基于机器视觉-轮廓匹配算法研究.pptVIP

学习总结 近期所做的工作： 主要是图像匹配算法的研究（角点、切点、拐点、以及圆的检测） 图像匹配算法 图像预处理 图像的分割技术研究 边缘检测 轮廓特征提取 制作轮廓模板 模板匹配。 轮廓特征提取 在计算机视觉中，轮廓特征点的提取有着十分重要的意义．轮廓特征点是最基本的表征目标形状的特征基元，根据它可以将平面曲线分割成有意义和紧凑的形式，以利于高层视觉处理(模式识别、形状匹配、尺寸检测等)．轮廓特征点包括角点、切点和拐点。 切点和拐点的检测方法 对于切点与拐点，可以用一种结合曲率与曲率角对轮廓线匹配算法。在以轮廓点为中心的支撑区域内定义了曲率角，并根据定义的曲率角及曲率符号，采用模板匹配技术，提取出候选的轮廓特征点 对于切点的模式 （1，1， 1，1，1，1，1，1，1，0，0，0，0，0，0，0，0，0） （ 0，0，0，0，0，0，0，0，0， 1，1， 1，1，1，1，1，1，1） （-1，-1，- 1，-1，-1，-1，-1，-1，-1，0，0，0，0，0，0，0，0，0） （0，0，0，0，0，0，0，0，0, -1，-1，- 1，-1，-1，-1，-1，-1，-1， ） 对于拐点的模式 （1，1， 1，1，1，1，1，1，1， -1，-1，- 1，-1，-1，-1，-1，-1，-1 ） （ -1，-1，- 1，-1，-1，-1，-1，-1，-1 ， 1，1， 1，1，1，1，1，1，1） Hausdorff 距离 二值图像可以看作二维图像平面上的点集给定欧氏空间中两个点集， Hausdorff距离用来衡量两个点集间的距离。 定义1：?? H(A,B)=max[h(A,B),h(B,A)] 其中 式中，‖·‖为定义在点集合上的某种距离范数,通常采用L2-范数,即欧氏距离。由此可得,若定义一个点到一个有限集合的距离为该点与这个集合所有点的距离的最小值，则h(A, B) 为点集 A 中的每个点到点集 B 的距离的最大值。Hausdorff距离取 h(A, B) 和h(B, A) 的最大值,通过计算这二者的最大值就可获得两个点集之间的匹配程度。 将轮廓线分成若干特征段，每一特征段是由特征点及其两侧的点构成的点集，点集中各点的值是轮廓上该点的曲率。通过计算特征段之间的Hausdorff距离来表征它们的相似程度。 从理论上来讲,两个可匹配的轮廓线应该是完全一样的，即两段轮廓线之间的Hausdorff距离为0。但由于数据采集过程中产生的噪声,所以即使是可匹配的轮廓线，其Hausdorff 距离也不一定为是0，而是在一定的容差ε 范围之内。 角点检测方法 下图是理想的角点、边缘和平坦地区示例： 角点：最直观的印象就是在水平、竖直两个方向上变化均较大的点，即Ix、Iy都较大 边缘：仅在水平、或者仅在竖直方向有较大的变化量，即Ix和Iy只有其一较大 平坦地区：在水平、竖直方向的变化量均较小，即Ix、Iy都较小 1.利用水平、垂直差分算子对图像每个象素进行滤波以求得Ix、Iy 定义水平方向差分算子{1,0,1,-1,0,1,-1,0,1}; 定义垂直方向差分算子{-1,-1,-1,0,0,0,1,1,1}; 进而可以就得m值 ２.对m中的四个元素进行高斯滤波，得到新的m 3.接下来利用m计算对用于每个象素的角点量 cim 4.最后在矩阵cim中同时满足cim大于一个阈值thresh和cim在某一领域内的局部极大值才认为是角点 R=217.753 R=217.884 * * *