【正文】 在識別圖像中的目標(biāo)時 ， 往往需要對目標(biāo)邊緣作跟蹤處理 ， 也叫輪廓跟蹤 。 步驟 4：由邊界點 A0、 A A …、 An2構(gòu)成的邊界便為要跟蹤的邊界 。 DT(x, y)稱為 模板的能量 ， 它與圖像像素位置 (x, y)無關(guān) ， 只用一次計算便可 。 常用的方法有序貫相似性檢測算法 、 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 。 // double MaxR。 templatepixel = *pTemplateTemp。 dSigmaS = 0。 templatepixel = *pTemplateTemp。 n nTempHeight。 人們已經(jīng)提出了多種借助顏色特征對圖像進行檢索的方法 。 參考色的數(shù)量要比原圖像少 ， 這樣可計算簡化的直方圖 ， 所以匹配的特征矢量是 f=［ r1, r2…rN］ T (714) 式中： ri是第 i種顏色出現(xiàn)的頻率 ， N是參考顏色表的尺寸 。 這種方法對兩幅視頻幀或圖像的相應(yīng)子塊進行比較 ， 廢棄差別最大的一對 ， 其余的比較結(jié)果參與最后的識別 。 其次 ， 目標(biāo)形狀的描述是一個非常復(fù)雜的問題 ， 至今還沒有找到能與人的感覺相一致的圖像形狀的確切數(shù)學(xué)定義 。 第七章 圖像分割與邊緣檢測 投影法與差影法 投影法 投影法就是把圖像在某一方向 （ 常用的是水平方向和垂直方向 ） 上進行投影 。 差值圖像提供了圖像間的差異信息 ， 能用以指導(dǎo)動態(tài)監(jiān)測 、 運動目標(biāo)檢測和跟蹤 、 圖像背景消除及目標(biāo)識別等 。 為了減少誤診 ， 人們希望提供反映游離血管的清晰圖像 。 這時就需要更進一步的考慮 。 i lSize。 for(int th = 0。 i nHeight。 GrayValue2 = GrayValue2 + pTemp［ j］ 。 for( i = 1。 } 。 } float MaxSigma = Sigma［ 1］ 。 GrayValue1 = GrayValue1 + pTemp［ j］ 。 long Sum2 = 0。 i 256。 BYTE Buffer。 否則 ， 必須先作幾何校正與配準(zhǔn) 。 第七章 圖像分割與邊緣檢測 利用差影技術(shù)消除圖像背景也有很明顯的效果 。 第七章 圖像分割與邊緣檢測 圖 717 投影法 第七章 圖像分割與邊緣檢測 圖 718 華盛頓紀(jì)念碑圖 第七章 圖像分割與邊緣檢測 圖 719 閾值化后的華盛頓紀(jì)念碑 第七章 圖像分割與邊緣檢測 圖 720 垂直方向投影 第七章 圖像分割與邊緣檢測 1. 圖像的代數(shù)運算是指對兩幅輸入圖像進行點對點的加 、 減 、 乘 、 除四則運算而得到輸出圖像的運算 。 所以 ， 可考慮先在較大尺度下檢測出真正的邊界點 ， 再在較小尺度下對真正邊界點進行較精確的定位 。 第七章 圖像分割與邊緣檢測 形狀也是描述圖像內(nèi)容的一個重要特征 ， 形狀常與目標(biāo)聯(lián)系在一起 ， 所以相對于顏色 ， 形狀特征可以看作是更高層次的圖像特征 ， 利用形狀進行匹配需要考慮三個問題 。 一種改進的方法是將圖像劃分成若干子塊 ，分別對各子塊進行匹配 。 設(shè)用 分別表示查詢圖像 Q的 R、 G、 B三個分量直方圖的 i(i≤3)階中心矩；用 圖像 D的 R、 G、 B三個分量直方圖的 i(i≤3)階中心矩 ， 則它們之間的匹配值為 iQBiQGiQR MMM ,iQBiQGiQR MMM ,? ? ?? ? ???????31313122 )()()(),(i i iiDBiQBBiDGiQGGiDRiQRR MMWMMWMMWDQd式中， WR， WG， WB為加權(quán)系數(shù)。 } } // return(TRUE)。 nMaxHeight = j。 pTemplateTemp = pTempBits + nTempWidthBytes * n + m。 i nWidth nTempWidth + 1。 m nTempWidth。 double dSigmaT。 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區(qū)域 ， 便可得到匹配圖像 。 設(shè) f(x, y)為 M N的原圖像 ， t(j,k)為 J K(J≤M， K≤N)的模板圖像 ， ? ?????????10102)],(),([),(JjKkkjtkyjxfyxD（ 77） 第七章 圖像分割與邊緣檢測 將式（ 77）展開可得 ? ?? ?? ?????????????????????10102101010102)],([),(),(2)],([),(JjKkJjKkJjKkkjtkyjxfkjtkyjxfyxD(78) 第七章 圖像分割與邊緣檢測 令 ? ?? ?? ?????????????????????10102101010102)],([),(),(),([2),()],([),(JjKkJjKkJjKkkjtyxDTkyjxfkjtyxD S TkyjxfyxDS第七章 圖像分割與邊緣檢測 DS(x, y)稱為 原圖像中與模板對應(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 。 第七章 圖像分割與邊緣檢測 圖 713 3 3鄰域起始搜索方向 ( a ) ( b ) ( c )第七章 圖像分割與邊緣檢測 在 3 3鄰域中搜索到的第一個與當(dāng)前像素值相同的像素便為新的邊界點 An， 同時更新變量 dir為新的方向值 。 常用的 LOG算子是 5 5的模板： ??????????????????????????????????24442408044824844080424442第七章 圖像分割與邊緣檢測 圖 711 LOG算子中心點的距離與位置加權(quán)系數(shù)的關(guān)系 O xy第七章 圖像分割與邊緣檢測 若將圖 711繞 y軸作旋轉(zhuǎn)一周后 ， LOG算子很像一頂墨西哥草帽 ， 所以 ， LOG又叫 墨西哥草帽濾波器 。 D是陰影引起的邊緣 。 圖中桌面由兩種不同材料組成 ，由于它們對光的反射系數(shù)不同 ， 使 B邊緣線的兩側(cè)灰度有明顯不同 。 第七章 圖像分割與邊緣檢測 邊 緣 檢 測 在 Marr的視覺計算理論框架中 ， 抽取二維圖像上的邊緣 、 角點 、 紋理等基本特征 ， 是整個系統(tǒng)框架中的第一步 。 第七章 圖像分割與邊緣檢測 圖 75給出一個簡單的例子 。 若一幅圖像由亮背景和黑目標(biāo)組成 ， 已知目標(biāo)占圖像的 (100－ p)%面積 ， 則使得至少 (100－ p)%的像素閾值化后匹配為目標(biāo)的最高灰度 ， 將選作用于二值化處理的閾值 。 設(shè)圖像總像素數(shù)為 N， 灰度值為 i的像素數(shù)為 Ni， 則至灰度級 K的灰度分布的 0階矩及 1階矩分別定義為 0階矩： ???KiiNNk0)(?(72) 第七章 圖像分割與邊緣檢測 1階矩： ???? KiiNNik0)(?(73) 當(dāng) K=L1時 ， ω(L1)=1； μ(L1)＝ μ