基于几何形状的图像识别——链码技术与聚类分析在形状识别中的应用

摘要

在人的视觉感知、识别和理解中，形状足一个重要的表达物体信息的参数。从图像中提取目标形状是大多数目标识别算法需要进行的一个重要步骤。角点是图像的一种重要的局部特征，是能充分拙述物体形状的特征点。在基于特征的图像配准、图像理解及模式识别等领域中，角点提取具有十分重要的意义。直线、自由曲线是常见的几何形状，也是其他更为复杂形状的基本组成部分。所以研究直线、自由曲线的提取在实践应用中有着重要的意义。 本文主要在以下几个方面进行了研究： ①图像分割是图像处理和机器视觉中的一个重要问题。本文中针对采集的图像存在灰度分布交叉以及一些目标边缘有毛刺的现象，提出了一种局部灰度密度阈值分割方法和一种去除毛刺的分割方法，解决了灰度分布交叉图像的阈值分割和目标边缘上毛刺的去除。 ②链码是图像处理及模式识别中一种很常用的描述线条、平面曲线及区域边界的编码技术。本文根据平均链码的特点，提出一种新的角点提取算法--基于平均链码的角点提取算法，新算法采用平均链码差值计算完全替换常用基于Freeman链码角点提取算法中的曲率计算，将计算复杂度降至线性。实验结果证明，新算法更具有抗噪性、准确性和稳定性。此外，文中还利用链码技术，提出一种简单而有效的直线逼近自由曲线算法，该方法不仅适用于直线、圆弧和非圆曲线，而且还适用于形状复杂、不能用初等解析函数直接表示的自由曲线。 ③针对传统的基于距离计算相似性聚类方法的局限性，本文在研究过程中提出一种基于几何形状的点集聚类方法。该方法可以从离散的点集中提取出具有某种拓扑几何形状特征的目标对象。并且，此类从离散点集中提取出拓扑几何结构的点集问题，是Hough变换(包括及其推广改进的Hough变换)、链码技术等图像识别领域中传统方法无法解决的问题。在仿真实验中，该方法有效地检测出了分布呈小饶度的曲线形状点集，从而在一定程度上克服了传统的基于距离检测方法的局限性。可以在工程图纸识别、计算机视觉、遥感识别等领域得到应用。 仿真实验在VC++环境下研究开发。仿真结果表明，本文中提出的一系列思想和算法均具有可行性和正确性。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题研究背景

1.2图像识别的实际应用和基本过程

1.2.1图像识别的实际应用

1.2.2图像识别的基本过程

1.3形状识别概述

1.3.1人对形状的认知过程

1.3.2机器的形状识别过程

1.4形状识别的国内外研究现状及发展趋势

1.4.1形状识别的国内外研究现状

1.4.2形状识别的发展趋势

1.5本文的主要研究内容及创新

第二章两种形状识别的方法

2.1 Hough变换

2.1.1传统的Hough变换

2.1.2传统Hough变换的局限性及广义Hough算法

2.2链码技术

2.2.1 Freeman链码

2.2.2新的链码编码方式

2.2.3 Freeman直线链码识别

2.2.4平均链码

2.2.5应用Freeman链码对圆及椭圆的识别

2.2.6链码和

2.2.7链码差

2.3本章小结

第三章两种基于目标特征的图像分割方法

3.1图像分割的形式化定义

3.2传统基于区域灰度阈值分割方法

3.3局部灰度密度阈值分割方法

3.4消除毛刺的图像分割方法

3.4.1轮廓提取

3.4.2去除毛刺

3.5本章小结

第四章链码技术在形状识别中的应用研究

4.1边界链码

4.1.1链码获取前处理步骤

4.1.2边界链码获取

4.2基于Freeman链码角点提取算法的改进

4.2.1基于Freeman链码的角点检测方法

4.2.2基于平均链码的角点提取算法

4.2.3实验分析

4.3链码技术在自由曲线的直线逼近上的应用

4.3.1直线逼近方法比较

4.3.2自由曲线的直线逼近算法

4.3.3逼近实现结果分析

4.4本章小结

第五章基于几何形状的点集聚类方法研究

5.1聚类分析概述

5.1.1聚类统计量

5.1.2数据挖掘中的聚类方法

5.2传统聚类方法存在的局限及本文中的改进

5.3特征提取及表达

5.3.1颜色特征

5.3.2形状特征

5.3.3特征表达

5.4点集聚类分析

5.4.1基于直线检测的聚类分析

5.4.2密度分析方法

5.4.3直线段拟合曲线

5.4.4算法描述

5.5实验结果

5.6本章小结

第六章课题总结与展望

6.1课题存在的不足

6.2课题展望

致谢

参考文献

附录：作者在攻读硕士学位期间发表的论文