图像识别良好定义但角度变化的图像
问题
我有一张从摇摆车拍摄的照片。 为了简单起见，我将它转换成黑白图像。 一个例子如下所示：
图像显示高强度的回报，并且有一个图案，发现所有有效图像都以红色圈出。 取决于车辆的旋转，可以从多个角度拍摄该图像。 另一个例子是在这里：
这里的意图是试图识别存在这种图案的图片单元。
目前的做法
到目前为止，我已经尝试了几种方法，我正在使用Matlab进行测试，但最终会在c ++中实现。 算法的时间效率是理想的，但是，我对任何建议感兴趣。
SURF（加速功能）功能识别
我尝试了SURF的默认matlab实现来尝试查找特征。 Matlab SURF能够识别2个例子中的特征（与上面不一样），但它不能识别常见的特征：
我知道这些观点是不同的，但是这种模式仍然有些可辨。 我尝试了多套图片，几乎没有共同点。 从阅读SURF看来，对于倾斜图像来说，它看起来并不健壮。 也许有关于预处理的一些建议？
模板匹配
所以尝试了模板匹配，但对于应用程序来说绝对不是理想的选择，因为它不适合缩放或偏斜变化。 我很乐意通过预处理思路来解决这个问题。 这可能很容易，关于图片的额外信息的一些讨论将在下面提供。
现在我们来研究模板匹配：假设我们有以下两个图像作为模板和当前图像：
该模板是从最前面的图像中选择的。 并使用它在一个非常相似的图像我们可以匹配的位置：
但是，如果我们将图片更改为不同的角度（并且有些显而易见），它将不起作用。 当然，我们期望这是因为模板不再像图像中的模式：
所以我们显然也需要一些预处理工作。
Hough Lines和RANSAC
Hough线和RANSAC可能能够为我们确定线条，但是我们如何获得图案位置？
其他我还不知道的
我对图像处理场景相当陌生，所以我很想听听任何其他技术，以适应这种简单但困难的图像识别问题。
传感器以及它如何帮助预处理
该传感器是一个三维激光，它已被转换成本实验的图像，但仍保留其距离信息。 如果我们绘制的距离从0到255缩放，我们得到以下图像：
更轻更远的地方。 这无疑可以帮助我们调整形象， 在最佳方式上提供一些想法？ 。 到目前为止，我已经想到了计算不是0的单元的法线的问题，我们也可以做一些梯度下降或最小二乘拟合，使得距离的差异为0，这可以使图像对齐，以便它总是笔直。 那个问题是，实心的白色条纹更远？ 也许我们可以分割出来？ 我们正在对算法进行算法构建，因此我们需要小心谨慎，这样才不会变成怪物。
任何帮助或想法都会很棒，我很高兴看到任何认真的答案！
我想出了以下程序来分割区域，并希望通过模板匹配找到感兴趣的模式。 我添加了一些评论和图形标题来解释流程和一些生成的图像。 希望能帮助到你。
im = imread('sample.png');
gr = rgb2gray(im);
bw = im2bw(gr, graythresh(gr));
bwsm = imresize(bw, .5);
dism = bwdist(bwsm);
dismnorm = dism/max(dism(:));
figure, imshow(dismnorm, []), title('distance transformed')
eq = histeq(dismnorm);
eqcl = imclose(eq, ones(5));
figure, imshow(eqcl, []), title('histogram equalized and closed')
eqclbw = eqcl < .2; % .2 worked for samples given
eqclbwcl = imclose(eqclbw, ones(5));
figure, imshow(eqclbwcl, []), title('binarized and closed')
filled = imfill(eqclbwcl, 'holes');
figure, imshow(filled, []), title('holes filled')
% -------------------------------------------------
% template
tmpl = zeros(16);
tmpl(3:4, 2:6) = 1;tmpl(11:15, 13:14) = 1;
tmpl(3:10, 7:14) = 1;
st = regionprops(tmpl, 'orientation');
tmplAngle = st.Orientation;
% -------------------------------------------------
lbl = bwlabel(filled);
stats = regionprops(lbl, 'BoundingBox', 'Area', 'Orientation');
figure, imshow(label2rgb(lbl), []), title('labeled')
% here I just take the largest contour for convenience. should consider aspect ratio and any
% other features that can be used to uniquely identify the shape
[mx, id] = max([stats.Area]);
mxbb = stats(id).BoundingBox;
% resize and rotate the template
tmplre = imresize(tmpl, [mxbb(4) mxbb(3)]);
tmplrerot = imrotate(tmplre, stats(id).Orientation-tmplAngle);
xcr = xcorr2(double(filled), double(tmplrerot));
figure, imshow(xcr, []), title('template matching')
调整后的图片：
分段：
模板匹配：
由于图像质量较差（低分辨率+二值化），我更喜欢模板匹配，因为它基于简单的全局相似性度量，并且不会尝试进行任何特征提取（样本中没有可靠的特征）。
但是你需要应用旋转模板匹配。 一种方法是预先计算模板的旋转实例，为每个角度执行匹配并保持最佳状态。
可以在比较中集成深度信息（如果有帮助的话）。
这与我们在实验室中识别手绘字符的问题非常相似，因为目标图案是二元的，分辨率低，并且易于变形。
根据我们的经验，我不认为SURF是正确的路径，正如其他地方指出的那样，假定连续的二维图像不是二进制图像，并且会破坏您的情况。 模板匹配对于这种二进制图像来说也不是很好 - 因为像素值没有局部空间连贯性来缓解窗口的轻微错位，所以您的像素只需略微错位即可返回低匹配分数。
我们的方法是尝试将二进制图像“转换”为连续或“灰度”图像。 例如见下面：
这些转换通过运行一阶导数边缘检测器来完成，例如卷积3×3模板[0 0 0; 1 0 -1; 0 0 0]并且它在图像I上转置以获得dI / dx和dI / dy。 在任何像素处，我们都可以从这两个场中获得边缘取向atan2（dI / dy，dI / dx）。 我们将这些信息视为素描像素（问题中的白色像素）以及黑色像素处未知的信息。 然后，我们使用拉普拉斯平滑假设来从白色像素中推断黑色像素的值。 详细信息在本文中：
http://personal.ee.surrey.ac.uk/Personal/J.Collomosse/pubs/Hu-CVIU-2013.pdf
如果这是一个主要的麻烦，你可以尝试使用距离转换，在Matlab中使用bwdist方便，但它不会给出准确的结果。
现在我们有了“连续”图像（按照上面图像的右侧栏）。 灰度模式对图像中的局部结构进行编码，并且更适合基于渐变的描述符，如SURF和模板匹配。
我的预感是首先尝试模板匹配，但由于这是仿制敏感的，我会走完整路，再次使用HOG / Bag的视觉单词方法，就像我们上面的文章中所述，以匹配这些模式。
我们发现这条管道可以为基于素描的形状识别提供最先进的结果，而我的博士生已经成功地用于后续的匹配象形文字的工作，所以我认为它可以很好地处理你构成的那种图案您的示例图像。
链接地址: http://www.djcxy.com/p/79641.html上一篇: Image recognition of well defined but changing angle image