Digital Signal Processing Reference
In-Depth Information
Original
Manhattan-Distanz
Euklid. Dist. (Approx.)
17
Bildvergleich
Abbildung 17.9
Distanztransformation mit dem
Chamfer
-Algorithmus. Ursprungli-
ches Binarbild mit schwarzem Vorder-
grund (links). Ergebnis der Distanz-
transformation fur die Manhattan-
Distanz (Mitte) und die euklidische
Distanz (rechts). Die Helligkeitswerte
(skaliert auf vollen Kontrastumfang)
entsprechen dem geschatzten Ab-
stand zum nachstliegenden Vorder-
grundpixel (hell = großer Abstand).
fur die euklidische Distanz, wobei sich gegenuber den Masken in Gl.17.18
etwa die dreifachen Werte ergeben.
17.2.3
Chamfer Matching
Nachdem wir in der Lage sind, fur jedes Binarbild in e
zienter Weise die
Distanztransformation zu berechnen, werden wir diese nun fur den Bild-
vergleich einsetzen.
Chamfer Matching
(erstmals in [6] beschrieben) ver-
wendet die Distanzverteilung, um die maximale Ubereinstimmung zwi-
schen einem Binarbild
I
und einem (ebenfalls binaren) Template
R
zu
lokalisieren. Anstatt, wie beim direkten Vergleich (Abschn. 17.2.1), die
uberlappenden Vordergrundpixel zu zahlen, verwendet Chamfer Mat-
ching die summierten Werte der Distanzverteilung als Maß
Q
fur die
Ubereinstimmung. Das Template
R
wird uber das Bild bewegt und fur
jedes Vordergrundpixel innerhalb des Templates, (
i, j
)
FG
(
R
), wird
der zugehorige Wert der Distanzverteilung
D
addiert, d. h.
Q
(
r, s
)=
1
K
∈
D
(
r
+
i, s
+
i
)
,
(17.20)
(
i,j
)
∈FG
(
R
)
wobei
K
=
|
FG
(
R
)
|
die Anzahl der Vordergrundpixel im Template
R
bezeichnet.
