【正文】 templatepixel = *pTemplateTemp。 pTemplateTemp = pTempBits + nTempWidthBytes * n + m。 m nTempWidth。 n nTempHeight。 dSigmaS = 0。 i nWidth nTempWidth + 1。 j nHeight nTempHeight + 1。 } } 第七章 圖像分割與邊緣檢測 // MaxR = 。 templatepixel = *pTemplateTemp。 m nTempWidth。 n nTempHeight。 … 第七章 圖像分割與邊緣檢測 //計算 dSigmaT dSigmaT = 0。 // double MaxR。 double dSigmaT。 // double dSigmaST。 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 。 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 。 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 。 對任何一個 f(x,y)中的 (x,y)， 根據(jù)式 （ 79） 都可以算得一個 R(x,y)值 。 第七章 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 。 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 。 設 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 。 第七章 圖像分割與邊緣檢測 圖 像 匹 配 模板匹配是指用一個較小的圖像 ， 即模板與源圖像進行比較 ， 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 。 第七章 圖像分割與邊緣檢測 圖 714 輪廓跟蹤示例 第七章 圖像分割與邊緣檢測 輪廓提取 二值圖像輪廓提取的算法非常簡單 ， 就是掏空內(nèi)部點： 如果原圖像中有一點為黑 ， 且它的 8個鄰點都是黑色時 ， 說明該點是內(nèi)部點 ， 將該點刪除 （ 置為白色像素值 255） 。 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 。 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 。 定義一個掃描方向變量 dir,該變量用于記錄上一步中沿著前一個邊界點到當前邊界點的移動方向 ， 其初始 (1) 對 4連通區(qū)域取 dir = 3， 如圖 712(a)所示； (2) 對 8連通區(qū)域取 dir = 7， 如圖 712(b)所示。 若圖像是二值圖像或圖像中不同區(qū)域具有不同的像素值 ， 但每個區(qū)域內(nèi)的像素值是相同的 ， 則如下算法可完成基于 4連通或 8連通區(qū)域的輪廓跟蹤 。 第七章 圖像分割與邊緣檢測 輪廓跟蹤與提取 輪廓跟蹤 在識別圖像中的目標時 ， 往往需要對目標邊緣作跟蹤處理 ， 也叫輪廓跟蹤 。 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系數(shù)的關系 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 。 第七章 圖像分割與邊緣檢測 圖 78 不同的邊緣信號 A B C A B C A B C( b ) ( c ) ( d )第七章 圖像分割與邊緣檢測 圖 79 （ a） 邊界； （ b） 線； （ c） 折線變化； （ d） 緩慢的平滑變化 (a) (b) (d) (c) 第七章 圖像分割與邊緣檢測 圖 710 用 Prewitt算子進行邊緣檢測的結(jié)果 第七章 圖像分割與邊緣檢測 高斯 拉普拉斯 (LOG) 噪聲點對邊緣檢測有較大的影響 ， 效果更好的邊緣檢測器是高斯 拉普拉斯 (LOG)算子 。 在實際情況中 ， 物理信號不可能有理想的突變 ， 而是如圖 78（ b） 所示的逐漸增大的信號 ， 對圖 78（ b） 中所示 A、 B、 C三點 ， 一般稱 B點為邊緣點 。 第七章 圖像分割與邊緣檢測 邊緣檢測與微分運算 邊緣點是信號 “ 變化劇烈 ” 的地方 ， 但這么說并不準確 ，需要定義一個準確的邊緣數(shù)學模型 。 D是陰影引起的邊緣 。 圖中標以 C′的邊緣 ， 即是物體與背景的交界處 ， 也是物體上表面法線的不連續(xù)處 ， 但引起它兩側(cè)灰度躍變的原因是前者 。 在 C類邊緣點上 ， 三維物體表面的法線方向是連續(xù)的 ， 出現(xiàn)邊緣點是由于從一定視角看物體時 ， C類邊界點是物體與背景的交界處 。 C類邊緣線是物體與背景的分界線 。 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 。 （ 2） B類邊緣線 。 第七章 圖像分割與邊緣檢測 圖 77 圖像中的邊緣點 AC CAC ′BDC ′C ′第七章 圖像分割與邊緣檢測 （ 1） 空間曲面上的不連續(xù)點 。 Yuille等指出 ， 在不同 “ 尺度 ” 意義下的邊緣點 ， 在一定條件下包含了原圖像的全部信息 。 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 區(qū)域生長示例 第七章 圖像分割與邊緣檢測 當生成任意物體時 ， 接收準則可以 結(jié)構(gòu) 為基礎 ， 而不是以灰度級或