我正在搜索一张大图像的灰度图像。
这是我到目前为止所做的,只是从左到右,从上到下逐个像素地搜索,它是灰度的,所以我使用bool作为数据类型(1 ==黑色0 ==白色)。
#include <iostream>
using namespace std;
template <int WIDTH, int HEIGHT>
struct array {
bool data[WIDTH][HEIGHT];
int width() { return WIDTH; }
int height() { return HEIGHT; }
void random_fill() {
for(int row=0; row<HEIGHT; row++) {
for(int col=0; col<WIDTH; col++) {
data[row][col] = (row*col+col*col) % 3 == 0 ? 1 : 0;
}
}
}
void display() {
cout << "array content:" << endl;
for(int row=0; row<HEIGHT; row++) {
for(int col=0; col<WIDTH; col++) {
cout << data[row][col] << " ";
}
cout << endl;
}
}
void operator=(bool _data[WIDTH][HEIGHT]) {
memcpy(data, _data, WIDTH*HEIGHT);
}
};
struct point {
int x;
int y;
};
// test if a sub-rect of a big_rect matches a small rect
template <typename big_t, typename small_t>
bool rect_match(big_t& big_arr, int x_offset, int y_offset, small_t& small_arr) {
int w = small_arr.width(),
h = small_arr.height();
for(int row=0; row<h; row++) {
for(int col=0; col<w; col++) {
if(big_arr.data[row+y_offset][col+x_offset] != small_arr.data[row][col])
return false;
}
}
return true;
}
// search for a small_rect in a big_rect
template <typename big_t, typename small_t>
point search(big_t& big_arr, small_t& small_arr) {
point pt;
for(int row=0; row<big_arr.height()-small_arr.height(); row++) {
for(int col=0; col<big_arr.width()-small_arr.width(); col++) {
if(rect_match(big_arr, col, row, small_arr)) {
pt.x = col;
pt.y = row;
return pt;
}
}
}
pt.x = pt.y = -1;
return pt;
}
int main() {
array<10, 10> big_arr;
big_arr.random_fill(); // fill the sample image with some "random" color
big_arr.display();
array<3, 3> small_arr;
bool data[3][3] = {{1,0,1},{0,0,1},{0,1,1}};
small_arr = data;
small_arr.display();
point pt = search(big_arr, small_arr);
cout << "pt: (" << pt.x << ", " << pt.y << ")" << endl;
}
我正在寻找一种性能更好的更好的算法。
有什么建议吗?
感谢。
答案 0 :(得分:2)
您可以将较大的图像解释为字符串,以应用字符串搜索算法,例如“Boyer-Moore”字符串搜索算法&#39; (http://en.wikipedia.org/wiki/Boyer%E2%80%93Moore_string_search_algorithm)找到较小图像的第一行。找到该行后,您将匹配以下行。
但是,如果找不到较小的图像(未与较大图像中的字节边界对齐),则必须使用移位的较小图像重复搜索(暂时忽略第一个和最后一个字节),直到找到匹配或没有进一步的转变是合理的。