Ce noyau est symétrique. L'effet est donc le même qu'une convolution, qui correspond à une corrélation avec le noyau inversé.
4. Calculez la corrélation puis convertissez le résultat en niveaux de gris sur 8 bits (valeurs comprises entre 0 et 255).
5. Tracez l'image d'origine et la corrélation de l'image avec le noyau.
(greyscale_dog.bmp)
(dog_cross.bmp)
Mise en correspondance de prototype
1. Lisez dans une nouvelle image.
(peas_carrots.bmp)
La sélection choisit une carotte représentative comme modèle.
2. Définissez la hauteur et la largeur du modèle.
3. Définissez la fonction val et utilisez-la dans la fonction matricielle pour créer le modèle.
4. Tracez le modèle et les images de carottes.
(template.bmp)
(carrot.bmp)
5. Définissez le seuil de corrélation.
6. Utilisez le modèle uniforme de la même taille que la carotte sélectionnée ou utilisez l'image représentative de la carotte elle-même pour calculer le nombre de correspondances :
(carrot_vect.bmp)
Presque tous les petits pois sont noircis, éliminés par les valeurs de seuil sans corrélation, tandis que la plupart des carottes demeurent visibles. La correspondance est faite entre l'image d'origine et le modèle rectangulaire de densité uniforme, qui enlève grossièrement les carottes dans cet échantillonnage aléatoire d'un paquet de légumes surgelés.
7. Calculez le pourcentage approximatif de carottes dans l'image d'origine.
Cette technique s'avère également utile pour le comptage de bactéries, ainsi que pour d'autres estimations de pourcentage portant sur les caractéristiques d'une image.