6. Вычислите кросс-корреляцию, а затем переведите результат в 8-битовую шкалу оттенков серого со значениями от 0 до 255.
7. Используйте функцию WRITEBMP для сохранения результатов в файл.
8. Нарисуйте исходное изображение и корреляцию изображения с ядром.
(greyscale_dog.bmp)
(dog_cross.bmp)
Сравнение прототипа
1. Используйте функцию READ_IMAGE для чтения нового изображения.
2. Используйте функцию WRITEBMP для сохранения результатов в файл.
(peas_carrots.bmp)
Выделением выбирается характерное изображение моркови в качестве шаблона.
3. Задайте высоту и ширину шаблона.
4. Определите функцию val и используйте ее в функции
matrix, чтобы создать шаблон.
5. Нарисуйте изображения шаблона и моркови.
(template.bmp)
(carrot.bmp)
6. Задайте порог корреляции.
7. Используйте однородный шаблон того же размера, что и выделенная морковь, или само изображение моркови для подсчета количества повторений:
(carrot_vect.bmp)
Большинство изображений горошка будет закрашено некоррелированными, пороговыми значениями, а большинство изображений моркови останутся видимыми. Сравнение происходит между исходным изображением и прямоугольным шаблоном однородной плотности, который неточно различает морковь в этой случайной упаковке замороженных овощей.
8. Рассчитайте примерное процентное соотношение моркови в исходном изображении.
Данный метод также полезен при подсчете бактерий и в других оценках изображений.