图像特征表示与描述
特征点和描述子范文
特征点和描述子范文特征点和描述子是图像处理和计算机视觉领域中非常重要的概念。
特征点是图像中具有明显变化的位置，描述子则是对这些特征点进行数值描述的方法。
在计算机视觉任务中，特征点和描述子经常用于目标检测、图像匹配和三维重建等应用中。
下面我将详细介绍特征点和描述子的基本概念、常用算法及其应用。
特征点是在图像中具有良好区分能力的局部区域，通常可以在不同尺度和旋转变换下稳定存在。
特征点可以是角点、边缘点、斑点等。
角点是指两个或多个边缘相交的点，边缘点是梯度变化显著的位置，斑点是图像中具有明显纹理模式的区域。
特征点在图像中具有明显的显著度，可以用于表示图像中的关键结构信息。
描述子是对特征点进行数值描述的方法。
描述子通常使用向量或矩阵表示，用于描述特征点周围的局部区域。
描述子的目标是具备良好的区分能力，即对于不同特征点之间能够区分开来。
常用的描述子包括SIFT、SURF、ORB等，它们具有不同的特点和适用范围。
SIFT（Scale-Invariant Feature Transform）是一种基于尺度不变性的特征点检测和描述方法。
SIFT算法通过构建尺度空间的高斯金字塔和梯度方向直方图，寻找局部极值点作为特征点，并计算特征点周围的梯度直方图作为描述子。
SIFT算法具有很好的旋转不变性和尺度不变性，适用于目标检测和图像匹配等任务。
SURF（Speeded-Up Robust Features）是一种快速而鲁棒的特征点检测和描述方法。
SURF算法通过快速哈尔小波变换和积分图像计算特征点的尺度不变特性，并通过方向直方图描述特征点周围的梯度信息。
SURF算法具有较好的速度和鲁棒性，适用于实时图像处理和目标跟踪等任务。
ORB（Oriented FAST and Rotated BRIEF）是一种基于FAST角点检测和BRIEF描述子的特征点检测和描述方法。
ORB算法对FAST角点进行方向估计和描述子计算，用于表达特征点周围的斑点纹理。
第5章-图像特征提取与分析幻灯片课件
像 特
矩来描述颜色的分布。
征 颜色矩通常直接在RGB空间计算。
提 取
颜色分布的前三阶矩表示为：
与 分 析
i
1 N
N
Pij
j 1
i
(1 N
N
(Pij i)2)12
j1
si
( 1 N
N
(Pij
j1
i)3)13
第
4 章
4.2.3
颜色矩
图 特点
像
特 图像的颜色矩有九个分量（3个颜色分量，每个分
征 提
V
H
析 其中两个delta值分别是通过图像卷积下列两个操作
符所得到的水平和垂直方向上的变化量定义的：
1 0 1
111
1 0 1
000
1 0 1
1 1 1
第
4 4.3.2 Tamura 纹理特征
提 取
选取的特征应具有如下特点：
与
可区别性
分 析
可靠性
独立性好
数量少
第
4 章
4.1.1
基本概念
图 特征选择和提取的基本任务
像 特 如何从众多特征中找出最有效的特征。
征 提
图像特征提取的方法
取 与
低层次：形状、纹理、颜色、轮廓等图像某一方面
分 的特征。
析 中层次：
高层次：在图像中层次特征基础上的再一次抽象，
征 提
从广义上讲，图像的特征包括基于文本的特征
取 （如关键字、注释等）和视觉特征（如色彩、纹理、
与 分
形状、对象表面等）两类。
析
视觉特征分类：颜色(color)、形状(shape)、
纹理(texture)等
图像特征讲解
用链码表示给定区域边界时，如果区域平移， 链码不会发生变化，而如果区域旋转则链码也会 发生变化。为解决这个问题我们可以利用链码的 一阶差分来重新构造一个序列。如下图：
图8－3 链码的旋转归一化 (利用一阶差分)
第二节 图像幅值特征
一、幅值特征
在区域 M N内的平均幅值，为：
1 M N
f
f (x, y)
P(a, b) Pf (i, j) a, f (m, n) b （8－5）
直方图估值的二阶分布为：
P(a, b) n(a, b) n
（8－6）
（二）统计特征
几个常用的统计特征如下：
1. 均值
L1
b bP(b) a0
（8－7）
2. 方差
L1
2 b
(b b )2 P(b)
a0
（8－8）
xy
（8－19）
M 20 x2 f (x, y)
xy
（8―20）
阶矩的大小代表了灰度沿x方向或y方向发布
的情况 。
可用下式来表示一个区域的灰度分布重心 (x, y)：
x y
M 10
M 00 M 01
（8―21）
M 00
(x, y) 表示了一定形状图像区域中灰度分布的中
心，在许多情况下，它往往是位于区域中最明亮
二、幅值统计特征 （一）直方图特征
通过测得的图像像素的幅度值，可以设法估 计出图像幅值的概率分布，从而形成图像的直方 图特征。
图像灰度的一阶概率分布定义为：
P(b) Pf (x, y) b 0 b L 1
P(b)是一阶近似直方图 ：
P(b) n(b) n
（8－3） （8－4）
二阶直方图特征是以像素对的联合概率分布 的基础上得出的。 它们的幅度值的联合分布可表示为：
理解一次函数的图像特征
理解一次函数的图像特征一次函数是数学中常见的一种函数类型，其图像特征具有一定的规律性和可观察性。
通过深入理解一次函数的图像特征，我们可以更好地解读和分析函数在数轴上的变化规律，进而应用于实际问题中。
本文将从斜率、截距和变化趋势等方面，探讨一次函数的图像特征。
一、斜率的意义与影响一次函数的图像特征中，斜率起着重要的作用。
斜率代表了函数图像在数轴上的倾斜程度，表征了函数值随自变量增大而变化的速率。
一次函数的斜率常用符号k表示。
斜率为正数时，函数图像呈现上升趋势，说明随着自变量的增大，函数值也随之增大。
斜率的绝对值越大，函数上升或下降的速度越快。
斜率为负数时，函数图像呈现下降趋势，说明随着自变量的增大，函数值反而减小。
同样，斜率的绝对值越大，函数下降速度越快。
当斜率为0时，函数图像是平行于自变量轴（x轴）的水平线，表示函数值保持不变。
斜率为正无穷大或负无穷大时，函数图像是垂直于自变量轴（x轴）的直线，表示函数值无穷增长或无穷减小。
二、截距的含义与分析截距是描述一次函数图像特征的另一个重要参数。
截距代表了函数图像与数轴的交点，即函数在自变量为0时的函数值，常用符号b表示。
截距为正数时，函数图像与y轴有一个正的交点，说明当自变量为0时，函数的值为正。
截距为负数时，函数图像与y轴有一个负的交点，说明当自变量为0时，函数的值为负。
截距为0时，函数图像与y轴交于原点，说明当自变量为0时，函数的值也为0。
三、变化趋势的分析与应用通过斜率和截距，我们可以更加具体地分析一次函数的变化趋势。
当斜率为正数且截距为正数时，函数图像从左下方逐渐上升，在数轴上右侧的函数值逐渐增大。
当斜率为正数且截距为负数时，函数图像从左上方逐渐下降，在数轴上右侧的函数值逐渐减小。
当斜率为负数且截距为正数时，函数图像从左下方逐渐上升，在数轴上右侧的函数值逐渐减小。
当斜率为负数且截距为负数时，函数图像从左上方逐渐下降，在数轴上右侧的函数值逐渐增大。
图像特征表示与描述
3-0=3
第
0 - 1 = -1(3) 3 - 3 = 0
三
1-0=1
2 - 3 = -1(3)
节
0 - 1 = -1(3) 2 - 2 = 0
特 征 表 示 与 描 述
33133030
第
三
章 3.3.2 特征表示与描述:表示法设计
数
字
图
像
• 链码
分
– 应用背景：
析
• 如果边界的本身对于旋转和比例修改来说是无变化的，使用链码才是正确的。一般
析
1）如果关注的焦点是形状特性，选择外部表示方式
2）如果关注的焦点是反射率特性，如颜色、纹理时，选择内部表示方式
第
3）所选表示方式，应该对尺寸、变换、旋转等变量尽可能的不敏感
三
节
特 征 表 示 与 描 述
第 三 章
数
3.3.2 特征表示与描述:表示法设计
字
图
像
分
• 表示法设计
析
– 链码
– 多边形逼近
特 征 表 示 与 描 述
第
三
章 3.3.2 特征表示与描述:表示法设计
数
字
图
像
分 析
• 多边形逼近 – 点合成算法的问题： 顶点一般不对应于边界的拐点（如拐角）。因为新的线段直到超过误差的阈值才开始。
下面讲到的分裂法可用于缓解这个问题
第
三
节
特 征 表 示 与 描 述
第
三
章 3.3.2 特征表示与描述:表示法设计
第 三
– 外形特征 – 边界分段 – 区域骨架
节
特 征 表 示 与 描 述
第
三
章 3.3.2 特征表示与描述:表示法设计
分类图像特征
分类图像特征图像分类是计算机视觉领域中的一个重要任务，旨在将输入的图像根据其内容或特征进行分类。
为了实现准确的图像分类，研究者们提出了许多方法和技术。
其中，提取和利用图像特征是实现图像分类的关键之一。
图像特征是描述图像中重要信息的一种表示方式。
不同的图像特征可以捕捉到图像的不同方面，如颜色、纹理、形状等。
这些特征能够帮助计算机理解和识别图像内容，从而进行分类和检索。
在本文中，我们将介绍一些常见的分类图像特征。
一、颜色特征颜色是图像中最直观和常用的一个特征。
颜色特征可以通过统计图像中每个像素点的颜色分布来表示。
常见的颜色特征包括：1. RGB颜色直方图：统计图像中每种颜色在RGB三个通道上的分布情况。
2. HSV颜色直方图：将RGB颜色空间转换为HSV颜色空间，并统计每种颜色在H、S、V三个通道上的分布情况。
3. Lab颜色直方图：将RGB颜色空间转换为Lab颜色空间，并统计每种颜色在L、a、b三个通道上的分布情况。
二、纹理特征纹理描述了图像中的重复或不规则的细节结构，是图像分类中常用的特征之一。
常见的纹理特征包括：1. 灰度共生矩阵（GLCM）：统计图像中不同像素对之间的灰度差异，计算出像素之间的共生矩阵，并提取出该矩阵的统计特征，如对比度、能量、熵等。
2. 方向梯度直方图（HOG）：通过计算图像中局部区域的梯度方向直方图来描述图像的纹理信息。
3. 局部二值模式（LBP）：将图像划分为小的局部区域，并统计每个区域的二值模式，得到图像的纹理特征。
三、形状特征形状特征是描述图像中物体形状和结构的特征。
常见的形状特征包括：1. 边缘直方图：通过检测图像中的边缘，将边缘点投影到某个方向上，并统计每个方向上的边缘数量，得到边缘直方图。
2. 尺度不变特征变换（SIFT）：通过检测图像中的关键点，计算每个关键点周围的梯度方向直方图，并生成描述关键点的特征向量。
3. 小波变换：利用小波变换将图像分解为多个尺度上的频域子带，并提取每个子带中的能量或统计特征来描述图像的形状。
图形图像信息的类型及其特征1 (1)模板
提示：1B=8位， 1KB=1024B，
Image
问
题
1024*768*24/8 =2359296B
解
2359296B/1024=2304KB
答
2304KB/1024=2.25MB
512/2.25=227(张)
Image
知
识 我们所说的32位真彩色能表示多少种颜色？
开
232 =4294967296
图形图像信息的类型及其特征
1、主体：一枚“中国 印”，印章中是一个 变形的“京”字。表 明了奥运的主题、文 化特色。
2、表明了奥运的时间 、地点。
3、下面是一个人人都 知道的奥林匹克标志
生活中的图像
洗手间图示
交通图志 运动项目图标
禁止吸烟图标
图形图像独特的魅力
1、信息丰富 形象直观
2、跨越语言障碍 增进交流
A、320×320×3×16bit
B、320×240×3×16bit
C、240×240×3×16bit
D、320×240×16bit
3、(选修)有一张RGB彩色静态图片，分辨率为 640×480、每一种颜色用4bit表示，则该图片 的数据量=640×480×3×4。根据数据量的计 算方法可知，这张图片是( A )。
素和灰度、色彩、线型、线宽等非几何 属性组成。从处理技术上来看，图形是 由线条组成，如工程图、等高线地图、 曲面的线框图等。
由指令来描述的。
Image
• 位图图像:由像素组 成，构成位图的点称 为像素（Pixel）,类 似“十字绣”。每个 像素都被分配一个特 定位置和颜色值。
Image
（位置）分辨率：水平方
A、位图 B、矢量图 C、动画 D、视频
图像特征及图像特征提取
图像特征及图像特征提取图像特征是图像中的显著和重要的信息，用于描述和区分不同的图像。
图像特征提取是从图像中提取这些特征的过程。
图像特征可以分为两类：全局特征和局部特征。
全局特征是整个图像的统计性质，例如颜色直方图、颜色矩和纹理特征等。
局部特征则是在图像的局部区域中提取的特征，例如SIFT（尺度不变特征变换）、HOG（方向梯度直方图）和SURF（加速稳健特征）等。
图像特征提取的过程可以分为以下几步：1.预处理：对图像进行去噪、图像增强、颜色空间转换等处理，以提高图像的质量和可分辨性。
2.特征选择：根据具体应用需求和图像特征的表达能力，选择适合的特征。
例如，对于目标识别任务，可以选择具有良好局部不变性和可区分性的局部特征。
3.特征提取：根据选择的特征，从图像中提取特征。
对于全局特征，可以使用颜色直方图、颜色矩、纹理特征等方法；对于局部特征，可以使用SIFT、HOG、SURF等方法。
4.特征表示：将提取的特征表示为向量或矩阵形式，以便后续的分类、检索或识别任务。
5.特征匹配：对于图像检索、图像匹配等任务，需要将查询图像的特征与数据库中的图像特征进行比较和匹配，找到最相似的图像。
图像特征提取的方法和算法有很多，以下是一些常用的方法：1.颜色特征：颜色是图像的重要特征之一、颜色直方图描述了图像中每个颜色的分布情况，颜色矩描述了图像中颜色的平均值和方差等统计性质。
2.纹理特征：纹理是图像中的重要结构信息。
常用的纹理特征提取方法有灰度共生矩阵、方向梯度直方图、小波变换等。
3.形状特征：形状是物体的基本属性之一、形状特征提取方法有边缘检测、形状描述子等。
4.尺度不变特征变换（SIFT）：SIFT是一种局部特征提取方法，具有尺度不变性和旋转不变性，适用于图像匹配和目标识别任务。
5.方向梯度直方图（HOG）：HOG是一种局部特征提取方法，通过计算图像中每个像素的梯度方向和强度，获得图像的局部特征。
6.加速稳健特征（SURF）：SURF是一种局部特征提取方法，具有尺度不变性和旋转不变性，适用于图像匹配和目标识别任务。
- 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)。
3.3.2 特征表示与描述:表示法设计
• 边界分段 –问题：
• 噪音的影响，导致出现零碎的划分。
–解决的方法：
• 先平滑边界，或用多边形逼近边界，然 后再分段
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 区域骨架
–基本思想
• 表示一个平面区域结构形状的重要方法是把它削 减成图形。这种削减可以通过细化（也称为抽骨 架）算法，获取区域的骨架来实现 • Blum的中轴变换方法（MAT）
–链码 –多边形逼近 –外形特征 –边界分段 –区域骨架
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 链码
–定义：1）链码是一种边界的编码表示法。 2）用边界的方向作为编码依据。为简 化边界的描述。一般描述的是边界点集。 4-链码
1 - 0 = 1
1(3)
2 - 3 = -
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 链码
–应用背景：
• 如果边界的本身对于旋转和比例修改来说是无变 化的，使用链码才是正确的。一般来说这是不可 能的，实际应用时还需要改进。 • 用链码后，对象只要用1)起点坐标，2)周长（边 界点数）3)链码，4)对象编号，就可以描述。 • 链码一般用于一幅图像中有多个对象的情况，对 单个对象不适用。
b.选择从质心到主轴最远的点作为起点
• 对于比例变换： 对函数进行正则化，使函数值总是分布 在相同的值域里，比如说[0，1]
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 边界分段
–基本概念： • 一个任意集合S（区域）的凸起外缘H是：包 含S的最小凸起的集合 • H-S的差的集合被称为集合S的凸起补集D
0
0
1
p9 p2 p3
p9 p2 p3
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
p9 p2 p3 p9 p2 p3 p8 p1 p4 p7 p6 p5
• 区域骨架
p8 p1 p4 p7 p6 p5
–基本操作2 条件(a)、(b)与操作1相同 条件(c)、(d)改为： c’) p2* p4* p8= 0 d’) p2* p6* p8= 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 多边形逼近
–基本思想：用最少的多边形线段，获取边 界形状的本质。 –寻找最小基本多边形的方法一般有两种： 1）点合成法 2）边分裂法
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 外形特征
–举例： r()
r
A A
2
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 外形特征
–问题：函数过分依赖于旋转和比例的变化 –改进：
• 对于旋转——两种改进： a.选择离质心最远的点作为起点
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 链码
–循环首差链码：用相邻链码的差代替链码 例如：4-链码 10103322 循环首差为： 33133030 循环首差：1 - 2 = -1(3) 3 - 0 = 3 0 - 1 = -1(3) 3 - 3 = 0
两段，最大值点定位一个顶点。重复（1）； （3）如果没有超过阈值的正交距离，结束。
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 外形特征
–基本思想： 外形特征是一种用一维函数表达边界 的方法。基本思想是把边界的表示降到一维 函数
• 链码
–问题1： 1）链码相当长。 2）噪音会产生不必要的链码。 –改进1： 1）加大网格空间。 2）依据原始边界与结果的接近程度，来确 定新点的位置。
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 链码举例：
4-链码：003332221101
3.3.1 特征表示与描述的基本概念
• 基本概念
–外部特征来进行形式化表示举例：
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.1 特征表示与描述的基本概 念
• 基本概念
–选择表达方式，要本着使数据变得更有利于下 一步的计算工作。下一步工作是基于所选的表 达方式描述这个区域，一般情况下：
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 区域骨架
所有条件都满足，才打删除标记。删除并不 立即进行，而是等到对所有边界点都打完标记后，再 把作了标记的点一起删除
–举例: 1 p1 0 p8 p1 p4 p8 p1 p4 N(p1) = 4 1 0 1 p7 p6 p5 p7 p6 p5 S(p1) = 3 p2*p4*p6 = 0 p4*p6*p8 = 0 第2个条件没满足不打标记
3.3.2 特征表示与描述:表示法设计
• 区域骨架 –一种细化二值区域的算法
• 假设区域内的点值为1，背景值为0 • 这个方法由对给定区域的边界点连续进行 两个基本操作构成 • 这里边界点是指任何值为1且至少有一个8 邻域上的点为0的象素
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 外形特征
–函数定义——质心角函数：边上的点到质心 的距离r，作为夹角的的函数r()
r()
r
A
A
2
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
设:R是一个区域，B为R的边界点，对于R中的点p， 找p在B上“最近”的邻居。如果p有多于一个的邻 居，称它属于R的中轴（骨架）
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
p
• 区域骨架
–基本思想
R
B
–问题：计算量大
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 链码
–问题2： 1）由于起点的不同，造成编码的不同 2）由于角度的不同，造成编码的不同 –改进2： 1）从固定位置作为起点(最左最上)开始编码 2）通过使用链码的首差代替码子本身的方式
• 基本概念
–特征表示与描述的定义： 把图像分割后，为了进一步的处理，分割后 的图像一般要进行形式化的表达和描述 –解决形式化表达问题一般有两种选择： 1）根据区域的外部特征来进行形式化表示 2）根据区域的内部特征（比较区域内部的象素值） 来来进行形式化表示
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
p9 p2 p3 p9 p2 p3
p8 p1 p4 p7 p6 p5
p9 p2 p3
p8 p1 p4 p7 p6 p5
• 区域骨架
–基本操作1
p8 p1 p4 p7 p6 p5
对于满足以下四个条件的边界点打标记准备删除： (a) 2N(p1)6 其中N(p1)是点p1 的邻域中1的个数， 即： N(p1)=p2+p3+…+p9 (b) S(p1) = 1 其中S(p1)是按p2,p3,…,p9 顺序，0-1转换的 个数 (c) p2 * p4 * p6 = 0 （p2 、p4 、p6 至少有一个0） (d) p4 * p6 * p8 = 0 （p4 、p6 、p8 至少有一个0）
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 多边形逼近
–点合成算法的问题： 顶点一般不对应于边界的拐点（如拐 角）。因为新的线段直到超过误差的阈值 才开始。 下面讲到的分裂法可用于缓解这个问 题
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 区域骨架
–算法改进思想 • 在保证产生正确的骨架的同时，改进算法 的效率。比较典型的是一类细化算法，它 们不断删去边缘，但保证删除满足： （1）不移去端点 （2）不破坏连通性 （3）不引起区域的过度腐蚀
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
1）如果关注的焦点是形状特性，选择外部表示方式
2）如果关注的焦点是反射率特性，如颜色、纹理时， 选择内部表示方式
3）所选表示方式，应该对尺寸、变换、旋转等变量尽 可能的不敏感
第 三 章 数 字 图 像 分 析 第 三 节 特 征 表 示 与 描 述
3.3.2 特征表示与描述:表示法设计
• 表示法设计
3.3.2 特征表示与描述:表示法设计
• 链码 –算法：
• 给每一个线段边界一个方向编码。 • 有4-链码和8-链码两种编码方法。 • 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。