【文章內(nèi)容簡(jiǎn)介】 在 3 3鄰域中搜索到的第一個(gè)與當(dāng)前像素值相同的像素便為新的邊界點(diǎn) An， 同時(shí)更新變量 dir為新的方向值 。 步驟 3：如果 An等于第二個(gè)邊界點(diǎn) A1且前一個(gè)邊界點(diǎn) An1等于第一個(gè)邊界點(diǎn) A0， 則停止搜索 ，結(jié)束跟蹤 ， 否則重復(fù)步驟 2繼續(xù)搜索 。 步驟 4：由邊界點(diǎn) A0、 A A …、 An2構(gòu)成的邊界便為要跟蹤的邊界 。 算法中步驟 1中所采用的準(zhǔn)則稱為 “ 探測(cè)準(zhǔn)則 ” ， 其作用是找出第一個(gè)邊界點(diǎn)；步驟 3中所采用的準(zhǔn)則稱為 “ 跟蹤準(zhǔn)則 ” ， 其作用是找出所有邊界點(diǎn) 。 圖 514 輪廓跟蹤示例 輪廓提取 二值圖像輪廓提取的算法非常簡(jiǎn)單 ， 就是掏空內(nèi)部點(diǎn)： 如果原圖像中有一點(diǎn)為黑 ， 且它的 8個(gè)鄰點(diǎn)都是黑色時(shí) ， 說明該點(diǎn)是內(nèi)部點(diǎn) ， 將該點(diǎn)刪除 （ 置為白色像素值 255） 。 對(duì)圖像中所有像素點(diǎn)執(zhí)行該操作便可完成圖像輪廓的提取 。 在此不對(duì)其作過多說明 ， 請(qǐng)讀者參考配套光盤的源程序 。 圖 像 匹 配 模板匹配是指用一個(gè)較小的圖像 ， 即模板與源圖像進(jìn)行比較 ， 以確定在源圖像中是否存在與該模板相同或相似的區(qū)域 ， 若該區(qū)域存在 ， 還可確定其位置并提取該區(qū)域 。 模板匹配常用的一種 測(cè)度為模板與原圖像對(duì)應(yīng)區(qū)域的誤差平方和 。 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（ 57） 將式（ 57）展開可得 ? ?? ?? ?????????????????????10102101010102)],([),(),(2)],([),(JjKkJjKkJjKkkjtkyjxfkjtkyjxfyxD(58) 令 ? ?? ?? ?????????????????????10102101010102)],([),(),(),([2),()],([),(JjKkJjKkJjKkkjtyxDTkyjxfkjtyxD S TkyjxfyxDS 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 。 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) 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 。 圖 515 模板匹配示意圖 Oyiyi＋ kixi＋ jixijikikJKjNMyx 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 。 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) { //其他變量定義、 // int i, j, m, n。 // double dSigmaST。 double dSigmaS。 double dSigmaT。 // double R。 // double MaxR。 // int nMaxWidth, nMaxHeight。 … //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。 } } // 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++) { 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 if (R MaxR) { MaxR = R。 nMaxWidth = i。 nMaxHeight = j。 } } } // for (n = 0。 n nTempHeight。 n++) { for(m = 0。 m nTempWidth。 m++) { pTemplateTemp = pTempBits + nTempWidthBytes * n + m。 pNewTemp= pNewBits