1 形心定位和區域劃分
一般對於一幅二值圖像f ( x, y)來說,由於目標只佔了其中的部分區域, 因而在計算距離時,形心的選取很重要。一般選取圖像的重心點( .x, .y)作爲形心。
圖像重心座標爲:((橫座標乘以像素強度)之和/像素強度之和,(縱座標乘以像素強度)之和/像素強度之和),對於二值圖像各像素強度爲0或1。
在得到形心後,先計算圖像中各目標像素點到形心的距離,並找出最大距離Dmax,然後採用圓形劃分法對圖像進行分塊,即首先以形心爲圓心,以Dmax爲半徑作圖像中目標區域的外接圓, 然後在外接圓內,由內而外,將圖像劃分爲M 個子圖像區域R1,…,RM,分別爲一箇中心圓和多個同心圓環。採用等距離區域劃分法。即每個子圖像區域所覆蓋的區間長度相等。
2 密度分佈特徵
密度分佈特徵(DDF)是一種反映圖像目標像素的空間分佈信息的特徵, 其定義爲:
DD F = ( r1 , …, rM ; d r1 , …, d rM )
其中,包含兩個M 維特徵向量, 第1個向量r表示各個子圖像區域的目標像素(極座標的長度)的相對密度, 第2個向量dr表示各個子圖像區域的目標像素在極座標方向上的相對密度的一階數值差分。
3 求第一個特徵向量ri(i=1,…,M)
對各子圖像區域分別進行統計, 即計算每個子圖像區域內目標像素的總數Si ( i = 1, ?, M ) ,並找出Si的最大值Smax。
ri = Si /Smax ( i = 1, …, M )
4 求第二個特徵向量dri(i=1,…,M)
5 形狀的相似性
採用歐氏距離進行相似性度量。度量時,首先分別計算密度分佈特徵的兩個特徵向量的歐氏距dr和dd r;然後計算兩個特徵向量的綜合距離。由於兩個特徵向量處於不同的特徵空間, 所以在融合這兩個特徵前有必要對其歸一化。採用Gaussian模型對距離進行歸一。