轮廓匹配在定位测量应用中对其匹配的精度有更高的要求,通常的像素级的匹配结果难以满足其要求。本文给出了一种具有亚像素精度的快速轮廓匹配定位方法,其进行数学计算的基础为二值图像的距离变换。
二值图像距离变换的概念由Rosenfeld和Pfaltz于1966年其论文中提出,目前广泛应用于计算机图形学,计算机视觉及GIS空间分析等领域,其基本含义是计算一个图像中非零像素点到最近的零像素点的距离,也就是对每一各非零像素点计算其到零像素点的最短距离,并将该距离值赋值给该非零像素位置,从而将一幅二值图像变换为一幅距离图像。OpenCV通过cv::distanceTransform()函数,给出了该功能的快速实现方法。并通过参数的方式给出了距离的几种定义方式,如欧式距离、马氏距离、倒角距离等。
高精度轮廓匹配的算法实现步骤:
假设待匹配的两个轮廓分别为A和B
(1) 将轮廓A栅格化并生成为一幅二值图像Ia,其中轮廓点为255,背景点为0;
(2) 将二值图Ia进行距离变换得到距离图Id;
(3) 通过一个变换描述轮廓B和轮廓A之间的关系,如平移变换、刚体变换、仿射变换等;
(4) 通过一定的搜索策略或者最优化方法搜索轮廓B在距离图Id中的最佳变换参数,并输出。
在上述过程中(4)是最关键的一步,具体的搜索策略可考虑使用Powell搜索、分支定界搜索或者Gauss-Newton方法。下面给出了使用Gauss-Newton方法实现求解平移变换的代码,仅供参考。其它复杂的变换可参考此过程完成。
1 数据栅格化,并距离变换
<