範例：歐氏距離轉換
如需使用此範例的資訊，請參閱＜關於圖像處理範例＞。
圖像矩陣
1. 定義圖像矩陣，並套用 distform。
每個輸出像素的值是到最接近的輸入前景 (值 100) 像素之距離：
◦ 若是輸入前景像素，輸出距離會為零
◦ 若是水平與垂直鄰點，則距離為 1
◦ 若是對角鄰點，則距離為 2 的平方根或 1.414
含有一個非零像素的圖像
1. 定義含有一個非零像素的圖像。
2. 將 distform 套用至圖像：
隨著遠離輸入圖像的前景像素 (中心像素)，距離會單調遞增。
距離轉換產生近似歐氏距離。在上例中，您會看到矩陣位置 (0,1) 的精確歐氏距離轉換輸出應為：
但在我們的輸出圖像中，該值為 5.243。
圓形物件的圖像
1. 定義圓形圖像：
2. 使用 scale 函數縮放圓。
3. 使用 WRITEBMP 函數將縮放後的圓寫入檔案。
4. 將 distform 函數套用至圓、加以縮放，然後將結果儲存至新檔案。
5. 從兩個檔案插入圖像，並比較結果。
 |
 |
|
(sc.bmp)
|
(scdist.bmp)
|
圓內所有點的距離值皆為零，並隨著外移單調遞增，但這些值不會完全等於歐氏距離，否則輸出會呈放射對稱。
單一物件的兩個二進位圖像
1. 讀取圖像。
2. 使用 translate 函數建立圖像的平移版本，並將平移後的圖像寫入檔案。
3. 從三個檔案插入圖像，並比較結果。
 |
 |
 |
|
(flower.bmp)
|
(flower_d2.bmp)
|
(flower_d3.bmp)
|
4. 使用 distform 函數計算 D1 的距離轉換。
D1 與 D1 之間的距離為零，而 D1 與其他圖像之間的距離會隨轉換度而增加。
6. 計算 Hausdorff 距離
Hausdorff 距離會定義為兩個集合中各點之間最接近距離的最大值。若要計算兩個圖像之間的 Hausdorff 距離，請使用 max 函數而非函數 mean。
兩個邊緣圖像
您可以計算兩個邊緣圖像之間的距離，以比較邊緣檢測器的效能。使用遮罩距離的均數或最大值作為邊緣距離的量測。
1. 使用 READ_IMAGE 函數讀取圖像檔案。
3. 插入並目視比較兩個圖像。
 |
 |
|
(lena_e1.bmp)
|
(lena_e2.bmp)
|
4. 計算邊緣之間的整體距離。
