我怎样才能找到带有 Mathematica 的 Waldo？
周末这让我烦恼：解决那些Waldo的好方法是什么？ [ 'Wally'在北美之外] 使用 Mathematica（图像处理和其他功能）进行拼图？
这是我到目前为止的功能，它通过调暗一些非红色来减少视觉复杂度：
whereIsWaldo[url_] := Module[{waldo, waldo2, waldoMask},
waldo = Import[url];
waldo2 = Image[ImageData[
waldo] /. {{r_, g_, b_} /;
Not[r > .7 && g < .3 && b < .3] :> {0, 0,
0}, {r_, g_, b_} /; (r > .7 && g < .3 && b < .3) :> {1, 1,
1}}];
waldoMask = Closing[waldo2, 4];
ImageCompose[waldo, {waldoMask, .5}]
]以及 “有效” 的 URL 示例：
whereIsWaldo["http://www.findwaldo.com/fankit/graphics/IntlManOfLiterature/Scenes/DepartmentStore.jpg"]（Waldo 是收银台）：
答案
我找到了沃尔多！
我是怎么做到的
首先，我将过滤掉所有不是红色的颜色
waldo = Import["http://www.findwaldo.com/fankit/graphics/IntlManOfLiterature/Scenes/DepartmentStore.jpg"];
red = Fold[ImageSubtract, #[[1]], Rest[#]] &@ColorSeparate[waldo];接下来，我正在计算这个图像与简单的黑白图案的相关性，以找到衬衫中的红色和白色过渡。
corr = ImageCorrelate[red,
Image@Join[ConstantArray[1, {2, 4}], ConstantArray[0, {2, 4}]],
NormalizedSquaredEuclideanDistance];我使用Binarize来选择具有足够高相关性的图像中的像素，并在它们周围绘制白色圆圈以使用Dilation强调它们
pos = Dilation[ColorNegate[Binarize[corr, .12]], DiskMatrix[30]];我不得不在水平上玩一点。如果水平太高，则挑选出太多误报。
最后，我将此结果与原始图像组合以获得上述结果
found = ImageMultiply[waldo, ImageAdd[ColorConvert[pos, "GrayLevel"], .5]]我猜测这是一种 “防弹方式”（想想 CIA 随时在任何卫星图像中找到 Waldo，而不仅仅是没有竞争元素的单个图像，比如条纹衬衫）...... 我会在 Waldo 的许多图像上训练Boltzmann 机器 - 他坐着，站立，闭塞等各种变化; 衬衫，帽子，相机和所有的作品。你不需要大量的 Waldos（也许 3-5 就够了），但越多越好。
这将为不同正确排列的各种元素分配概率云，然后建立（通过分割）平均对象大小是什么，将源图像分割成最类似于个体的对象的单元格（考虑可能的遮挡和姿势变化） ），但由于 Waldo 图片通常包含大量相同比例的人，这应该是一项非常简单的任务，然后为预先训练好的 Boltzmann 机器提供这些部分。它会给你每个人成为 Waldo 的概率。以最高概率获得一个。
这就是今天 OCR，邮政编码阅读器和无笔划手写识别的工作原理。基本上你知道答案就在那里，你或多或少知道它应该是什么样的，其他一切可能都有共同的元素，但绝对是 “不是它”，所以你不要打扰 “不是它”，你只看一下你之前看过的所有可能的 “它” 的可能性 “（例如，在邮政编码中，你只训练 BM 1s，只需 2s，只需 3s 等，然后喂每个数字到每台机器，并选择一个最有信心的。）这比所有数字的单个神经网络学习功能好很多。
我同意 @GregoryKlopper 的意见，解决在任意图像中找到 Waldo（或任何感兴趣的对象）的一般问题的正确方法是训练有监督的机器学习分类器。使用许多正面和负面标记的示例，可以训练诸如支持向量机 ， Boosted Decision Stump或 Boltzmann Machine 的算法以在该问题上实现高精度。 Mathematica 甚至在其机器学习框架中包含了这些算法。
培训 Waldo 分类器的两个挑战是：
- 确定正确的图像特征变换。这是 @Heike 的答案有用的地方：红色滤镜和剥离模式检测器（例如，小波或 DCT 分解）将是将原始像素转换为分类算法可以学习的格式的好方法。还需要一个基于块的分解来评估图像的所有子部分...... 但是由于 Waldo a）总是大致相同的大小并且 b）在每个图像中始终只出现一次，因此这变得更容易。
- 获得足够的训练样例。 SVM 最适合每个类至少 100 个示例。增强的商业应用（例如，数码相机中的面部聚焦）在数百万个正面和负面示例上进行训练。
一个快速的谷歌图像搜索提供了一些好的数据 - 我将去收集一些培训示例并立即对其进行编码！