对于这种特定的移位/比例不变模板匹配，哪种图像处理技术是理想的？

我最初在这里讨论的问题已经演变，并且在我研究更多并获得新信息后可能会变得更简单。

最重要的是，我希望能够使用计算机视觉/图像处理技术来检测此处显示的这种模式。如您所见，理想的模式由四个“ ping”组成。对象识别应该是：

• 移位不变
  • 在水平方向上，图像将是周期性的。（即，向右推动，在左侧出现，反之亦然）。
  • （幸运的是）从纵向看，它不是周期性的。（即，推到顶部或底部，它将停止）。
• 比例尺不变（如您所见，ping的“厚度”可能有所不同。）

我可以继续进行下去，但是我已经附上了涵盖我意思的图像，请参见以下内容：

当然，从这个家庭可以看出，它们也可以处于不同的“规模”：

最后，这是一些我可能实际收到的“现实”场景，可能会有噪音，当您移到底部时，行可能会“褪色”，当然，图像上会有很多虚假的线条，伪像等

当然，作为最后的结局，这种“极端”场景很有可能出现：

因此，我想再次寻求一些指导，以指导我在这里应该使用哪些计算机机器视觉技术，以便获得最佳效果。 检测出图案的出现情况，如您所见，在这里我需要进行平移和缩放不变，并且在实际情况下也能获得不错的结果。（好消息是，我不需要它是旋转不变的）。到目前为止，我唯一能想到的想法就是二维关联。

我要补充一点，实际上，我没有彩色图像-我只会得到一个数字的数字，所以我想我们所说的是“灰度”。

提前致谢！

PS对于它的价值，我可能会使用开放式CV。

编辑＃1：

根据评论，我在此处添加了您要求的详细信息：

对于定义数据的特征，我们可以假设以下内容：

• 每个ping的水平长度可以变化，但是我知道它的上限和下限。在此范围内的任何事物为是，在外部事物为否。（例如，我知道ping的长度可以在1到3秒之间的任何位置）。

• 所有ping必须为“可见”（是），但是，最后一行可能会丢失，并且仍然要说“是”。否则否。

• 每个ping的垂直长度（“厚度”）可以变化，但同样，也要知道上下边界。（类似于您在这些图像中看到的内容）。在该范围内的任何事情都为是。外面没有东西。

• 如果是，则每个ping之间的高度应始终相同。如果不是，则为否。（例如，您可以看到所有ping相对于彼此的高度如何，在垂直轴上约为110）。因此110 +/- 5可以为是，其他任何条件都必须为否。

我想就是这样-但是，请让我知道我还能添加什么...（此外，此处显示的所有内容都应注册为YES，顺便说一句）。

广义地说，有两种主要方法可解决此问题：

一种。模板匹配或
b。与参数化模型匹配。

就个人而言，鉴于模型的简单性，我更愿意使用第二种方法解决此问题。

步骤1：找出ping Blob

第一步，提取“框”-本质上是黄色/蓝色方块。这里最简单的方法可能只是对图像进行阈值处理。似乎背景变化不大，只是随着噪声的增加，它趋向于与ping非常相似。因此，该阈值可以在整个图像上通用-我认为您将能够获得一个可以在整个图像上使用的体面阈值。但是，该阈值应该很聪明，这样您就可以使用类似Otsu的方法。见这和这更多的参考。

块的改进

您可以做的一件好事，就是删除看起来像ping前景的虚假点，因为ping中的某些像素也是蓝色的。您需要在这里进行称为“打开”的形态操作。这是HIPR的参考文献之一。这些类型的操作需要精巧的形状，以帮助保留相似的形状并移除其他形状。您可以选择水平线。到此为止，您将背景像素和前景像素整齐地分开了ping，而不会彼此碰触。

步骤2：标记/注册区块

现在你有了最干净的的Blob，现在可以将它们标记为1,2,3,4或A，B，C，D等。通常这可以通过所谓的一些简单算法来完成。遍历每个像素，如果它与任何标记的区域接触，并且也是前景，则将其分配给该段，否则创建一个新的段。如果您发现四个以上重要部分，则需要选择最相关的部分。在此应用启发式方法，而不是任何理论算法。

步骤3：参数建模

现在，一旦我们最有可能获得4个ping的前4个候选者，就可以确定边界框-本质上是左上角和右下角（或最左边和最右边的像素，以及斑点的上下行） 。找到边界框，可以对每个ping框的质心进行罚款。

$C_i \text{ where } i \in \{1,2,3,4\}$$C_1$$C_1$

因此，现在可以计算质心间距：

$$C_{1i}[x,y] = \{ C_1[x] - C_i[x], C_1[y] - C_i[y] \}$$

$L_i \text{ where } i \in \{1,2,3,4\}$

本质上，您有8个参数vecoter：

$$1. \{ C_1[x],C_1[y] \} \\ 2..4 C_{1i}[x,y] \\ 5..8 L_i \\ $$

步骤4：分类
在最后一步中，我们现在需要对是否存在ping模式（是或否）进行分类。

对于这样的事情，您可以有一个不错的贝叶斯分类器框架。

你有两个假设

H0：ping模式存在。
H1：ping模式不存在

$C_{1,i}[x]$

首先，您要学习很多您知道的图像它们属于图像。现在，您可以绘制各种直方图或应用某种密度估计方法。阅读Duda Hart的模式分类。

$C_{1,i}[x]$$\mu = 20, \sigma = .1$

$C_{1,i}$$H0$$P[ C_{1,i}[x] | H0 ]$

现在，从测试数据

$P[ H0 | C_{1,i}[x] =x_1]$$C_1[x]$$x_1$$H0$

因此，您可以计算

$$P[ H0 \space | C_{1,i}[x] ] = { P[ C_{1,i}[x] | H0 ] * P[H0] \over {P[ C_{1,i}[x]] } }$$

您需要将此表达式与矢量表达式结合起来，并且需要付出很多努力才能准确地完成参数估计。但我在这里为您提供基本方法。

请自己计算一下，这会很长，但是应该还是很直观的。

$P[H0 | \text{all parameters}] > 1/2$

编辑
由于您已经定义了110 +/- 5像素的特定标准，所以最后一步可以更简单。如果您的分类标准是固定的，则可能不需要计算所有这些概率。

在我看来，这个问题就像是脉冲重复间隔检测+估计问题。我需要随着时间的推移来发展这个答案，但是在该问题上运行良好的算法是晶格上的最大可能性。