下载文档原格式
计算机图形学一.单选题（共23题,36.8分）1下列关于简单光照模型的描述中，错误的论述有（）A简单光照模型主要考虑物体表面对直射光照的反射作用B简单光照模型中反射光由环境光、漫反射光和镜面反射光三部分组成C简单光照模型中的环境光来自周围各个方向，又均匀地向各个方向反射D简单光照模型中，假定光源是点光源正确答案：D我的答案：A2已知Bezier曲线的特征多边形的顶点分别为P0（1，2）、P1（5，2）、P2（3，5）P3（2，1）。
则曲线的终点坐标为（）AP0（1，2）BP1（5，2）CP2（3，5）DP3（2，1）正确答案：D3灰度等级为256级，分辨率为2048*1024的显示器，至少需要的帧缓存容量为（）A512KBB1MBC2MBD3MB正确答案：C4已知Bezier曲线的特征多边形的顶点分别为P0（1，2）、P1（5，2）、P2（3，5）P3（2，1）。
则曲线的起点坐标为（）AP0（1，2）BP1（5，2）CP2（3，5）DP3（2，1）正确答案：A5多边形扫描填充算法的四个步骤中，保证填充无误的关键步骤是（）A求交点B交点排序C交点配对D交点所在区间填色正确答案：C6下列两重三维组合变换中，可以互换位置的有（）A平移，平移B比例，旋转C旋转，旋转D旋转，平移正确答案：A7下面哪个不是齐次坐标的特点（）A用n+1维向量表示一个n维向量B将图形的变换统一为图形的坐标矩阵与某一变换矩阵相乘的形式C易于表示无穷远点D一个n维向量的齐次坐标表示是唯一的正确答案：D8在下面的三维几何变换通式：中，对角线上的a，e，j用来描述（）变换A比例变换的比例因子B平移变换的位移量C错切变换的错切量D旋转变换的旋转角度正确答案：A9关于参数连续性的说法中错误的是（）A0阶参数连续性，记作C0连续性，是指曲线的几何位置连接B1阶参数连续性，记作C1连续性，指代表两个相邻曲线段的方程在相交点处有相同的一阶导数C2阶参数连续性，记作C2连续性，指两个相邻曲线段的方程在相交点处具有相同的一阶和二阶导数D2阶参数连续性，记作C2连续性，指两个相邻曲线段的方程在相交点处仅需具有相同的二阶导数即可正确答案：D10下列哪种算法不属于直线的绘制算法（）。
医学影像处理中的特征提取算法使用技巧在医学领域，影像处理扮演着重要的角色，它可以帮助医生诊断和治疗疾病。
而在影像处理的过程中，特征提取是一个至关重要的步骤。
特征提取算法可以从医学影像中提取出关键的特征信息，以便医生进行更准确的诊断。
本文将介绍医学影像处理中一些常用的特征提取算法，以及使用这些算法的技巧。
1. 医学影像特征提取算法简介在医学影像处理中，特征提取算法的目的是从图像中提取出有价值的特征信息，这些特征信息可以帮助医生诊断和治疗疾病。
常见的医学影像特征包括形状、纹理、灰度等。
特征提取算法可以对这些特征进行准确而快速的提取。
2. 常用的医学影像特征提取算法（1）图像滤波图像滤波是一种常用的特征提取方法，通过在图像上应用特定的滤波器，可以增强或提取出一些特定的特征。
常见的图像滤波器有高斯滤波器、拉普拉斯滤波器等。
（2）边缘检测边缘检测是常用的特征提取算法，它可以提取出图像中物体的边缘信息。
常见的边缘检测算法有Sobel算子、Canny算子等。
这些算法可以通过检测图像中的亮度变化来提取出边缘信息。
（3）纹理分析纹理分析是一种常用的特征提取算法，它可以提取出图像中物体的纹理信息。
常见的纹理分析算法有灰度共生矩阵（GLCM）、高频滤波器等。
这些算法可以通过分析像素之间的关系来提取出纹理信息。
（4）形状分析形状分析是一种常用的特征提取算法，它可以提取出物体的形状信息。
常见的形状分析算法有边界跟踪、边界匹配等。
这些算法可以通过分析物体的轮廓来提取出形状信息。
3. 医学影像特征提取算法使用技巧（1）选择合适的特征提取算法在医学影像处理中，选择合适的特征提取算法非常重要。
不同的算法适用于不同的场景和任务。
在选择算法时，应考虑到处理的图像类型、特征类型以及所需的计算速度等因素。
（2）优化算法参数特征提取算法通常有一些可调节的参数，通过调节这些参数可以优化算法的性能。
在使用特征提取算法时，应尝试不同的参数组合，并通过评估指标来选择最佳的参数。
地理信息系统要点总结地理信息系统要点总结第⼀章导论：1.GIS基本概念：（基本全是概念）数据、信息、数据与信息的关系、信息的特点、地理信息的定义与特征、地理信息系统定义。
2.GIS基本构成：五个组成部分及每个组成部分具体包含的内容。
3.GIS功能简介：基本功能、应⽤功能。
4.GIS发展概况：国内外发展概况、未来发展态势。
（问答，4个⽅⾯）第⼆章 GIS的数据结构1.地理空间及其表达：地理空间概念、空间实体的表达。
2.地理空间数据及其特征：分类（4D）、基本特征、拓扑关系、计算机表⽰。
3.空间数据结构的类型：⽮量数据结构的定义、实体数据结构、拓扑数据结构——数据记录格式和拓扑编辑功能；栅格数据结构的定义、栅格矩阵结构、链式编码、游程编码结构、块码、⾏程编码结构、四叉树结构；（定义加具体⽅式，包括计算、画关系图等）曲⾯数据结构。
4.空间数据结构的建⽴：系统功能与数据源的关系、空间数据的分类与编码、⽮量数据的输⼊与编辑、栅格数据的输⼊。
第三章空间数据处理（本章基本全是重点）数据变换、数据重构、数据提取（概念）1.空间数据的变换：⼏何纠正（仿射变换）、投影变换。
2.空间数据结构的转换：（重点，考主要具体算法）⽮量——栅格：栅格单元的确定、点的栅格化、线的栅格化、⾯的栅格化（基于弧段的栅格化⽅法、基于多边形的栅格化⽅法——内部点扩散算法、射线算法与扫描算法、边界代数算法、边界点跟踪算法、复数积分算法）栅格——⽮量：基于图像数据的⽮量化（⼆值化、细化：剥⽪法与⾻架法、跟踪、去除多余点及曲线光滑、拓扑关系的⽣成）、栅格数据的⽮量化。
3.多元空间数据的融合：RS与GIS的融合、不同格式的融合（转换器、数据标准、公共接⼝、直接访问）4.空间数据的压缩与重分类：基于⽮量的压缩（间隔取点法、道格拉斯-普克法、垂距法、偏⾓法、光栏法）5.空间数据的内插⽅法：定义、点的内插、区域的内插（叠置法、⽐重法）6.开窗处理：点、线、⾯7.图幅边沿的匹配处理：逻辑⼀致性检验、识别和检索相邻图幅、相邻图幅边界点坐标数据的匹配、相同属性多边形公共边界的删除。
计算机视觉中，究竟有哪些好用的目标跟踪算法（下）在介绍SRDCF之前，先来分析下相关滤波有什么缺点。
总体来说，相关滤波类方法对快速变形和快速运动情况的跟踪效果不好。
快速变形主要因为CF是模板类方法。
容易跟丢这个比较好理解，前面分析了相关滤波是模板类方法，如果目标快速变形，那基于HOG的梯度模板肯定就跟不上了，如果快速变色，那基于CN的颜色模板肯定也就跟不上了。
这个还和模型更新策略与更新速度有关，固定学习率的线性加权更新，如果学习率太大，部分或短暂遮挡和任何检测不准确，模型就会学习到背景信息，积累到一定程度模型跟着背景私奔了，一去不复返。
如果学习率太小，目标已经变形了而模板还是那个模板，就会变得不认识目标。
(举个例子，多年不见的同学，你很可能就认不出了，而经常见面的同学，即使变化很大你也认识，因为常见的同学在你大脑里面的模型在持续更新，而多年不见就是很久不更新)快速运动主要是边界效应(Boundary Effets)，而且边界效应产生的错误样本会造成分类器判别力不够强，下面分训练阶段和检测阶段分别讨论。
训练阶段，合成样本降低了判别能力。
如果不加余弦窗，那么移位样本是长这样的：除了那个最原始样本，其他样本都是“合成”的，100*100的图像块，只有1-10000的样本是真实的，这样的样本集根本不能拿来训练。
如果加了余弦窗，由于图像边缘像素值都是0，循环移位过程中只要目标保持完整那这个样本就是合理的，只有目标中心接近边缘时，目标跨越边界的那些样本是错误的，这样虽不真实但合理的样本数量增加到了大约2-3(padding= 1)，即使这样仍然有1-3(3000-10000)的样本是不合理的，这些样本会降低分类器的判别能力。
再者，加余弦窗也不是“免费的”，余弦窗将图像块的边缘区域像素全部变成0，大量过滤掉分类器本来非常需要学习的背景信息，原本训练时判别器能看到的背景信息就非常有限，我们还加了个余弦窗挡住了背景，这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。
基于相关滤波器的⽬标跟踪⽅法综述0引⾔视觉跟踪是计算机视觉中引⼈瞩⽬且快速发展的领域,主要⽤于获取运动⽬标的位置、姿态、轨迹等基本运动信息,是理解服务对象或对⽬标实施控制的前提和基础。
其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现,如导航制导、事件检测、⾏为识别、视频监控、⾃动驾驶、移动机器⼈等[1-4]。
虽然跟踪⽅法取得了长⾜进展,但由于遮挡、⽬标的平⾯内/外旋转、快速运动、模糊、光照及变形等因素的存在使其仍然是⾮常具有挑战性的⼯作。
近年来,基于相关滤波器CF(Correlation Filter)的跟踪⽅法得到了极⼤关注[5-9]。
CF 最⼤的优点是计算效率⾼,这归结于其假设训练数据的循环结构,因为⽬标和候选区域能在频域进⾏表⽰并通过快速傅⾥叶变换(FFT)操作。
Bolme [6]等⾸次将CF 应⽤于跟踪提出MOSSE 算法,其利⽤FFT 的快速性使跟踪速度达到了600-700fps 。
瑞典林雪平⼤学的Martin Danelljan 在2016年ECCV 上提出的相关滤波器跟踪算法C -COT [7]取得了VOT2016竞赛冠军,2017年其提出的改进算法ECO [8]在取得⾮常好的精度和鲁棒性的同时,显著提⾼运算速度⾄C-COT 的6倍之多。
基于CF 的跟踪算法如此优秀,已然成为研究热点。
近年和相关滤波有关的论⽂层出不穷,很有必要对这些论⽂及相关滤波的发展等进⾏⼀个归纳和总结,以推动该⽅向的发展。
⽂献[9]虽已做过综述并取得了⼀定效果,但有两点不⾜:(1)过多介绍现有⼏种⽅法的具体细节,没有对更多⽂献进⾏对⽐分析;(2)缺乏对基于相关滤波器跟踪⽅法的分类对⽐分析。
基于此,本⽂的不同基⾦项⽬:陕西理⼯⼤学科研项⽬资助(SLGKY16-03)基于相关滤波器的⽬标跟踪⽅法综述?马晓虹1,尹向雷2(1.陕西理⼯⼤学电⼯电⼦实验中⼼,陕西汉中723000;2.陕西理⼯⼤学电⽓⼯程学院,陕西汉中723000)摘要:⽬标跟踪是计算机视觉中的重要组成部分,⼴泛应⽤于军事、医学、安防、⾃动驾驶等领域。
基于计算机视觉测量技术的图像轮廓提取方法研究一、本文概述随着计算机视觉技术的快速发展，其在工业测量、医疗诊断、自动驾驶等众多领域的应用日益广泛。
图像轮廓提取作为计算机视觉中的一项关键技术，对于实现目标的识别、定位、跟踪等任务具有重要意义。
本文旨在研究基于计算机视觉测量技术的图像轮廓提取方法，以提高轮廓提取的准确性和效率。
本文将回顾传统的图像轮廓提取方法，如边缘检测算子、阈值分割等，并分析其优缺点。
在此基础上，本文将探讨基于现代计算机视觉测量技术的轮廓提取方法，如基于深度学习的轮廓检测算法、基于结构光的三维轮廓测量技术等。
这些新方法在轮廓提取的准确性和鲁棒性方面具有显著优势，能够更好地适应复杂多变的实际应用场景。
本文将详细介绍所研究的图像轮廓提取方法的具体实现过程，包括预处理、特征提取、轮廓检测等步骤。
本文将通过实验验证所提出方法的有效性，并与传统方法进行比较，以展示其在实际应用中的优势。
本文还将探讨基于计算机视觉测量技术的图像轮廓提取方法在未来可能的发展方向和挑战。
随着深度学习、三维重建等技术的不断进步，轮廓提取方法将在更多领域发挥重要作用，为实现更智能、更高效的图像处理和分析提供有力支持。
二、图像轮廓提取基础理论图像轮廓提取是计算机视觉测量技术中的关键步骤，其目标是识别并描绘出图像中物体的边缘或边界。
这些轮廓信息对于理解图像内容、进行物体识别、三维重建等任务至关重要。
图像轮廓提取主要基于边缘检测算法和轮廓跟踪算法。
边缘检测算法是轮廓提取的基础，它通过对图像中像素强度的突变进行检测，从而找到边缘位置。
经典的边缘检测算子包括Sobel、Prewitt、Roberts、Canny等。
这些算子通过计算图像在水平和垂直方向上的梯度强度，来判定像素是否属于边缘。
其中，Canny算子以其良好的噪声抑制能力和边缘定位精度，在实际应用中得到了广泛应用。
轮廓跟踪算法则是在边缘检测的基础上，通过连接相邻的边缘像素，形成连续的轮廓线。
一种基于序列图像的交互式快速三维重建方法李亮;张树生;白晓亮;贺强【摘要】A rapid interactive 3D Reconstruction,which aimed at image sequences of objects that are taken by common digital camera, was given in this paper. First some useful parameters of camera were obtained by SFM. And then user trace out the boundary of the object with polygons on the image by picking some points. By analyzing these polygons, contour tracking algorithm was used to determine the precise boundaries of objects. Finally,use the automatic matching algorithm to get correspond points. The 3D model of the object can be reconstructed with the correspond points. Experimental results show that the reconstruction method is rapid, valid and efficient.%针对普通数码相机拍摄的序列图像,提出了一种快速的交互式三维重建方法.首先基于SFM技术得到了相机的内外部参数;然后在图像上交互取点以构建逼近物体轮廓的多边形,结合该多边形,利用轮廓跟踪算法提取出精确的外形轮廓;最后通过匹配轮廓点的方式重建出三维模型.实验结果表明该重建方法是快速而有效的.【期刊名称】《微处理机》【年(卷),期】2012(033)004【总页数】4页(P49-52)【关键词】计算机视觉;三维重建;SFM算法【作者】李亮;张树生;白晓亮;贺强【作者单位】西北工业大学现代设计与集成制造技术教育部重点实验室,西安710072;西北工业大学现代设计与集成制造技术教育部重点实验室,西安710072;西北工业大学现代设计与集成制造技术教育部重点实验室,西安710072;西北工业大学现代设计与集成制造技术教育部重点实验室,西安710072【正文语种】中文【中图分类】TP391.91 引言三维模型具有更加丰富的视觉效果，因而越来越受到人们的青睐。
再谈AR中的图像识别算法之前在《浅谈移动平台创新玩法》简单的猜测了easyar中使⽤的图像识别算法，基于图⽚指纹的哈希算法的图⽚检索。
后再阿⾥引商⼤神的指点下，意识到图⽚检测只适⽤于静态图⽚的识别，只能做AR脱卡（不进⾏图像追踪），简单地说就是如果图⽚有⾓度翻转，光线明暗的变化都会改变图⽚⾃⾝的指纹哈希值，⽆法做到跟踪识别。
那要如何进⾏跟踪识别呢？引商的指点：我们⽤的是akaze，整个匹配流程采⽤的是基于特征提取加kmeans树求近似最近邻匹配的算法，然后再对匹配到的关键点对求单应性映射，最后根据inlier点集进⾏打分的⽅式来最终判定识别到的⽬标。
图像特征和图像指纹类似，能够唯⼀标⽰，区别于其他图像的“有趣部分”。
⼀个很抽象的概念，它的精确定义往往由具体问题或应⽤类型来决定。
可重复检测性是图像特征最重要的特性：同⼀图像⽆论发⽣⾓度，位移，明暗变化，所提取的特征应该是相同的。
图像特征是许多计算机图像分析算法的起点，因此⼀个算法是否成功往往由它使⽤和定义的特征决定。
常⽤的图像特征有颜⾊特征，纹理特征，形状特征，空间关系特征。
颜⾊特征，是⼀种全局特征，描述了图像或图像区域所对应景物的表⾯性质。
例如灰度直⽅图等。
纹理特征，是⼀种全局特征，描述了图像或图像区域所对应景物的表⾯性质。
例如基于共⽣矩阵的熵、⾓⼆阶矩和局部平稳性等。
形状特征，是⼀种局部特征，描述了局部区域内物体的外形性质。
例如边界特征等。
空间关系特征，是指图像中分割出来的多个⽬标之间的相互的空间位置或相对⽅向关系。
这些关系也可分为连接/邻接关系、交叠/重复关系和包含/包容关系等。
特征被检测后它可以从图像中被提取出来。
这个过程可能需要许多图像处理的计算（如⼤名⿍⿍的计算机视觉图像处理库OpenCV）。
其结果被称为特征描述或者特征向量。
AKAZE特征提取算法KAZE是 Pablo F. Alcantarilla，Adrien Bartoli和Andrew J. Davison2012年在ECCV2012[ECCV是计算机视觉领域最顶尖的三个会议（CVPR、 ECCV， ICCV）之⼀，每两年⼀次]中提出来的⼀种⽐SIFT、SURF（OpenCV 2.4.9版本中实现的图像特征检测算法）更稳定、性能更好的特征检测算法。
—231— 基于图像边界跟踪的顶点矩阵算法 李雨田，晋小莉 (西安工业大学机电工程学院，西安 710032) 摘 要：分析传统图像边界跟踪中存在的问题，根据Freeman链码跟踪方法提出一种改进的基于像素顶点矩阵的边界跟踪方法，定义图像的像素顶点矩阵，并利用像素顶点矩阵跟踪边界，制定边界跟踪的搜索规则，同时抽取边界的顶点链码，生成围线树结构，用像素顶点的链码值表示边界。实验结果表明，该算法优于一般的链码跟踪方法，具有广泛应用性。 关键词：边界跟踪；像素顶点矩阵；链码
Vertex Matrix Algorithm Based on Image Boundary Tracking
LI Yu-tian, JIN Xiao-li (School of Electrical and Mechanical Engineering, Xi’an Technology University, Xi’an 710032)
【Abstract】The problems in traditional image border tracking are analyzed. According to Freeman chain code boundary tracking method,apixel-based boundary tracking method of vertex is given. The image pixel vertex matrix is defined. The pixel matrix is used to track the boundaryvertex. The boundaries track search rules is set up. The apex of the boundary chain code is abstracted, and the tree structure is generated. The pixelvertex chain code value is used to indicate the boundary. Experimental results show thisalgorithm is better than the Freeman chain code trackingmethods, and has a wider versatility. 【Key words】boundary tracking; pixel vertex matrix; chain code
计 算 机 工 程Computer Engineering第36卷 第1期
Vol.36 No.1 2010年1月
January 2010
·图形图像处理· 文章编号：1000—3428(2010)01—0231—02文献标识码：A
中图分类号：TP391
图像处理是计算机学科的一个重要研究领域，也是计算机图形处理的一项核心技术。边界是图像最基本的特征，包含了可用于识别的有用信息。边界存在于目标与背景、目标与目标、区域与区域之间，给人们描述或识别目标以及解释图像提供了有价值的特征参数。 1 边界的表示方法 边界的表示方法有很多，链码表示最早于1961年由Freeman提出，如图1所示，用0,1,2,3这4个代码表示四方向链码，用0,1,2,3,4,5,6,7这8个代码表示八方向链码。 145673210230 (a)四方向链码 (b)八方向链码 图1 四方向链码和八方向链码 从图像边界上的任一像素点开始，按某一方向行走(逆时钟或顺时针)，并用码记录相邻像素间的行走方向，直到回到起始点为止，就构成了图像的Freeman链码。图像边界可由Freeman链码唯一表示。 2 边界跟踪的研究现状与存在的问题 边界跟踪算法存在的问题主要有以下2个方面： (1)漏追踪和重复追踪，即丢失外轮廓或内轮廓。文献[1]为了避免丢失内轮廓，采用边界填充的办法，显然这很费时。 (2)破坏连通性，将一个轮廓跟踪成多个轮廓。为解决该问题，文献[2]采用2种标记色分别标记边界像素和与边界近邻的背景像素，以解决漏追踪和重复追踪问题。 顶点链码出现较晚，基于顶点链码的跟踪算法也较少，现有的边界跟踪算法大都是基于Freeman链码给出的，文 献[3]给出的边界标定自动机获得的是边界的顶点链码，但该文也没有给出图像的围线树结构的生成算法。 本文给出一种能正确跟踪任意复杂图像边界的基于像素顶点矩阵边界跟踪算法，通过跟踪边界获得边界的顶点链码。 3 边界跟踪与围线树结构的生成 边界跟踪包括3个步骤[4]： (1)确定作为搜索起点的边缘点，根据算法不同，可以是一个点或多个点，起点的选择很重要，整个算法对此点的依赖很大。 (2)确定和采取一种合适的数据结构和搜索机理，在已发
现的边界点基础上确定新的边界点，这里要注意研究先前的结果对选择下一个检测点和下一个结果的影响。 (3)确定搜索终结的准则或终止条件，并在满足条件时停止进程，结束搜索。
3.1 定义像素顶点矩阵 文献[5]提出用边界像素的顶点来标记区域边界的方法。
基金项目：西安工业大学校长基金资助项目“CNC数控雕刻机技术开发与研制”(605-01000841) 作者简介：李雨田(1981－)，男，硕士研究生，主研方向：数控技术，图像处理；晋小莉，教授 收稿日期：2009-09-20 E-mail：liyutian721@163.com —232—
对于正四边形点阵上的图像，可以有3种不同性质的顶点，如图2所示，分别用代码1,2,3作标记。
11
11
111111
11232
2222333333 图2 图像边界的顶点链码 在图2所示的3种边界像素顶点的码值表示基础上，本文定义图像中的所有可能的像素顶点的链码值，如图3所示。其中，一个方格表示一个像素，箭头右端的数值为像素顶点对应的顶点链码值。
0
1236 图3 像素顶点与其对应的链码值 3.2 边界跟踪与顶点链码的抽取 利用像素顶点矩阵给出边界的跟踪与顶点链码的抽取算
法。按从上到下，从左到右的顺序遍历像素顶点矩阵M，当M[u][v]=1,2,3或6时，(u,v)点为图像边界上的点，这时追踪该区域边界，抽取该区域边界的顶点链码。 下面给出图像的边界跟踪与顶点链码抽取算法。 (1)确定起始点和初始行走方向。根据顶点链码的特性，按从上到下，从左到右的顺序遍历像素顶点矩阵，遇到的 第1个边界像素顶点只有2种可能，其对应的顶点链码为1或3，所以，当遍历像素顶点矩阵，遇到链码1,3或6时，说明当前位置在图像区域的边界上，那么就开始跟踪该区域边界。当链码为1时，则该起始点在连通区域的外边界上，当链码为3或6时，则该起始点在图像区域的内边界上。因为按逆时针跟踪区域边界，当起始顶点的码值为1时，则设定初始行走方向为3，当起始顶点链码为3或6时，则设定初始行走方向为0。 (2)图像边界的跟踪搜索规则。图像的边界跟踪搜索规则包括边界跟踪的坐标迁移规则和行走方向变化规则。假设当前顶点坐标为Pi(ui,vi)，在Pi的行走方向为ei，像素顶点矩阵在Pi的取值为ci，那么从当前点迁移到下一点的坐标Pi+1(ui+1,
vi+1)和行走方向ei+1
可由下面的坐标迁移规则和行走方向变
化规则求出。 1)坐标迁移规则：当ei=0时，有ui+1=ui+1, vi+1=vi；当ei=1时，有ui+1=ui, vi+1=vi-1；当ei=2时，有ui+1=ui-1, vi+1=vi；当
ei=3时，有ui+1=ui, vi+1=vi+1。 2)行走方向变化规则：当ci+1=1时，有ei+1=(ei+1)%4；
当ci+1=3或ci+1=6时，有ei+1=(ei+3)%4；当ci+1=2时，有ei+1=ei。
(3)边界的顶点链码的跟踪抽取及终止条件。根据(1)提供的起始点坐标、初始行走方向，按(2)给的坐标迁移规则和行走方向变化规则，可以沿图像区域边界顶点行走，当每走过像素顶点时，就记录该点的顶点链码值，这里当走过顶点的顶点链码值为6时，该顶点的顶点链码值作为3被记录下来，回到起始点时结束，这样就获得了该区域边界的顶点链码序列。加上起始点和初始行走方向，就获得了区域边界的顶点链码表示。 3.3 跟踪图像边界与定义围线树结构 上文给出了单条区域轮廓线的跟踪与顶点链码抽取算
法，要跟踪图像所有的区域边界，还要解决发现新的区域边界、避免边界的漏跟踪、重复跟踪和生成边界的围线树结构的问题。 (1)发现新的区域边界。按从上到下，从左到右的顺序遍历像素顶点矩阵，当遇到值为1,3或6的顶点时，那么该点就是新边界的开始点，就可以开始追踪该边界，抽取该边界的顶点链码。 (2)避免边界的漏跟踪、重复跟踪和破坏连通性问题。当跟踪了一条边界后，通过更改像素顶点矩阵在该点的值，解决边界的漏跟踪、重复跟踪和破坏连通性的问题。在像素顶点矩阵中，当经过的点的值为1,2或3时，该值作为顶点链码值被记录下来，然后把该点的值改为0或者改为边界的跟踪顺序值；当经过的点的值为6时，该点的顶点链码值作为3被记录下来，然后把该点的值改为3。这样跟踪过的边界就不会再一次当作新的边界被发现。
(3)定义边界的围线树结构。定义围线节点类CLayer，成员变量m_sChaincode为该围线的顶点链码序列，成员变量
m_pParent是个指向父节点指针，成员变量m_Layerlist是个围线类指针数组，它保存了该围线所包含的所有子围线的围线类指针。 定义围线类如下： Class CLayer { int m_imgWidth, m_imgHeight; //图像的宽和高
int m_direction; //顶点链码的初始方向 int m_x; //顶点链码的起始点坐标的x分量
int m_y; //顶点链码的起始点坐标的y分量 CString m_sChaincode; //图像区域边界的顶点链码序列
CArraym_Layerlist; //该围线所包含的字围线的围线类指针数组
CLayer*m_pParent; //包含该围线的父围线类指针
}; 4 实验结果 实验表明，利用基于像素顶点矩阵的边界追踪算法能正确地跟踪图像区域边界，获得围线的树结构。图4为放大并显示网格的原始图像。图5为利用本文算法跟踪图所示的区域边界获得顶点链码及其链码树结构，其中，上箭头指向父围线，下箭头指向节点链码表示的边界所包含的子围线。 （下转第255页）
