保持圖像骨架連續(xù)的剪枝技術(shù)及相關(guān)問題研究.pdf

1、隨著現(xiàn)代科技的發(fā)展，可以獲取和利用的圖像資源急劇增加。運用圖像分析和理解技術(shù)快速檢測和識別出圖像中的目標，在軍事、生產(chǎn)和生活等諸多領(lǐng)域都有迫切的需求，同時也是計算機視覺、人工智能、圖像處理等領(lǐng)域的關(guān)鍵問題。
　　在圖像的分析和理解技術(shù)中，目標的表示和識別技術(shù)是圖像分析和理解的核心環(huán)節(jié)，如何選取圖像合適的特征信息是決定識別成功與否的重要步驟。圖像的形狀包含了大量的視覺信息，是最常用的圖像特征。骨架作為一種保留了拓撲信息的全局形狀變換

2、，其結(jié)果直觀，意義明確，且便于進行相似性計算，是物體表示和識別的有力工具。本文旨在尋求一種對邊界噪聲有較強的魯棒性，并能夠保持骨架連續(xù)性的實用型骨架提取方法。
　　本文首先給出了目前國內(nèi)外骨架提取的相關(guān)研究進展，對五種典型的骨架提取方法分別做了介紹，并分析和總結(jié)了目前骨架提取算法中普遍存在的問題:不連續(xù)性、存在冗余骨架支、骨架提取的不公平性等，諸多缺陷制約了骨架提取技術(shù)的實際應(yīng)用。在分析前人研究成果的基礎(chǔ)上，最終選擇在保持連續(xù)性的

3、形態(tài)學細化骨架上進行剪枝的方法，以得到目標骨架，其重點是找到一種有效體現(xiàn)骨架點重要性的度量準則。
　　之后，提出了一種基于輪廓線長度度量準則(簡稱 CLSM)的骨架剪枝方法，使用距離骨架點最近的輪廓點沿著輪廓線的最小輪廓距離作為骨架點顯著性的度量，該度量具有較好的顯著性表現(xiàn)能力、多余的毛刺狀分枝區(qū)分能力和公平性。為驗證輪廓線長度度量準則的有效性，本文設(shè)計了一個算法，將輪廓線上的所有點建立為kd-樹，通過kd-樹搜索距離骨架點最近的

4、輪廓點。將此方法運用到形態(tài)學細化產(chǎn)生的骨架上，通過在最近骨架點搜索中和距離計算上引入一定程度的平滑，得到了效果良好的圖像骨架。實驗結(jié)果不但驗證了CLSM的優(yōu)良特性，同時表明算法有較強的穩(wěn)定性和抗噪能力。其低復(fù)雜性也讓此算法完全有資格作為形態(tài)學細化骨架法的后續(xù)改進算法，成為骨架提取算法的一部分。
　　接下來，將 CLSM運用到了骨架樹結(jié)構(gòu)中。雖然CLSM與 kd-樹結(jié)合的算法已經(jīng)很好的達到了預(yù)期效果。但是我們期望在骨架剪枝的同時，可

5、以為后續(xù)的目標表識別或匹配等工作提供一個良好的骨架描述。對骨架樹結(jié)構(gòu)進行分析和改進的基礎(chǔ)上，把骨架以骨架樹的形式組織起來，對每個骨架節(jié)點使用CLSM加以度量，使用閾值剪枝，剪枝后的結(jié)果骨架仍然以骨架樹的結(jié)構(gòu)存在，可以直接應(yīng)用于后續(xù)的識別等工作。算法設(shè)計中，在區(qū)域分割理論的指導下，以線性復(fù)雜度代價完成了對骨架樹上所有節(jié)點的CLSM計算。將算法應(yīng)用到標準數(shù)據(jù)集 MPEG-7 CE-Shape-1的B部分圖像生成的形態(tài)學細化骨架上，實驗結(jié)果表

6、明，算法不但高效完成了對冗余骨架的準確剪枝，而且可以改變閾值，方便實現(xiàn)骨架的多尺度剪枝，為不同精度的識別工作做好鋪墊。另外骨架節(jié)點還可以包含諸如最近邊界支撐點等有效信息。至此設(shè)計出了一套完整的針對形態(tài)學骨架的剪枝算法。雖然本文中只對形態(tài)學骨架進行了研究和實驗，但是很明顯，只要對具體算法稍加改進，這種基于骨架樹的輪廓線度量剪枝策略在所有可以保持連續(xù)性的骨架上都可以取得理想的效果。
　　最后，對全文工作和今后的研究重點進行了總結(jié)和說明