《光電圖像處理》07－圖像分割

1、光電圖像處理 （七）圖像分割電子工程學(xué)院光電子技術(shù)系17.1 圖像分割 7.2 邊緣檢測(cè)7.3 輪廓跟蹤與提取 7.4 圖像匹配 主 要 內(nèi) 容237.1 圖像分割 7.2 邊緣檢測(cè)7.3 輪廓跟蹤與提取 7.4 圖像匹配 主 要 內(nèi) 容4圖像分析系統(tǒng)的構(gòu)成知識(shí)庫(kù)表示與描述預(yù)處理分割低級(jí)處理高級(jí)處理中級(jí)處理識(shí)別與解釋結(jié)果圖像獲取問(wèn)題57.1 圖像分割 7.1.1 圖像分割基本概念 7.1.2 灰度閾值法分割 7.1.3 面向區(qū)域的分割67.1.1 圖像分割基本概念基元：圖像經(jīng)過(guò)分解之后得到的具有某種特征的最小成分。圖像特征：指圖像中可用作標(biāo)志的屬性，它可分為圖像的統(tǒng)計(jì)特征和圖像的視覺(jué)特征兩類。

2、圖像的統(tǒng)計(jì)特征：一些人為定義的特征，通過(guò)變換才能得到，如圖像的直方圖、矩、頻譜。圖像的視覺(jué)特征：指人的視覺(jué)可直接感受到的自然特征，如區(qū)域的亮度、紋理或輪廓等。圖像分割：利用圖像的視覺(jué)特征和統(tǒng)計(jì)特征把圖像分解成為一系列有意義的目標(biāo)或區(qū)域的過(guò)程稱為圖像的分割。7圖像分割的概念把圖像分解成構(gòu)成它的部件和對(duì)象的過(guò)程。有選擇性地定位感興趣對(duì)象在圖像中的位置和范圍。8 定義：圖像分割是將圖像劃分成若干個(gè)互不相交的小區(qū)域的過(guò)程。 小區(qū)域：是某種意義下具有共同屬性的像素的連通集合。如不同目標(biāo)物體所占的圖像區(qū)域、 前景所占的圖像區(qū)域等。 連通：指集合中任意兩個(gè)點(diǎn)之間都存在著完全屬于該集合的連通路徑。94連通和8

3、連通 10圖像分割的基本思路1. 從簡(jiǎn)到難，逐級(jí)分割；2. 控制背景環(huán)境，降低分割難度；3. 把焦點(diǎn)放在增強(qiáng)感興趣對(duì)象，縮小不相干圖像成分的干擾上。11圖像分割的基本策略圖像分割的基本策略，基于灰度值的兩個(gè)基本特性：不連續(xù)性區(qū)域之間相似性區(qū)域內(nèi)部12 根據(jù)圖像像素灰度值的相似性 通過(guò)選擇閾值，找到灰度值相似的區(qū)域 區(qū)域的外輪廓就是對(duì)象的邊 根據(jù)圖像像素灰度值的不連續(xù)性 先找到點(diǎn)、線、邊 再確定區(qū)域13區(qū)域法：將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法。邊界方法：是通過(guò)直接確定區(qū)域間的邊界來(lái)實(shí)現(xiàn)分割的。邊緣檢測(cè)：首先檢測(cè)邊緣像素，再將邊緣像素連接起來(lái)構(gòu)成邊界形成分割。 圖像分割有三種不同的途徑：

4、14 常用的圖像分割方法是把圖像灰度分成不同的等級(jí)， 然后用設(shè)置灰度門限（閾值）的方法確定有意義的區(qū)域或分割物體的邊界。常用的閾值化處理就是圖像的二值化處理， 即選擇一閾值，將圖像轉(zhuǎn)換為黑白二值圖像， 用于圖像分割及邊緣跟蹤等預(yù)處理。 圖像閾值化處理的變換函數(shù)表達(dá)式為 ：7.1.2 灰度閾值法分割15閾值分割法的基本思想： 確定一個(gè)合適的閾值T（閾值選定的好壞是此方法成敗的關(guān)鍵）； 將大于等于閾值的像素作為物體或背景，生成一個(gè)二值圖像。 If f(x,y) T set 255Else set 016閾值變換曲線 17閾值分割法的特點(diǎn)： 適用于物體與背景有較強(qiáng)對(duì)比的情況，重要的是背景或物體的灰度

5、比較單一。（可通過(guò)先求背景，然后求反得到物體） 這種方法總可以得到封閉且連通區(qū)域的邊界?；叶戎礷(x0,y0)T18 不同閾值對(duì)閾值化結(jié)果的影響(a) 原始圖像； (b) 閾值T=91； (c) 閾值T=130； (d) 閾值T=43(a)(b)(c)(d)19上圖（a）圖像的直方圖 20 分析該直方圖可知， 該直方圖具有雙峰特性，圖像中的目標(biāo)（細(xì)胞）分布在較暗的灰度級(jí)上形成一個(gè)波峰，圖像中的背景分布在較亮的灰度級(jí)上形成另一個(gè)波峰。 此時(shí)，用其雙峰之間的谷低處灰度值作為閾值T進(jìn)行圖像的閾值化處理，便可將目標(biāo)和背景分割開(kāi)來(lái)。 211. 通過(guò)直方圖得到閾值2. 通過(guò)邊界特性選擇閾值3. 基于多個(gè)變

6、量的閾值確定閾值的方法:221. 通過(guò)直方圖得到閾值基本思想:邊界上的點(diǎn)的灰度值出現(xiàn)次數(shù)較少。取值的方法： 取直方圖谷底(最小值)的灰度值為閾值T。T23缺點(diǎn)：會(huì)受到噪音的干擾，最小值不是預(yù)期的閾值，而偏離期望的值；改進(jìn)：取兩個(gè)峰值之間某個(gè)固定位置，如中間位置上。由于峰值代表的是區(qū)域內(nèi)外的典型值，一般情況下，比選谷底更可靠，可排除噪音的干擾。 對(duì)直方圖進(jìn)行平滑處理，改善噪聲。T242. 通過(guò)邊界特性選擇閾值基本思想： 如果直方圖的各個(gè)波峰很高、很窄、對(duì)稱，且被很深的波谷分開(kāi)時(shí)，有利于選擇閾值。 為了改善直方圖的波峰形狀，我們只把區(qū)域邊緣的像素繪入直方圖，而不考慮區(qū)域中間的像素。 用微分算子，處

7、理圖像，使圖像只剩下邊界中心兩邊的值。25 在前景和背景所占區(qū)域面積差別很大時(shí)，不會(huì)造一個(gè)灰度級(jí)的波峰過(guò)高，而另一個(gè)過(guò)低。 邊緣上的點(diǎn)在區(qū)域內(nèi)和區(qū)域外的概率是相等的，因此可以增加波峰的對(duì)稱性。 基于梯度和拉普拉斯算子選擇的像素，可以增加波峰的高度。這種方法有以下優(yōu)點(diǎn)：261）對(duì)圖像進(jìn)行梯度計(jì)算，得到梯度圖像。2）得到梯度值最大的那一部分（比如10%）的像素直方圖。3）通過(guò)直方圖的谷底，得到閾值T。算法的實(shí)現(xiàn):27基本思想：把前面的方法擴(kuò)展到多維空間，則尋找波谷的過(guò)程，變?yōu)閷ふ尹c(diǎn)簇的過(guò)程。算法實(shí)現(xiàn)：各維分量波谷之間進(jìn)行邏輯與運(yùn)算，從波谷重合的點(diǎn)，得到實(shí)際的閾值T。應(yīng)用場(chǎng)合：有多個(gè)分量的顏色模型，

8、如RGB模型、CMYK模型、HSI模型。3. 基于多個(gè)變量的閾值287.1.3 面向區(qū)域的分割1. 基本概念2. 像素集合的區(qū)域增長(zhǎng)3. 區(qū)域分裂與合并291. 面向區(qū)域的分割基本概念 目標(biāo)：將區(qū)域R劃分為若干個(gè)子區(qū)域R1,R2,Rn，這些子區(qū)域滿足5個(gè)條件： 連通性：每個(gè)Ri都是一個(gè)連通區(qū)域 獨(dú)立性：對(duì)于任意ij，RiRj= 單一性：每個(gè)區(qū)域內(nèi)的灰度級(jí)相等，P（Ri）= TRUE，i = 1,2,n 互斥性：任兩個(gè)區(qū)域的灰度級(jí)不等，P（Ri Rj）= FALSE，ij 完備性：302. 像素集合的區(qū)域增長(zhǎng)算法實(shí)現(xiàn)：1）根據(jù)圖像的不同應(yīng)用選擇一個(gè)或一組種子，它或者是最亮或最暗的點(diǎn)，或者是位于點(diǎn)

9、簇中心的點(diǎn)。2）選擇一個(gè)描述符（條件）。3）從該種子開(kāi)始向外擴(kuò)張，首先把種子像素加入結(jié)果集合，然后不斷將與集合中各個(gè)像素連通、且滿足描述符的像素加入集合。4）上一過(guò)程進(jìn)行到不再有滿足條件的新結(jié)點(diǎn)加入集合為止。31條件：鄰近點(diǎn)的灰度級(jí)與當(dāng)前點(diǎn)的灰度級(jí)的差小于2。32 上圖給出一個(gè)簡(jiǎn)單的例子。此例的相似性準(zhǔn)則是鄰近點(diǎn)的灰度級(jí)與物體的平均灰度級(jí)的差小于2。圖中被接受的點(diǎn)和起始點(diǎn)均用下劃線標(biāo)出，其中（a）圖是輸入圖像;（b）圖是第一步接受的鄰近點(diǎn);（c）圖是第二步接受的鄰近點(diǎn);（d）圖是從6開(kāi)始生成的結(jié)果。 333. 區(qū)域分裂與合并 對(duì)圖像中灰度級(jí)不同的區(qū)域，均分為四個(gè)子區(qū)域。 如果相鄰的子區(qū)域所有像

10、素的灰度級(jí)相同，則將其合并。反復(fù)進(jìn)行上兩步操作，直至不再有新的分裂與合并為止。347.1 圖像分割 7.2 邊緣檢測(cè)7.3 輪廓跟蹤與提取 7.4 圖像匹配 主 要 內(nèi) 容357.2 邊 緣 檢 測(cè) 7.2.1 圖像檢測(cè)主要方法7.2.2 邊緣檢測(cè)與微分運(yùn)算7.2.3 高斯拉普拉斯（LOG）算子36ACCACBDCC37 （1）空間曲面上的不連續(xù)點(diǎn)。如標(biāo)為A的邊緣線，這些邊緣線為兩個(gè)不同曲面的或平面的交線，該點(diǎn)處物體表面的法線方向不連續(xù)，在A類邊緣線的兩邊，圖像的灰度值有明顯的不同。 （2）B類邊緣線。B類邊緣線是由不同材料或相同材料不同顏色產(chǎn)生的。圖中桌面由兩種不同材料組成，由于它們對(duì)光的反

11、射系數(shù)不同， 使B邊緣線的兩側(cè)灰度有明顯不同。 ACCACBDCC38 （3）C類邊緣線。C類邊緣線是物體與背景的分界線。圖中圓柱上有兩條C類邊緣線，這類邊緣線一般稱為外輪廓線。在C類邊緣點(diǎn)上，三維物體表面的法線方向是連續(xù)的，出現(xiàn)邊緣點(diǎn)是由于從一定視角看物體時(shí)，C類邊界點(diǎn)是物體與背景的交界處。由于物體與背景在光照條件與材料反射系數(shù)等方面差異很大， 因此在C類邊緣兩側(cè)，圖像的灰度也有很大差異。圖中標(biāo)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。 （4）D邊緣。D是陰影引起的邊緣。由于物體表面某一部分被另一物體遮擋，使它得不到光源的照射，從而引

12、起邊緣點(diǎn)兩側(cè)灰度值有較大的差異。 397.2.1 圖像檢測(cè)主要方法1. 點(diǎn)的檢測(cè)2. 線的檢測(cè)3. 邊的檢測(cè)401. 點(diǎn)的檢測(cè)用空域的高通濾波器來(lái)檢測(cè)孤立點(diǎn)例：88881288888圖像-1-1-1-18-1-1-1-1模板R = (-1 * 8 * 8 + 128 * 8) / 9 = (120 * 8) / 9 = 960 / 9 = 106設(shè) ：閾值：T = 64 R T41 設(shè)定閾值 T，如T = 32、64、128等,并計(jì)算高通濾波值R； 如果R值等于0，說(shuō)明當(dāng)前檢測(cè)點(diǎn)的灰度值與周圍點(diǎn)的相同； 當(dāng)R的值足夠大時(shí)，說(shuō)明該點(diǎn)的值與周圍的點(diǎn)非常不同，是孤立點(diǎn)。通過(guò)閾值T來(lái)判斷： |R| T

13、 檢測(cè)到一個(gè)孤立點(diǎn)。算法描述：422. 線的檢測(cè)通過(guò)比較典型模板的計(jì)算值，確定一個(gè)點(diǎn)是否在某個(gè)方向的線上:-1-1-1222-1-1-1水平模板-1-12-12-12-1-145度模板-12-1-12-1-12-1垂直模板2-1-1-12-1-1-12135度模板43111555111111555111111555111例：圖像用4種模板分別計(jì)算R水平 = -6 + 30 = 24R45度 = -14 + 14 = 0R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 044線的檢測(cè)算法描述依次計(jì)算4個(gè)方向的典型檢測(cè)模板，得到Ri ，i=1,2,3,4；如 |Ri| |

14、Rj| 對(duì)于所有的j i，那么這個(gè)點(diǎn)被稱為在方向上更接近模板i 所代表的線。設(shè)計(jì)任意方向的檢測(cè)模板可能大于33；模板系數(shù)和為0；感興趣的方向的系數(shù)大。 453. 邊的檢測(cè) 邊界的定義：兩個(gè)具有相對(duì)不同灰度值特性的區(qū)域的邊界線。 適用于： 假定問(wèn)題中的區(qū)域是非常類似的，兩個(gè)區(qū)域之間的過(guò)渡，僅僅根據(jù)灰度的不連續(xù)性便可確定。 不適用于： 當(dāng)假定不成立時(shí)，閾值分割技術(shù)一般來(lái)說(shuō)比邊緣檢測(cè)更加實(shí)用。46 基本思想：計(jì)算局部微分算子截面圖邊界圖像47 一階微分：用梯度算子來(lái)計(jì)算 特點(diǎn)：對(duì)于亮的邊，邊的變化起點(diǎn)是正的，結(jié)束是負(fù)的。對(duì)于暗邊，結(jié)論相反。常數(shù)部分為零。 用途：用于檢測(cè)圖像中邊的存在。48二階微分：

15、通過(guò)拉普拉斯來(lái)計(jì)算 特點(diǎn)：二階微分在亮的一邊是正的，在暗的一邊是負(fù)的。常數(shù)部分為零。 用途：二次導(dǎo)數(shù)的符號(hào)，用于確定邊上的像素是在亮的一邊，還是暗的一邊。 0跨越，確定邊的準(zhǔn)確位置。49邊緣點(diǎn)是信號(hào)“變化劇烈”的地方，以一維信號(hào)為例，定義一個(gè)準(zhǔn)確的邊緣數(shù)學(xué)模型。7.2.2 邊緣檢測(cè)與微分運(yùn)算A50圖像中不同類型的邊界（a） 邊界； （b） 線； （c） 折線變化； （d） 緩慢的平滑變化 (a)(b)(d)(c)51 用Prewitt算子進(jìn)行邊緣檢測(cè)的結(jié)果 52用Sobel算子進(jìn)行邊緣檢測(cè)的結(jié)果 53 各種梯度模板54 把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來(lái)，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)

16、，所以效果更好。 常用的LOG算子是55的模板： 7.2.3 高斯-拉普拉斯(LOG)算子55 LOG算子中心點(diǎn)的距離與位置加權(quán)系數(shù)的關(guān)系56 若將上圖繞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。在圖像邊緣檢測(cè)中， 還有Wallis算子、 過(guò)零點(diǎn)檢測(cè)（Marr-Hildreth算子）、 Canny邊緣檢測(cè)方法、 SUSAN（Smallest Univalue Segment Assimilating Nucleus）邊緣檢測(cè)等。 577.1 圖像分割 7.2 邊緣檢測(cè)7.3 輪廓跟蹤與提取 7.4 圖像匹配 主 要 內(nèi) 容587.3 輪廓跟蹤與提取7.

17、3.1 輪廓跟蹤 在識(shí)別圖像中的目標(biāo)時(shí)，往往需要對(duì)目標(biāo)邊緣作跟蹤處理， 也叫輪廓跟蹤。 輪廓跟蹤：通過(guò)順序找出邊緣點(diǎn)來(lái)跟蹤邊界的。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(gè)區(qū)域內(nèi)的像素值是相同的，則可完成基于4連通或8連通區(qū)域的輪廓跟蹤。 59基本方法：先根據(jù)某些嚴(yán)格的“探測(cè)準(zhǔn)則”找出目標(biāo)物體輪廓上的像素，再根據(jù)這些像素的某些特征用一定的“跟蹤準(zhǔn)則”找出目標(biāo)物體上的其他像素。 首先找到第一個(gè)邊界像素的“探測(cè)準(zhǔn)則”是：按照從左到右，從下到上的順序搜索，找到的第一個(gè)黑點(diǎn)一定是最左下方的邊界點(diǎn)，記為A。它的右、右上、上、左上四個(gè)鄰點(diǎn)中至少有一個(gè)是邊界點(diǎn)，記為B。 從B開(kāi)始找起，按右、右

18、上、上、左上、左、左下、下、右下的順序找相鄰點(diǎn)中的邊界點(diǎn)C。如果C就是A點(diǎn)，則表明已經(jīng)轉(zhuǎn)了一圈，程序結(jié)束；否則從C點(diǎn)繼續(xù)找，直到找到A為止。判斷是不是邊界點(diǎn)很容易：如果它的上下左右四個(gè)鄰點(diǎn)都不是黑點(diǎn)則它即為邊界點(diǎn)。60 首先按照上面所說(shuō)的“探測(cè)準(zhǔn)則”找到最左下方的邊界點(diǎn)。以這個(gè)邊界點(diǎn)起始由于邊界是連續(xù)的，所以每一個(gè)邊界點(diǎn)都可以用這個(gè)邊界點(diǎn)對(duì)前一個(gè)邊界點(diǎn)所張的角度來(lái)表示。 因此可以使用下面的跟蹤準(zhǔn)則： 1.從第一個(gè)邊界點(diǎn)開(kāi)始，定義初始的搜索方向?yàn)檠刈笊戏?；如果左上方的點(diǎn)是黑點(diǎn)，則為邊界點(diǎn)，否則搜索方向順時(shí)針旋轉(zhuǎn)45度。這樣一直到找到第一個(gè)黑點(diǎn)為止。 2. 把這個(gè)黑點(diǎn)作為新的邊界點(diǎn)，在當(dāng)前搜索方向

19、的基礎(chǔ)上逆時(shí)針旋轉(zhuǎn)90度，繼續(xù)用同樣的方法繼續(xù)搜索一個(gè)黑點(diǎn)，直到返回最初的邊界點(diǎn)為止。 61輪廓跟蹤算法62輪廓跟蹤示例637.3.2 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(shuō)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。64輪廓提取示例657.1 圖像分割 7.2 邊緣檢測(cè)7.3 輪廓跟蹤與提取 7.4 圖像匹配 主 要 內(nèi) 容667.4 圖 像 匹 配 圖像匹配：在機(jī)器識(shí)別過(guò)程中，把不同傳感器或同一傳感器在不同時(shí)間、不同成像條件下對(duì)同一景物獲取的兩幅或多幅圖像

20、在空間上對(duì)準(zhǔn)，或根據(jù)已知模式到另一副圖中尋找相應(yīng)的模式。應(yīng)用：1. 地物分類 2. 分析物體變化像點(diǎn) 3. 估算物體深度信息677.4.1 模板匹配 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MN的原圖像，t(j,k)為JK(JM，KN)的模板圖像，則誤差平方和測(cè)度定義為： (1)68將(1)式展開(kāi)可得： (2)69令： 70 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)，

21、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(wú)關(guān)，只用一次計(jì)算便可。 顯然，用(2)式計(jì)算誤差平方和測(cè)度可以減少計(jì)算量。 71 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(wú)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

22、， 其定義為 ：(3) 72 下圖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（3）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(kāi)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。 73模板匹配示意圖 74 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?MJ1)(NK1)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(wú)效運(yùn)算， 所以有必要對(duì)其

23、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(wú)效。另外，如原圖像中要匹配的目標(biāo)只有部分可見(jiàn)，該算法也無(wú)法完成匹配。 75序貫相似性檢測(cè)算法 通過(guò)人為設(shè)定一個(gè)固定閾值，及早地終止在不匹配位置上的計(jì)算，以此減小計(jì)算量，達(dá)到提高運(yùn)算速度的目的。其步驟如下：（1）選取一個(gè)誤差準(zhǔn)則，作為終止不匹配點(diǎn)計(jì)算的標(biāo)準(zhǔn)，通?？蛇x取絕對(duì)誤差；（2）設(shè)定一個(gè)不變閾值；（3）在子圖象中隨機(jī)選取一點(diǎn)，計(jì)算它與模板中相應(yīng)點(diǎn)的絕對(duì)誤差值， 將每一隨機(jī)點(diǎn)對(duì)的

24、誤差累加起來(lái)，若累加到第r次時(shí)誤差超過(guò)設(shè)定閾值，則停止累加，記下此時(shí)的累加次數(shù)r；（4） 對(duì)于整 幅圖像計(jì)算誤差e，可得到一個(gè)由r值構(gòu)成的曲面，曲面最大值處對(duì)應(yīng)的位置即為模板最佳匹配位置。這是因?yàn)樵擖c(diǎn)需要多次累加誤差才能超過(guò)閾值，因此相對(duì)于其它點(diǎn)，它最有可能是匹配位置。76模板匹配示例777.4.2 直方圖匹配 顏色是描述圖像內(nèi)容的一個(gè)重要特征。人們已經(jīng)提出了多種借助顏色特征對(duì)圖像進(jìn)行檢索的方法。 常用的顏色空間有RGB和HSI。 實(shí)際上，利用HSI顏色空間進(jìn)行檢索的效果更好一些，但以下討論主要以RGB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(jì)直方圖，這便是直方圖匹配。78

25、HSI顏色空間的優(yōu)勢(shì)！在HSI模型中亮度分量與色度分量是分開(kāi)的； 色調(diào)與飽和度的概念與人的感知聯(lián)系緊密。 791. 直方圖相交法 設(shè)HQ(k)和HD(k)分別為查詢圖像Q和數(shù)據(jù)庫(kù)圖像D的特征統(tǒng)計(jì)直方圖，則兩圖像之間的匹配值d(Q, D)為 ：(4) 802. 歐幾里得距離法 為減少計(jì)算量，可采用直方圖的均值來(lái)粗略地表達(dá)顏色信息，對(duì)圖像的R、G、 B三個(gè)分量，匹配的特征矢量f是： (5) 式中, R、G、B分別是R、G、B三個(gè)分量直方圖的0階矩。 此時(shí)查詢圖像Q和數(shù)據(jù)庫(kù)圖像D之間的匹配值為 (6) 81 3. 中心矩法 對(duì)直方圖來(lái)說(shuō)，均值為0階矩，更高階的矩也可使用。設(shè)用分別表示查詢圖像Q的R、

26、G、B三個(gè)分量直方圖的i(i3)階中心矩；用 分別表示數(shù)據(jù)庫(kù)圖像D的R、G、B三個(gè)分量直方圖的i(i3)階中心矩，則它們之間的匹配值為： 式中，WR，WG，WB為加權(quán)系數(shù)。 (7) 824. 參考顏色法 歐幾里得距離法太粗糙，直方圖相交法計(jì)算量太大，一種折衷的方法是將圖像顏色用一組參考色表示，這組參考色應(yīng)能覆蓋視覺(jué)上可感受到的各種顏色。參考色的數(shù)量要比原圖像少， 這樣可計(jì)算簡(jiǎn)化的直方圖， 所以匹配的特征矢量是：f=r1, r2rNT (8)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。加權(quán)后的查詢圖像Q和數(shù)據(jù)庫(kù)圖像D之間的匹配值為 ：(9)83式中： 前面4種方法中，后3種主要是從減

27、少計(jì)算量的角度對(duì)第1種方法進(jìn)行簡(jiǎn)化，但直方圖相交法還有另外一個(gè)問(wèn)題。當(dāng)圖像中的特征并不能取遍所有的可取值時(shí)，統(tǒng)計(jì)直方圖中會(huì)出現(xiàn)一些零值。這些零值的出現(xiàn)會(huì)給直方圖的相交帶來(lái)影響，從而使得由式(4)求得的匹配值并不能正確反映兩圖間的顏色差別。 845. 閔可夫斯基距離法 若兩幅圖像Q和D的直方圖分別為HQ和HD，則顏色直方圖匹配的計(jì)算方法可以利用度量空間的閔可夫斯基 (=1, 也叫“街坊”（City Block）距離)， 按如下方法進(jìn)行匹配 (10) 85 R、G、B圖像顏色是由不同亮度的紅、綠、藍(lán)三基色組成， 因此(10)式可以改寫成： (11) 式(11)在具體實(shí)施時(shí)，必須從所讀取的各像素顏色

28、值中分離出R、G、B三基色的亮度值。86 由于直方圖丟失了顏色的位置信息，因此兩幅圖像可能內(nèi)容完全不同，但直方圖相似。所以，僅用簡(jiǎn)單的顏色直方圖匹配也容易造成誤識(shí)別。一種改進(jìn)的方法是將圖像劃分成若干子塊，分別對(duì)各子塊進(jìn)行匹配。1991年，A.Nagasaka和Y.Tanaka提出了一種將視頻幀或圖像分割成44相同大小的子塊并比較相應(yīng)子塊的方法。這種方法對(duì)兩幅視頻幀或圖像的相應(yīng)子塊進(jìn)行比較，廢棄差別最大的一對(duì)，其余的比較結(jié)果參與最后的識(shí)別。B.Shahraray也曾提出類似的方法：將視頻幀或圖像分割成子塊并進(jìn)行塊匹配，對(duì)所有子塊匹配的結(jié)果采用一種非線性的統(tǒng)計(jì)算法進(jìn)行綜合評(píng)價(jià)。由于子塊的位置固定，

29、各子塊的直方圖在一定程度上反映了顏色的位置特征，因此子塊劃分與匹配的方法可以對(duì)物體運(yùn)動(dòng)、攝像機(jī)運(yùn)動(dòng)、鏡頭縮放等情況有更好的適應(yīng)性。 876. X2直方圖匹配X2直方圖匹配的計(jì)算公式如下： (12) 對(duì)于R、G、B圖像，X2直方圖匹配的計(jì)算公式又可以變?yōu)?(13) 88 X2直方圖匹配與模板匹配或顏色直方圖匹配相比具有更好的識(shí)別率，識(shí)別鏡頭切換(Abrupt Scene Change)上效果良好。 A.Nagasaka和Y.Tanaka通過(guò)對(duì)灰度和、灰度模板匹配、灰度直方圖匹配、彩色模板匹配、顏色直方圖匹配和X2直方圖匹配六種匹配方法進(jìn)行了實(shí)驗(yàn)比較。結(jié)果表明，采用圖像分塊加上X2直方圖匹配在鏡頭切換識(shí)別上具有很好的效果，但對(duì)鏡頭漸變識(shí)別效果不好。 897.4.3 形狀匹配 形狀也是描述圖像內(nèi)容的一個(gè)重要特征，形狀常與目標(biāo)聯(lián)系在一起，所以相對(duì)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(jìn)行匹配需要考慮三個(gè)問(wèn)題。90 要獲得有關(guān)目標(biāo)的形狀參數(shù)，首先對(duì)圖像進(jìn)行分割，所以形狀特征會(huì)受圖像分割效果的影響; 其次，目標(biāo)形狀的描述是一個(gè)非常復(fù)雜的問(wèn)題，至今還沒(méi)有找到能與人的感覺(jué)相一致的圖像形狀的確切數(shù)學(xué)定義; 最后，從不同視角獲取的圖像中目標(biāo)形狀可能會(huì)有很大差別，為準(zhǔn)確進(jìn)行形狀匹配，需要解決平移、 尺度、 旋轉(zhuǎn)變換不變性的問(wèn)題。 91 目前，常用的