Matlab图像处理与优化算法：碎纸片拼接复原的数学建模实践

1. 项目概述：重温2013年数学建模B题第一问

十多年前的数学建模赛题，现在看起来可能有些“复古”，但其中蕴含的建模思想、数据处理方法和编程技巧，至今依然极具价值。2013年高教社杯全国大学生数学建模竞赛B题“碎纸片的拼接复原”，其第一问是一个经典的图像处理和优化问题。题目给出了来自同一页印刷文字文件的碎纸片图像（仅纵切），要求我们建立模型和算法，将这些碎片重新拼接复原。这听起来像是一个有趣的拼图游戏，但用Matlab来实现，就需要我们将感性的图像匹配转化为严谨的数学计算和逻辑判断。

当年参赛时，我和队友们为这个问题绞尽脑汁，试过多种方案。如今回顾，结合更成熟的工具和理解，我们可以更优雅、更系统地解决它。这个问题的核心在于，如何量化两张碎纸片边缘的“匹配程度”。对于仅纵切的情况，我们只需要关注碎片的左边缘和右边缘。最直观的想法就是比较像素：将碎片右边缘的像素列与另一碎片左边缘的像素列进行对比，相似度最高的就认为是最可能的邻居。但“相似度”如何定义？是简单的像素差值求和，还是更高级的相关系数？如何处理纸张的纹理、墨迹的深浅、扫描产生的噪声？这些都是建模时需要仔细考虑的。

本文将带你从头开始，用Matlab复现解决这个问题的完整流程。我们不仅会写出可运行的代码，更会深入探讨每一步背后的“为什么”：为什么选择这种相似度度量？为什么预处理要这样做？当匹配出现歧义时又该如何决策？我会分享当年我们踩过的坑以及后来总结出的更稳健的技巧。无论你是正在学习数学建模的学生，还是希望提升Matlab图像处理能力的爱好者，这篇详尽的“复盘”都能提供一条清晰的路径和许多可直接复用的代码片段。

2. 问题拆解与核心思路设计

面对一叠扫描出来的、顺序混乱的纵切碎纸片图像，我们的目标是恢复其原始顺序。这本质上是一个排序问题，但排序的依据不是数字的大小，而是碎片边缘内容的连续性。我们需要设计一个算法，自动找出哪张碎片应该放在另一张碎片的右边。

2.1 核心思路：基于边缘匹配的贪婪算法

最主流且有效的思路是基于边缘匹配的贪婪算法。其核心步骤可以分解为：

1. 数据读取与预处理：将所有碎片图像读入Matlab，统一尺寸，并可能进行二值化、去噪等操作，将图像数据转化为便于计算的矩阵。
2. 特征提取：针对每一张碎片，我们关心它的两个竖直边缘：最左边的一列像素和最右边的一列像素。这些列向量就是后续匹配的“特征”。
3. 相似度计算：定义一个函数，用于计算任意两张碎片之间“左边缘-右边缘”的匹配程度。这个函数的值越大（或越小），表示这两张碎片是相邻的可能性越高。
4. 全局排序与拼接：从某一张碎片开始（比如最左端的碎片，其左边缘应为全白），根据相似度计算，找到它最匹配的右邻居，然后将该邻居作为新的当前碎片，继续寻找下一个右邻居，直到所有碎片被串联起来。这就是“贪婪”的由来：每一步都只选择当前最优的匹配。

这个思路清晰直接，但难点和精髓全在细节里：如何定义“相似度”才能抗噪声、效果好？如何确定起点？如果贪婪算法中途匹配错误导致“死胡同”怎么办？

2.2 相似度度量的选择与比较

这是整个模型的心脏。我们至少需要比较一个列向量（碎片A的右边缘）与另一个列向量（碎片B的左边缘）。假设我们处理的是二值图像（黑色文字为1，白色背景为0），列向量是0和1的序列。

• 方法一：绝对差值和（Sum of Absolute Differences, SAD）这是最直观的方法。将两个列向量逐像素相减取绝对值，然后求和。值越小，说明两个边缘越相似。相似度_SAD = sum(abs(edge_right_A - edge_left_B))优点：计算简单快速，物理意义明确。缺点：对噪声敏感。如果边缘有少量噪点，会导致差值和不稳定。更重要的是，它没有考虑整体的相关性。

• 方法二：归一化互相关（Normalized Cross-Correlation, NCC）这种方法在图像匹配中非常常用。它计算两个向量的相关系数，值域在[-1, 1]之间。1表示完全正相关，-1表示完全负相关，0表示不相关。相似度_NCC = corrcoef(edge_right_A, edge_left_B); similarity = 相似度_NCC(1,2)优点：对图像的亮度线性变化不敏感，抗噪能力比SAD强，能更好地捕捉形状的相似性。缺点：计算量稍大于SAD。

• 方法三：基于边界黑白像素比例的方法考虑到这是文字文档，我们可以利用先验知识：文字行的边界，其黑白像素的分布应该具有连续性。例如，我们可以计算右边缘列中黑色像素（值为1）的比例，与左边缘列中黑色像素的比例进行比较。但单纯比较比例丢失了空间位置信息，效果通常不如前两种。

实操心得：在2013年我们实际解题和后续的多次复现中，归一化互相关（NCC）是稳健性和效果最好的选择。它能够有效应对扫描图像常见的亮度不均、轻微污渍等问题。SAD虽然快，但在遇到复杂情况时容易出错。因此，本文后续将主要基于NCC来构建模型。

2.3 确定拼接起点与终点

在纵切情况下，原文档最左侧碎片的左边缘和最右侧碎片的右边缘，理论上应该是全白的（即像素值全部为背景色）。我们可以利用这一特性。

1. 寻找最左碎片：遍历所有碎片的左边缘列，计算该列中非背景色（如黑色）像素的数量。数量最少（ ideally 为0）的那个碎片，极有可能是最左边的碎片。我们可以将它作为拼接的起点。
2. 寻找最右碎片：同理，遍历所有碎片的右边缘列，找到非背景色像素数量最少的碎片，作为拼接的终点（或验证终点）。
3. 验证：有时可能因为噪声或装订线痕迹，没有绝对全白的边缘。我们可以设定一个阈值（比如非白色像素数少于总像素的1%），或者同时结合左、右边缘的信息来综合判断。

3. 完整Matlab实现流程与代码详解

下面，我们按照操作流程，一步步实现算法。假设我们已经将19张纵切碎片图像（pic1.png,pic2.png, ...,pic19.png）保存在名为fragments的文件夹中。

3.1 环境准备与数据读取

首先，我们需要将图像读入Matlab，并存储为统一的数据结构。

clear; clc; close all; % 1. 设置路径和参数 fragment_dir = './fragments/'; % 碎片图像所在文件夹 file_list = dir(fullfile(fragment_dir, '*.png')); % 获取所有png文件 num_fragments = length(file_list); % 碎片总数，应为19 % 2. 初始化存储结构 fragments = cell(num_fragments, 1); % 用元胞数组存储每个碎片的图像矩阵 fragment_names = cell(num_fragments, 1); % 3. 循环读取图像 for i = 1:num_fragments file_path = fullfile(fragment_dir, file_list(i).name); img = imread(file_path); % 读入图像，得到三维矩阵 (高度, 宽度, 3[RGB]) fragments{i} = img; % 存储原始彩色图像，后续根据需要处理 fragment_names{i} = file_list(i).name; % 可选：显示一下看看 % subplot(4,5,i); imshow(img); title(sprintf('Frag %d', i)); end disp(['成功读取 ', num2str(num_fragments), ' 张碎片图像。']);

3.2 图像预处理：灰度化与二值化

彩色图像（RGB）包含三个通道，计算量大且对于黑白文档不必要。我们首先将其转换为灰度图像，然后二值化，将文字和背景分离。

% 4. 预处理：转换为灰度图并二值化 bin_fragments = cell(num_fragments, 1); % 存储二值化图像 gray_fragments = cell(num_fragments, 1); left_edges = cell(num_fragments, 1); % 存储左边缘列向量 right_edges = cell(num_fragments, 1); % 存储右边缘列向量 for i = 1:num_fragments % 4.1 灰度化 gray_img = rgb2gray(fragments{i}); gray_fragments{i} = gray_img; % 4.2 二值化 - 这是关键步骤！ % 使用全局阈值 Otsu's method 自动确定阈值 level = graythresh(gray_img); % level 是一个介于0-1之间的归一化阈值 bin_img = imbinarize(gray_img, level); % 二值化，背景为0(黑)，文字为1(白)？注意！ % 通常imshow显示时，0是黑，1是白。但为了计算方便，我们通常希望背景是1（白），文字是0（黑）。 % 所以我们需要反转图像。 bin_img = ~bin_img; % 逻辑非操作，反转图像。现在背景=1(白)，文字=0(黑)。 bin_fragments{i} = bin_img; % 4.3 提取边缘特征 [height, width] = size(bin_img); left_edges{i} = bin_img(:, 1); % 最左边一列，尺寸为 [height x 1] right_edges{i} = bin_img(:, end); % 最右边一列，尺寸为 [height x 1] % 可选：可视化检查预处理效果 % figure; % subplot(1,3,1); imshow(fragments{i}); title('原始彩色'); % subplot(1,3,2); imshow(gray_img); title('灰度'); % subplot(1,3,3); imshow(bin_img); title('二值化(背景白，文字黑)'); % pause(0.5); end

注意事项：二值化是预处理的核心，阈值选择不当会导致文字断裂或背景噪点过多。graythresh函数使用的Otsu方法在大多数文档图像上效果很好。如果效果不佳，可以考虑手动调整阈值，或使用自适应阈值法imbinarize(gray_img, ‘adaptive’)。图像反转（~bin_img）是为了让后续计算更符合直觉：匹配时我们希望相同的部分（都是背景或都是文字）贡献正相关。

3.3 构建相似度矩阵

接下来，我们需要计算任意两个碎片i（作为左碎片）和j（作为右碎片）之间的匹配度。我们使用归一化互相关（NCC）。

% 5. 计算归一化互相关（NCC）相似度矩阵 % 矩阵 S 的维度为 [num_fragments x num_fragments] % S(i, j) 表示将碎片 i 放在左边，碎片 j 放在右边时，它们边缘的匹配程度。 S = zeros(num_fragments, num_fragments); for i = 1:num_fragments right_edge_i = double(right_edges{i}); % 将逻辑型转换为双精度浮点型，便于corrcoef计算 for j = 1:num_fragments if i == j S(i, j) = -inf; % 自己和自己不匹配，设为负无穷 continue; end left_edge_j = double(left_edges{j}); % 计算相关系数矩阵 corr_matrix = corrcoef(right_edge_i, left_edge_j); % corrcoef返回一个2x2矩阵：[1, r; r, 1]。我们需要的是r，即(1,2)或(2,1)元素。 ncc_value = corr_matrix(1, 2); % NCC值在[-1,1]之间。越接近1，匹配越好。 % 为了后续排序方便，我们直接存储NCC值。 S(i, j) = ncc_value; end end % 可视化相似度矩阵（热图） figure; imagesc(S); colorbar; title('碎片间NCC相似度矩阵 (行i右边缘 -> 列j左边缘)'); xlabel('潜在右邻居碎片 j'); ylabel('当前碎片 i');

这个矩阵S是我们的“地图”。S(i,j)的值越高，说明碎片i的右边缘和碎片j的左边缘越相似，j越有可能是i的右邻居。

3.4 确定起点与贪婪拼接

现在，我们利用相似度矩阵S和“最左碎片左边缘应全白”的先验知识，开始拼接。

% 6. 确定起点：寻找最可能是最左边的碎片（左边缘最“白”） % 在我们的二值图像中，背景（白）= 1，文字（黑）= 0。 % 因此，左边缘列向量中所有像素值越接近1，说明越白。 left_whiteness = zeros(num_fragments, 1); for i = 1:num_fragments left_whiteness(i) = mean(left_edges{i}); % 计算左边缘列的平均值。背景全白=1，全黑=0。 end [~, start_idx] = max(left_whiteness); % 平均值最大的，即最白的，作为起点。 disp(['推测的起始碎片编号: ', num2str(start_idx), ' (文件名: ', fragment_names{start_idx}, ')']); % 7. 贪婪算法进行拼接 unused = true(num_fragments, 1); % 标记碎片是否已被使用 current_idx = start_idx; unused(current_idx) = false; % 标记起点已使用 order = current_idx; % 记录拼接顺序 for step = 1:num_fragments-1 % 总共需要找 n-1 次邻居 % 从相似度矩阵 S 的当前行中，找出未使用碎片里相似度最高的那个 candidate_scores = S(current_idx, :); candidate_scores(~unused) = -inf; % 将已使用碎片的得分设为负无穷，排除它们 [best_score, next_idx] = max(candidate_scores); % 判断匹配质量。如果最佳匹配得分太低，可能意味着匹配错误或已到终点。 if best_score < 0.3 % 这是一个经验阈值，可以根据实际情况调整 warning('在步骤 %d，当前碎片 %d 的最佳匹配得分(%.3f)过低。可能已到达最右端或出现错误。', ... step, current_idx, best_score); break; end % 更新状态 current_idx = next_idx; unused(current_idx) = false; order = [order, current_idx]; % 将新碎片编号加入顺序列表 fprintf('步骤 %2d: 碎片 %2d -> 碎片 %2d (匹配得分: %.4f)\n', ... step, order(end-1), order(end), best_score); end % 检查是否所有碎片都已使用 if sum(unused) == 0 disp('恭喜！所有碎片拼接完成。'); else disp(['警告：仍有 ', num2str(sum(unused)), ' 张碎片未被使用。拼接可能不完整。']); unused_indices = find(unused); disp('未使用的碎片编号:'); disp(unused_indices); end disp('最终的碎片顺序 (从左到右):'); disp(order);

3.5 可视化拼接结果

得到顺序后，我们需要将按照这个顺序排列的碎片图像横向拼接起来，直观地查看复原效果。

% 8. 根据顺序可视化拼接结果 % 获取单张碎片图像的尺寸（所有碎片尺寸应相同） sample_bin = bin_fragments{1}; [img_height, img_width] = size(sample_bin); % 创建一张空白的大画布，用于横向拼接 % 宽度 = 单张碎片宽度 * 碎片数量 % 高度 = 单张碎片高度 reconstructed_img = zeros(img_height, img_width * length(order), 'logical'); % 使用逻辑矩阵存储二值图像 for i = 1:length(order) frag_idx = order(i); % 计算当前碎片在大图中的列范围 col_start = (i-1) * img_width + 1; col_end = i * img_width; % 将碎片图像贴到对应位置 reconstructed_img(:, col_start:col_end) = bin_fragments{frag_idx}; end % 显示拼接结果 figure; imshow(reconstructed_img); title('基于贪婪算法(NCC)的拼接复原结果'); xlabel('像素位置'); ylabel('像素位置'); % 为了更清晰，我们也可以显示灰度图拼接结果（更接近原貌） reconstructed_gray = zeros(img_height, img_width * length(order), 'uint8'); for i = 1:length(order) frag_idx = order(i); col_start = (i-1) * img_width + 1; col_end = i * img_width; reconstructed_gray(:, col_start:col_end) = gray_fragments{frag_idx}; end figure; imshow(reconstructed_gray); title('基于贪婪算法(NCC)的拼接复原结果 (灰度图)');

4. 算法优化与鲁棒性提升

上述基础贪婪算法在理想情况下（碎片清晰、切割整齐、无噪声）可以工作得很好。但实际扫描图像总会存在各种问题，直接使用上述算法可能会在某个步骤做出错误匹配，导致后续全盘皆错。我们需要增加算法的鲁棒性。

4.1 处理匹配歧义：多候选与回溯

基础贪婪算法只选择“当前最优”，这是一种“目光短浅”的策略。当最佳匹配和第二佳匹配得分非常接近时，盲目选择最佳的可能不是全局最优解。

优化策略：K-最佳候选与回溯

1. 记录多候选：在每一步寻找邻居时，不只看第一名，而是保留前K个（例如K=3）得分最高的候选碎片。
2. 深度优先搜索与回溯：尝试沿着每一条候选路径进行拼接。如果某条路径走到后面发现无法继续（所有候选匹配得分都很低）或者用完了所有碎片但顺序不合理，则回溯到上一个决策点，尝试下一个候选。
3. 评估完整路径：为每一条完整的拼接路径定义一个“总得分”（例如，路径上所有匹配对的NCC得分之和）。选择总得分最高的路径作为最终结果。

这种方法计算量会增大（K越大，计算量指数增长），但对于解决歧义、提高准确率非常有效。对于19个碎片，K=2或3的回溯搜索是可行的。

% 这是一个简化的多候选回溯思路框架，并非完整可执行代码，用于说明逻辑。 function best_order = backtrack_reconstruction(S, start_idx, K) num_frags = size(S, 1); best_order = []; best_total_score = -inf; % 定义一个递归搜索函数 function dfs(current_order, used, current_total_score) if length(current_order) == num_frags % 找到一条完整路径 if current_total_score > best_total_score best_total_score = current_total_score; best_order = current_order; end return; end current_idx = current_order(end); % 获取当前碎片的所有可能右邻居得分，并排除已使用的 scores = S(current_idx, :); scores(used) = -inf; % 找出前K个最佳候选 [sorted_scores, sorted_indices] = sort(scores, 'descend'); topK_indices = sorted_indices(1:min(K, sum(~isinf(sorted_scores)))); topK_scores = sorted_scores(1:min(K, sum(~isinf(sorted_scores)))); for k = 1:length(topK_indices) next_idx = topK_indices(k); next_score = topK_scores(k); if next_score < 0.2 % 如果候选得分太低，剪枝，不再探索这条路径 continue; end new_used = used; new_used(next_idx) = true; dfs([current_order, next_idx], new_used, current_total_score + next_score); end end initial_used = false(1, num_frags); initial_used(start_idx) = true; dfs([start_idx], initial_used, 0); end

4.2 利用双边缘信息进行全局优化

贪婪算法只用了“右边缘匹配左边缘”的单向信息。实际上，我们可以利用更全局的信息。我们可以将问题转化为一个**旅行商问题（TSP）**的变种：

• 城市：每个碎片是一个“城市”。
• 距离：从城市i到城市j的“距离”定义为1 - NCC(i, j)（因为NCC越大表示越相似，距离应越小）。
• 目标：找到一条访问所有城市一次且仅一次的路径，使得总距离最小。这条路径就是碎片的顺序。

这样，我们就将局部匹配问题转化为了一个全局优化问题。可以使用TSP的经典算法来求解，如动态规划（对于19个碎片，状态空间是18!，仍然巨大，但比暴力枚举好）、模拟退火、遗传算法等。Matlab的全局优化工具箱可以提供帮助。

% 思路示例：将相似度矩阵转换为距离矩阵，并使用近似算法（如最近邻法）求解TSP % 注意：这是一个启发式方法，不一定得到最优解，但通常比基础贪婪法更稳健。 D = 1 - S; % 将相似度转换为相异度（距离） for i = 1:num_fragments D(i,i) = inf; % 自己到自己的距离设为无穷大 end % 使用最近邻法（Nearest Neighbor）作为TSP的启发式解法 tsp_order = zeros(1, num_fragments); tsp_order(1) = start_idx; visited = false(1, num_fragments); visited(start_idx) = true; for i = 2:num_fragments last_city = tsp_order(i-1); [~, next_city] = min(D(last_city, ~visited)); % 在未访问城市中找距离最小的 visited(next_city) = true; tsp_order(i) = next_city; end disp('基于TSP最近邻法得到的顺序:'); disp(tsp_order); % 然后可以比较tsp_order和基础贪婪法的order，选择总距离更小的那个。

4.3 预处理增强：边界扩展与噪声过滤

有时碎片边缘在扫描时会有少量像素的缺失或污渍。我们可以考虑在提取边缘特征时，不只取最边上一列，而是取边缘的若干列（例如2-3列）来计算一个更宽泛的“边缘区域”的特征，比如计算这几列像素的平均向量，再进行匹配。这相当于给匹配增加了一个小的容错空间。

另外，在二值化后，可以使用形态学操作（如bwareaopen）去除面积过小的孤立噪点，避免这些噪点对边缘匹配产生干扰。

% 示例：提取多列作为边缘特征，并去噪 width_of_edge_region = 3; % 使用边缘的3列像素 for i = 1:num_fragments bin_img = bin_fragments{i}; % 去噪：移除面积小于50像素的连通区域 bin_img_cleaned = bwareaopen(bin_img, 50); [height, width] = size(bin_img_cleaned); % 提取左边缘区域（前3列）的均值向量 left_region = bin_img_cleaned(:, 1:min(width_of_edge_region, width)); left_edges{i} = mean(left_region, 2); % 对行求平均，得到 height x 1 的列向量 % 提取右边缘区域（后3列）的均值向量 right_region = bin_img_cleaned(:, max(1, width-width_of_edge_region+1):end); right_edges{i} = mean(right_region, 2); end % 注意：使用均值向量后，特征值变为0~1之间的浮点数，计算NCC仍然适用。

5. 常见问题排查与调试技巧

在实际运行代码时，你可能会遇到各种问题。以下是一些常见情况及解决方法。

5.1 拼接结果出现明显错位或乱码

• 症状：复原后的文字行在碎片交界处断开、错位，无法阅读。
• 可能原因与排查：
  1. 二值化效果差：这是最常见的原因。检查bin_fragments中的图像，文字是否清晰连贯？背景是否干净？尝试调整二值化阈值。可以将level = graythresh(gray_img)改为手动设置，例如level = 0.5，或使用自适应二值化bin_img = imbinarize(gray_img, ‘adaptive’);。
  2. 起点选择错误：算法从一个错误的碎片开始拼接。检查left_whiteness的值，确认被选为起点的碎片其左边缘是否确实最白。可以可视化显示所有碎片的左边缘列：figure; for i=1:19; subplot(4,5,i); plot(left_edges{i}); title(i); end。真正的左边缘应该是一条接近1的水平线。
  3. 相似度度量失效：如果图像噪声极大或文字非常稀疏，NCC可能不稳定。可以尝试换用其他度量，如余弦相似度（cosine_sim = dot(a,b)/(norm(a)*norm(b))），或者结合SAD和NCC。
  4. 贪婪算法陷入局部最优：这就是为什么需要4.1和4.2中的优化策略。尝试运行回溯算法或TSP方法，看结果是否改善。

5.2 算法未能使用所有碎片

• 症状：最终order中的碎片数量少于19，控制台提示有碎片未使用。
• 可能原因与排查：
  1. 匹配阈值过高：在贪婪算法的循环中，我们设置了if best_score < 0.3的跳出条件。如果某个碎片的真实邻居匹配得分恰好低于0.3（可能因为边缘损坏），算法会提前终止。尝试降低这个阈值到0.2或0.15，或者直接注释掉这个break语句，让算法强制遍历（但可能接错）。
  2. 存在重复或极度相似的碎片（本题应不存在）：如果相似度矩阵中，某个碎片与其他多个碎片的匹配得分都极高且接近，可能导致算法混乱。检查相似度矩阵S，看是否有异常高的非对角线元素。
  3. 回溯或TSP方法：使用4.1或4.2的全局方法，它们的目标是使用所有碎片，通常能避免此问题。

5.3 运行速度慢，特别是对于回溯算法

• 症状：当碎片数量增多（如本题附件2、3有更多碎片）或K值设得较大时，回溯算法运行时间很长。
• 优化策略：
  1. 剪枝：在回溯搜索中，如果当前路径的局部匹配得分已经很低，或者当前部分路径的总得分远低于已知的较优解，可以提前终止该分支的搜索（如上文代码中的if next_score < 0.2就是一种剪枝）。
  2. 降低K值：对于大多数情况，保留前2个候选（K=2）已经能很大程度改善贪婪法的不足，同时计算量可控。
  3. 使用启发式TSP求解器：如模拟退火、遗传算法等，它们能在可接受时间内为大规模TSP问题找到近似最优解。Matlab的Global Optimization Toolbox提供了simulannealbnd和ga函数。

5.4 如何评估拼接结果的正确性？

对于本题，由于我们有原文档的参考（尽管在解题时不知道），可以人工目视检查复原后的文字是否可读、行文是否连贯。在无法目视判断时，可以定义一些量化指标：

• 平均匹配得分：最终顺序中，相邻碎片对的NCC得分的平均值。越高越好。
• 平滑度指标：计算拼接后，在接缝处相邻列的像素差异总和。越低越好。
• 文字行连续性（高级）：使用OCR工具识别拼接前后的文字，计算编辑距离或语言模型的困惑度（perplexity），连续性好的文本这些指标会更优。

最后，分享一个我调试时常用的小技巧：可视化每一步的匹配对。在贪婪算法循环中，不仅打印文本日志，还可以实时显示当前碎片和它最佳匹配碎片的边缘像素对比图，直观感受匹配质量。

% 在贪婪算法循环内部，添加可视化调试代码 if best_score > 0.3 % 只在匹配质量尚可时显示 figure(100); clf; subplot(2,1,1); plot(right_edges{current_idx}, 'b-'); hold on; plot(left_edges{next_idx}, 'r-'); legend('当前碎片右边缘', '候选碎片左边缘'); title(sprintf('匹配对比: 碎片%d -> 碎片%d (得分: %.3f)', current_idx, next_idx, best_score)); subplot(2,1,2); imshow([bin_fragments{current_idx}, bin_fragments{next_idx}]); title('二值图像拼接预览'); drawnow; pause(0.5); % 暂停半秒观察 end

通过这种“人机交互”式的调试，你能迅速定位是哪个匹配环节出了问题，从而有针对性地调整预处理、相似度度量或算法逻辑。数学建模的魅力，就在于将一个现实问题抽象为数学模型和算法，再通过编程实现和反复调试，最终让计算机替你完成复杂的识别与推理。2013年B题第一问，正是这样一个经典的入门案例。