二值图像形状识别的密度分布特征法

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D_max，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D_max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，…，R_M，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 , …, r_M ; d r₁ , …, d r_M )

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r_i（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S_i ( i = 1, ?, M ) ,并找出S_i 的最大值S_max。

r_i = S_i /S_max ( i = 1, …, M )

  

4 求第二个特征向量dr_i（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d_r和d_{d 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。