Хоть както работает, но ООчень плохо, а ето не устраивает...

Объясняю в 3-й раз. Если пошла работа с матрицами, введи метрику. В том случае, как ты привел с глазом, прекрасно будут работать метрики махаланобисского семейства. Все отличие - ищешь не максимально похожую картинку, а минимально отличающуюся. Делай, как учит математика!  

Маричный способ распозначания изображений называется "поис по маске". Метод плох так как не имеет алгоритма исскуственного интеллекта. Речь идёт не о том, чтобы написать программу распозначания изображений такими довольно трудоёмкими методами нейросетевое или какой либо другой способ имеющий сложные математические методы. Речь идёт о создании программы которая может например распозначать графические примитивы типа многоугольников и окружностей, но так чтобы алгорит мог учитывать связь между этими примитивами.
Область применения такой программы достаточно большая на пример:
1)распознавание элементов цифровых схем, где примитивами является вентили
2)распознавание и сравнение различных частей двух мерного графика
и т.д.
Кого это интересует звоните : 8-903-250-11-26 Сергей

Стандартный подход к таким задачам - поиск макисмума ковариации двух изображений

Нельзя ли подробней рассказать о нормализации яркости точки?

нормализация изображения, может быть достигнуту путем приведения его среднего к нолю а дисперси к 1

Нда, при предложенном рецепте (среднее=0) у меня фантазии не хватает представить изображение, у которого отдельные пикселы или даже фрагменты будут с яркостью меньше нуля  Картинку-то хочется не просто обрабатывать методами статистики, а еще и смотреть на нее 

Я для изображений реального мира (более-менее сложных сцен или объектов, т.е. не касаясь случая распознавания черных букв на белом фоне) и возможного наличия шумов обычно делаю так:
1. яркость точек на изображении лежит в диапазоне [x,y], x>=0, y<=255.
2. "обрезаю" наиболее яркие и наименее яркие точки (по 1-2% от всего объема точек на изображении) - заменяю их яркости величинами x1>x, y1<y.
3. полученный интервал яркостей [x1,y1] растягиваю на [0,255] и пересчитываю картинку.
Фактически, п.2 можно делать в самом конце, уже при пересчете яркости изображения: заменяя точки с исходной яркостью <=x1 на точки с яркостью 0, а с исходной яркостью >=y1 - на яркость 255.

Приведение средней (или интегральной) яркости к наперед заданной величине мне (для моих задач и методов) кажется не слишком обязательной. Хотя я никому свой рецепт и не навязываю в обязательном порядке.

Ну и, конечно, взгляд на гистограммку яркости рулит в плане выбора оптимального способа нормализации.

Вообще-то операция линейного сдвига - обратима. 

Это так хинт.

А зачем себя обязательно загонять в рамки использования этой лишней дополнительной операции обратного преобразования? Хоть и не трудно её делать, но пользы гонять картинку линейно туда-сюда?
Методы распознавания вообще-то обычно не требуют центрированных данных (с нулевым средним).

Из за термина обычно,  трудно сказать верно или не верно ваше предположение. 

Но, опыт показывает, что существует множество методов где приминяется центрирование. Широкий класс метода главных компонет. Метод зависимых компонет. Некоторын супорт машины. Многие задачи распознавания использующие построение базисов, которые ВСЕГДА содержат нолевой элемент, да и классические методы нормализации освещения часто используют нормализацию среднего и дисперсии.

Вообщем если хотите подискутировать, я за. Как не как сотрудник кафедры обработки изображений. Хотя и младший ;)

Например тут приминяется http://www.cs.umd.edu/~swjoo/reports/739Q_report.pdf

Это сообщение отредактировал(а) esperant0 - 24.10.2006, 17:41

esperant0

 Я говорил о методах распознавания, а Вы в своих примерах во многом расфокусировались в сторону методов анализа данных и др. Я тоже могу в пользу своего мнения накидать тенденциозных примеров (вспомнить про методы обработки изображений - например, разные фильтры выделения границ) 

Плюс мое слово  "обычно" можно трактовать и так, что нужное некоторому методу центрирование можно запихать прямо внутрь этого метода, и это будет полезнее с точки зрения абстракции (да и с точки зрения обеспечения правильности работы тоже - все необходимые и критичные вещи интегрируются в метод-алгоритм, при текстовом описании тоже описываются как единое неразрывное целое, поэтому и студенту такая явная интеграция полезна будет при изучении-запоминании, и программисту при написании программы тоже).

В общем, мы оба с Вами правы (в том смысле, что центрирование может требоваться, а может и не требоваться - методов-то куча, оба варианта могут встретиться, а точную пропорцию между ними устанавливать особого-то практического смысла и нет). 

3) Ещё для роботов-спамщиков форумских такая программулина очень актуально-полезна.  

Это первая мысль возникшая, когда я открыл эту тему.
Сорри за оффтоп.

Это сообщение отредактировал(а) мухр - 2.11.2006, 09:25

Имеется отсканированное черно-белое изображение на котором изображен план города (кварталы в виде многоугольников) 
+ "мусор"(хаотично разбросанные не нужные линии,текст, которые могут пересекать кварталы или даже могут быть вписаны в кварталы). 
Нужно создать программу, которая бы убирала "мусор" , а именно:
1. Перенос всех многоугольников на компонент Image(или на любой другой контейнер для хранения изображений).
2. Запомнить координаты вершин всех многоугольников, для дальнейшего их редактирования (чтобы можно было потом перемещать точки(вершины) любого многоугольника).

Основная проблема состоит в том что - как определить что это многоугольник а не муссор?
Думаю создать матрицу M изображения размером (Picture.Height X Picture.Width). Если встетился черный пиксел то M[i][j]:=1, если белый то M[i][j]:=0, а как дальше из неё убрать "мусор"(не нужные m[i][j]=1) я не знаю.

Если кто знает ка это сделать подскажите как?