1. Utilizzare la funzione READ_IMAGE per leggere un'immagine.
2. Utilizzare la funzione WRITEBMP per salvare l'immagine in un file.
3. Definire l'intervallo e la funzione di kernel.
4. Valutare la matrice kernel 5 x 5.
Poiché il kernel è simmetrico, l'effetto è identico a quello della convoluzione, equivalente alla correlazione con il kernel invertito.
5. Definire un fattore di scala mcscale.
6. Calcolare la correlazione incrociata, quindi scalare il risultato in scala di grigi a 8 bit da 0 a 255.
7. Utilizzare la funzione WRITEBMP per salvare i risultati in un file.
8. Tracciare il grafico dell'immagine originale e della correlazione dell'immagine con il kernel.
(greyscale_dog.bmp)
(dog_cross.bmp)
Corrispondenza prototipo
1. Utilizzare la funzione READ_IMAGE per leggere una nuova immagine.
2. Utilizzare la funzione WRITEBMP per salvare i risultati in un file.
(peas_carrots.bmp)
La selezione preleva una carota rappresentativa come modello.
3. Definire l'altezza e la larghezza del modello.
4. Definire la funzione val e utilizzarla nella funzione di matrix per creare il modello.
5. Tracciare il grafico del modello e delle immagini di carota.
(template.bmp)
(carrot.bmp)
6. Definire la soglia di correlazione.
7. Utilizzare il modello uniforme delle stesse dimensioni della carota selezionata oppure utilizzare l'immagine della carota rappresentativa stessa selezionata per calcolare il numero di corrispondenze, come indicato di seguito.
(carrot_vect.bmp)
La maggior parte dei piselli sono anneriti dai valori di soglia non correlati e la maggior parte delle carote sono ancora visibili. La corrispondenza viene eseguita tra l'immagine originale e il modello rettangolare di densità uniforme, che preleva approssimativamente le carote in questo campionamento casuale da una confezione di verdure congelate.
8. Calcolare la percentuale approssimativa di carote nell'immagine originale.
Questa tecnica è utile anche per il conteggio di batteri e altre stime percentuali di caratteristiche delle immagini.