形狀識別與圖像分割方法研究.pdf

1、計算機視覺是使用計算機對圖像結構和抽象層次的內容進行分析并獲取所需要的信息，以賦予計算機與人類相仿的視覺功能的技術。形狀分析是計算機視覺研究中非常重要的一環(huán)，相關技術被廣泛應用于工業(yè)、醫(yī)學、交通、軍事等各個領域。自二十世紀六十年代以來，形狀圖像分析領域的研究發(fā)展非常迅速，研究人員已提出了許多形狀分析方法，并有部分方法在科學研究領域和工程技術領域中發(fā)揮了作用，然而形狀分析的研究仍然有許多問題等待研究人員的探索。真實世界的三維物體通過映射在

2、二維圖像平面上成像時，不可避免的存在信息損失和幾何不變性問題。另外形狀的扭曲、遮擋、缺損等變化，加上噪聲的影響，使形狀識別問題的處理更為復雜。為了獲得供高層的圖像形狀分析理解所需的形狀數據，必須首先將圖像分割為一系列包含相應視覺意義的區(qū)域。而形狀描述算法所提取的特征向量需要設計良好的模式分類方法來獲得理想的識別效果。因此針對該問題的圖像分割、形狀特征描述、模式分類算法等環(huán)節(jié)依舊需要進一步的研究。
　　 本研究首先提出了一種稱為R

3、adon組合透射特征(Radon Composite Features，RCF)的形狀特征描述新算法。區(qū)別于傳統(tǒng)方法必須進行形狀歸一化預處理，并在空間域提取形狀特征，本方法使用了一種改進的Radon變換對形狀進行幾何分析，完全避免了歸一化預處理所可能導致的配準誤差。該算法在Radon變換平面中通過Fourier頻譜變換與結構化分析兩種手段來提取形狀特征信息。在RCF描述序列中，頻譜部分刻畫整體形態(tài)與分布，結構化特征表達形狀中的視覺屬性，

4、該過程是一種信息無損的一對多(one-to-many)變換，即每一形狀點對其上存在的任意方向的直線進行映射，各方向上形狀點的組合可獲得描述形狀結構的重要視覺特征。在變換的整個過程中形狀的所有信息被無損的保存下來，通過Radon逆變換可復原原有形狀圖像也證明了該特性，本文從理論上論證了RCF特征無需經過歸一化的步驟就能滿足平移、旋轉和縮放不變性，并提出了一種由粗到精的層次性描述和檢索方法。同時，使用Radon變換等信號處理方法的顯著優(yōu)點是

5、能極大的提取變換平面所蘊含的形狀統(tǒng)計與視覺屬性，對形狀圖像背景噪音，以及形狀局部形變扭曲等干擾的抵御能力更強。此外RCF方法保持了規(guī)模相對較小的參數，這意味著該方法可以盡量減少在程序運行中參數設置的不確定性與隨機因素的干擾。與現(xiàn)有的主要方法的實驗對比，證明了Radon組合透射特征方法擁有較為精確的描述能力，以及更魯棒的分類與檢索性能。本文還探索了該方法在基于形狀的衛(wèi)星遙感圖像檢索等領域的應用。
　　 為了獲得供描述和識別的形狀數

6、據，本文對圖像分割算法進行了探索，提出一種稱為協(xié)進化群落(Artificial Co-evolving，nibes，ACT)的模型用于分割圖像。該方法基于人工生命(Artificial Life)理論，將圖像視作為封閉的生態(tài)環(huán)境，初始狀態(tài)時每一個像素點放置一個生命個體(Agent)，在協(xié)進化的過程中個體之間設置相互作用，并依據所定義的協(xié)作用權重和狀態(tài)指示器來控制演化過程，個體通過位置移動和自身圖像屬性的改變來適應圖像結構。該協(xié)進化過程所

7、體現(xiàn)出的整體特征將逐步涌現(xiàn)并趨于穩(wěn)定，并最終形成的群落所生存的區(qū)域即是所求的圖像分割塊。與傳統(tǒng)方法不同，該模型無需預先確定分割塊數與全局閾值，或建立目標函數用以優(yōu)化，在協(xié)進化群落模型中，所有個體之間的進化行為依循模型規(guī)則完全自治，迭代過程中同時整合了區(qū)域和邊界的信息。按照本研究所證明的兩個重要性質：類內差異收縮和能量守恒性，圖像相似特征的區(qū)域逐步融合，保證了分割過程的穩(wěn)定性。本文將該方法應用于自然場景圖像的分割，并與相關算法進行了性能比

8、較與分析，并探討了與人工分割的匹配程度，證明了其良好的通用性和可靠性。
　　 為了對所提取特征進行更好的后續(xù)分類與識別，本研究還提出了一種局部概率中心(Local Probabilistic Centers，LPC)的改進的k-近鄰(Nearest Neighbor)分類算法。當類樣本的分布發(fā)生交疊時，理論決策邊界錯誤一側的訓練樣本將對分類準確率帶來較大影響，同時這些噪聲樣本使分類器過擬合訓練集，從而導致泛化性能下降。局部概率中

9、心方法通過計算樣本類概率并對每個樣本進行加權，使計算所得的局部中心將該類中心偏移，從而減少集合之間的重疊程度，從而具備更強的抗噪聲能力，提高了k-近鄰的分類效果。在此框架基礎上本文也研究了兩種分類度量尺度：利用查詢點到計算所得的各類概率中心的歐式距離，并根據計算所得的查詢點的后驗概率作為分類依據。論文從理論上分析了算法的期望風險和穩(wěn)定性，通過UCI數據集上的一系列實驗，并與相關方法的對比，驗證了該方法良好的分類正確率、簡單而可靠的參數設