二维形状表示及分类方法研究

摘要

图像的二维形状以其简单、高效、易用等特点成为图像表示的重要选择之一。目前基于二维形状的识别已被应用到很多领域，如目标识别，基于内容的图像检索，文字识别，医疗诊断等，都取得了较好的效果。二维形状识别作为模式识别的基本问题，至今仍未得到彻底的解决。其困难具体体现在以下两个方面：一是，在形状描述阶段，特征对形状的表述不足，存在信息缺失的问题；二是，在分类器设计时，形状本身的一些本质特性没有得到充分的利用，例如分层特性。
　　 针对以上问题，本文对二维形状表示及识别方法进行了研究，主要完成了以下的工作：
　　 (1)对现行二维形状表示及分类方法进行了分析，并总结了每类方法所针对的应用领域及其优缺点；
　　 (2)提出了结合主成分分析方法和最远点距离的二维形状傅立叶描述子，此方法首先利用主成分分析方法进行归一化，然后进行重采样，再提取采样点的最远点距离用于傅立叶变换得到形状描述子，实验表明此描述子能有效的提高形状的识别精度，而且有很好的鲁棒性；
　　 (3)建立了通过分层隐马尔可夫模型建模进行二维形状识别的方法，并利用遗传算法来优化模型的拓扑结构。在这一方法中结合改进的交叉、变异算子来优化结构，并用扩展的Baum-Welch算法来训练模型参数，实验表明这一建模的方法不仅能够很好地表示二维形状的层次特性，而且有效的提高了识别的效率和精度；
　　 (4)基于以上提出的方法，以MATLAB为仿真平台，实现了二维形状识别实验系统，并以Hand-tools、MPEG7-Set B等为数据集进行了实验，证实了这些方法的有效性。