对某些特殊形态的目标或结构提取和分析是图像处理和计算机视觉的重要目标之一。线结构广泛存在于各种图像中,如医学图像中的血管和神经,航空或遥感图像中的道路和河流,生物特征图像中的掌纹和皱纹,光学显微图像中细胞骨架等等。对线结构的检测与分析是图像处理与计算机视觉中最具挑战性和开放性的问题之一,同时也具有广泛的应用前景。本文从线结构的形态特点出发,分别对图像中的复杂线结构的三个重要问题进行了研究,包括线结构的检测与描述,线结构的中心线的提取,线交点的检测与描述等。在广泛参考现有相关研究的基础上,本文针对线结构检测与分析中的这些问题,总结了每个问题的数学模型,并在此基础上提出了相应的解决方案。本文主要的研究内容如下:在解决线结构检测问题中,在充分考虑线结构的局部外观和空间分布特性基础上,提出了一种改进的霍夫森林框架来识别曲线结构的新型监督学习方法。本算法将曲线结构作为一个特殊的对象,认为它具有多个目标中心,每一个中心线上的点都可以是目标中心,从而构造一个多中心的霍夫森林,为图像中的每一个点为线结构的局部目标中心在广义霍夫空间中投票。考虑到曲线结构与普通目标的不同特性,本文从特征构成、偏移度量和方向偏移等方面对经典的霍夫森林方法做了修正。其训练和检测过程也做了相应的改进。在解决中心线提取问题中,将其看作是一个距离度量相关的回归问题,并构建了基于随机森林框架的多尺度中心线回归算法。本算法克服了现有的算法或仅仅考虑线结构的局部外观特性,或仅仅考虑其空间分布,将二者一并考虑,并利用随机森林累加投票构建得分图像。投票的局部极大值构成了具有相应尺度的潜在中心线点集。通过多尺度处理得到相应尺度下的中心线得分图像。将其缩放到与原图像相同大小并累加,作为可能的中心线点集。为了准确地获得中心线,利用带方向的非极大值抑制来抵消多尺度空间中的错误峰值。在解决线交点检测与分析问题中,针对线结构中大量存在的线交点,首先通过阐述线交点和普通交点的联系和区别,在参考普通交点的基础上给出线交点在数学上的定义,并总结了线交点的相关性质。然后提出了一种基于规则的线交点识别方法。本算法将线交点的检测作为一项独立的任务,而不需要事先了解曲线结构。它首先根据线交点属性度量将原始图像映射到得分图像中,并从得分图像中检测可能存在线交点的斑点,以确定覆盖连接点的区域。然后利用近似的脊线筛选斑点,并从筛选的斑点中定位线交点。最后按照滤波响应估计其分支属性。本文以线结构的检测与分析为主线,研究内容涵盖了线结构检测、中心线提取以及线交点的检测与描述等关键问题,并在这些方面取得了一些创新性的成果,在多个数据集上验证了所提出的方法的有效性。所提出的理论、模型及算法对于医学诊断、地理信息系统的更新与纠错、细胞生命活动现象的视觉解释也有一定的参考意义。