<p>在这种情况下,我首先要找到最好的起点。
所以,首先我给你的图像设置了阈值(但是我也可以对它进行骨架化,然后再设置阈值。但这样一些数据将无法恢复地丢失):</p>
<p>{1美元^</p>
<p>然后,我尝试了大量的工具来突出最突出的特性。最后,在使用Gimp的G'MIC插件时,我发现:</p>
<p><img src="https://i.imgur.com/RC7YRmx.png" alt="Imgur"/></p>
<p>基于上述内容,我准备了一个通用模式,如下所示:</p>
<p><img src="https://i.imgur.com/0CD7TJF.png" alt="Imgur"/></p>
<p>然后我得到了这张照片的一部分:</p>
<p><img src="https://i.imgur.com/xvkbn2k.png" alt="Imgur"/></p>
<p>为了帮助确定角度,我制作了局部傅里叶频率图-通过这种方式,您可以获得您的图案局部角度:</p>
<p><img src="https://i.imgur.com/D0X7iWE.png" alt="Imgur"/></p>
<p>然后你可以做一个简单的厚,在现代GPU上快速工作-像这样得到区别(漏掉的情况):</p>
<p><img src="https://i.imgur.com/9QlqndS.png" alt="Imgur"/></p>
<p>当发生碰撞时,差异是最小的;我所说的局部最大值或多或少涉及到应该如何处理由此产生的差异。由于比例因子的敏感性,将图案圆外部的权重与内部的相同是不明智的。因此,在所使用的算法中,内带交叉的权重应该更大。然而,图像的不同模式如下所示:</p>
<p><img src="https://i.imgur.com/qhmwVeJ.png" alt="Imgur"/></p>
<p>如你所见,区分命中和未命中是可能的。关键是设置适当的公差,并使用傅里叶频率来获得角度(对于阈值图像,傅里叶通常遵循所分析图像的整体方向)。
上述方法可在以后由Harris检测来补充,或者利用上述模式对Harris检测进行修改,以区分两到四个紧密放置的角点。
不幸的是,在这种情况下,所有的技术都依赖于规模,因此应该适当地进行调整。
还有其他方法可以解决这个问题,例如,首先对其进行分水岭分割,然后获取区域,然后忽略前景,然后简化曲线,然后检查它们的角点是否形成连续的等距图案。但在我看来,这不会产生正确的结果。在</p>
<p>还有一件事-libgmic是G'MIC库,从中可以直接或通过绑定使用上面所示的转换。或者获取算法并在你的应用程序中重写它们。在</p>