圖像識(shí)別技術(shù)

1、第八章圖像識(shí)別技術(shù)隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，圖像采集儀的出現(xiàn)以及高可靠算法的實(shí)現(xiàn)，使得圖像的處理與識(shí)別技術(shù)有了迅速的發(fā)展，尤其是圖像識(shí)別技術(shù)的應(yīng)用越來(lái)越廣泛，產(chǎn)品化程度越來(lái)越高，成像系統(tǒng)也越來(lái)越成熟。目前，圖像識(shí)別技術(shù)被廣泛應(yīng)用于指紋鑒別、商品條碼識(shí)別、 信封郵政編碼識(shí)別、 計(jì)算機(jī)手寫漢字識(shí)別、計(jì)算機(jī)手寫數(shù)字識(shí)別、人臉識(shí)別等方面，同時(shí)也越來(lái)越多地滲透到我們的日常生活中。本章主要內(nèi)容：(1)闡述了圖像識(shí)別的基本原理，包括圖像的預(yù)處理、圖像特征提取、分類方法等(2)編寫VC+程序，實(shí)現(xiàn)圖像文件中數(shù)字的識(shí)別(3)介紹了模式識(shí)別的一個(gè)分支一一文字識(shí)別(4)以Visual C+為平臺(tái)，開(kāi)發(fā)一個(gè)聯(lián)機(jī)手寫體

2、識(shí)別圖像識(shí)別技術(shù)基本原理圖像識(shí)別研究現(xiàn)狀圖像的識(shí)別是圖像處理領(lǐng)域研究較多的課題之一，由于已取得的成果遠(yuǎn)不夠解決目前遇到的問(wèn)題，因此圖像識(shí)別依然是眾多研究人員的研究重心。圖像識(shí)別的發(fā)展大致經(jīng)歷了三個(gè)階段：文字識(shí)別階段、數(shù)字圖像處理與識(shí)別階段和物體識(shí)別階段。文字識(shí)別的研究是從1950年開(kāi)始的，一般用于識(shí)別字母、數(shù)字和符號(hào)，從印刷文字識(shí)別到手寫文字識(shí)別，應(yīng)用非常廣泛，并且已經(jīng)研制了許多專用設(shè)備。數(shù)字圖像處理和識(shí)別的研究始于1965年。數(shù)字圖像與模擬圖像相比，具有存儲(chǔ)傳輸方便、可壓縮、傳輸過(guò)程中不易失真、處理方便等巨大優(yōu)勢(shì)，這些都為圖像識(shí)別技術(shù)的發(fā)展提供了強(qiáng)大的動(dòng)力。物體的識(shí)別主要指的是對(duì)三維世界的客

3、體及環(huán)境的感知和認(rèn)識(shí)，屬于高級(jí)的計(jì)算機(jī)視覺(jué)范疇。它是以數(shù)字圖像處理與識(shí)別為基礎(chǔ)的結(jié)合人工智能、系統(tǒng)學(xué)等學(xué)科的研究方向，其研究成果被廣泛應(yīng)用在各種工業(yè)及探測(cè)機(jī)器人上?，F(xiàn)代圖像識(shí)別技術(shù)的一個(gè)不足就是自適應(yīng)性能差，一旦目標(biāo)圖像被較強(qiáng)的噪聲污染或是目標(biāo)圖像有較大殘缺，往往就得不出理想的結(jié)果。圖像識(shí)別問(wèn)題的數(shù)學(xué)本質(zhì)屬于模式空間到類別空間的映射問(wèn)題。目前，在圖像識(shí)別的發(fā)展中，主要有三種識(shí)別方法：統(tǒng)計(jì)模式識(shí)別、結(jié)構(gòu)模式識(shí)別、模糊模式識(shí)別。圖像識(shí)別系統(tǒng)概述.圖像識(shí)別概述圖像是各種觀測(cè)系統(tǒng)以不同形式和手段觀測(cè)客觀世界而獲得的，是可以直接或者間接地作用于人眼而產(chǎn)生視知覺(jué)的實(shí)體。我們從這個(gè)世界獲取的信息有大約75%

4、是來(lái)自于視覺(jué)系統(tǒng)，即我們所看到的圖像。人的圖像識(shí)別能力是很強(qiáng)的。圖像刺激人的感覺(jué)器官，人們辨認(rèn)出它是某一個(gè)圖像，知道它的用途等。在人的圖像識(shí)別過(guò)程中， 既要有當(dāng)時(shí)進(jìn)入感覺(jué)器官的圖像信息，也要有大腦中記憶的圖像信息， 通過(guò)在記憶中搜索已有的圖像信息、對(duì)比當(dāng)時(shí)進(jìn)入感覺(jué)器官的圖像信息，才能辨認(rèn)這個(gè)要識(shí)別的圖像。如果大腦中沒(méi)有這個(gè)圖像的信息，那么大腦便會(huì)開(kāi)辟處一個(gè)地方將該圖像放進(jìn)去， 經(jīng)過(guò)多次識(shí)別，該圖像便在大腦中形成了記憶，當(dāng)再次看到這個(gè)圖像時(shí)，便能夠?qū)ζ溥M(jìn)行識(shí)別。隨著計(jì)算機(jī)技術(shù)、模式識(shí)別和信號(hào)處理技術(shù)及聲學(xué)技術(shù)的發(fā)展和數(shù)字圖像技術(shù)的逐漸成熟，使得能滿足各種需要的圖像識(shí)別的實(shí)現(xiàn)成為可能。圖像識(shí)別以圖

5、像的主要特征為基礎(chǔ)，每個(gè)圖像都有它自己獨(dú)特的特征。例如，我們都認(rèn)識(shí)自己的媽媽， 那媽媽的特征是什么呢？媽媽的主要特征可能如下：女性，長(zhǎng)頭發(fā)，身高一米六，體重偏胖，圓臉，雙眼皮等。我們 通過(guò)媽媽的獨(dú)一無(wú)二的特征便能辨別出這個(gè)女子便為媽媽。又如字母A有個(gè)尖，P有個(gè)圈,而Y的中心有個(gè)銳角等。對(duì)圖像識(shí)別時(shí)眼動(dòng)的研究表明，視線總是集中在圖像的主要特征上，也就是集中在圖像輪廓曲度最大或輪廓方向突然改變的地方，這些地方的信息量最大。 而且眼睛的掃描路線也總是依次從一個(gè)特征轉(zhuǎn)到另一個(gè)特征上。由此可見(jiàn)，在圖像識(shí)別過(guò)程中，知覺(jué)機(jī)制必須排除輸入的多余信息，而抽出關(guān)鍵的信息。同時(shí)，在大腦里必定有一個(gè)負(fù)責(zé)整合信息的機(jī)制

6、， 它能把分階段獲得的信息整理成一個(gè)完整的知覺(jué)映像。在人類圖像識(shí)別系統(tǒng)中，對(duì)復(fù)雜圖像的識(shí)別往往要通過(guò)不同層次的信息加工才能實(shí)現(xiàn)。對(duì)于熟悉的圖形，由于掌握了它的主要特征，就會(huì)把它當(dāng)作一個(gè)單元來(lái)識(shí)別，而不再注意它的細(xì)節(jié)了。 這種由孤立的單元材料組成的整體單位叫做組塊， 每一個(gè)組塊是同時(shí)被感知的。在文字材料的識(shí)別中， 人們不僅可以把一個(gè)漢字的筆劃或偏旁等單元組成一個(gè)組塊，而且能把經(jīng)常在一起出現(xiàn)的字或詞組成組塊單位來(lái)加以識(shí)別。當(dāng)計(jì)算機(jī)技術(shù)發(fā)展到一定程度的時(shí)候，尤其是人工智能技術(shù)的發(fā)展與逐漸成熟，人們 便期望能夠讓計(jì)算機(jī)來(lái)模擬人的大腦的功能對(duì)圖像進(jìn)行識(shí)別。因此人工智能便有了一個(gè)新的領(lǐng)域一圖像識(shí)別。圖像識(shí)

7、別技術(shù)的涵義很廣，主要指通過(guò)計(jì)算機(jī)，采用數(shù)學(xué)技術(shù)方法，對(duì)一個(gè)系統(tǒng)前端獲取的圖像按照特定目的進(jìn)行相應(yīng)的處理。圖像識(shí)別包括諸如條碼識(shí)別、生物特征識(shí)別(人臉識(shí)別、指紋識(shí)別等)技術(shù)、智能交通中的動(dòng)態(tài)對(duì)象識(shí)別、手寫識(shí)別等?？梢哉f(shuō)，圖像識(shí)別技術(shù)就是人類視覺(jué)認(rèn)知的延伸，是人工智能的一個(gè)重要領(lǐng)域。隨著計(jì)算機(jī)技術(shù)及人工智能技 術(shù)的發(fā)展，圖像識(shí)別技術(shù)越來(lái)越成為人工智能的基礎(chǔ)技術(shù)。它涉及的技術(shù)領(lǐng)域也越來(lái)越廣泛，應(yīng)用越來(lái)越深入。其基本分析方法也隨著數(shù)學(xué)工具的不斷進(jìn)步而不斷發(fā)展?，F(xiàn)在，圖像識(shí)別技術(shù)的應(yīng)用范圍已經(jīng)遠(yuǎn)遠(yuǎn)突破視覺(jué)的范圍，而更多地體現(xiàn)為機(jī)器智能、數(shù)字技術(shù)的特點(diǎn)。.圖像識(shí)別過(guò)程為了進(jìn)行圖像識(shí)別，首先要進(jìn)行圖像處理

8、( Image processing )o圖像處理通常包括圖像 編碼、圖像增強(qiáng)、圖像壓縮、圖像復(fù)原、圖像分割等內(nèi)容。有時(shí)候圖像處理和圖像識(shí)別是同 時(shí)進(jìn)行的，其關(guān)系非常密切，很難將其截然分開(kāi)。一般來(lái)說(shuō)，圖像處理環(huán)節(jié)的輸入是圖像， 輸出也是圖像。而圖像識(shí)別環(huán)節(jié)輸入是圖像(通常是處理過(guò)的圖像)，輸出是類別和圖像的結(jié)構(gòu)分析。圖像識(shí)別技術(shù)的研究目標(biāo)是根據(jù)觀測(cè)到的圖像，對(duì)其中的物體分辨其類別，做出有意義的判斷。即利用現(xiàn)代信息處理與計(jì)算技術(shù)來(lái)模擬和完成人類的認(rèn)識(shí)，理解過(guò)程。人們?cè)谧R(shí)別圖像的過(guò)程中總是先找出它的外形或顏色等特征進(jìn)行比較、判斷，然后加以分門別類。 人們?cè)谘兄朴糜?jì)算機(jī)識(shí)別圖像是也是模擬這一個(gè)過(guò)程，

9、并采用同樣的處理方法， 但是用計(jì)算機(jī)模擬人腦對(duì)圖像進(jìn)行識(shí)別卻不像我們想的那么簡(jiǎn)單。要區(qū)分圖像屬于哪一個(gè)類，往往要經(jīng)過(guò)預(yù)處理、分割、特征提取、分析、分類、識(shí)別等一系列過(guò)程。圖像識(shí)別系統(tǒng)的框架如圖8-1所示。圖8-1圖像識(shí)別系統(tǒng)(1)圖像信息的獲取：將要識(shí)別的圖像通過(guò)攝像頭或者是光電掃描設(shè)備轉(zhuǎn)化成計(jì)算機(jī)能夠識(shí)別的電信號(hào)后輸入到計(jì)算機(jī)中。我們一般認(rèn)為，圖像在平面上是以灰度和顏色分布的。為此如果將平面坐標(biāo)設(shè)為(x,y),灰度和顏色設(shè)為映射f,那么圖像就可以用f(x,y)來(lái)表示。圖像的數(shù)字化就是將模擬圖像f (x, y)的定義域(x, y)離散化，以及將值域 f轉(zhuǎn)化成離散數(shù)字信號(hào)。(2)圖像的預(yù)處理：主

10、要目的是為了去除干擾、噪聲及差異，將原始圖像變成適合于計(jì)算機(jī)進(jìn)行特征提取的形式。圖像的預(yù)處理包括圖像的變換和增強(qiáng)等。(3)圖像的特征提取：提取出能夠反映此圖像本質(zhì)的主要特征，通過(guò)這些特征便能夠?qū)υ搱D像進(jìn)行識(shí)別。 此過(guò)程的目的是為了去除圖像的無(wú)用特征，保留主要特征，這樣能夠大大降低計(jì)算量，同時(shí)也能節(jié)省空間。(4)分類判決：該過(guò)程是根據(jù)提取的特征參數(shù)，按照某種分類規(guī)則或判別函數(shù)，對(duì)圖 像進(jìn)行分類和識(shí)別，然后得到識(shí)別的結(jié)果。8.1.3圖像的預(yù)處理為了減少后續(xù)算法的復(fù)雜度和提高效率，圖像的預(yù)處理是必不可少的，它的好壞直接影響圖像識(shí)別的效果。 預(yù)處理的目的是去除圖像中的噪聲，把它變成一幅清晰的點(diǎn)線圖，以

11、便于提取正確的圖像特征。圖像的預(yù)處理中，圖像的變換是為了從對(duì)圖像的處理更加方便容易而對(duì)圖像使用的一種數(shù)學(xué)變換；圖像增強(qiáng)的目的是改善圖像質(zhì)量，恢復(fù)其原來(lái)的結(jié)構(gòu)， 其內(nèi)容包括去除圖像中的噪聲，調(diào)整圖像的明暗，對(duì)比度等；圖像的二值化是將圖像從灰度圖像轉(zhuǎn)換為二值圖像；圖 像細(xì)化是把清晰但不均勻的二值圖像轉(zhuǎn)化成線寬僅為一個(gè)像素的點(diǎn)線圖像。.圖像的變換圖像變換的方法很多， 從最原始的傅立葉變換，發(fā)展到余弦變換，再到現(xiàn)在比較流行的子波變換，從沃爾什變換到哈達(dá)瑪變換等，但應(yīng)用最為廣泛的變換便是傅立葉變換。本章主要介紹最為原始的傅立葉變換。假設(shè)函數(shù)f(x)為變量x的連續(xù)函數(shù)，且在(，)內(nèi)絕對(duì)可積，則函數(shù) f(x

12、)的傅立 葉變換的定義如下：F(u)f(x)e j2uxdx假設(shè)F(u)可積，求傅立葉反變換定義如下：f (x)F(u)e j2 uxdu稱上述兩式為傅立葉變換對(duì)，傅立葉變換前的變量域x稱為空間域，變換后的變量域稱為頻域。一個(gè)實(shí)函數(shù)的傅立葉變換通常是復(fù)函數(shù)，即F(u)可以表示成：F(u) R(u) jI(u)則|F(u)| .,R2(u)I2(u)(u) arctanl-J-(u)- R(u)則幅度函數(shù)|F(u)|稱為f(x)的傅立葉譜，(u)稱為傅立葉變換的相角，振幅譜的平方被稱為f (x)的能量譜。即_ 2_ 22F (u) R (u) I (u)在傅立葉變換中出現(xiàn)的變量 u被稱為頻率變量

13、。同樣，傅立葉變換很容易就可以被推廣 到二維的情況，在此不做詳述。.圖像的增強(qiáng)在圖像的生成、傳輸和變換的過(guò)程中，由于各種因素的影響，如光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過(guò)量等，使得圖像總會(huì)與實(shí)際圖像有些差異，從而使得識(shí)別的效果不理想， 因此就有必要對(duì)圖像進(jìn)行增強(qiáng)，以改善圖像的效果或者轉(zhuǎn)化成一種更適合機(jī)器去識(shí)別的形 式。圖像增強(qiáng)是采用一些技術(shù)手段，有選擇地突出圖像中感興趣的特征或抑制圖像中某些不需要的特征，使之改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果。圖像增強(qiáng)不考慮圖像質(zhì)量下降的原因，只將圖像中感興趣的特征有選擇的突出，而衰減不需要的特征。 其目的主要是提高圖像的視覺(jué)質(zhì)量或凸現(xiàn)某些特征信

14、息，使得處理后的圖像對(duì)某些特定的應(yīng)用比原來(lái)的圖像更加有效。圖像增強(qiáng)通常有兩種： 空間域法和頻率域法。前者是在原圖像上直接進(jìn)行數(shù)據(jù)運(yùn)算，后者是在圖像的變換域上進(jìn)行修改，增強(qiáng)我們感興趣的地方。.圖像的二值化和細(xì)化根據(jù)圖像的灰度分布， 統(tǒng)計(jì)其最佳的閾值是二值化算法研究的核心。傳統(tǒng)的二值化算法但這樣也會(huì)引入有靜態(tài)算法和動(dòng)態(tài)算法。 動(dòng)態(tài)算法比靜態(tài)算法有著較好的效果， 靜態(tài)算法對(duì)質(zhì)量差的圖像區(qū) 域產(chǎn)生大量的偽特征點(diǎn)， 動(dòng)態(tài)算法能夠在一定程度上彌補(bǔ)靜態(tài)算法的缺陷，更多的噪聲。在圖像二值化方面，近來(lái)又出現(xiàn)了一些新的方法，如一種基于方向圖的動(dòng)態(tài)閾值圖像二值化方法。該方法直接從圖像灰度圖像中獲取動(dòng)態(tài)閾值對(duì)圖像二值

15、化，一次性完成一般圖像預(yù)處理中的分離無(wú)效區(qū)域、濾波、增強(qiáng)、二值化的過(guò)程。對(duì)細(xì)化問(wèn)題，國(guó)內(nèi)外已提出多種細(xì)化算法，各有特點(diǎn)和不足，其中較具代表性的有以下幾種細(xì)化算法：經(jīng)典快速細(xì)化算法、R.W.Hall細(xì)化算法、Rosenfeld細(xì)化算法、及Zhang&Suen 細(xì)化算法等。目前使用較多的圖像細(xì)化算法有兩種：基于形態(tài)學(xué)處理的快速細(xì)化算法和 OPTA算法及其改進(jìn)形式。 快速細(xì)化算法為4連通并行細(xì)化算法，原理是判斷出圖像紋線的 邊界點(diǎn)并逐步刪除。該算法速度很快，但細(xì)化不徹底，細(xì)化后的紋線不是單像素寬。8.1.4圖像的特征提取每一張圖像都有自己的特征，有些特征是我們用人眼可以看見(jiàn)的，例如色彩、紋理、空間等

16、等，而有些是需要經(jīng)過(guò)處理才能夠得到的特征。圖像識(shí)別便是根據(jù)這些圖像的特征來(lái)對(duì)圖像進(jìn)行識(shí)別的，然而問(wèn)題是有一些特征并不能夠反應(yīng)圖像的本質(zhì)，甚至影響到識(shí)別的效果。如果特征選取錯(cuò)了， 則不但不能夠獲得正確的分類結(jié)果，有時(shí)甚至無(wú)法分類。因此圖像的特征選取就成了一個(gè)比較關(guān)鍵的問(wèn)題。圖像的特征選擇和提取的目的就是為了從眾多的圖像特征中去除無(wú)效特征，選取那些最有效的特征。此過(guò)程包含幾個(gè)步驟。(1)首先是特征形成，即通過(guò)計(jì)算根據(jù)待識(shí)別的圖像形成一組原始的數(shù)據(jù)，這些數(shù)據(jù) 便形成了圖像的初始特征.(2)其次進(jìn)行特征提取。由于原始特征的數(shù)據(jù)量比較大，也就是說(shuō)圖像樣本處于一個(gè) 高維的空間，通過(guò)映射的方法來(lái)對(duì)樣本空間進(jìn)

17、行降維，這個(gè)過(guò)程就叫做特征提取。映射后的特征是原始特征的某種組合。(3)最后是特征提取，即從一組特征中選取出最有效的特征來(lái)達(dá)到降低空間維數(shù)的目 的。有效的特征可以用以下方法來(lái)衡量?？蓞^(qū)別性。能夠很好的區(qū)別不同類的圖像?？煽啃?。與可區(qū)別性相反，對(duì)于同類的圖像特征值應(yīng)該比較相近。獨(dú)立性好。選擇的特征之間相關(guān)性不能太大，不能相互影響。數(shù)量少。圖像識(shí)別系統(tǒng)的復(fù)雜程度隨著維數(shù)(特征的個(gè)數(shù))的增多而迅速增長(zhǎng)。被抽取的特征可以分為以下幾類?；叶?、顏色、分光光譜特征；紋理等空間特征；面積、周長(zhǎng)等幾何方面的特征。我們簡(jiǎn)單介紹以下幾種特征。幅度特征在所有的圖像特征里面，最基本的就是圖像的幅度特征?？梢栽趫D像的某一

18、圖像點(diǎn)或 者其鄰域做出幅度的測(cè)量。例如在(2N+1) X ( 2N+1)區(qū)域內(nèi)的平均幅度，即：_1 N NF(i, j)2F(i m,j n)(2N1)2 m N n N直方圖特征一副數(shù)字圖像看作是一個(gè)二維隨機(jī)過(guò)程的樣本，可以用聯(lián)合概率分布來(lái)描述。線條和角點(diǎn)的特征圖中“點(diǎn)”的特征含義是，它的幅度與其鄰域的幅度有明顯的不同，檢測(cè)這種點(diǎn)特征 首先將圖像進(jìn)行低通濾波， 然后把平滑后的每一個(gè)象元的幅度值與它相鄰的四個(gè)象元的幅度 值比較，當(dāng)差值足夠大時(shí)就可以檢測(cè)出點(diǎn)特征來(lái)。圖中“線條”的特征意味著它在截面上的幅度分布出現(xiàn)凹凸?fàn)睿簿褪钦f(shuō)在線段的法向上，圖像的幅度是由低到高再到低變化的(或者相反)，從而可

19、以用不同的掩膜來(lái)檢測(cè)出線條?；叶冗吘壧卣鲌D像的灰度、紋理的改變或不連續(xù)是圖像的重要特征，它可以指示圖像內(nèi)各種物體的實(shí)際含量。數(shù)字圖像的邊緣檢測(cè)是圖像分割、目標(biāo)區(qū)域的識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，圖像理解和分析的第一步往往就是邊緣檢測(cè)。所謂邊緣就是指圖像局部亮度變化最顯著的部分，它是檢測(cè)圖像局部變化顯著變化的最基本的運(yùn)算。對(duì)于數(shù)字圖像， 圖像灰度值的顯著變化可以用梯度來(lái)表示。邊緣檢測(cè)通常的方法是先對(duì)圖像進(jìn)行灰度邊緣的增強(qiáng)處理，得到一個(gè)增強(qiáng)后的圖像，然后設(shè)立門限，通過(guò)對(duì)門限操作來(lái)確定明顯邊緣的象元位置。在此，門限的設(shè)立是一個(gè)很重要的部分，既不能太高也不能太低。紋理特征紋理是圖像分

20、析和識(shí)別中常用到的一個(gè)概念，但是目前并無(wú)準(zhǔn)確的定義。我們一般認(rèn)為，紋理是由許多相互接近的、互相編織的元素構(gòu)成，并常具有周期性，也可以認(rèn)為是灰度(顏色)在空間以一定的形式變化而產(chǎn)生的圖像(模式)。紋理是真實(shí)圖像固有的一個(gè)特征，紋理特征可以反應(yīng)圖像本身的屬性，因此可以利用紋理特征將圖像中不同的目標(biāo)區(qū)別開(kāi)來(lái)。紋理可以分為人工紋理和自然紋理。人工紋理是由自然背景上的符號(hào)排列組成。這些符號(hào)可以是點(diǎn)、線、字母等。自然紋理是具有重復(fù)性排列現(xiàn)象的自然景象。人工紋理一般是有規(guī)則的，而自然紋理一般是沒(méi)有規(guī)則的。通過(guò)觀察和分析不同物體的圖像，可以抽取出紋理特征的兩個(gè)要素。紋理基元。一種或者是幾種圖像基元的組合。紋理

21、基元的排列組合。 圖像基元排列的疏密、周期性、方向性的不同，也能夠使圖像的外觀產(chǎn)生極大的變化。紋理特征提取就是通過(guò)一定的圖像處理技術(shù)提取出圖像的紋理特征，從而獲取圖像的定量或者定性描述的處理過(guò)程。紋理特征的提取方法主要分為統(tǒng)計(jì)方法、結(jié)構(gòu)方法和頻譜法。統(tǒng)計(jì)方法適合分析像木紋、 早地等紋理細(xì)而且不規(guī)則的物體；結(jié)構(gòu)方法則適合分析紋理基元排列較規(guī)則的圖像；頻譜法則借助于傅立葉頻譜的特性來(lái)描述周期性或者近乎周期性的2-D圖像模式的方向性。目前主流的特征提取和分類算法是基于局部細(xì)節(jié)特征的算法。局部細(xì)節(jié)特征提取的算法如下：P8P1P2P7MP3P6P4圖8-2特征提取模板利用一個(gè)3X 3的模版來(lái)對(duì)細(xì)化后的圖

22、像進(jìn)行端點(diǎn)和分歧點(diǎn)的特征提取，如圖8-2所示，M是待檢測(cè)的點(diǎn)，沿順時(shí)針排列的 P1, P2, P3,，P8是它的8個(gè)鄰域點(diǎn)，R (1), R (2), R (3)，R (8)分別是P1, P2, P3,，P8的灰度值。如果 M是端點(diǎn)，則它的鄰域點(diǎn) 滿足：8GnR(k 1) R(k) 2, R(9) R(1)k 1如果M是分支點(diǎn)，則它的領(lǐng)域點(diǎn)滿足：8GnR(k 1) R(k) 6, R(9) R(1)k 1通過(guò)對(duì)圖像進(jìn)行遍歷。可以找到圖像的特征點(diǎn)，同時(shí)記錄它們的類型和位置。圖像的分類判決分類，就是基于被測(cè)量的特征來(lái)估計(jì)其分類單位應(yīng)該屬于哪一個(gè)類。目前經(jīng)常采用的是統(tǒng)計(jì)識(shí)別法(Statistical

23、 classifier),也有其他更多的方法。如基于松弛法的分類方法、使用神經(jīng)網(wǎng)絡(luò)的分類方法。分類方法的選擇一般只選擇一種方法。但是也有將多種識(shí)別方法進(jìn)行組合的情況。這種識(shí)別方法叫做層次識(shí)別( Hierarchical Classification ) o本質(zhì)上非常優(yōu)秀的 分類方法是不存在的，即使是某些識(shí)別方法在某些情況下比其他的識(shí)別有更好的識(shí)別性能， 也不過(guò)是在那種狀況下比較適合而已。常用的分類方法有以下幾種：最大似然法、最短距離法、k臨近法、決策樹(shù)法、使用松弛法進(jìn)行識(shí)別、使用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別等。在此我們簡(jiǎn)單介紹松弛法由Rosenfeld提出的向圖像處理擴(kuò)展的松弛法( Relaxation

24、Method)也成為松弛標(biāo)記法(relaxation labeling )在數(shù)值分析領(lǐng)域又叫做緩和法。是已知近似解后進(jìn)行迭代運(yùn)算直到收斂于真實(shí)解的一種聯(lián)立方程式的求解方法。松弛法雖然是為了解釋初始圖像提出來(lái)的，但是在以后的發(fā)展過(guò)程中，它逐漸應(yīng)用到線增強(qiáng)、灰度圖像的噪聲消除、邊緣增強(qiáng)、分類、區(qū)域分割等圖像處理領(lǐng)域，而且顯示出較好的應(yīng)用性。這里所講的是概率松弛法(ProbabilisticRelaxation),即對(duì)類進(jìn)行標(biāo)記，用標(biāo)記概率表示樣本對(duì)每一個(gè)類的相似性。松弛法包括以下幾個(gè)步驟：標(biāo)記概率的定義、標(biāo)記概率的更新、類之間鄰接關(guān)系的定義(相關(guān)系數(shù)的定義) 以及提高處理速度等各種方法。通過(guò)對(duì)圖像

25、進(jìn)行遍歷?？梢哉业綀D像的特征點(diǎn)，同時(shí)記錄它們的類型和位置。圖像識(shí)別的應(yīng)用領(lǐng)域圖像識(shí)別技術(shù)的應(yīng)用可分為驗(yàn)證和識(shí)別兩種方式。驗(yàn)證的目的是把當(dāng)事人的身份與正在發(fā)生的行為聯(lián)系在一起，確認(rèn)行為的合法性，通常是驗(yàn)證“你是他？ ”的一對(duì)一(或較少的量)的比對(duì)系統(tǒng)。識(shí)別則是對(duì)系統(tǒng)的輸入圖像(可能是攝像機(jī)拍攝的活體圖像)與存貯在數(shù)據(jù)庫(kù)中的大量的參考圖像進(jìn)行比對(duì)，以確定輸入圖像(目標(biāo))的身份，所以也稱為是識(shí)別“你是誰(shuí)？”的一對(duì)多的比對(duì)系統(tǒng)。驗(yàn)證系統(tǒng)可對(duì)圖像的輸入加以更多的控制，系統(tǒng)的可靠性和穩(wěn)定性好，也相對(duì)成熟，所以已廣泛地應(yīng)用于出入管理系統(tǒng)中。識(shí)別系統(tǒng)(特別是面像識(shí)別)則因環(huán)境條件的限制，還沒(méi)有成熟的產(chǎn)品。 但

26、其應(yīng)用的效果及在安全防范中的作用已被人們認(rèn)識(shí)和肯定。目前圖像識(shí)別技術(shù)主要應(yīng)用于生物醫(yī)學(xué)、文件處理、工業(yè)檢測(cè)、機(jī)器人視覺(jué)、貨物檢測(cè)、郵政編碼、公安、銀行、交通、電子商務(wù)和多媒體網(wǎng)絡(luò)通信等領(lǐng)域。(1)遙感圖像處理和空間探測(cè)以多光譜圖像的綜合處理和像素區(qū)的模式分類為基礎(chǔ)的遙感圖像處理是對(duì)地球的全體環(huán)境進(jìn)行監(jiān)控的強(qiáng)有力的手段。它同時(shí)可為國(guó)家計(jì)劃部門提供精確、客觀的各種農(nóng)作物生長(zhǎng)情況、收獲估計(jì)、林業(yè)資源、地質(zhì)、水文、海洋等各種宏觀的調(diào)查、監(jiān)測(cè)資料?？臻g探測(cè)和衛(wèi)星圖像偵察均已成為搜集情報(bào)的常規(guī)技術(shù)。21世紀(jì)人類發(fā)射的分析空間探測(cè)火箭將到達(dá)太陽(yáng)系邊緣、給我們送來(lái)那遙遠(yuǎn)的太陽(yáng)系姐妹行星的真正面容。目前，遙感技

27、術(shù)，尤其是衛(wèi)星遙感技術(shù)，已經(jīng)在資源調(diào)查、災(zāi)害檢測(cè)、農(nóng)業(yè)規(guī)劃、城市 規(guī)劃、環(huán)境保護(hù)和軍事等方面取得了重大的成果。(2)醫(yī)學(xué)圖像處理圖像處理和識(shí)別技術(shù)在基礎(chǔ)科學(xué)和臨床中都有很多的應(yīng)用領(lǐng)域，例如對(duì)生物醫(yī)學(xué)的顯微圖像處理分析。以醫(yī)用超聲成像、X光造影成像、X光斷影成像、核磁共振斷層成像技術(shù)為基礎(chǔ)的醫(yī)用圖像處理將實(shí)現(xiàn)醫(yī)學(xué)界“將人體變?yōu)橥该鳌钡哪繕?biāo)。目前，這類應(yīng)用已經(jīng)發(fā)展到 專用的軟件設(shè)備和硬件設(shè)備，最普遍的就是CT技術(shù)。(3)文字識(shí)別文字識(shí)別目前應(yīng)用極為廣泛，涉及的方面主要有以下幾個(gè)方面：交通管理的汽車牌照識(shí)別、電子圖書(shū)和辦公自動(dòng)化中的文檔識(shí)別、多媒體視頻圖像的中的注解文字識(shí)別、銀行支票的文字識(shí)別以及一

28、些圖標(biāo)的識(shí)別等。(4)機(jī)器人視覺(jué)及圖像測(cè)量隨著生活水平的日益提高，危、重、繁、雜的體力勞動(dòng)將逐漸被智能機(jī)器人及機(jī)器人生產(chǎn)線所取代。隨著機(jī)器人在工業(yè)、 家庭生活中日益廣泛的應(yīng)用，高智能的機(jī)器人視覺(jué)是關(guān)鍵的一環(huán)。三維攝像機(jī)一一直接攝取空間像素的灰度及“深度”的攝像將會(huì)誕生。以“三維機(jī)器視覺(jué)”分析成果為中心，配有環(huán)境理解的機(jī)器視覺(jué)將在工業(yè)裝配、自動(dòng)化生產(chǎn)線控制、救火、排障、引爆等應(yīng)用乃至家庭的輔助勞動(dòng)、炊事烹任、洗衣、清潔、老年人及殘障病人 的監(jiān)護(hù)方面發(fā)揮巨大的作用。與機(jī)器視覺(jué)相并行，以三維分析為基礎(chǔ)的圖像測(cè)量傳感將成為通用的智能化測(cè)量技術(shù) 而得到長(zhǎng)足的發(fā)展。8.2圖像識(shí)別程序的實(shí)現(xiàn)(實(shí)訓(xùn) 12).

29、實(shí)訓(xùn)開(kāi)發(fā)目標(biāo)本實(shí)訓(xùn)開(kāi)發(fā)主要利用 Microsoft Visual C+高級(jí)語(yǔ)言編程實(shí)現(xiàn)圖像識(shí)別程序。實(shí)訓(xùn)程序可實(shí)現(xiàn)圖像中數(shù)字的識(shí)別，即實(shí)現(xiàn) BMP或其他格式圖像中 09之間數(shù)字的識(shí)別功能。.環(huán)境要求(1)硬件基本配置Intel Pentinum 級(jí)處理器；512M內(nèi)存或更大；VGA或更高分辨率的顯示器。(2)軟件要求操作系統(tǒng)為 Windows XP或 Windows 2000及以上；驅(qū)動(dòng)程序：顯卡、Microsoft Visual C+6.0 。.實(shí)驗(yàn)步驟(1)運(yùn)行結(jié)果運(yùn)行結(jié)果如圖8-3所示。本例主要是對(duì) number.jpg圖像文件進(jìn)行識(shí)別，number.jpg圖像 內(nèi)容為數(shù)字8,通過(guò)程序運(yùn)

30、行，可得到正確的識(shí)別結(jié)果，并將結(jié)果顯示在界面上。圖8-3圖像識(shí)別程序運(yùn)行結(jié)果(2)具體步驟打開(kāi) Microsoft Visual C+6.0 軟件，選擇菜單 File一 New File一點(diǎn)擊選中 C+ SourceFile。在File中輸入新建文件的名字“ Patten_Recognition ”(此處可加擴(kuò)展名.cpp,也可 不加)，在Location”選項(xiàng)中選擇工程存放的位置。本實(shí)例存放在G: Patten _Recogniton目錄，點(diǎn)擊【。口，如圖8-4所示。r?rxiNev圖8-4新建源文件添加代碼#include #include using namespace std;char

31、 header54;存儲(chǔ)bmp文件頭和信息頭char LUT256*4;/存儲(chǔ)調(diào)色板unsigned char Image6464;/存儲(chǔ)原圖像素信息int Image_statistics64;存儲(chǔ)投影后的圖像特征信息int data_statistics1064=投影矩陣5,545,4,5,4,6,6,5,6,6,6,6,6,6,6,6,6,6,6,6,5,6,6,4,5,5,5,5,5,5,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,000,0,0,0,0,數(shù)字 013,5,3,3,3,3,3,3,3,3,3,3,3,3,3,3,

32、3,3,3,3,3,3,3,3,3,3,3,3,8,3,2,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,/數(shù)字 117,17,17,3,4,4,3,3,2,3,3,3,3,3,3,3,3,3,3,3,3,6,7,7,6,6,6,5,5,5,5,6,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,/數(shù)字 27,5,4,4,6,6,7,7,5,3,3,2,3,2,2,4,5,3,2,2,3,2,3,6,7,7,6,6,5,5,5

33、,6,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 數(shù)字 313,4,3,3,3,3,3,3,3,20,20,5,5,4,5,4,4,5,4,5,5,4,5,5,4,5,4,5,4,3,3,2,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,/數(shù)字 47,6,4,5,5,6,6,7,7,5,3,3,3,3,4,5,6,6,7,11,8,1,1,1,1,1,1,1,1,15,15,15,0,0,0,0,0,0,0,0,0,0,0,0

34、, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, / / 數(shù)字 56,5,4,4,6,4,6,6,5,6,6,6,6,6,7,8,8,11,13,9,3,2,2,3,2,2,6,6,6,5,5,6,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,/數(shù)字 63,4,4,4,4,4,4,3,3,3,3,2,2,3,2,2,2,2,1,2,1,2,1,2,2,3,3,3,5,16,17,17,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0

35、,0,0,0,0,0,0,0,0,0,/數(shù)字 77,5,5,4,6,6,6,6,6,6,7,7,7,8,7,8,9,9,9,8,8,7,7,6,6,6,6,5,6,6,6,8,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 ,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 數(shù)字 86,6,6,6,7,4,3,2,3,3,3,2,9,13,11,9,8,7,7,6,6,6,6,5,5,4,5,5,5,3,5,6,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0/數(shù)字 9；讀取圖像文件v

36、oid bmpRead(int sizex,int sizey,const char* fileName) ifstream fin(fileName,ios:in | ios:binary);for(int i=0;i54;i+)讀取文件頭和信息頭fin.get(headeri);for(i=0;i256*4;i+)/ 讀取調(diào)色板fin.get(LUTi);for(int x=0;x64;x+)/讀取圖片像素?cái)?shù)據(jù)for(int y=0;y64;y+)char temp;fin.get(temp);Imagexy=(unsigned char)temp;)fin.close();)投影函數(shù)vo

37、id Projection()(int i=0;int j=0;for(i=0;i64;i+) 初始化Image_statisticsi=0; for(i=0;i64;i+)/進(jìn)行直方圖統(tǒng)計(jì)for(j=0;j64;j+)if(unsigned char)Imageij=0) Image_statisticsi+; 保證投影向量的第一個(gè)元素不為0,將向量向前對(duì)齊規(guī)整while(Image_statistics0=0)for(i=0;i63;i+)Image_statisticsi=Image_statisticsi+1;Image_statistics63=0;匹配函數(shù)int Match()in

38、t i=0;int j=0;int count=0;for(i=0；j10;i+)count=0;statisticsij)for(j=0;j64;j+)if(Image_statisticsj=data count+;else break;if(count!=64) continue;if(count=64) return i;if(i=10 & count!=64) return -1;主函數(shù)int main()const int sizex = 64;const int sizey = 64;int temp;bmpRead(sizex,sizey,number.jpg);Project

39、ion();cout數(shù)字識(shí)別結(jié)果：endl;temp=Match(); if(temp=-1) cout未得出結(jié)果endl;elsecout識(shí)另咄temp4signed char lenth;最后一個(gè)方向的長(zhǎng)度 14(1) 4(2)signed char decon;有無(wú)斷點(diǎn) 等于1有斷點(diǎn)signed char lenfirst;signed char lenend;TEZHENG;在 class CPartternDlg : public Cdialog ()函數(shù)中刪除如下代碼：CPDlg(CWnd* pParent = NULL); / standard constructorvirtua

40、l CPDlg();同時(shí)在public:下添加如下代碼：void GetTeZheng();CPartternDlg(CWnd* pParent = NULL); / standard constructorunsigned char bitgraph1616;/為了以后對(duì)擴(kuò)展時(shí)對(duì)掃描圖象處理方便int mouseDown;CPoint mypoint100,oldpoint; 模擬手寫板輸入int mytime;/手寫板輸入的時(shí)間序列int curvalue;/當(dāng)前輸入的數(shù)字TEZHENG *mytezheng;CFile cf;/用于保存特征的文件2)在partternDlg.cpp文件中

41、開(kāi)頭包含 math.h頭文件，并定義符號(hào)變量：#include#define startX 8 /模擬面板的 X起點(diǎn)#define startY 8/模擬面板的 丫起點(diǎn)#define stepX 11/X方向每格的長(zhǎng)度#define stepY 15/Y方向每格的長(zhǎng)度int disable=0;3)在 partternDlg.cpp 文件中 CPartternDlg二CPartternDlg(CWnd* pParent /*=NULL*/) 方法中刪除系統(tǒng)自帶代碼：m_pAutoProxy = NULL;同時(shí)添加新代碼：mouseDown=0;初始化，使得每個(gè)點(diǎn)皆為白點(diǎn)for(int i=0;

42、i16;i+)for(int j=0;j16;j+)bitgraphij=0;初始化，使得坐標(biāo)序列中的點(diǎn)皆為空點(diǎn)mytime=0;for(i=0;ivalue=-1;mytezheng-lenth=0;mytezheng-lenth1=0;for(i=0;iVHDerectioni=-1;mytezheng-decon=0;打開(kāi)保存模板特征量的文件if(cf.Open(mydata.dat,CFile二modeCreate|CFile:modeNoTruncate|CFile二modeReadWrite) =NULL)AfxMessageBox(打開(kāi)文件失敗，n您最好退出程序);)4)在par

43、tternDlg.cpp文件中CPartternDlg: OnPaint()方法中else條件語(yǔ)句中添加如下代 碼：CDC *pDC=GetDC();CBrush* pOldBrush;CBrush BrushBoard (RGB (255, 255,255);pOldBrush = pDC-SelectObject (&BrushBoard);pDC- PatBlt (8,8,176,240, PATCOPY );pDC-SelectObject (pOldBrush );5)在partternDlg.cpp文件中按鈕事件/【學(xué)習(xí)】按鈕事件void CPartternDlg:OnStudy(

44、)InputDialog inputdlg;cf.SeekToBegin();int nFileSize=cf.GetLength();int i=nFileSize/sizeof(TEZHENG);TEZHENG *temp;temp=(TEZHENG *)malloc(sizeof(TEZHENG);計(jì)算當(dāng)前畫板中數(shù)字的特征值GetTeZheng();首先判斷當(dāng)前的數(shù)字類型是否已經(jīng)在模板中for(int j=0;ji;j+)cf.Read(void *)temp,sizeof(TEZHENG);for(int k=0;kVHDerectionk!=mytezheng-VHDerection

45、k)break;if(k=15)&(temp-decon=mytezheng-decon)&(temp-lenfirst=mytezheng-lenfirst )&(temp-lenth1=mytezheng-lenth1)&(temp-lenth=mytezheng-lenth)&(temp-lenen d=mytezheng-lenend)char s20;sprintf(s,不需要學(xué)習(xí)，您輸入的是：d。,temp-value);AfxMessageBox(s);break;說(shuō)明該數(shù)字類型不在模板中if(j=i)if(inputdlg.DoModal()=IDOK)判斷數(shù)字輸入對(duì)話框中的兩

46、個(gè)數(shù)字是否相同if(inputdlg.m_value19)AfxMessageBox(您的輸入數(shù)字有誤，n請(qǐng)重新輸入)；相同，則將新的數(shù)字類型寫入模板文件中elseGetTeZheng();trymytezheng-value=inputdlg.m_value1;cf.SeekToEnd();cf.Write(&mytezheng-value,sizeof(signed char);cf.Write(mytezheng-VHDerection,sizeof(signed char)*15);cf.Write(&mytezheng-lenth1,sizeof(signed char);cf.Wr

47、ite(&mytezheng-lenth,sizeof(signed char);cf.Write(&mytezheng-decon,sizeof(signed char);cf.Write(&mytezheng-lenfirst,sizeof(signed char);cf.Write(&mytezheng-lenend,sizeof(signed char);catch(CFileException *e)/Alert user to errore-Delete();/end try-catch/end if-else/end if/end ifOnClear();/【清除】按鈕事件voi

48、d CPartternDlg:OnClear()CDC *pDC=GetDC();CBrush BrushBoard (RGB (255, 255,255);CBrush pOldBrush;pDC- PatBlt (8,8,176,240, PATCOPY );for(int i=0;i16;i+)for(int j=0;j16;j+)bitgraphij=0;mouseDown=0;mytime=0;for(i=0;ivalue=-1;mytezheng-lenth=0;mytezheng-lenth1=0;for(i=0;iVHDerectioni=-1;mytezheng-decon=

49、0;/【識(shí)別】按鈕事件void CPartternDlg:OnRecognize()cf.SeekToBegin();int nFileSize=cf.GetLength();int i=nFileSize/sizeof(TEZHENG);TEZHENG *temp;temp=(TEZHENG *)malloc(sizeof(TEZHENG);計(jì)算特征值GetTeZheng();在模板文件中尋找，是否有與當(dāng)前特征值相同的for(int j=0;ji;j+)cf.Read(void *)temp,sizeof(TEZHENG);for(int k=0;kVHDerectionk!=mytezhe

50、ng-VHDerectionk)break;/找到識(shí)別結(jié)果if(k=15)&(temp-decon=mytezheng-decon)&(temp-lenfirst=mytezheng-lenfirst )&(temp-lenth1=mytezheng-lenth1)&(temp-lenth=mytezheng-lenth)&(temp-lenen d=mytezheng-lenend)char s20;sprintf(s,您輸入的是：d,temp-value);AfxMessageBox(s);break;/搜索結(jié)束if(j=i)AfxMessageBox(無(wú)法識(shí)別)；)OnClear();)

51、/【退出】按鈕事件void CPartternDlg:OnAbout()/CAboutDlg dlgAbout;/dlgAbout.DoModal();CDialog:OnCancel();)5)在partternDlg.cpp文件中自定義函數(shù)void CPartternDlg:GetTeZheng()int p,q;int i=0;/從第一個(gè)點(diǎn)到最后一個(gè)點(diǎn)for(int j=0;jlenth1+;)if(i=13)AfxMessageBox(內(nèi)存溢出,NULL,NULL);return;)判斷兩個(gè)相鄰點(diǎn)的距離p=(mypointj+1.x-mypointj.x)*(mypointj+1.x-

52、mypointj.x);q=(mypointj+1.y-mypointj.y)*(mypointj+1.y-mypointj.y);/如果不是8連接，則為斷裂點(diǎn)或者是寫的太快if(p1)ll(q1)mytezheng-decon=1;j+;i+;if(j+1mytime-1)AfxMessageBox(寫得太快了 ”,NULL,NULL);return;if(mypointj+1.xmypointj.x)mytezheng-VHDerectioni=1;else if(mypointj+1.ymypointj.y)mytezheng-VHDerectioni=2;else if(mypoint

53、j+1.xVHDerectioni=3;elsemytezheng-VHDerectioni=4;mytezheng-lenth=1;/盡量保持目前的方向elseif(j=0)if(mypoint1.xmypoint0.x)mytezheng-VHDerection0=1;else if(mypoint1.ymypoint0.y)mytezheng-VHDerection0=2;else if(mypoint1.xVHDerection0=3;elsemytezheng-VHDerection0=4;mytezheng-lenth=1;end if elseswitch(mytezheng-V

54、HDerectioni)if(mypointj+1.xlenth=1;if(mypointj+1.ymypointj.y)mytezheng-VHDerectioni=2;else if(mypointj+1.yVHDerectioni=4;elsemytezheng-VHDerectioni=3;elsemytezheng-lenth+;break;if(mypointj+1.ylenth=1;if(mypointj+1.xVHDerectioni=3;else if(mypointj+1.xmypointj.x)mytezheng-VHDerectioni=1;elsemytezheng-

55、VHDerectioni=4;elsemytezheng-lenth+;break;if(mypointj+1.x=mypointj.x)i+；mytezheng-lenth=1;if(mypointj+1.yVHDerectioni=4;else if(mypointj+1.ymypointj.y)mytezheng-VHDerectioni=2;elsemytezheng-VHDerectioni=1;)elsemytezheng-lenth+;break;if(mypointj+1.y=mypointj.y)i+;mytezheng-lenth=1;if(mypointj+1.xmypointj.x)mytezheng-VHDerectioni=1;else if(myp