廓我们将指定大希腊字母，它们的基本向量是一个小的希腊字母。 因此，长度k的矢量轮廓Γ可以指定为： 为什么在CA复数编码中使用了？ 因为对于一个复数的向量上的运算具有显著的数学特性，与它的他编码模式相比较。 基本上，复杂编码接近两维编码，它的中轮廓定义为在两维坐标中显示的rtc 。 但矢量积运算与复数运算的差别是不同的。 这种情况还优先考虑CA方法。 轮廓的性质 · 闭合轮廓的EV之和等于零。 由于初始向量导致起点，它们的和等于零向量。 · 等值线矢量不依赖于源图像的平行变换。 当轮廓相对于起点编码时，这种编码方式不变于初始轮廓的转换。 · 相同角度的图像转换等同于在同一角度的每个轮廓的轮廓。 · 对VC循环移位的起始点修正。 对于前一点的编码，很明显，在初始点修改时，电动机的序列是相同的。 · 源图像重缩放可以以被视为每个轮廓的比例乘以比例因子的乘法。 轮廓的标量积 Γ和N 作为等高线的标量乘积，被称为复数： VC - N 维，γn - N 基本矢量的基本矢量，等高线的EV 。 ( γn，νn ) - 复数的标量乘积计算为： 让我们注意一个of中的标量产品只是一个相同的维度的VC 。 这就是轮廓中基本矢量的数目。 复数的一般向量和复数的标量积不同。 如果把EV乘以一个向量，那么它们的标量乘积看起来就像： 将这里公式与公式( 2 ) 进行比较，你将注意到： · 向量的标量乘积的结果是实数。 复数乘积的结果- 复数复数。 · 复数标量积的实部与适当向量的标量积一致。 复杂的产品包括矢量标量产品。 现在让我们记住线性代数。 精确- 标量积的物理意义和性质。 标量产品在线性代数中等于向量长度上的角度的乘积的乘积。 这意味着两个垂直向量总是有零标量积，共线向量相反，将给出标量乘积的最大值。 产品性质允许使用它作为向量贴近度的某种度量。 如果更多- 向量之间的角度较少，则它们之间的更接近对应于。 对于垂直向量- 它被降到零，并且向导向导向的向量进一步变成负数。 似乎，标量产品( 1 ) 也有类似的属性。 让我们再引入一个概念- 规范化标量产品( NSP ): |Γ|和 |N| - 等高线的规范( 长度) 计算为： 复数空间中的NSP，也是复数。 因此，unity的最大可能值是 NSP NSP ( 它从一个Cauchy-Bunyakovsky-Schwarz不等式： |ab| = |a||b| )，并且仅在。reached 。 。where μ任意复数。 在实践中什么意思？ 我们回忆起复数的乘法物理意义。 复数的乘法时，它们的长度相乘，并且参数( 角度) 被添加。 轮廓μN表示它是相同的轮廓N，但却被缩放了。 比例和转动是由复数μ定义的。 所以，on的规范达到最大值，