【文章內(nèi)容簡介】 0102101010102)],([),(),(),([2),()],([),(JjKkJjKkJjKkkjtyxDTkyjxfkjtyxD S TkyjxfyxDS第五章 圖像分割與邊緣檢測 DS(x, y)稱為原圖像中與模板對應區(qū)域的能量 ， 它與像素位置 (x, y)有關 ， 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應區(qū)域的互相關 ， 它隨像素位置 (x, y)的變化而變化 ， 當模板 t(j, k)和原圖像中對應區(qū)域相匹配時取得最大值 。 DT(x, y)稱為模板的能量 ， 它與圖像像素位置 (x, y)無關 ， 只用一次計算便可 。 顯然 ， 用式 (58)計算誤差平方和測度可以減少計算量 。 第五章 圖像分割與邊緣檢測 基于上述分析 ， 若設 DS(x, y)也為常數(shù) ， 則用 DST(x, y)便可進行圖像匹配 ， 當 DST(x, y)取最大值時 ， 便可認為模板與圖像是匹配的 。 但假設 DS(x, y)為常數(shù)會產(chǎn)生誤差 ， 嚴重時將無法正確地完成匹配 ， 因此可用歸一化互相關作為誤差平方和測度 ， 其定義為 ?????????????????????????10210102101010)],([)],([),(),(),(KkJjKkJjKkJjkjtkyjxfkyjxfkjtyxR(59) 第五章 圖像分割與邊緣檢測 圖 515給出了模板匹配的示意圖 ， 其中假設原圖像 f(x, y)和模板圖像 t(k, l)的原點都在左上角 。 對任何一個 f(x, y)中的 (x, y)， 根據(jù)式 （ 59） 都可以算得一個 R(x, y)值 。 當 x和 y變化時 ， t(j, k)在原圖像區(qū)域中移動并得出 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區(qū)域 ， 便可得到匹配圖像 。 第五章 圖像分割與邊緣檢測 圖 515 模板匹配示意圖 Oyiyi＋ kixi＋ jixijikikJKjNMyx第五章 圖像分割與邊緣檢測 用歸一化互相關求匹配的計算工作量非常大 ， 因為模板要在(M－ J＋ 1) (N－ K＋ 1)個參考位置上做相關計算 ， 其中 ， 除最佳匹配點外 ， 其余做的都是無效運算 ， 所以有必要對其進行改進 ， 以提高運算速度 。 常用的方法有序貫相似性檢測算法 、 幅度排序相關算法 、 FFT相關算法 、 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行平行移動 ， 如原圖像中要匹配的目標發(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 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)對傳入的 CDibObject //參數(shù)說明： CDibObject *pTemplate // CDibObject *pDibObject //返回值： BOOL 成功時返回 TRUE， 失敗時返回 FALSE // //**************************************** BOOL CAreaPro:: TemplateMatch(CDibObject *pTemplate, CDibObject *pDibObject) { 第五章 圖像分割與邊緣檢測 //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 //計算 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 // 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 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))。 //與最大相關性比較 第五章 圖像分割與邊緣檢測 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 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 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 直方圖匹配 顏色是描述圖像內(nèi)容的一個重要特征 。 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 。 常用的顏色空間有 R、 G、 B和 H、 S、 I。 實際上 ， 利用 H、 S、 I顏色空間進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)計直方圖 。 利用直方圖進行圖像的匹配 ， 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)學原理公式 ， 有關算法請讀者自行設計完成 。 第五章 圖像分割與邊緣檢測 1. 直方圖相交法 設 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 2. 為減少計算量 ， 可采用直方圖的均值來粗略地表達顏色信息 ， 對