对于这种特定的移位/比例不变模板匹配，哪种图像处理技术是理想的？

#1 楼

广义上讲，有两种主要方法可以解决此问题：

a。模板匹配或
b。与参数化模型匹配。

个人而言，鉴于该模型的简单性，我更愿意使用第二种方法来解决此问题。

步骤1：确定ping斑点

第一步，提取“框”-本质上是黄色/蓝色方块。这里最简单的方法可能只是对图像进行阈值处理。似乎背景变化不大，只是随着噪声的增加，它趋向于与ping非常相似。因此，该阈值可以在整个图像上通用-我认为您将能够获得一个可以在整个图像上使用的体面阈值。但是，该阈值应该很聪明，以便您可以使用类似Otsu的方法。有关更多参考，请参见此内容。

块的改进

您可以做的一件好事，就是消除看起来像ping前景的虚假点，因为ping内的某些像素也是蓝色的。您需要在这里进行称为“打开”的形态操作。这是HIPR的参考文献之一。这些类型的操作需要精巧的形状，以帮助保留相似的形状并移除其他形状。您可以选择水平线。到此为止，您将背景像素和前景像素整齐地分隔ping，而不会相互接触。

步骤2：标记/注册块

现在您已经拥有了尽可能干净的Blob，现在可以将它们标记为1,2,3,4或A，B， C，D等。这通常通过所谓的一些简单算法来完成。遍历每个像素，如果它与任何标记的区域接触，并且也是前景，则将其分配给该段，否则创建一个新的段。如果您发现四个以上重要部分，则需要选择最相关的部分。在此应用启发式方法，而不是任何理论算法。

步骤3：参数建模现在，一旦我们最有可能获得4个对应ping的前4个候选者，就可以确定边界框-本质上是左上角和右下角（或左上和右下）大多数像素，以及Blob的顶部和底部）。找到边界框，可以对每个ping框的质心进行罚款。

因此，您可以有四个质心$ C_i \ text {其中} i \ in \ {1,2,3,4 \} $
根据描述，$的绝对位置C_1 $可以是任意的。但是，在$ C_1 $之后，其他质心应该在一定范围内，因此现在可以计算质心间距离：

$$

C_ {1i} [x，y] = \ {C_1 [x]-C_i [x]，C_1 [y]-C_i [y] \}

$$

另一个关键参数是ping的长度-即$ L_i \ text {其中} i \ in \ {1,2,3,4 \} $

基本上，您有8个参数vecoter：

$$
1。 \ {C_1 [x]，C_1 [y] \} \\
2..4 C_ {1i} [x，y] \\
5..8 L_i \\
$$

步骤4：分类
在最后一步中，现在我们需要对是否存在ping模式（是或否）进行分类。

对于这样的事情，您可以有一个不错的贝叶斯分类器框架。

您有两个假设


H0：ping模式存在。
H1：ping模式不存在


现在，我只在这里放置1个参数$ C_ {1，i} [x] $大小写，但是您可以扩展它。

首先，您研究许多图像，并知道它们属于图像。现在，您可以绘制各种直方图或应用某种密度估计方法。阅读Duda Hart的模式分类。

为简单起见，您发现在存在ping的情况下，参数$ C_ {1，i} [x] $的密度函数为高斯，其中$ \ mu = 20，\ sigma = .1 $此处的sigma小可能意味着与原始版本不能有太大的差异。

如果$ H0 $为真，这实际上是$ C_ {1，i} $的条件概率。因此，您具有值$ P [C_ {1，i} [x] |现在，根据测试数据

$ P [H0 | H0 | $

C_ {1，i} [x] = x_1] $是=鉴于$ C_1 [x] $的读数是$ x_1 $，那么$ H0 $的概率是多少？

因此，您可以计算

$$

P [H0 \ space | C_ {1，i} [x]] = {P [C_ {1，i} [x] | H0] * P [H0] \ over {P [C_ {1，i} [x]]}}

$$

您需要将此表达式与矢量表达式结合使用，并且需要花很多精力才能准确地完成参数估计。但我在这里为您提供基本方法。

请自己计算，这会很长，但仍应非常直观。

如果$ P [H0 | \ text {所有参数}]> 1/2 $，则存在ping模式。

编辑
由于您已经定义了110 +/- 5像素的特定标准，因此最后一步可以更简单。如果您的分类标准是固定的，则可能不需要计算所有这些概率。

#2 楼

在我看来，这个问题就像是脉冲重复间隔检测+估计问题。我需要随着时间的推移来发展这个答案，但是在该问题上运行良好的算法是晶格上的最大可能性。