基于復(fù)雜網(wǎng)絡(luò)的形狀描述方法研究.pdf

1、形狀描述是圖像處理與模式識別領(lǐng)域的重要研究內(nèi)容，在目標(biāo)識別、醫(yī)學(xué)圖像分析等領(lǐng)域具有廣泛的應(yīng)用。近年來，該領(lǐng)域的研究者們提出了多種不同的形狀圖像描述方法，但實際中物體的形狀圖像極易發(fā)生剛性以及非剛性變形從而使得這些描述方法在特定的場景下效果較差。形狀的復(fù)雜網(wǎng)絡(luò)描述方法是一種重要的形狀描述與特征提取方法。該方法屬于基于邊界的形狀描述方法，僅考慮形狀邊界點之間的相對位置，不考慮形狀圖像的內(nèi)部信息。在經(jīng)典的形狀復(fù)雜網(wǎng)絡(luò)模型的基礎(chǔ)上，本文提出了形

2、狀的多模復(fù)雜網(wǎng)絡(luò)模型和有向復(fù)雜網(wǎng)絡(luò)模型。
　　本文的主要工作如下:
　　(1)傳統(tǒng)復(fù)雜網(wǎng)絡(luò)模型中，節(jié)點之間的邊權(quán)重為對應(yīng)邊界點之間的歐氏距離，歐氏距離對形狀的非剛性變形不穩(wěn)定。與歐氏距離相比，內(nèi)部距離對形狀的非剛性變形具有較強的魯棒性。針對這一問題，提出結(jié)合形狀邊界點之間的內(nèi)部距離以及歐氏距離建立形狀的多模復(fù)雜網(wǎng)絡(luò)模型。在該模型中網(wǎng)絡(luò)節(jié)點之間邊的權(quán)重由對應(yīng)形狀邊界點之間的歐氏距離以及內(nèi)部距離所組成的向量表示。在進行動態(tài)演化時

3、，分別基于歐氏距離以及內(nèi)部距離進行，在每個演化階段得到兩個演化子網(wǎng)絡(luò)。在特征提取階段分別提取基于歐氏距離以及基于內(nèi)部距離演化子網(wǎng)絡(luò)序列的統(tǒng)計特征進行形狀描述。在進行形狀圖像之間的距離度量時，分別計算歐氏距離模型特征以及內(nèi)部距離模型特征之間的距離，取其中的最小值作為形狀圖像之間的距離。實驗結(jié)果表明，與傳統(tǒng)的基于歐氏距離的復(fù)雜網(wǎng)絡(luò)模型以及基于內(nèi)部距離的復(fù)雜網(wǎng)絡(luò)模型相比，該方法具有更強的常見形狀變形的抗干擾能力，具有較高的檢索和分類精度。

4、r>　　(2)傳統(tǒng)的形狀復(fù)雜網(wǎng)絡(luò)模型部是基于閾值演化的，在每個演化階段所得到的都是無向子網(wǎng)絡(luò)，子網(wǎng)絡(luò)僅包含節(jié)點之間的距離信息。與無向網(wǎng)絡(luò)相比，有向網(wǎng)絡(luò)既包含網(wǎng)絡(luò)中節(jié)點之間的距離信息又包含節(jié)點之間的近鄰信息。因此提出一種新的基于形狀邊界點之間內(nèi)部距離的有向復(fù)雜網(wǎng)絡(luò)表示模型。而且為了使該模型對形狀的非剛性變形具有較強的魯棒性，網(wǎng)絡(luò)中節(jié)點之間的邊的權(quán)值為對應(yīng)邊界點之間的內(nèi)部距離。在動態(tài)演化階段采用k近鄰演化方式，每個演化階段所得到的子網(wǎng)絡(luò)都為