示例：欧几里得距离变换
有关使用此示例的信息，请参考关于图像处理示例。
图像矩阵
1. 定义图像矩阵并将 distform 应用于该矩阵。
每个输出像素的值为距离最近输入前景 (值为 100) 像素的距离：
◦ 对于输入前景像素，输出距离为 0
◦ 对于水平和竖直邻点，距离为 1
◦ 对于对角邻点，距离为 2 的平方根或 1.414
具有单个非零像素的图像
1. 定义具有单个非零像素的图像。
2. 将 distform 应用于该图像：
当进行移动使其远离输入图像中的前景像素 (中心像素) 时，距离会单调递增。
距离变换会产生近似欧几里得距离。在上述示例中，矩阵位置 (0,1) 的精确欧几里得距离变换输出应为：
而在输出图像中，该值为 5.243。
圆对象的图像
1. 定义一个包含圆的图像：
2. 使用 scale 函数缩放此圆。
3. 使用 WRITEBMP 函数将缩放后的圆写入文件。
4. 将 distform 函数应用于此圆，对其进行缩放并将所得结果保存到一个新文件中。
5. 从两个文件插入图像，并比较结果。
 |
 |
|
(sc.bmp)
|
(scdist.bmp)
|
对于圆内的所有点，距离值为零，随着向外移动，该距离值单调递增，但不完全等于欧几里得距离，或者输出可能是径向对称的。
单个对象的两个二值图像。
1. 读入图像。
2. 使用 translate 函数创建图像的平移版本并将平移图像写入文件。
3. 从三个文件插入图像，并比较结果。
 |
 |
 |
|
(flower.bmp)
|
(flower_d2.bmp)
|
(flower_d3.bmp)
|
4. 使用函数 distform 计算 D1 的距离变换。
D1 和 D1 之间的距离为零，D1 与其他图像之间的距离随平移距离的增大而增大。
6. 计算 Hausdorff 距离
Hausdorff 距离被定义为两个集合中各点之间最近距离的最大值。要计算两个图像之间的 Hausdorff 距离，请使用 max 函数代替 mean 函数。
两个边界图像
可以通过计算两个边界图像之间的距离来比较边界探测器的性能。使用已屏蔽距离的均值或最大值作为边界距离的测量值。
1. 使用 READ_IMAGE 函数读取图像文件。
3. 插入两个图像，并从视觉上加以比较。
 |
 |
|
(lena_e1.bmp)
|
(lena_e2.bmp)
|
4. 计算边界之间的总距离。
