# 专业文献翻译任务

将用户提供的文件完整翻译为中文 Markdown 文档。以语义忠实、专业准确、结构完整、术语一致为最高优先级，并尽量减少不必要的 Token 消耗。
如果你的能力支持且文章需要切片翻译时，允许你至多使用5个子agent，子agent的模型允许使用能力相对较低的模型，只需要保证翻译能力即可。




## 1. 翻译原则
- 忠实保留原文的信息、逻辑关系、语气、限定条件及不确定性，不增删、不概括、不擅自解释。
- 使用符合专业领域习惯的自然中文，允许必要的语序调整，但不得改变原意。
- 专业术语在全文保持统一。多义词优先依据学科背景和上下文判断，仅在关键歧义无法解决时检索权威资料。
- 保留原文的数字、单位、符号、引用、专有名称及必要的英文缩写。

## 2. 翻译流程
1. 分析全文结构、学科领域及核心术语，建立精简的内部术语表。
2. 若全文无法一次处理，按章节或自然段落边界切片，避免拆分公式、表格及完整语义单元。
3. 分片翻译时继承统一术语表及必要上下文，不重复分析已确认内容。
4. 翻译完成后检查内容完整性、术语一致性及关键语义准确性，并合并为一个 Markdown 文档。

## 3. 格式规范
- 保持原文标题层级、段落顺序、列表、表格、图注、脚注及引用关系。
- 数学公式使用 LaTeX：行内公式采用 `$...$`，独立公式采用 `$$...$$`；保留原始符号、表达式及编号。
- 代码、变量、文件路径、链接和文献标识符原则上保持原样。
- 参考文献保留可检索的原始书目信息；标题等内容仅在不损害可检索性的情况下翻译。
- 无法可靠识别的内容明确标记，不推测或编造。

## 4. 质量控制
重点检查漏译、误译、否定关系、逻辑限定、数字单位、公式、交叉引用和专业术语。发现问题直接修正，不输出冗长校对过程。

## 5. 输出要求
- 优先直接生成完整的 `.md` 文件。
- 无法生成文件时，直接输出 Markdown 正文。
- 除必要的识别问题说明外，不输出翻译计划、术语表、过程分析或额外总结。
- 不因篇幅限制而主动省略原文内容；如需分批处理，保持连续性，直至完成全部内容。

【提示词】文章的翻译

### 为什么提出此方法

Matas提出的MSER计算方法中，使用的并查集的时间复杂度为 $O(kN)$，其中 $k = \alpha (N)$， $\alpha(N)$ 为常数 $N$ 的反阿克曼函数值。
为了消除受反阿克曼函数影响的常数 $k$，令时间复杂度为真正的线性时间，David Nistér 与 Henrik Stewénius 提出了本方法。




### 计算组件树的步骤

1. 设原图为8位图片，图片的大小为 $rows \times cols$。预处理原始图像，若原始图像不是以连续的内存存储的，则先复制原始图像令其以连续的内存存储。之后，以长度为 $rows \times cols$ 的像素状态数组 $L$ 存储处理的图像的像素。

2. 新建路径边界像素记录队列 $heap$，其中 $heap$ 的长度为256，队列的每个元素 $heap[i]$ 为灰度值等于 $i$ 的像素的边界像素栈

3. 创建活动组件栈 $S$，初始化为包含一个边界组件（灰度阈值为256）、一个只包含起始像素灰度值的记录的组件栈（该像素在步骤5中进行说明）

4. 遍历灰度图中的边界像素，将其特殊标记为已访问

   > 每个像素由一个32位的int记录如下的信息：
   >
   > - 高3位：4邻域中，遍历到的邻居像素的index，合法值0-5，默认值为0，标记像素尚未访问；值1-4记录4邻域的遍历进度，即上下左右四个方向的像素；特殊标记值为5，表示像素无须访问邻域，包含像素为图像边界、像素的邻域已完全遍历两种情况。后文中使用  $vis()$ 函数获取该3位 
   > - 低29位：像素链表中，当前像素的下一像素的index值。后面使用 $next()$ 函数获取该29位

5. 从图像中位于 $(1, 1)$ 处的像素开始遍历，即从 $L[cols+1]$ 处开始遍历

   > 此处为与Matas提出的方法的核心区别之一，原文如降雨，同时填充灰度图的每个点位。本方法从一点开始填充，如在某一点位打开水龙头进行填充。
   >
   > 理论中，可以从任意一点开始遍历。但在工程实现中，为了方便，通常按照步骤5中的 $(1,1)$ 处像素开始遍历

6. 设当前像素为像素 $p$，从像素 $p$ 访问历史记录的 $index$ 开始（$index$ 的默认值为0），继续遍历像素 $p$ 的4邻域中未访问的像素。设遍历4邻域时的当前像素为 $q$，令 $index \leftarrow index + 1$，然后更新像素 $q$ 的访问标记 $vis(q) \leftarrow index + 1$ 。检查像素 $q$ 的灰度值 $G(q)$：

   - 若 $G(q) < G(p)$ ：将像素 $p$ 放回路径边界队列 $heap[G(p)]$ 中；更新像素 $p$ 的四邻域遍历进度，即像素 $q$ 在像素 $p$ 的四邻域中的 $index$ ；迁移当前像素为 $q$ ；为像素 $q$ 在组件栈中新建组件，并在组件栈中记录像素 $q$ 的灰度作为该组件的灰度阈值 ；更新 全局灰度阈值为像素 $q$ 的灰度 $currentGray \leftarrow G(q)$ ；
   - 若 $G(q) \geq G(p)$，将像素 $q$ 放到路径边界队列 $heap[G(q)]$ 中

7. 当像素 $p$ 的4邻域中的像素均被访问过后：

   - 更新像素 $p$ 的访问标记 $vis(p) \leftarrow 5$

   - 尝试更新活动组件栈 $S$ 的栈顶组件 $comp$ ：

     - 若 $comp$ 内有像素，则更新 $comp$ 用于记录包含像素的链表，令当前队尾像素指向的下一像素为像素 $p$
     - 若 $comp$ 内没有像素，则更新 $comp$ 用于记录包含像素的链表，令队首像素为像素 $p$

     > 由此可见，comp内部是以单链表的形式存储组件包含的像素的

   - 更新 $comp$ 用于记录包含像素的链表的队尾像素为像素 $p$

   - 更新 $comp$ 用于记录包含像素的链表的大小 $comp.size \leftarrow comp.size + 1$

8.  若路径边界队列中，记录像素 $p$ 同灰度像素的像素栈 $heap[G(p)]$ 非空，则从 $heap[G(p)]$ 中取出栈顶像素，作为当前像素，对其执行步骤6-7

9. 若路径边界队列中没有与像素 $p$ 同灰度的像素，即 $heap[G(p)]$ 为空，则先增大灰度阈值 $currentGray \leftarrow currentGray +1$，查询 $heap[currentGray]$ 是否为空：

   - 若 $heap[currentGray]$ 为空，则继续增大灰度阈值 $currentGray \leftarrow currentGray + 1$，直至灰度阈值达到256时结束
   - 若 $heap[currentGray]$ 不为空，则取 $heap[currntGray]$ 的栈顶像素作为当前像素，对其执行步骤6-7

10. 灰度阈值更新后：

    - 若当前灰度阈值**小于**活动组件栈的次栈顶组件记录的灰度阈值，则更新组件内部的像素变化历史
    - 若当前灰度阈值**等于**活动组件栈的词栈顶组件记录的灰度阈值，则弹出 $comp$，合并活动组件栈 $S$ 的新栈顶组件与弹出的组件

11. 当 $heap$ 中不存在像素且灰度阈值达到256后，活动组件栈 $S$ 中应当仅剩余一个真实组件和灰度阈值为256的边界组件，此时，更新真实组件的历史，并在更新时特殊标记为最终更新

【Linear-Time MSER】线性时间的MSER

### 本方法提出的原因

在Matas提出的标准MSER获取过程中，虽然很好的计算了MSER区域有哪些，但由于MSER的结构为 $(U_j, i_k, q_k)$，即只保留了MSER的包含的像素的并查集、产生时的灰度阈值、区域面积相对变化率，无法方便的获取MSER包含的像素有哪些，需要额外的洪水填充(Flood-Fill)方法还原。
在 MSER 检测过程中，这些像素及其四邻域连通关系已经在连通分量的构建与合并过程中被处理过；而为了恢复 MSER 的完整像素集合，Flood Fill 需要再次遍历这些像素并重新判断邻域连通性，从而产生可以避免的额外计算开销。

因此，Erik Murphy-Chutorian和Mohan Trivedi提出了基于NDS森林的MSER(N-tree Disjoint-Set Forests MSER)。

### 本方法的步骤

步骤以[《【MSER】初始MSER》](http://120.53.26.65/post/1)为基础进行扩展，以下简称为《初始》

1. 按照《初始》中的步骤1到步骤3，开始遍历像素的有序序列 $L$

2. 在初始化像素 $p$ 时，额外为像素 $p$ 创建节点 $Node^{NDS}: Index \leftarrow i \quad Neighbor[1:4] \leftarrow \emptyset$

   > 初始化像素 $p$，标记 $Active(p) \leftarrow true$，为像素 $p$ 创建：
   >
   > - 并查集 $U_j$ ：$Component(p) \leftarrow U_j, \quad Parent(U_j) \leftarrow U_j, \quad Size(U_j) \leftarrow 1$
   > - 历史记录 ：$Birth(U_j) \leftarrow i, \quad Death(U_j) \leftarrow \empty, \quad History(U_j) \leftarrow \emptyset$
   >
   > 将 $U_j$ 加入到 $T$ 中

3. 按照《初始》中的步骤5，遍历像素 $p$ 的四邻域

4. 完成 $U_{r_p}$ 和 $U_{r_q}$ 的合并后，为像素 $p$ 和像素 $q$ 的节点 $Node^{NDS}(p)$ 和 $Node^{NDS}(q)$ 的 $Neighbor$ 中分别压入

   - 像素 $p$ ：$Neighbor[j] \leftarrow q$
   - 像素 $q$ ：$Neighbor[k] \leftarrow p$

   > 检查像素所在并查集的根节点 $r_p = Find(U_j), p \in U_j$ 是否等于 $r_q = Find(U_k), q \in U_k$。若是，则跳过像素 $q$；若否，则合并像素 $p$ 和像素 $q$ 所在的并查集，分别为 $U_{r_p}$ 和 $U_{r_q}$
   >
   > 合并规则为：比较 $Size(U_{r_p})$ 与 $Size(U_{r_q})$。
   >
   >    - $Size(U_{r_p}) > Size(U_{r_q})$：
   >
   >      将 $U_{r_q}$ 并入  $U_{r_p}$，标记 $Death(U_{r_q}) \leftarrow i, \quad Parent(U_{r_q}) \leftarrow U_{r_p}$，更新 $U_{r_p}$ 的 $Size(U_{r_p}) \leftarrow Size(U_{r_p}) + Size(U_{r_q})$。
   >
   >    > 此处不要更新 $History(U_{r_p})$，等待该灰度阈值下的所有像素均处理完成后再统一更新
   >
   >    - $Size(U_{r_p}) = Size(U_{r_q})$：
   >
   >      可根据自定义规则决定集合的并入，如可根据 $Birth(U_{r_q})$ 与 $Birth(U_{r_p})$ 的大小决定
   >
   >    - $Size(U_{r_p}) < Size(U_{r_q})$：
   >
   >      将 $U_{r_p}$ 并入 $U_{r_q}$，步骤与 $Size(U_{r_p}) > Size(U_{r_q})$ 时对称

5. 按照《初始》中的步骤7到步骤13进行，但在对反相图进行计算的时候，需要额外建立一个NDS森林

### 如何获取指定MSER包含的像素

1. 假设指定的MSER为 $(U, i, q)$，找到并查集 $U$ 的根 在NDS森林中对应的N树

2. 从MSER中的任意节点开始遍历这颗N树，通常可通过并查集 $U$ 的根对应的节点开始，找到所有与起始节点连通的且 $index$ 不大于 $i$ 的节点。若某个节点的 $index _p> i$ ，则无须继续遍历该分支。

   > 注意，此操作为删除N树中所有 $index > i$ 的节点，这可能会导致N树分裂为多个子树。在视觉效果上，这意味着MSER代表的区域较浅的像素消失，分裂为多个小区域

3. 步骤2中找到的点的集合即此MSER包含的所有像素

【NDS- Forests MSER】基于NDS森林的MSER

 ### Matas提出的MSER方法的步骤
   1. 将原始图像处理为灰度图，获得灰度图矩阵与灰度集合 $I$ 

   2. 设灰度图像中所有的像素构成的有序序列为 $L$，对 $L$ 按照像素的灰度值进行非降序排序。初始化并查集集合 $T = \empty$

   3. 令 $Active(p) \leftarrow false, \forall p \in L$，遍历序列 $L$。设当前像素为 $p$，像素 $p$ 的灰度阈值为 $i \leftarrow G(p)$

   4. 初始化像素 $p$，标记 $Active(p) \leftarrow true$，为像素 $p$ 创建：

      - 并查集 $U_j$ ：$Component(p) \leftarrow U_j, \quad Parent(U_j) \leftarrow U_j, \quad Size(U_j) \leftarrow 1$
      - 历史记录 ：$Birth(U_j) \leftarrow i, \quad Death(U_j) \leftarrow \empty, \quad History(U_j) \leftarrow \emptyset$

      将 $U_j$ 加入到 $T$ 中

   5. 遍历像素 $p$ 四邻域中存在于图像中的像素，设当前像素为 $q$，跳过所有 $Active(q) \neq true$ 的轮次

   6. 检查像素所在并查集的根节点 $r_p = Find(U_j), p \in U_j$ 是否等于 $r_q = Find(U_k), q \in U_k$。若是，则跳过像素 $q$；若否，则合并像素 $p$ 和像素 $q$ 所在的并查集，分别为 $U_{r_p}$ 和 $U_{r_q}$

      合并规则为：比较 $Size(U_{r_p})$ 与 $Size(U_{r_q})$。

      - $Size(U_{r_p}) > Size(U_{r_q})$：

        将 $U_{r_q}$ 并入  $U_{r_p}$，标记 $Death(U_{r_q}) \leftarrow i, \quad Parent(U_{r_q}) \leftarrow U_{r_p}$，更新 $U_{r_p}$ 的 $Size(U_{r_p}) \leftarrow Size(U_{r_p}) + Size(U_{r_q})$。

      > 此处不要更新 $History(U_{r_p})$，等待该灰度阈值下的所有像素均处理完成后再统一更新
      
      - $Size(U_{r_p}) = Size(U_{r_q})$：

        可根据自定义规则决定集合的并入，如可根据 $Birth(U_{r_q})$ 与 $Birth(U_{r_p})$ 的大小决定

      - $Size(U_{r_p}) < Size(U_{r_q})$：

        将 $U_{r_p}$ 并入 $U_{r_q}$，步骤与 $Size(U_{r_p}) > Size(U_{r_q})$ 时对称

   7. 完成像素 $p$ 的邻域像素的遍历。在序列 $L$ 中，若存在下一像素且下一像素的灰度值与像素 $p$ 的一致，则继续处理下一个像素。

   8. 在序列 $L$ 中，若**当前元素为队列末尾元素或下一像素与当前像素的灰度值不一致**，则遍历 $T$ 中存活的并查集，设当前并查集为 $U_j, Find(U_j) = U_j \land Death(U_j) = \empty$，更新 $History(U_j)[i] \leftarrow Size(U_j)$

   9. 遍历 $T$ 中历史记录不为空的并查集，设当前并查集为 $U_j$

   10. 遍历并查集 $U_j$ 的 $History(U_j)$，设 $History(U_j)$ 中记录的灰度值集合为 $I_j$，当前灰度为 $i \in I_j$ ，变化率计算的灰度阈值偏移量为 $\Delta$，窗口长度为 $2\Delta$，计算窗口的左边界灰度默认值为 $i_l = i - \Delta$，计算窗口的右边界灰度默认值为 $i_r = i + \Delta$，区域面积的相对变化率计算公式为：
       $$
       q(U_j, i) = \frac{A_{i+\Delta} - A_{i-\Delta}}{A_i}
       ,
       A_k = History(U_j)[k]
       ,
       k \in\{i-\Delta, i, i+\Delta\}
       $$
       若 左边界满足 $i-\Delta < Birth(U_j)$ 或右边界满足  $Death(U_j) \neq \emptyset \land i+\Delta \geq Death(U_j)$，说明计算的区域面积的相对变化率使用的历史变化区间超过了区域本身的生命周期，应当直接跳过计算，对于其他情况可如下继续计算。

       若 $i-\Delta \notin I_j$，则在灰度集合$I_j$ 中寻找最大的灰度  $i_{l}^{replace}$ 满足
       $$
       i_l^{replace} = max\{ k \in I_j | k \leq i - \Delta \}
       $$
       

       以等效代替 $i-\Delta$ ，令 $i_l = i_l^{replace}$。

       若 $i + \Delta \notin I_j$，则在灰度集合 $I_j$ 中寻找最大的灰度 $i_{r}^{replace}$ 满足
       $$
       i_r^{replace} = max\{ k \in I_j | k \leq i + \Delta \}
       $$
       

       以等效代替 $i+\Delta$ ，令 $i_r = i_r^{replace}$

       > 每个区域都是随阈值灰度的增长而单向增长的，当某一灰度不存在于灰度值集合 $I_j$ 中时，该区域在此灰度阈值下没有发生面积变化，因此该区域的面积与较低的灰度阈值时的面积相等。所以， $i-\Delta \notin I_j$ 、$i+\Delta \notin I_j$ 时，对应使用较小的满足条件的灰度时的历史记录作为代替。

       若 $i_l \notin I_j \lor i_r \notin I_j$ ，跳过当前灰度阈值；否则，按如下公式计算区域面积相对变化率：
   $$
   q(U_j,i) = \frac{History(U_j)[i_r] - History(U_j)[i_l]}{History(U_j)[i]}
   $$

   11. 遍历完成 $History(U_j)$ 中的区域面积相对变化率计算后，设得到的区域面积相对变化率队列为 $Q$，$Q$ 中的元素 $q(U_j, i)$ 按照 $i$ 的大小排列。遍历 $Q$，设当前的区域面积相对变化率为 $q_k$，取 $Q$ 中所有满足 $q_k < q_{k-1}$ 且 $q_k <q_{k+1}$ 的元素，那么 $(U_j, i_k ,q_k)$ 为一个MSER，将其放入MSER集合$M^+$ 中。
   12. 获取原始图像灰度图的反相灰度图 $G^-(p) = G^{max} - G(p)$，对于反相图有 $i^- = G^{max} - i$，其中 $i^-$ 为正相图中灰度阈值 $i$ 在反相图中的对称灰度阈值，$G^{max}$ 为灰度图像所在灰度值域中灰度的最大值。重复步骤2到步骤11，最终得到MSER集合 $M^-$
   13. 最终，最大稳定极值区域集合 $M = M^+ \cup M^-$ 为所求

   ### 如何获得每个MSER包含的像素
   1. 遍历MSER集合 $M^+$，设当前的MSER为 $M_j = (U, i, q)$，MSER对应区域的像素集合为 $S = \emptyset$。
   2. 获取 $U$ 的根节点对应的像素 $p$，从 $p$ 开始做洪水填充(Flood-Fill)，洪水填充的灰度阈值为 $i$，即从 $p$ 开始使用DFS或BFS遍历四邻域的属于 $U$ 的像素，设遍历的当前像素为 $q$， 则将所有满足 $i_q \leq i$ 的加入 $S$。
   3. 在MSER集合 $M^-$ 中执行对称操作，寻找满足 $i_q \geq i$ 的像素加入像素集合 $S$

