### 1. 边缘检测、霍夫变换和时刻
**边缘检测**:是一种用于检测图像中物体边缘的技术,通常使用Sobel、Canny等算法。它通过计算图像灰度值的梯度来找到显著变化的地方,即边缘。
**霍夫变换**:用于检测图像中的几何形状,比如直线和圆。它通过将图像中的点映射到参数空间,找到符合某种形状的点集。
**时刻**:是图像形状的一种数学描述,用于计算图像的形状特征,比如中心、面积等。
### 2. 形状描述符与图案识别
在分割出图像中的对象之后,我们需要识别这些对象。这时可以使用形状描述符来帮助识别。
**形状描述符**:这些是用来描述形状特征的参数组合。常见的形状描述符包括:
- **长宽比**:对象的长度和宽度的比值,这个比值与对象的实际大小和旋转无关。
- **卷曲(Curl)**:描述形状的曲率。
- **长度**:形状的长度。
**形状识别**:通过比较形状描述符来区分不同的形状。单独的一个描述符可能不足以区分所有形状,但组合多个描述符可以更准确地进行识别。
### 3. 图像处理流程
**图像采集**:获取图像,并进行几何排列和照明调整,以减少场景变化带来的影响。
**图像清理**:去除图像中的噪声,提高对比度。
**场景分割和边界生成**:使用边缘检测算法检测图像中的边缘,并将这些边缘连接起来形成对象的边界。
**特征检测和特征向量生成**:从边界中提取特征,并将这些特征转化为特征向量。
**模式匹配**:在一个低维度的空间中进行模式匹配,以识别对象。
### 4. 傅立叶描述符
**傅立叶描述符**:通过傅立叶变换将对象的边界表示为一系列系数。低频率的系数表示对象的整体形状和大小,高频率的系数表示细节。简化傅立叶描述符可以抵抗形状的微小变化和噪声。
### 5. 模板匹配与相关性
**模板匹配**:通过计算图像与模板之间的相关性来找到图像中的特定对象。这种方法对位置不敏感,但对尺度和旋转敏感。
**改进的相关性方法**:使用多个滤波器来应对尺度和旋转的问题,并通过在频域中执行相关性计算来减少计算量。