校对到六十

Author: gzr2017

Question_51_60/README.md

@@ -130,9 +130,9 @@ S最后的范围在$-1\leq S\leq 1$。零均值归一化积相关去掉平均值
 
 答案 >> [answers/answer_57.py](answers/answer_57.py)
 
-## 问题五十八：4邻接连通域标记
+## 问题五十八：$4-$邻接连通域标记
 
-将`seg.png`进行4邻接连通域标记吧。
+将`seg.png`进行$4-$邻接连通域标记吧。
 
 连通域标记（Connected Component Labeling）是将邻接的像素打上相同的标记的作业。
 
@@ -149,40 +149,50 @@ S最后的范围在$-1\leq S\leq 1$。零均值归一化积相关去掉平均值
 
 像这样的像素组成的被标记的块被称为连通区域（Connected Component）。
 
-在这里我们为4​邻域的像素打上标记。另，在这里我们使用一种被称为Lookup Table（这里我没有找到确切的中文翻译，原文是“ルックアップテーブル”，在[这里](http://imagingsolution.blog.fc2.com/blog-entry-193.html)有对Lookup Table更详尽的解释）的东西。
+在这里我们为4邻域的像素打上标记。另，在这里我们使用一种被称为Lookup Table的东西。
+
+> 这里我没有找到“ルックアップテーブル”确切的中文翻译，只是看到有些博客把这个叫“等价对列表”。我也不确定到底应该怎么说，所以就按音译了。另，“distination”好像是笔误，我还没去确认。
+>
+> ——gzr
 
 Lookup Table是这样的：
 
-```bash
-|   Source   |    Distination   | 
-|     1      |         1        |
-|     2      |         2        |
-|     3      |         1        |
-```
+| Source | Distination |
+| :----: | :---------: |
+|   1    |      1      |
+|   2    |      2      |
+|   3    |      1      |
 
 一开始被打上1标签的像素（即`Source=1`的像素）最终被分配到的标签为1（`Distination=1`）；一开始被打上3标签的像素（即`Source =3`的像素）最终被分配的的标签也为1（`Distination=1`）。
 
 算法如下：
 
 1. 从左上角开始进行光栅扫描。
-2. 如果当前遍历到的像素`i(x,y)`是黑像素的什么也不干。如果是白像素，考察该像素的上方像素`i(x,y-1)`和左边像素`i(x-1,y)`，如果两个的取值都为0，将该像素分配一个新的标签（在这里我们用数字做标签，即1,2,原文是说“最後に割り当てたラベル + 1 を割り当てる”，直译就是分配给该像素将最后分配的标签加1数值的标签）。
+
+2. 如果当前遍历到的像素`i(x,y)`是黑像素的什么也不干。如果是白像素，考察该像素的上方像素`i(x,y-1)`和左边像素`i(x-1,y)`，如果两个的取值都为0，将该像素分配一个新的标签。
+
+   > 在这里我们用数字做标签，即1,2。原文是说“最後に割り当てたラベル + 1 を割り当てる”，直译就是分配给该像素将最后分配的标签加1数值的标签。
+   >
+   > ——gzr
+
 3. 如果两个像素中有一个不为0（也就是说已经分配了标签），将上方和左边的像素分配的标签中数值较小的那一个（0除外）分配给当前遍历到的像素`i(x,y)`。在这里，将上方像素和左边像素的标签写入`Lookup Table`的`Source`，将当前遍历的像素`i(x,y)`分配的标签写入`Distination`。
+
 4. 最后，对照`Lookup Table`，对像素分配的标签由`Source`变为`Distination`。
 
 
-像这样的话，邻接像素就可以打上同样的标签了。因为这里是做4邻接连通域标记，所以我们只用考察上方像素和左边像素。
+像这样的话，邻接像素就可以打上同样的标签了。因为这里是做$4-$邻接连通域标记，所以我们只用考察上方像素和左边像素。
 
 | 输入 (seg.png) | 输出(answers/answer_58.png) |
 | :------------: | :-------------------------: |
 |  ![](seg.png)  | ![](answers/answer_58.png)  |
 
 答案 >> [answers/answer_58.py](answers/answer_58.py)
 
-## 问题五十九：8邻接连通域标记
+## 问题五十九：$8-$邻接连通域标记
 
-在这里我们将问题58变为8邻接连通域标记。
+在这里我们将问题58变为$8-$邻接连通域标记。
 
-要进行8邻接连通域标记，我们需要考察`i(x-1,y-1)`，`i(x, y-1)`，`i(x+1,y-1)`，`i(x-1,y)`这4个像素。
+要进行$8-$邻接连通域标记，我们需要考察`i(x-1,y-1)`，`i(x, y-1)`，`i(x+1,y-1)`，`i(x-1,y)`这4个像素。
 
 | 输入 (seg.png) | 输出(answers/answer_59.png) |
 | :------------: | :-------------------------: |
@@ -192,9 +202,9 @@ Lookup Table是这样的：
 
 ## 问题六十： 透明混合（Alpha Blending）
 
-将`imori.jpg`和`thorino.jpg`按照6:4的比例透明混合吧。
+将`imori.jpg`和`thorino.jpg`按照$6:4$的比例透明混合吧。
 
-透明混合即通过设定透明度（Alpha值）来设定图像透明度的方法。在 OpenCV 中虽然没有透明度这个参数，但在PIL等库中有。在这里我们手动设定透明度。
+透明混合即通过设定透明度（Alpha值）来设定图像透明度的方法。在OpenCV中虽然没有透明度这个参数，但在PIL等库中有。在这里我们手动设定透明度。
 
 将两张图片重合的时候，这个方法是有效的。
 

Question_51_60/README.pdf

@@ -1,47 +1,45 @@
-# Q. 61 - 70
+# 问题六十一至七十
 
-## Q.61. 4-邻接的连接数
+## 问题六十一：$4-$邻接的连接数
 
 > [参考](http://ftp.gongkong.com/UploadFile/datum/2008-10/2008101416013500001.pdf)
 >
 > 关于这个我没有找到什么中文资料，只有两个差不多的 PPT 文档。下面的译法参照这个 PPT。
 >
 > ——gzr
 
-请根据4-邻接的连接数将`renketsu.png`上色。
+请根据$4-$邻接的连接数将`renketsu.png`上色。
 
 4连接数可以用于显示附近像素的状态。通常，对于所关注像素x0(x，y)不为零的情况，邻域定义如下：
-
-```bash
-x4(x-1,y-1) x3(x,y-1) x2(x+1,y-1)
-x5(x-1,y)   x0(x,y)   x1(x+1,y)
-x6(x-1,y+1) x7(x,y+1) x8(x+1,y+1)
-```
-
-这里，4-邻接的连接数通过以下等式计算：
-
-```bash
-S = (x1 - x1 x2 x3) + (x3 - x3 x4 x5) + (x5 - x5 x6 x7) + (x7 - x7 x8 x1) 
-```
-
-S的取值范围为[0,4]：
-- S = 0： 内部点
-- S = 1：端点
-- S = 2​：连接点
-- S = 3​：分支点
-- S = 4：交叉点
+$$
+\begin{matrix}
+x_4(x-1,y-1)& x_3(x,y-1)& x_2(x+1,y-1)\\
+x_5(x-1,y) &  x_0(x,y)  & x_1(x+1,y)\\
+x_6(x-1,y+1)& x_7(x,y+1)& x_8(x+1,y+1)
+\end{matrix}
+$$
+这里，$4-$邻接的连接数通过以下等式计算：
+$$
+S = (x_1 - x_1\ x_2\  x_3) + (x_3 - x_3\  x_4\  x_5) + (x_5 - x_5\  x_6\  x_7) + (x_7 - _x7\  x_8\  x_1)
+$$
+$S$的取值范围为$[0,4]$：
+- $S = 0$： 内部点
+- $S = 1$：端点
+- $S = 2$​：连接点
+- $S = 3$​：分支点
+- $S = 4$：交叉点
 
 |          输入 (renketsu.png)          |          输出(answers/answer_61.png)           |
 | :-----------------------------------: | :--------------------------------------------: |
 | <img src="renketsu.png" width="50px"> | <img src="answers/answer_61.png" width="50px"> |
 
 答案 >> [answers/answer_61.py](answers/answer_61.py)
 
-## Q.62. 8-邻接的连接数
+## 问题六十二：$8-$邻接的连接数
 
-请根据8-邻接的连接数将`renketsu.png`上色。
+请根据$8-$邻接的连接数将`renketsu.png`上色。
 
-这里，8-邻接的连接数通过以下等式计算：
+这里，$8-$邻接的连接数通过以下等式计算：
 
 ```bash
 S = (x1 - x1 x2 x3) + (x3 - x3 x4 x5) + (x5 - x5 x6 x7) + (x7 - x7 x8 x1) 
@@ -54,17 +52,17 @@ S = (x1 - x1 x2 x3) + (x3 - x3 x4 x5) + (x5 - x5 x6 x7) + (x7 - x7 x8 x1)
 
 答案 >> [answers/answer_62.py](answers/answer_62.py)
 
-## Q.63. 细化处理
+## 问题六十三：细化处理
 
 将`gazo.png`进行细化处理吧！
 
 细化是将线条宽度设置为1的过程，按照下面的算法进行处理：
 
 1. 从左上角开始进行光栅扫描；
-2. 如果x0(x,y)=0，不处理。如果x0=(x,y)=1，满足下面三个条件时，x0=0：
-   遍历到的像素4近邻像素的取值有一个以上的0；
-   x0的4连接数有1；
-   x0的8近邻像素中有三个以上取值为1。
+2. 如果$x_0(x,y)=0$，不处理。如果$x_0(x,y)=1$，满足下面三个条件时，令$x_0=0$：
+   * 遍历到的像素$4-$近邻像素的取值有一个以上的0；
+   * x0的4连接数有1；
+   * x0的$8-$近邻像素中有三个以上取值为1。
 3. 重复光栅扫描，直到步骤2中像素值改变次数为0。
 
 用于细化的算法有 Hilditch 算法（问题64），Zhang-Suen 算法（问题65），田村算法等。
@@ -75,10 +73,22 @@ S = (x1 - x1 x2 x3) + (x3 - x3 x4 x5) + (x5 - x5 x6 x7) + (x7 - x7 x8 x1)
 
 答案 >> [answers/answer_63.py](answers/answer_63.py)
 
-## Q.64. Hilditch 细化算法
+## 问题六十四：Hilditch 细化算法
 
+将`gazo.png`进行 Hilditch 细化算法处理吧！算法如下：
+
+1. 从左上角开始进行光栅扫描；
 
-将`gazo.png`进行 Hilditch 细化算法处理吧！
+1. x0(x,y)=0ならば、処理なし。x0(x,y)=1ならば次の5条件を満たす時にx0=-1に変える。
+   1. 注目画素の4近傍に0が一つ以上存在する
+   2. x0の8-連結数が1である
+   3. x1〜x8の絶対値の合計が2以上
+   4. x0の8近傍に1が1つ以上存在する
+   5. xn(n=1〜8)全てに対して以下のどちらかが成り立つ
+      - xnが-1以外
+      - xnを0とした時、x0の8-連結数が1である
+2. 各画素の-1を0に変える
+3. 一回のラスタスキャンで3の変更数が0になるまで、ラスタスキャンを繰り返す。
 
 ## Q.65. Zhang-Suen 细化算法
 

Question_61_70/README.md

@@ -10,7 +10,7 @@
 >
 > * 各个README文件在完成基本校对之后会转为PDF文件。PDF文件阅读效果最佳。当前进度：
 >
->    ⣿⣿⣿⣿⣿⣀⣀⣀⣀⣀ 50% 
+>    ⣿⣿⣿⣿⣿⣿⣀⣀⣀⣀ 60%
 >
 > 感谢！
 >