CCD图像的轮廓特征点提取算法
一种高精度特征点检测和相机标定方法
一种高精度特征点检测和相机标定方法摘要：针对特征点检测和相机标定精度问题，提出了一种亚像素级的角点检测和相机标定方法。
该方法对角点的提取首先运用传统的方法得到初始值，并以此为初始值从棋盘格图像中搜索边缘，然后拟合边缘数据，并将拟合得到的曲线的交点作为角点的最终值，最后以这些角点作为标定相机的特征点对相机进行标定。
实验结果表明，该方法提高了特征点提取的准确度和精度，以此提高了相机标定的精度。
关键词：相机标定亚像素 tsai 拟合0 引言目前，ccd阵列作为一种普遍的成像器件，被应用于交通、军事、医疗、工业等领域。
相机在成像过程中，成像的质量受到相机的分辨率、光学畸变的影响而下降，相机高精度的标定是测量系统完成任务必不可少的环节[1]，相机标定结果的精度制约着系统测量的精度。
不同的邻域由于受到不同因素的影响而采用的标定方法存在着较大的差异。
机器视觉领域由于采用一般的ccd作为成像器件，不能准确地知晓其内部参数，而且具有随时间的推移而发生较大变化的特性，一次机器视觉领域相机地标定面临较多的困难。
机器视觉领域的相机标定具有以下的特点：相机的空间分辨率一般比较低；使用的相机一般具有较大的畸变；相机部件存在较大的安装误差；标定受到光学系统色差、景深等因素的影响而使得标定模式的边缘产生一定的模糊。
上述机器视觉领域中所面临的问题使得标定模式特征点的提取和定位精度较差，同时图像噪声的影响使得模式特征点的提取精度误差进一步加大。
标定模式特征点的定位精度很大程度上决定了相机标定的精度。
即使是像素级的误差也会使得标定结果产生重大偏差，所以如何利用亚像元技术获得标定模式特征点的精确定位是实现相机高精度标定的关键[2]。
本文提出了一种基于全局曲线拟合和局部曲线拟合现结合的角点检测方法[3]。
传统的焦点检测方法主要有双曲抛物面拟合和局部相交直线法，双曲抛物面拟合法假设所求角点附近图像灰度呈双曲抛物面分布，这样拟合曲面的鞍点[4]即为所求角点。
视觉传感器的原理及应用
视觉传感器的原理及应用1. 引言视觉传感器是一种利用光学技术获取和处理图像信息的传感器，它模拟了人眼的原理，能够感知环境中的光线，并将光线转化为电信号。
视觉传感器作为一种关键的感知器件，在多个领域中得到广泛应用，例如机器人技术、自动驾驶、工业自动化等。
本文将介绍视觉传感器的原理和应用。
2. 视觉传感器的工作原理视觉传感器的工作原理主要包括光敏器件、图像处理算法和图像显示三个方面。
2.1 光敏器件光敏器件是视觉传感器中重要的组成部分，它用于将光信号转换为电信号。
目前，常见的光敏器件有CCD（电荷耦合器件）和CMOS（互补金属氧化物半导体）。
•CCD： CCD是一种基于硅材料的光电传感器，具有高灵敏度和低噪声的特点。
它能够将光信号转换为电荷信号，并通过电荷耦合进行读取和放大。
CCD在高端图像传感器中得到广泛应用，例如高清摄像机和天文望远镜等。
•CMOS：CMOS是一种集成电路技术，在视觉传感器中，CMOS图像传感器是最常用的光敏器件之一。
CMOS图像传感器具有低功耗、小型化和集成度高的特点。
它将光信号转换为电压信号，并通过模拟转换器进行放大和数字化处理。
2.2 图像处理算法视觉传感器获取到的图像信号是模拟信号或数字信号，需要通过图像处理算法进行处理，提取出图像中的目标信息。
•图像采集：通过视觉传感器获取到的图像信号是连续的光强数据。
图像采集算法将连续的光强数据转化为离散的像素矩阵。
•图像增强：图像增强算法对图像进行滤波、增强和去噪等处理，以提高图像质量并突出目标特征。
•特征提取：特征提取算法根据目标的特征，如边缘、纹理和颜色等，从图像中提取出目标的关键特征。
•目标识别：目标识别算法通过匹配和分类等方法，在图像中自动检测和识别目标。
2.3 图像显示图像显示是将经过处理的图像信息以可视化的方式呈现给用户。
目前，常见的图像显示技术有液晶显示和有机发光二极管（OLED）显示。
•液晶显示：液晶显示器是一种基于液晶材料的显示技术，将电信号转换为可视化的图像。
漂移扫描CCD星图的星点目标快速提取
漂移扫描CCD星图的星点目标快速提取杨会玲;柳红岩;王军;孙慧婷;何昕【期刊名称】《光电工程》【年(卷),期】2016(043)004【摘要】在实时同步卫星定轨系统中，为了提高漂移扫描 CCD 星图目标提取的实时性，提出最简特征融合算法。
通过星图背景分割减少噪声影响，提取局部灰度最大值与局部区域对比度作为星点目标特征，通过选取最佳权值融合上述两种特征，突显星点目标。
与传统的星点提取算法相比，所选取的两种特征容易提取，运算量小，节省星点目标提取时间，提高了星点提取精度。
通过对分辨力为1528×1528的漂移扫描CCD星图进行处理，实验结果证明了该算法的有效性。
%In the system of real-time orbit determination of synchronous satellite, an algorithm based on simple features fusion is proposed to reduce the consuming time on star extraction from star image of CCD drift-scan. Firstly, segment star targets and background to decrease the influence of noise and improve the contrast of star image. Then, compute part maximum pixel gray value and mean contrast of partial region as star target feature and fuse the features, by counting optimum weights, to make the star target be sharper. The precision of star extraction is higher than traditional star extraction method. The amount of calculation of the algorithm which can be easily fulfilled is small, star extraction time is saved and the accuracy of star extraction is improved. The experiment results ofprocessing the star image whose resolution is 1 528×1 528 taken by drift-scan CCD proves the validity of the algorithm.【总页数】6页(P15-19,32)【作者】杨会玲;柳红岩;王军;孙慧婷;何昕【作者单位】苏州科技学院电子与信息工程学院，江苏苏州 215000; 中国科学院长春光学精密机械与物理研究所，长春 130033;苏州科技学院电子与信息工程学院，江苏苏州 215000;苏州科技学院电子与信息工程学院，江苏苏州 215000;苏州科技学院电子与信息工程学院，江苏苏州 215000;中国科学院长春光学精密机械与物理研究所，长春 130033【正文语种】中文【中图分类】TP202【相关文献】1.一种序列CCD星图中运动目标别的稳健算法 [J], 胡敏;曾国强2.一种CCD星图星点快速定位算法 [J], 王兆魁;张育林3.漂移扫描CCD星图的smear现象快速消除方法研究 [J], 柳红岩;孙慧婷;李岩;武晓东4.基于CCD星图的空间目标精确光学定位方法研究 [J], 谌钊;罗成;华卫红5.基于单站CCD漂移扫描光电设备的同步轨道目标测定轨 [J], 于涌;罗浩;毛银盾;赵晓芬;唐正宏因版权原因，仅展示原文概要，查看原文内容请购买。
人脸比对技术的算法和实现方法
人脸比对技术的算法和实现方法
一、人脸比对技术算法
1、图像采集
首先从图像获取身份验证。
人脸识别算法通常需要先捕获一张有质量的清晰人脸照片，一般要求用户照一张定位在正中心，无遮挡，面部表情端正的脸部照片。
一般使用红外摄像头等设备，以保证拍摄图像的质量，有利于更准确的识别。
2、图像预处理
一般进行图像预处理，以确保图像的清晰度，有利于后续人脸识别的准确性。
一般图像预处理包括图像的归一化、去噪处理、形态学处理、灰度变换等操作。
3、特征提取
特征提取是人脸识别算法的核心步骤，它的精确度来决定人脸比对技术的准确性。
一般的人脸识别算法使用的特征提取方法有两种，即特征点提取法和基于局部极值的深度特征提取法。
特征点提取方法通过检测图像中的一些关键点，如眼睛、鼻子、嘴巴等，然后根据这些点之间的距离等信息建立一个点云模型，用来表示人脸的特征。
基于局部极值的深度特征提取法则是使用卷积神经网络（CNN）提取图像中深层的特征，然后根据这些特征建立一个模型，以表征一张图像的特征。
4、人脸比对
在提取出人脸特征之后，就可以完成人脸比对，因为人脸比对只是用来判断人脸的特征和图像是否一致。
图象处理-机器视觉-基础知识
1 .什么是机器视觉技术试论述其基本概念和目的。
答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。
机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。
机器视觉技术最大的特点是速度快、信息量大、功能多。
机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。
机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。
2 .机器视觉系统一般由哪几部分组成试详细论述之。
答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。
图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。
该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS）采集物体影像。
图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。
经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。
输出显示和控制：主要是将分析结果输出到显示器或控制机构等输出设备。
3 .试论述机器视觉技术的现状和发展前景。
答：。
机器视觉技术的现状：机器视觉是近20〜30年出现的新技术，由于其固有的柔性好、非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。
发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。
价格持续下降、功能逐渐增多、成品小型化、集成产品增多。
探究计算机视觉技术在铁路检测中的应用
探究计算机视觉技术在铁路检测中的应用1 前言自1825年世界第一条铁路在英国出现以来，铁路已经成为人们不可或缺的交通工具，越来越多的人在使用铁路出行，由于近年来铁路事故频频发生，促使了计算机视觉技术在铁路检测上的广泛使用并大力发展。
传统的铁路检测一直是靠人工和静态检测，这种检测缺乏实时性和准确性，并且效率低下，根本无法满足铁路的发展。
这就要求研究一种新的检测方法来适应环境的发展，人们就试图将计算机视觉技术应用于铁路检测上，并取得了很好的效果。
将计算机视觉技术应用在铁路检测上显著提高了铁路检测的实时性、准确性，有效的减轻了人工检测中工作条件恶劣，工作量大等缺点。
它能在列车行驶的过程中就能对铁路和列车状况进行检测，并及时的做出预警，防止安全事故的发生。
目前有关铁路检测主要集中在铁路信号检测、轨道检测、接触网检测、电力机车检测及站台环境监测等五个方面。
2 计算机视觉技术计算机视觉，也称机器视觉。
它是利用一个代替人眼的图像传感器获取物体的图像，将图像转换成数字图像，并利用计算机模拟人的判别准则去理解和识别图像，达到分析图像和作出结论的目的。
计算机视觉是多学科的交叉和结合，涉及到数学、光学、人工智能、神经生物学、心理物理学、计算机科学、图像处理、图像理解、模式识别等多个领域。
计算机视觉已有多年的发展历程。
随着计算机、控制理论、模式识别、人工智能和生物技术的发展，计算机视觉在机器人、工业检测、物体识别的应用越来越广，研究方向也从二维到三维，从串行到并行，从直接依赖于输入信号的低层处理到依赖于特征、结构、关系和知识的高层处理。
一般的计算机视觉系统是有CCD(电荷耦合器件)摄像机、装备有图像采集板的计算机、光照系统以及专用图像处理软件等组成。
CCD摄像机将所要研究的对象和背景以图像的形式记录下来，这其实是一个光电传感器，将光学信号转成电信号，图像采集板把采集的电信号转为数字信号，即数字化，一般情况下在摄取图像时都需要一个照明系统提供光照，然后再用专用的图像处理软件对图像进行处理，输出分析结果。
基于线结构光-机器视觉的CHN_钢轨轨距动态检测方法
引用格式：杨雅熙, 罗金, 金涛. 基于线结构光-机器视觉的CHN 钢轨轨距动态检测方法[J]. 中国测试，2023, 49(9): 91-98. YANG Yaxi, LUO Jin, JIN Tao. CHN rail dynamic gauge detection method based on line structured light and machine vision[J]. China Measurement & Test, 2023, 49(9): 91-98. DOI: 10.11857/j.issn.1674-5124.2022020004基于线结构光-机器视觉的CHN 钢轨轨距动态检测方法杨雅熙1， 罗 金2， 金 涛1(1. 福州大学电气工程与自动化学院，福建 福州 350116; 2. 中铁电气化局集团有限公司，北京 100036)摘 要: 针对有轨电车传统轨距检测方法存在检测成本高、标定抗干扰能力弱等缺点，提出一种基于线结构光-机器视觉的轨距动态检测方法，通过线结构光照射左右铁路轨道，形成钢轨轮廓信息。
首先通过标定，建立并融合左右轨道的空间姿态坐标系，获取轨距的计算公式。
接着通过机器视觉中的灰度滤波、高斯滤波、开运算、骨架提取算法对轨道轮廓图像进行处理。
然后将处理后的轮廓图像通过标定的空间姿态坐标系计算出轮廓的实际空间坐标，即可得到轨距。
该方法不仅只用2组线结构激光摄像式传感器降低检测成本，且通过机器视觉算法能够大大提升环境干扰下轨距动态测量的鲁棒性，保证测量的精度。
最后通过实验室平台以及轨检车试验场验证该方法的可行性和有效性。
关键词: 轨距动态检测; 机器视觉; 线结构光; 钢轨轮廓; 图像处理中图分类号: U273.3;TB9文献标志码: A文章编号: 1674–5124(2023)09–0091–08CHN rail dynamic gauge detection method based on linestructured light and machine visionYANG Yaxi 1, LUO Jin 2, JIN Tao 1(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350116, China;2. China Railway Electrification Bureau (Group), Beijing 100036, China)Abstract : In view of the shortcomings of traditional gauge detection methods of tramcar, such as high detection cost and weak calibration anti-interference ability, we proposes a dynamic gauge detection method based on line structured light and machine vision. The railway track is illuminated by line structured light to form rail profile information. Firstly, the spatial attitude coordinate system of the track is established and fused through calibration to obtain the formula. Then the contour image of track is processed through the gray filtering, Gaussian filtering, open operation and skeleton extraction algorithm. After that, the actual spatial coordinates of the contour are calculated through the calibrated spatial attitude coordinate system and the gauge can be obtained. This method not only uses only two sets of linear structure laser camera sensors, but also can improve the robustness of the dynamic measurement of the gauge under environmental interference and ensure收稿日期: 2022-02-05；收到修改稿日期: 2022-03-25基金项目: 国家自然科学基金( 51977039)作者简介: 杨雅熙（1998-），女，福建厦门市人，硕士研究生，专业方向为轨道交通技术。
CCD输出信号的电处理方法
CCD输出信号的电处理方法CCD（电荷耦合器件）是一种常见的图像传感器，广泛应用于数码相机、摄像机、扫描仪等设备中。
CCD输出信号的电处理方法包括放大、滤波、数字转换、降噪等。
1.放大：CCD输出的信号通常很微弱，需要经过放大处理以增强信号的强度。
放大可以通过运算放大器（OP-AMP）或差动放大器实现。
运算放大器通常具有高放大增益和低噪声特性，可以将CCD输出信号放大到合适的范围。
2.滤波：CCD输出信号中常常会包含一些噪声，需要进行滤波处理以去除噪声。
滤波可以采用模拟滤波器或数字滤波器实现。
模拟滤波器常用的类型包括低通滤波器、高通滤波器和带通滤波器，可以根据具体需求选择合适的滤波器类型。
数字滤波器可以通过快速傅里叶变换（FFT）或数字滤波算法实现，具有更高的精度和可调节性。
3.数字转换：CCD输出信号通常是模拟信号，需要进行数字转换以便于后续的数字信号处理。
数字转换可以通过模数转换器（ADC）实现，将模拟信号转换为数字信号。
ADC通常具有不同的分辨率和采样速率，可以根据具体需求选择合适的ADC。
4.降噪：CCD输出信号中可能包含一些随机噪声或周期性噪声，需要进行降噪处理以提高信号质量。
常见的降噪方法包括平均滤波、中值滤波、小波变换等。
平均滤波可以通过取多个样本的平均值来减少噪声的影响。
中值滤波可以通过取多个样本的中值来减少异常点的影响。
小波变换可以将信号分解为不同的频率分量，可以选择恰当的频率分量进行处理，以去除噪声。
5.数据处理：CCD输出信号经过上述的电处理之后，可以进行进一步的数据处理。
这包括图像处理、图像分析、特征提取等。
图像处理可以包括图像增强、边缘检测、几何变换等，以改善图像质量或提取图像中的信息。
图像分析可以使用不同的算法和技术来分析图像中的特征或进行目标检测。
特征提取可以选择一些关键的特征来描述图像或进行图像分类。
总结起来，CCD输出信号的电处理方法包括放大、滤波、数字转换、降噪和数据处理等。
- 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)。
第33卷 第4期 电 子 科 技 大 学 学 报 Vol.33 No.4
2004年8月 Journal of UEST of China Aug. 2004
CCD图像的轮廓特征点提取算法
侯学智 ，杨 平，赵云松
(电子科技大学机械电子工程学院 成都 610054)
【摘要】采用最大方差法将图像二值化，用图像形态学的梯度﹑细化和修剪算法来提取边缘轮廓，利用十一
点曲率法得到轮廓的角点和切点的大致位置。提出了一种基于最小二乘拟合的改进算法，来进一步确定角点和切
点，并对轮廓分段识别。该算法应用在基于图像处理的刀具测量系统中，实际结果表明具有良好的抗噪声性能，
能准确提取出图像的特征点。
关 键 词 刀具测量; 细化; 曲率; 最小二乘拟合; 角点
中图分类号 TP391 文献标识码 A
Contour Feature Point Detection Algorithm of CCD Image
Hou Xuezhi，Yang Ping，Zhao Yunsong
(School of Mechatronic Engineering, UEST of China Chengdu 610054)
Abstract The image is segmented to Bi-value image with max variance algorithm, and then the
edge is detected by a series of image morphology algorithm including grads, thinning and cutting. The
eleven point curvature-computing method is used to locate the area of corner and point of tangency. An
improved algorithm based on least square fitting is given to search corner and point of tangency. This
algorithm is applied to the cutting tools measurement system based on image processing and the actual
result proves it has a good noise-resisted performance and can detect feature points accurately.
Key words cutting tools measurement; thinning; curvature; least square fitting; corner
目前数控加工精度已达到微米级，对刀精度要求愈来愈高。传统的刀具测量方式采用人眼瞄准，容易
带来主观误差，使对刀精度降低。在基于图像处理的刀具测量系统中，CCD数码相机将对刀状态的图像摄
入，通过USB接口输入计算机。首先提取出刀具轮廓的特征点，再对轮廓曲线进行分段，从而测量刀具的
长度﹑半径﹑角度等参数。通常利用曲率信息来提取轮廓特征点，三点曲率法对噪声较敏感，十一点曲率
法能较好地估算出轮廓的曲率，并能简单提取出轮廓的角点与切点区域[1, 2]。本文提出利用最小二乘法拟合
角点和切点区域的曲线，根据计算的斜率和曲率的特点能有效确定角点和切点。
1 图像预处理
被测刀具的图像如图1所示。CCD相机采集到刀具的彩色图像，将其转化为256色的灰度图像，如图1a
所示，采用最大方差阈值法将图像二值化。由于刀具表面存在油污，光线散射等原因，图像二值化后，在
刀具部分有颗粒状噪声，而刀具以外有细小孔洞存在，所以在提取轮廓前，采用形态学算子滤波。在图像
形态学中，最基本的运算是腐蚀和膨胀运算，通过腐蚀和膨胀可以构成开运算与闭运算。开闭运算都能够
平滑边缘，其中开运算能够消除细小物体，闭运算能够填充物体孔洞。本文采用方形结构元素，对图像先
闭运算后开运算，有效地滤除了图像的细小孔洞和噪声，而刀具的结构和面积基本保持不变。图1b所示为
收稿日期：2003 − 07 − 24
作者简介：侯学智(1980 − )，男，硕士生，主要从事工业测控技术方面的研究.
第4期 侯学智 等: CCD图像的轮廓特征点提算法
447
滤波后的二值图像。
电 子 科 技 大 学 学 报 第33卷
448
点。实际提取结果为特征点的区域，如图6所示的刀具局部轮廓，所以仍需进一步定位到最接近实际特征点
处。
本文讨论角点和切点定位的改进算法。在光滑曲线上，其导数曲线也是连续的，即各点的左斜率与右
斜率相等，而在轮廓的角点处，导数曲线不连续，左斜率与右斜率相差很大。利用最小二乘法拟合法得到
各点的左右斜率，便可确定角点。
设拟合多项式为
)()()()(1111001xQaxQaxQaxPmmm−−−+⋅⋅⋅++=
式中 )(xQj为正交多项式，
j
a为正交多项式线性组合的系数，它们可由递推公式求得，不再详述。角点
定位步骤如下：
1) 假设角点区域大小为n。在区域中的点kp处，取kp及其左边共1+m点拟合曲线，计算其左斜率lkh，
同样取
kp及其右边共1+m点拟合曲线，计算其右斜率rk
h。
2) 计算区域中全部点的左右斜率，得到序列lkh，),,2,1(nkhrkL=， 并计算左右斜率差分值kh∆，kh∆
取最大值处即为角点。
在轮廓的切点处，左右斜率相等，不能应用上述方法。但在切点处轮廓曲率发生变化，曲率差分最大
处为切点，实际上由于噪声和最小二乘法的影响，直线曲率变化较大，所以往往曲率差分最大处并不为切
点，而拟合后的圆弧曲率与实际相差不大，利用这一特点，便可确定切点。具体步骤如下：
1) 利用最小二乘法拟合出切点区域附近曲线。
2) 计算拟合后各点的坐标，根据公式(3)得到各点的新曲率。
3) 计算曲率差分，从曲率大的方向(即圆弧段)开始搜索差分序列，当某点处曲率差分小于某一阈值时，
认为进入直线段，此点即为切点。
利用上述算法便可提取出特征点，如图7所示。然后可根据曲率来将圆弧和直线分段，即曲率大于某一
阈值为圆弧段，否则为直线段。再对分段后的轮廓进行分析，得到用于参数测量的关键曲线段，在这些曲
线段处，采用亚像素算法进行测量，最后得到精确的刀具参数。
图6 刀具局部轮廓特征点区域 图7 刀具局部轮廓特征点
4 总 结
本文介绍了刀具测量系统中的图像处理方法，阐述了二值图像的形态学滤波﹑细化﹑修建算法，利用
十一点曲率法得到轮廓的角点和切点大致位置。并提出一种基于最小二乘拟合的改进算法来定位角点和切
点，该算法在实际系统中应用结果表明，能有效确定角点和切点，并对轮廓曲线准确分段。
参 考 文 献
[1] Castleman K R. Digital image processing[M]. 北京: 清华大学出版社,1998.
[2] 崔 屹. 图像处理与分析[M]. 北京:科学出版社, 2000.
[3] 张 翔, 刘媚洁, 陈立伟. 基于数学形态学的边缘提取方法[J]. 电子科技大学学报, 2002, 31(5): 492-495
[4] 王英惠, 吴维勇, 赵汝嘉. 平面轮廓的分段与识别技术[J]. 计算机辅助设计与图形学学报, 2002, 14(12):
1 142-1 145
[5] 王金鹤. 扫描图象曲线轮廓关键点的提取及其处理[J]. 中国图象图形学报, 2001, 6(7): 699-702
编 辑 漆 蓉