我遵循了 Tim Cootes 在 教科书和原始论文中描述的 Active Shape Models 方法。到目前为止一切顺利（Procrustes 分析、主成分分析、图像预处理（对比度、噪声））。只有拟合过程本身似乎没有收敛。
我使用教科书(p. 13)中描述的灰度结构方法的统计模型为8 个门牙中的每一个、40 个地标中的每一个创建拟合函数（因此总共创建了 320 个不同的拟合函数）每个门牙通过k沿剖面垂直于边界的两侧采样 5 个 (= ) 点，通过 8 个门牙中的每一个的 40 个地标中的每一个。这些函数等于马氏距离（教科书第 14 页）。
在拟合过程中，我m>k通过牙齿当前近似值的 40 个界标中的每一个，沿垂直于边界的轮廓在两侧采样 10 个 (= ) 点。这样我必须2(m-k)+1使用相应的拟合函数评估样本。这些样本中的每一个都包含2k+1点的梯度值。选择最小化函数的样本，并将相应的界标定位在这些2k+1点的中点。这是针对 40 个地标中的每一个完成的。这会产生一个新的（尚未验证的）牙齿近似值。
图像坐标系中的这种近似与图像坐标系中的牙齿模型对齐。bi然后计算和检查主成分分析的系数（ ），|bi|<3*sqrt(eigenvalue_i)以不偏离模型的形状太多。如有必要，系数 ( bi) 受到限制，我们转换回图像坐标系并开始一些新的迭代。
显示我们想要找到左上门牙的图像。
显示在第 19 次迭代中图像坐标系中牙齿近似的梯度图像。（红色：验证前 - 绿色：验证后） 正如我们所看到的，我们与最佳解决方案有些不同。
def create_gradient(img):
temp = cv2.Scharr(img, ddepth=-1, dx=1, dy=0)
return cv2.Scharr(temp, ddepth=-1, dx=0, dy=1)
显示第 19 次迭代中模型坐标系中牙齿的近似值。（蓝色：模型 - 红色：验证前 - 绿色：验证后） 正如我们所看到的，我们仍然接近模型的形状。
在模型坐标系中显示 19 次迭代的牙齿近似值。（蓝色：模型 - 红色：验证前 - 绿色：验证后）正如我们所看到的，在所有这些迭代过程中，我们都保持接近模型的形状
所以我们保持接近形状（由主成分分析保护），但不接近地标周围的强度行为（由拟合函数保护）。