之前因为实际需要，根据Mathematica论坛提供的方法，自己手动提取了一下图片的数据，发现确实很好用，而且很智能。其实主要还是MMA比较好用，提供了大量的图像处理函数。我大致看了一下MMA的帮助文档，图像相关的函数应该有上百个，而且还有大量计算机形态学方面的函数，这样可以智能的进行图片处理了，用得好的话，就是一个函数式Photoshop啊。

1.分式线性变换

这里要先说一点变换的知识，当年的代数基本全部还给老师了，折腾了半天弄懂了点东西，赶紧记录一下。

首先是MMA的一个函数LinearFractionalTransform，这个函数的学名叫做分式线性变换，根据维基百科的介绍（可怜的百度百科挫的不行），这个又叫做莫比乌斯变换：

在几何学里, 莫比乌斯变换是一类从黎曼球面映射到自身的函数。

看了这第一句话之后，我后面就没打算看了，有机会去研究研究，但是目前来说开头第一步就卡住了，不是很好，于是我就得直接去看这个MMA帮助，帮助总归是比较通俗易懂一点。

简单来说，这个函数是这样使的：

这样会产生这样一个变换的矩阵：

\[{\rm{TransformationFunction}}\left[ {\left( {\begin{array}{*{20}{c}}
1&2&5\\
3&4&6\\
7&8&1
\end{array}} \right)} \right]\]

其实这个矩阵的变换含义是很清晰的，我们使用x和y进行输入就可以看到：

\[\left\{ {x,y} \right\} \to \left\{ {\frac{{5 + x + 2y}}{{1 + 7x + 8y}},\frac{{6 + 3x + 4y}}{{1 + 7x + 8y}}} \right\}\]

矩阵的第三行作为分母，上面两行分别为作用于x和y进行变换。

其实还可以这么写：

这样就看的比较明显，在这样的输入下，变换就是：

\[\left\{ {x,y} \right\} \to \left\{ {x + 2y,3x + 4y} \right\}\]

其基本形式就是n空间到m空间的一个变换：

\[\left[ {\begin{array}{*{20}{c}}
1&2\\
3&4
\end{array}} \right]\left[ {\begin{array}{*{20}{c}}
{{x_n}}\\
{{y_n}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
{{x_m}}\\
{{y_m}}
\end{array}} \right]\]

根据这样一个理论，如果我们要将m空间变换为n空间，只需要获得变换矩阵的逆矩阵就行了。

2.简单例子

上面看起来比较简单，但是实际使用的时候还是比较绕的，我用一个简单的例子来说明一下。用最简单的分式线性变换：

我们对直角坐标系下面的两个基向量进行变换：

\[\begin{array}{*{20}{l}}
{\left[ {\begin{array}{*{20}{c}}
a&b\\
c&d
\end{array}} \right]\left[ {\begin{array}{*{20}{c}}
0\\
1
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
b\\
d
\end{array}} \right]}\\
{\left[ {\begin{array}{*{20}{c}}
a&b\\
c&d
\end{array}} \right]\left[ {\begin{array}{*{20}{c}}
1\\
0
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
a\\
c
\end{array}} \right]}
\end{array}\]

然后我们合并这两个向量得到一个矩阵：

\[\left[ {\begin{array}{*{20}{c}}
a&c\\
b&d
\end{array}} \right]\]

不难发现，如果我们获得m空间的基向量，那么组合并转置之后可以直接取逆变换回去。根据这个简单的例子，我们开始对图形进行恢复。

3.逆矩阵获得

首先还是需要一个透视图，如下图所示：

上面的图片和之前数据提取用的图片是一样的，下面是生成代码：

从这个代码可以看出，这个透视变换的变换规则是这样一个矩阵：

\[\left[ {\begin{array}{*{20}{c}}
1&{0.1}\\
{0.1}&1
\end{array}} \right]\left[ {\begin{array}{*{20}{c}}
{{x_n}}\\
{{y_n}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
{{x_m}}\\
{{y_m}}
\end{array}} \right]\]

现在假设我们不知道这个变换过程。但是有一点是明白的，就是这个图片的两个坐标轴在实际空间是垂直的，那么就可以根据上面的简要思路进行变换。

首先先将坐标轴的数据提取出来，那么我们要用到前文的方法：

先获取图像的负片然后进行二值化处理，设定恰当的阈值0.57，这样就可以获得下面的图片：

获得这样的图片之后就可以直接使用MMA的ImageLines[ ]函数获得这个图片中的直线的端点，这个图片中有两条直线，可以获得四个点，然后用这些点相减可以获得两个向量，即“图片空间”的一对正交向量。

计算的结果是：

\[\left[ {\begin{array}{*{20}{c}}
{600.}&{59.92}\\
{ – 38.51}&{ – 378.}
\end{array}} \right]\]

通过与原始变换矩阵对比：

\[\left[ {\begin{array}{*{20}{c}}
1&{0.1}\\
{0.1}&1
\end{array}} \right] \Leftrightarrow \left[ {\begin{array}{*{20}{c}}
{600.}&{59.92}\\
{ – 38.51}&{ – 378.}
\end{array}} \right]\]

我们可以发现其实存在着倍数的关系，当然由于是图像提取不可能完全的准确，然后还有一条直线的坐标向量是颠倒的，但是这个是没有没有关系的，待会儿可以将图像颠倒一下和这个矩阵做运算：

将图像的尺寸颠倒一下，然后点乘上面的矩阵的转置求逆，这样就获得了逆变换的一个矩阵了：

\[\left[ {\begin{array}{*{20}{c}}
{1.01}&{ – 0.10}\\
{ – 0.10}&{1.01}
\end{array}} \right]\]

4.图像处理

剩下的就比较简单了，首先是和上次一样进行掩膜处理。将刚才获取的线的坐标在图片上面绘制出来，加粗覆盖坐标区域：

这样我们可以获得一张坐标轴的遮罩：

 

这样用下面的代码对这个遮罩反色，将坐标轴区域设置为感兴趣区域，然后进行这个区域的处理，将这个区域全部去除：

可以得到下面的图片：

直接采用刚才计算的逆变换矩阵，使用MMA的透视变换函数进行逆变换：

就可以得到一张很正规的图片了：

然后获取图片的形态学分量，并对图片进行细化：

图片的曲线将会非常的突出:

之后便是点的提取工作了，这和之前的文章内容一样，就不再分析了：

5.End小结

图像处理真的是涉及到很多的矩阵知识，只是可惜很多都已经还给老师了，有时间还是要补补课的。关于空间映射知识，在课堂上讲真的是非常非常的无聊，如果能够像这样结合点例子，那么讲课也会变得特别有趣。

Anyway，总算是晕晕乎乎的写完了，也不知道其中有多少问题。这个东西还是蛮实用的，所以就留下来以供以后参考参考。

给出一个文中代码的下载链接：LI87N9.zip

最后感谢一下文末的网站内容作者，专业的MMA论坛，非常厉害啊！

6.Reference

1. Recovering data points from an image