二值图像形状识别的密度分布特征法
来源:互联网 发布:java web项目实例 编辑:程序博客网 时间:2024/06/11 15:26
1 形心定位和区域划分 一般对于一幅二值图像f ( x, y)来说,由于目标只占了其中的部分区域, 因而在计算距离时,形心的选取很重要。一般选取图像的重心点( .x, .y)作为形心。 图像重心坐标为:((横坐标乘以像素强度)之和/像素强度之和,(纵坐标乘以像素强度)之和/像素强度之和),对于二值图像各像素强度为0或1。 在得到形心后,先计算图像中各目标像素点到形心的距离,并找出最大距离Dmax,然后采用圆形划分法对图像进行分块,即首先以形心为圆心,以Dmax为半径作图像中目标区域的外接圆, 然后在外接圆内,由内而外,将图像划分为M 个子图像区域R1,…,RM,分别为一个中心圆和多个同心圆环。采用等距离区域划分法。即每个子图像区域所覆盖的区间长度相等。 2 密度分布特征 密度分布特征(DDF)是一种反映图像目标像素的空间分布信息的特征, 其定义为: DD F = ( r1 , …, rM ; d r1 , …, d rM ) 其中,包含两个M 维特征向量, 第1个向量r表示各个子图像区域的目标像素(极坐标的长度)的相对密度, 第2个向量dr表示各个子图像区域的目标像素在极坐标方向上的相对密度的一阶数值差分。 3 求第一个特征向量ri(i=1,…,M) 对各子图像区域分别进行统计, 即计算每个子图像区域内目标像素的总数Si ( i = 1, ?, M ) ,并找出Si 的最大值Smax。 ri = Si /Smax ( i = 1, …, M ) 4 求第二个特征向量dri(i=1,…,M) 5 形状的相似性 采用欧氏距离进行相似性度量。度量时,首先分别计算密度分布特征的两个特征向量的欧氏距dr和dd r;然后计算两个特征向量的综合距离。由于两个特征向量处于不同的特征空间, 所以在融合这两个特征前有必要对其归一化。采用Gaussian模型对距离进行归一。
- 二值图像形状识别的密度分布特征法
- 图像形状特征(二)--Hu距
- 图像检索:基于形状特征的算法
- 图像检索:基于形状特征的算法
- 图像检索:基于形状特征的算法
- 图像特征之形状特征
- 图像特征之形状特征
- 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
- 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征
- 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征
- 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
- 常用的图像特征颜色特征、纹理特征、形状特征、空间关系特征
- 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。
- 常用的图像特征——颜色特征、纹理特征、形状特征、空间关系特征
- opencv绘制基本形状的二值图像
- 基于颜色特征的图像识别
- 基于分布特征的神经网络手写字母识别
- 灰度图像形状的识别分类算法实现matlab
- unicode utf8 多字节转换
- 插入符
- usr/lib/libstdc++.so.6 not found
- 当今世界最为经典的十大算法[转]
- manthan A
- 二值图像形状识别的密度分布特征法
- Struts2标签介绍
- 数据结构作业-6
- 腾讯推页游平台’”页游乐园”YY.QQ.com
- https://mail.isoftstone.com/exchange
- Archlinux启动脚本纵览
- framebuffer下bmp格式图片
- Apache、Tomcat、JBoss、WebLogic的区别与关系
- 数据结构作业-7