( $ ) / $

(
$ ) /
)2
,
$
'0
#
&. . 6
, . .;
, (.(.
, *, *
,
kzipa@graphics.cs.msu.ru
.1
(
$
.
$1
$
.#
,
!%
(
",
"
.
$
$1
!%
:
'
$
).
,
!%
,
,
.
,
,
.
6
,
%
$1
.4
"
$1
$1
" $1
,
$
.
.
!
,
$
$
.4 $
"
$1
,
,
!%
! ).
–
$1 . #
$1
4
$
–
$1
:
$1
,
,
$
,
$1
(
,
,
"
,
$
).
(
$
$
. 0
!%
(
–
$
$
-
,
"
,
$
,
.
$
$1
,
$
,
.
$
!
.
$1
,
%
!$
. ,
$1
.
$1
.,
(
%
$1
).
$1
#
,
$
"
$1
[1]
$
. 6
"
(background estimation)
"
$1
- 51 -
. #
"
$1
%
. 0
,
.
"
,
!
!
,
.(
"
$
$1
$
-
$
"
$
.
!
"
. (
"
,
!%
$1
"
$
:
$1
$1
- $1
%
"
5
",
$
–
-
$
"
,
". 0
. #
$1
$1
0
.
"
" $1
$
,
$1
.#
"
!% "
", $
-)$
,
$
,
$
$
.
'0
%
%
"
"
"
$
"
$
". #
$
$
[2].
» [3]
«(
,
(“
"
1) #
$1
!
”-snake) [4].
.#
"!%
$
(
"
)
. #
$
,
(
$
:
).
2) #
(
,
3) #
$ $
).
"
:
.
[5].
. 1.
& '
(
&
4 $
%)
$
,
,
$
$1
*
"
.
$
!%
!
,
% ! $
$1
:
"
"
- 52 -
.
,
.,
"
%
$1
$
#
$
!
"
,
$
(region growing) [6]
(seed pixel)
(
",
".
".
"
"
$
,
$
,
"
.
(bottom-up).
.
$1
,
,
! $
-
"
). #
% "
.4
. #
. -
%
"
$
$
,
!
(
.
$
"
,
, $
. 4
"
:
$
$
(
)
$
$
"
$
"
$
.
/
7
"
$1
$
!%
$1
!
,
.
$
,
$1
"
"
.#
",
!
$
$1
.
6
$
!
"
–
!% !
,
"
$1
. (
$1
.)
,
$
,
"
(
,
,
$1
,
$
$
$1
"
. .
"
(C)
(P)
$
"
% !
$
–
#
.
[7]
.
. &
%
$1
(S):
$
,
. -
"
$1
2.
- 53 -
% (/
. 2.
#
%&
"
!
!
$1
\
.
.
–
–
%
,
".
-
1
"
$
dmap.
!%
2
!%
$
" $1
3
,
.
–
R =
dmap(x0,y0).
-
4
$1
,
4
$
,
"
.
:
%
(medV
$
% "
maxV)
$1
. &
!
$
5
6
. 3.
#
6
!
:
d = dmap(i,j)*medV/maxV.
"
$1
(
$
$
$1
!
+
,
.
.
& & . 4 $ 1,2,4,7. ( $ 11,13,17,20)
- 54 -
!
#
«
4
»
$
"
!
,
!
(
,
"
. )
$
.
"
,
.
$
$
(
$
.#
–
) NSTEPS.
!! $
:
).
for j=1:NSTEPS
F1 = imfilter(bframe,[1 1 1]);
F2 = imfilter(bframe,[1; 1; 1]);
F3 = imfilter(bframe,[1 0 0; 0 1 0; 0 0 1]);
F4 = imfilter(bframe,[0 0 1; 0 1 0; 1 0 0]);
bframe = F1&F2&F3&F4;
end
(NSTEPS
"
).
"
4
,
$ !% !
=
>)
%
$1
(
. 4.
$ !% !
).
'
*
- 55 -
)
( ( !
(
$
. 5.
+
)
$ ), &
(150
& '
. 6.
(
&
( &
*
, &
$
# . .( !
(R = 75),
(R = 75).
(R = 75)
( !
, “
,
,
$
$
,
!% "
$
$
,
.'
"
$
$ $
N. #
$1
%
,
$1
, $ ,
.
1
$
"
.#
% :
.
”
$1
%
$1
.
,
:
"
,
!
,
,
.0
,
$
,
"
"
1
.)
!
!
,
!.
2
#
$
"
"
.
"
$
3
4
$
.
"
"
(
K)
$
N. -
1
!
$
.2
$
XYT,
!
,
,
. .
5 -
"
!
6
"
.
$
.
- 56 -
.
"
"
$1
.#
#
7
*
"
,
"
$1
,$
$1
,
.
'
#
"
$1
"
,
. #
"
,
"
.
!%
!
,
!
$1
,
"
!
(
,
,
"
% ").
,
1. M. Calafut. Multiple-Object Tracking in the Infrared. Stanford University.
2. . &
, .
.
$
":
. &
!
.
85(1)/2007.
3. .
, (.
, 4. *
, (. &
, .&
, (. &
.
(
. 2008.
+
’2008,
. 206-212
4. M. Kass, A. Witkin and D. Terzopoulos “Snakes: Active Contour Models”
International Journal of Computer Vision, vol. 1, pp. 321-331, 1987
5. E.V. Zaugolnova, D.V. Yurin “Algorithm for Refinement of Preliminary
Segmentation of Images with Smooth, Low Contrast 2D Objects Boundaries” In proc.
Graphicon, 2006
6. R.M. Haralick and L.G. Shapiro. Survey: Image. Segmentation. Techniques.
CVGIP, vol. 29, 1985, pp. 100-132
7. http://en.wikipedia.org/wiki/Distance_transform
(
/
. 7.
(
$
. & '
& ,
&
.
$
- 57 -
!
%
& ( ,
' 15
,