第4章 图像分析的数据结构
使用计算机视觉技术进行图像分析的步骤
使用计算机视觉技术进行图像分析的步骤图像分析是利用计算机视觉技术对图像进行解析、提取信息和获取有用知识的过程。
通过图像分析，我们可以理解图像中的内容、结构、特征，并为后续的处理和决策提供参考。
图像分析的步骤可以分为以下几个方面：1. 图像获取和预处理在进行图像分析之前，首先需要获取图像数据。
图像可以通过不同的传感器设备或者采集系统获得，比如数字相机、摄像机、扫描仪等。
获取到的图像数据可能会受到噪声、光照和畸变等因素的干扰，因此要进行预处理，包括去除噪声、颜色校正、几何校正等，以便得到质量更好的图像数据。
2. 特征提取和表示特征提取是图像分析中的核心步骤之一。
通过特征提取，可以从图像中提取出表达图像特点的数学描述，用于后续的分析和处理。
常见的特征包括颜色、纹理、形状、边缘等。
特征提取可以采用传统的算法，如高斯滤波、边缘检测、纹理分析等；也可以使用深度学习技术，如卷积神经网络（CNN）进行端到端的特征提取。
3. 图像分割图像分割是将图像划分成不同的区域或对象的过程。
图像分割可以通过基于像素的方法，如阈值分割、边缘分割等，或者基于特征的方法，如基于区域生长、区域分裂合并等。
图像分割可以提取出感兴趣的区域，并为后续的目标检测、识别等任务提供准确的输入。
4. 目标检测与识别目标检测与识别是图像分析的重要应用之一。
通过目标检测与识别，可以自动地识别图像中的目标物体，并进行分类、定位和跟踪等操作。
目标检测与识别可以使用传统的机器学习方法，如支持向量机（SVM）、决策树等；也可以使用深度学习方法，如卷积神经网络、循环神经网络等。
目标检测与识别可以应用于人脸识别、车辆检测、物体识别等多个领域。
5. 图像理解和分析图像理解和分析是对图像中语义信息的理解和提取。
通过图像理解和分析，可以从图像中获取更高级别的信息，如场景理解、情感分析等。
图像理解和分析可以使用传统的图像处理方法，如特征匹配、图像拼接等；也可以使用深度学习方法，如图像标注、图像生成等。
《数据结构与算法(C++语言版)》第4章_串
串函数与串的类定义
• 常用的 常用的C++串函数 串函数 • C++的串库（string.h）中提供了许多字符串的操作函数，几 个常用的C++字符串函数及其使用方法如下。 •假设已有以下定义语句：
串函数与串的类定义
• （1）串拷贝函数 • char *strcpy(char *s1, const char *s2)，将字符串s2复制到字 符串数组s1中，返回s1的值。 • char *strncpy(char *s1, const char *s2, size_tn)将字符串s2中最 多n个字符复制到字符串数组s1中，返回s1的值。 • 例如：
串函数与串的类定义
• （3）串比较函数 • int strcmp(const char *s1, const char *s2)，比较字符串s1和字 符串s2。函数在s1等于、小于或大于s2时，分别返回0、小 于0或者大于0的值。 • int strncmp(const char *s1, const char *s2, size_tn)比较字符串 s1中的n个字符和字符串s2。函数在s1等于、小于或大于s2 时，分别返回0、小于0或者大于0的值。 • 例如：
串模式匹配
• 无回溯的匹配算法 • 在上面介绍的匹配算法中，某趟匹配失败时，下一趟的匹 配相当于将子串P后移1位再从头与主串中对应字符进行比 较，即相当于i指示器回溯到上趟（最近失败的一趟）匹配 的起点的下一个位置，这样，主串中每个字符都要与子串 中的第1个字符对应一次，再向后比较。因此，主串中每个 字符参加比较的次数最多可达n次（n为子串长度），因此 时间复杂度为O(nm)。那么，能否使目标串中每个字符只参 加一次比较呢？也就是说，能否不回溯i指示器？回答是肯 定的。这个问题是由D.E.Knoth与V.R.Pratt和J.H.Morris同时 解决的，所以有的文献也称这种思想的串匹配算法为KMP 算法。
数据结构在智能图像处理中的应用
数据结构在智能图像处理中的应用随着科技的发展，智能图像处理已经成为人工智能领域的一个重要应用。
而数据结构作为计算机科学的核心之一，也在智能图像处理中发挥着重要的作用。
本文将探讨数据结构在智能图像处理中的应用，并分析其在图像处理领域中的优势和挑战。
一、数据结构在智能图像处理中的基础作用智能图像处理是基于计算机视觉的一种技术，旨在实现对图像的理解和分析。
而图像数据是一种多维的数据结构，对其进行处理需要借助适当的数据结构进行存储和管理。
常见的数据结构如数组、链表、树、图等，在智能图像处理中发挥着重要的基础作用。
1. 数组数组是一种线性数据结构，可以用于存储图像的像素信息。
在智能图像处理中，常常需要对图像进行像素级的操作，如灰度化、二值化、平滑滤波等。
这些操作需要对每个像素进行处理，而数组正是对多个元素进行顺序存储和访问的理想数据结构。
2. 链表链表是一种动态数据结构，可以用于图像中目标的检测和跟踪。
在目标检测中，需要对图像中的目标进行定位和标记。
而链表可以用来构建目标的轮廓和边界框等数据结构，方便对目标进行检测和跟踪。
3. 树树是一种非线性数据结构，可以用于图像中结构信息的表示和处理。
在智能图像处理中，常常需要对图像中的物体进行分割和分析。
而树可以用于构建图像的分层结构，如区域生长树、最小生成树等，便于对图像进行分割和分析。
4. 图图是一种复杂的非线性数据结构，可以用于图像中像素之间的关系表示和处理。
在智能图像处理中，常常需要对图像进行特征提取和匹配。
而图可以用于构建图像的拓扑结构和相似度图，方便对图像的特征进行提取和匹配。
二、数据结构在智能图像处理中的优势数据结构在智能图像处理中的应用具有以下优势：1. 效率高合理选择和使用数据结构可以提高智能图像处理的效率。
不同的数据结构适用于不同的图像处理任务，正确地选择和使用数据结构可以降低算法的时间和空间复杂度，提高处理速度和效果。
2. 灵活性强数据结构的灵活性使得智能图像处理可以适应不同的图像数据和处理任务。
地理信息系统下的空间分析——第四章_栅格数据的空间分析方法
被赋予空值的单元有两种处理方式：
（1）如果在一个操作符或局域函数、邻域函数中的邻域 或分区函数的分类区中的输入栅格的任何位置上存在空值， 则为输出单元位置分配空值。
（2）忽略空值单元并用所有的有效值完成计算。
6、关联表
栅格计算器由四部分组成左上部layers选择框为当前arcmap视图中已加载的所有栅格数据层列表双击一个数据层名该数据层便可自动添加到左下部的公式编辑中间部分是常用的算术运算符110小数点关系和逻辑运算符面板单击所需按纽按纽内容便可自动添加到公式编辑器中
第四章 栅格数据的空间分析算法
4.1 栅格数据 栅格数据是GIS的重要数据模型之一，基于栅格 数据的空间分析方法是空间分析算法的重要内容之 一。 栅格数据由于其自身数据结构的特点，在数据处 理与分析中通常使用线性代数的二维数字矩阵分析 法作为数据分析的数学基础。 栅格数据的空间分析方法具有自动分析处理较为 简单，而且分析处理模式化很强的特征。
地学信息除了在不同层面的因素之间存在着一定的制 约关系外，还表现在空间上存在着一定的制约关联性。
对于栅格数据所描述的某项地学要素，其中的某个栅 格往往会影响其周围栅格属性特征。准确而有效的反映这 种事物空间上联系的特点，是计算机地学分析的重要任务。 窗口分析是指对于栅格数据系统中的一个、多个栅格 点或全部数据，开辟一个有固定分析半径的分析窗口，并 在该窗口内进行诸如极值、均值等一系列统计计算，或与 其他层面的信息进行必要的复合分析，从而实现栅格数据 有效的水平方向扩展分析。
带面积的点的精度为加减半个单元大小。这是用基于单 元的系统来工作必须付出的代价。
图4.9：点特征的栅格数据表示
数据结构C语言版第2版课后习题答案
数据结构C语言版第2版课后习题答案数据结构（C语言版）（第2版）课后习题答案李冬梅2015.3第1章绪论 0第2章线性表 (4)第3章栈和队列 (14)第4章串、数组和广义表 (27)第5章树和二叉树 (34)第6章图 (43)第7章查找 (55)第8章排序 (66)第1章绪论1•简述下列概念：数据、数据元素、数据项、数据对象、数据结构、逻辑结构、存储结构、抽象数据类型。
答案：数据：是客观事物的符号表示，指所有能输入到计算机中并被计算机程序处理的符号的总称。
如数学计算中用到的整数和实数，文本编辑所用到的字符串，多媒体程序处理的图形、图像、声音、动画等通过特殊编码定义后的数据。
数据元素：是数据的基本单位，在计算机中通常作为一个整体进行考虑和处理。
在有些情况下，数据元素也称为元素、结点、记录等。
数据元素用于完整地描述一个对象，如一个学生记录，树中棋盘的一个格局（状态）、图中的一个顶点等。
数据项：是组成数据元素的、有独立含义的、不可分割的最小单位。
例如，学生基本信息表中的学号、姓名、性别等都是数据项。
数据对象：是性质相同的数据元素的集合，是数据的一个子集。
例如：整数数据对象是集合N={0，± 1，±2，…}，字母字符数据对象是集合C={ ‘ A',' B',…，'b'，…，‘ z' }，学生基本信息表也可是一个数据对象。
数据结构：是相互之间存在一种或多种特定关系的数据元素的集合。
换句话说，数据结构是带“结构”的数据元素的集合，“结构”就是指数据元素之间存在的关系。
逻辑结构：从逻辑关系上描述数据，它与数据的存储无关，是独立于计算机的。
因此，数据的逻辑结构可以看作是从具体问题抽象出来的数学模型。
存储结构：数据对象在计算机中的存储表示，也称为物理结构。
抽象数据类型：由用户定义的，表示应用问题的数学模型，以及定义在这个模型上的一组操作的总称。
TIF图像数据结构之解析
TIF图像数据结构之解析为图像文件格式，此图像格式复杂，存储内容多，占用存储空间大，其大小是GIF图像的3倍，是相应的JPEG图像的10倍，最早流行于Macintosh，现在Windows主流的图像应用程序都支持此格式。
TIF文件格式最早是为了存储扫描仪图像而设计的。
它的最大的特点就是与计算机的结构、操作系统以及图形硬件系统无关。
它可处理黑白、灰度、彩色图像。
在存储真彩色图像时和BMP格式一样，直接存储RGB三原色的浓度值而不使用彩色映射（调色板）。
对于介质之间的交换，TIF称得上是位图格式的最佳选择之一。
TIF的全面性也产生了不少问题，它的包罗万象造成结构较为复杂，变体很多，兼容性较差，它需要大量的编程工作来全面译码。
例如，TIF图像数据可以用几种不同的方法压缩，用一个程序来读出所有的TIF几乎是不可能的。
TIF图一般由三个部分组成：文件头（简称IFH）、文件目录（简称IFD）、图像数据。
一、图像文件头（Image File Header）IFH数据结构包含3个成员共计8个字节（见表一）：表一IFH结构描述------------------------------------------------------------名称字节数数据类型说明------------------------------------------------------------Byteorder2Integer TIF标记，其值为4D4D或4949Version2Integer版本号，其值恒为2A00Offset to first IFD4Long第一个IFD的偏移量------------------------------------------------------------表一说明1.Byteorder：可能是H4D4D或H4949，H4D4D表示该图是摩托罗拉整数格式，H4949表示该图是Intel整数格式。
北京建筑大学 遥感基础 PPT第四次课 图像处理)
主成分分析的原理如图所示，原始数据为二维数据，两个分量 为x1、x2之间存在相关性，通过投影，各数据可以表示为y1轴上的 一维点数据，从二维空间中的数据变成一维空间中的数据会产生信 息丢失，为了使信息损失最小，必须按照使一维数据的信息量（方 差）最大的原则确定y1轴的取向。新轴y1称作第一主成分。为了进 一步汇集剩余的信息，可求出与第一轴y1正交、且尽可能多地汇 集剩余信息第二轴y2，新轴y2称作第二主成分。
5.3 图象锐化
图像锐化是增强图象中的高频成分，突出图象的边缘 信息，提高图象细节的反差，因此有时也称为边缘增强。 其图象处理的结果与平滑正好相反。
f(x,y)
g(x,y)
锐化是对领域内的图象微分，常采用的微分方法是梯度。设函 数f(x,y)在(x,y)处的梯度定义为： 梯度的模为：
遥感图像的处理
遥感图像的处理
由于土壤中氧化铁含量比较高，而(TM5/TM4)可以突出三价铁 的信息，（TM3/TM1）可以削弱水体的信息，因此，利用（TM5/TM4） /（TM3/TM1）可以突出土壤信息，同时削弱或消除水体或水分对土 壤的影响，更好地表示土壤的养分含量。
TM1能充分反映水体信息，对土壤湿度变化反映敏感，因此，利用 (TM5/TM7)/(TM4/TM3), (TM5/Tm4)/(TM3/TM1)，TM1合成的彩色图 象有效地剔除了植被的影响，同时可以突出土壤湿度和土壤中养分 含量的变化。再经过快速高斯变换，植被特别茂密显示深蓝色，裸 露地呈现淡紫色，农田为土灰色，其他覆盖较差的林地呈现青绿色
因此，主成分分析满足如下准则： ①主成分分析算法是一正交变换； ②主成分分析后所得到的向量Y中各元素互不相关； ③从主成分分析后所得到的向量Y中删除后面的(n-d) 个元素而只保留前d(d<n)个元素时所产生的误差满足平方 误差最小的准则。
数字图像处理知识点总结
数字图像处理知识点总结第一章导论1.图像：对客观对象的一种相似性的生动性的描述或写真。
2.图像分类：按可见性（可见图像、不可见图像），按波段数（单波段、多波段、超波段)，按空间坐标和亮度的连续性(模拟和数字）。
3.图像处理：对图像进行一系列操作，以到达预期目的的技术。
4.图像处理三个层次：狭义图像处理、图像分析和图像理解.5.图像处理五个模块：采集、显示、存储、通信、处理和分析.第二章数字图像处理的基本概念6.模拟图像的表示：f（x，y)＝i（x，y）×r（x，y)，照度分量0< i（x，y)〈∞ ，反射分量0 <r(x,y）<1。
7.图像数字化:将一幅画面转化成计算机能处理的形式-—数字图像的过程。
它包括采样和量化两个过程。
像素的位置和灰度就是像素的属性。
8.将空间上连续的图像变换成离散点的操作称为采样.采样间隔和采样孔径的大小是两个很重要的参数。
采样方式：有缝、无缝和重叠.9.将像素灰度转换成离散的整数值的过程叫量化.10.表示像素明暗程度的整数称为像素的灰度级(或灰度值或灰度）。
11.数字图像根据灰度级数的差异可分为:黑白图像、灰度图像和彩色图像.12.采样间隔对图像质量的影响：一般来说，采样间隔越大，所得图像像素数越少，空间分辨率低，质量差,严重时出现像素呈块状的国际棋盘效应;采样间隔越小，所得图像像素数越多,空间分辨率高,图像质量好，但数据量大。
13.量化等级对图像质量的影响:量化等级越多,所得图像层次越丰富，灰度分辨率高,图像质量好，但数据量大；量化等级越少，图像层次欠丰富，灰度分辨率低，会出现假轮廓现象，图像质量变差,但数据量小.但在极少数情况下对固定图像大小时，减少灰度级能改善质量,产生这种情况的最可能原因是减少灰度级一般会增加图像的对比度.例如对细节比较丰富的图像数字化。
14.数字化器组成:1)采样孔：保证单独观测特定的像素而不受其它部分的影响。
2)图像扫描机构:使采样孔按预先确定的方式在图像上移动。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像分析的数据结构6/28/2020图像分析的数据结构4.1 图像数据表示的层次4.2 传统图像数据结构4.3 分层数据结构4.1 图像数据表示的层次➢计算机视觉感知的目的是寻找输入图像与真实世界之间的关系。
在从原始输入图像向模型的转换过程中，图像信息逐渐浓缩，使用的有关图像数据解释的语义知识也越来越多。
在输入图像和模型之间，定义了若干层次的视觉信息表示，计算机视觉有如下的设计所组成：●中间表示（数据结构）●创建这些中间表示所用的算法和他们之间关系的导入。
4.1 图像数据表示的层次➢这些表示可以分为4个层次。
但是它们之间没有严格的界限。
这4个表示层次按照从处于低层次抽象的信号开始到人能感知的描述为止排列。
层次之间的信息流可以双向的。
●第一层，最底层表示，称为图标图像。
由含有原始数据的图像组成，原始图像也就是像素亮度数据的整数矩阵。
●第二层，是分割图像。
图像被分割为可能属于同一物体的区域。
●第三层，是几何表示，保存2D和3D形状知识。
●第四层，是关系模型。
关系模型使我们能更有效地，并且在更高的抽象层次上处理数据。
4.2 传统图像数据结构➢传统的图像数据结构有矩阵、链、图、物体属性表、关系数据库，它们不仅对于直接表示图像信息室重要的，而且还是更复杂的图像分层表示方法的基础。
➢矩阵是底层图像表示的最普通的数据结构，矩阵元素是整型的数值，对应于采样栅格中的相应像素的亮度或其他属性。
➢用矩阵表示的特殊图像有：●二值图像（仅有两个亮度级别的图像）用仅含有0和1的矩阵来表示。
●多光谱图像的信息可以用几个矩阵来表示，每个矩阵含有一个频带的图像。
●分层图像数据结构用不同分辨率的矩阵来获得。
图像的这种分层表示对于具有处理机阵列结构的并行计算机会是非常方便的。
➢矩阵中有大量的图像数据，因此处理需要很多时间。
如果首先从原始图像矩阵得出全局信息，由于全局信息更紧凑并且占用的存储少，那么算法就可以加速。
直方图就是最普通的全局信息的例子。
➢另外一个全局信息的例子所示共生矩阵，它是亮度为z 的像素(i 1，j 1)和亮度为y 的像素(i 2，j 2)的具有空间关系的两个像素的概率估计。
假设概率仅依赖于亮度z 的像素和亮度y 的像素之间的某个空间关系r ，那么关于关系r 的信息就记录在方形的共生矩阵C r 中，维数对应于图像的亮度级别数。
为了减少矩阵C r 的数目，简化假设，首先仅考虑直接的邻居，其次假设关系式对称的（没有方向）。
➢计算图像f(x,y)的共生矩阵C r 的算法：➢关系r 的共生矩阵C r (z,y)1 置C r (z,y)=0，对于所有的z,y∈[0,L]，其中L 是最大的亮度。
2 对于图像中的所有像素（i 1，j 1），找到与像素（i 1，j 1）有关系r 的像素（i 2，j 2），做1)])j ，i (),，j i ([)])j ，i (),，j i ([22112211+=f C f C r r➢如果关系r是像素（i1，j1）的4-邻接的南或东，或同一，共生矩阵的元素有一些有趣的性质。
共生矩阵对角线上的数值C（k,k）等于图像r中具有亮度k的区域的面积。
因此对角线上的元素对应的是直方图。
（k,j）等于将亮度为k和j（k≠j）的区域分隔开非对角线元素的数值Cr的边界长度。
例如，对于低对比度的图像，远离对角线的共生矩阵元素等于0或非常小，对于高对比度的图像则相反。
➢共生矩阵：描述纹理的能力。
➢积分图像是另一种能够描述全局信息的矩阵表示方法。
构造方式是位置(i,j)处的值ii(i,j)是原图像(i,j)左上角所有像素的和：➢其中f 是原图像。
➢积分图像算法构建：● 1 用s(i,j)表示行方向的累加和，初始化s(i,-1)=0。
● 2 用ii(i,j)表示一个积分图像，初始化ii(-1,i)=0。
● 3 逐行扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值s(i,j)=s(i,j-1)+f(i,j)ii(i,j)=ii(i-1,j)+s(i,j)∑≤≤=j l i k l k f j i ii ,),(),(➢积分图像数据结构主要用来快速计算多个尺度的简单矩形图像特征。
这种特征能用在快速的目标识别和目标跟踪。
➢如图4.1所示，任何矩形的累加和都能够用四次数组的引用来计算得到。
因此，反应两个矩形差的特征需要8个引用。
积分图像中矩形特征的计算:矩形D内的像素和可以用四次数组引用计算得到。
D sum=ii(δ)+ii(ɑ)-(ii(β)+ii(γ))，其中ii(ɑ)是积分图像在点ɑ处的值，也就是在矩形A内部像素值的累加和。
同样地，ii(β)的值是矩形A和B内部像素值的累加和。
➢考虑图4.2a 和4.2b 中的矩形特征，由于两个矩形是相邻的，因此这样的包含两个矩形特征值需要6个引用。
类似，图4.2c 和4.2d 包含三个或者四个矩形的特征分别需要用积分图像值的8个和9个引用。
一旦积分图像构建后，继续特征可以非常高效地计算出来且所需时间是常数。
基于矩形的特征可以用积分图像计算。
这些特征通过有阴影的矩阵像素和与没有阴影的矩阵像素和的差计算得到。
图中所示(a),(b)两个矩形的特征；(c)三个矩形的特征；(d)四个矩形的特征。
四个矩形的特征通过两个对角方向的计算得到。
改变每个矩形的大小，可以得到不同的特征以及不同尺度下的特征。
有阴影的区域和无阴影的区域的贡献可以通过规范化来考虑不同区域大小的影响。
➢链在计算机视觉中用于描述物体的边界。
链的元素是一个基本符合，这种方法使得在计算机视觉任务中可以使用形式语言理论。
链适合组织成符号序列的数据，链中相邻的符号通常对应于图像中邻接的基元。
➢链码常用于描述物体的边界，或者图像中一个像素宽的线条。
边界由其参考像素的坐标和一个符号序列来定义，符号对应于几个事先定义好了方向的单位长度的线段。
链码本身是相对的，数据时相对于某个参考点表示的。
➢编码规则：从起点开始，沿边界编码，至起点被重新碰到，结束一个对象的编码。
➢链码：其中使用的是8-邻接，用4-邻接定义链码也是可能的。
箭头指向参考像素：00007766555556600000006444444442221111112234445652211➢如果需要从链码中得到局部信息，就必须系统地搜素整个链码。
➢用链码描述图像适合基于形式语言理论的句法模式识别。
在处理真实图像时，就会出现如何处理由噪声引起的不确定性问题，正是因此出现了一些带有变形矫正的句法分析技术。
另一种处理噪声的方法是平滑边界，或者是用一条曲线来近似，然后将这个新曲线用链码来描述。
➢行程编码通常用于图像矩阵由符号串表示（传真机就使用行程编码）。
➢首先考虑二值图像，行程编码仅记录图像中属于物体的区域，该区域表示成以表为元素的表。
➢有代表性的一个方案是：图像的每行表示成一个字表，它的第一个元素为行号。
然后是坐标对构成的项，第一个为行程的开始，第二个是结束（起始和结束用列坐标表示）。
一行中可以有若干个这样的序列。
➢主要优点是存在计算机图像区域的交和并的简单算法。
➢拓扑数据结构是将图像描述成一组元素及其相互关系，这些关系通常用图结构来表示。
图G=（V,E）是一个代数结构，由一组节点V={v1,v2,...,vn}和一组弧E={e1,e2,...,en}构成。
每条代表弧ek一堆无次序的结点{vi,vj},结点不必有区别。
结点的度数等于该结点所具有的弧度。
➢赋值图是值弧、结点或两者都带有数值的图，例如，这些数值可能表示加权或耗费。
➢区域邻接图示这类数据结构的一个典型，其中结点对应于区域，相邻的区域用弧链接起来。
➢图像中的区域是数字标识，标识0代表图像外的像素。
在区域邻接图中这个数值用来指出与图像边界接触的区域。
➢区域邻接图具有一些吸引人的特征。
如果一个区域包围其他区域，那么对应于内部区域的那部分图就是可以被图的割分离出来。
度数为1的结点表示简单的孔。
➢区域邻接图可以用于区域归并。
如果在区域之间有不止一次分割开彼此的边界，归并就可能是错综复杂的，例如，可能产生原本没有的"孔"。
4.2.4 关系结构➢关系数据库也可以用来表示从图像中得到的信息，这是所有的信息集中在语义上重要的图像组成部即物体之间的关系上。
关系以表的形式来存储。
4.2.4 关系结构其中每个物体有名字和其他特征，比如，图像中对应区域左上角的像素。
物体间的关系也在关系表中表示出来。
4.3 分层数据结构➢计算机视觉在本质上是计算代价十分高昂的，仅考虑所需处理的巨大数据就会得出这个结论。
我们称之为复杂的系统需要处理相当可观的图像数据量。
因为我们想要交互性的系统，所以通常期望得到非常快的响应。
一种解决方法是使用并行计算机。
但是，很多计算机视觉问题都很难在多处理机间分配计算负担，或者根本就无法分解。
分层数据结构使得使用一些特殊算法成为可能，这些算法在相对小的数据量基础上聚丁处理决策。
下面介绍两种典型的结构，金字塔和四叉树。
➢金字塔是最简单的分层数据结构。
区分两种这样的结构，即M 型金字塔（矩阵金字塔）和T 型金字塔（属性金字塔）。
➢M 型金字塔是一个图像序列{M L ,M L-1，...,M 0}，其中M L 具有与原图像同样地分辨率和元素的图像，M i-1是M i 降低降低一半分辨率得到的图像。
当创建金字塔时，通常指考虑维数是2的幂的方阵，这时M 0仅对应与一个像素。
➢当需要对图像的不同分辨率同时进行处理时，可以采用M型金字塔。
分辨率每降低一层，数据量则减少4倍，因而处理速度差不多也提高4倍。
➢通常同时使用几个分辨率比仅适用M型金字塔中的一个图像要优越。
对于这类算法，更喜欢用T型金字塔，树状结构。
设2L是原始图像的大小（最高分辨率）。
T型金字塔定义为：●1 一个结点集合P={P=(k,i,j)}使得级别k∈[0,L]; i,j∈[0,2K-1]}。
●2 一个映射F，定义在金字塔的结点P k-1，P k之间，F(k,i,j)=(k-1,i div2,j div 2) 其中div表示整数除。
●3 一个函数V，将金字塔的结点P映射到Z，其中Z是对应于亮度级别数的所有数的子集合，例如，Z={0,1,2,...255}.➢对于给定的k,T型金字塔的结点对应于M型金字塔的一些图像点，结点P=(k,i,j)集合的每个元素对应于M型金字塔的一个矩阵，称k为金字塔的层数；图像P=(k,i,j)构成金字塔第k层饿一个图像。
F是父亲映射，都有定义。
父结点，在T型金字塔中，出了根(0,0,0)之外的所有结点Pk 除了叶子结点外，T型金字塔的每个结点都有4个子结点；叶子姐带你是第L层的结点，对应于图像的单个像素。
➢T 型金字塔单个结点的数值由函数V 定义。