论文部分内容阅读
图像描述与图像匹配是图像工程中的两个基础性任务,也是计算机视觉、模式识别等领域的研究热点。图像的结构是图像中相对稳定的信息特征,由图像中的基元及其相互关系组成,反映了图像本质内容,而图作为一种描述工具可以描述图像基元之间的关系,是一个有效的结构特征信息的表示方式,因此,采用图来描述图像的结构特征并应用图匹配技术来研究图像特征之间的匹配问题受到越来越多的关注。本文采用图的方式来描述图像的结构,围绕着基于图的图像结构化描述和匹配展开研究,主要工作与创新成果如下:(1)提出了基于最小生成树的图像结构化描述方法。基于图像中提取的结构基元构造最小生成树,最小生成树如同图像的“骨架”支撑着整幅图像,较好地反映了图像的结构。利用最小生成树定义了三个评价指标,用来衡量一组结构基元在图像中的分布均匀性、独特性和覆盖范围。该指标可以用来分析图像的结构信息,也可以用来评价一组结构基元对图像结构的描述能力。(2)研究了基于特征点的图像结构化描述。针对广义特征点,提出了一种新的二进制串描述符,与传统的高维浮点数向量描述符相比,该描述符在保证匹配性能的同时,显著提高了匹配速度,并降低了存储空间需求;基于特征点构造最小生成树,利用上述三个指标来分析特征点在图像中的分布情况和图像中的重复模式情况,从而反映了图像的结构信息;利用上述三个指标作为评价准则,提出了一种基于最小生成树删减的特征点选取方法,结果表明,该方法能够选取出在上述准则下取得准最优的一组特征点来描述图像的结构。(3)研究了基于特征曲线的图像结构化描述。针对传统边缘算子的检测结果中含有大量干扰边缘的不足,提出了一种基于非经典感受野自适应调制的轮廓检测方法,该方法通过模拟非经典感受野的兴奋与抑制作用来处理边缘算子的梯度图像,提高有意义的轮廓边缘的边缘强度,降低干扰纹理边缘的边缘强度,从而提高了传统边缘算子的轮廓检测性能;针对传统的边缘算子在检测屋脊型边缘时给出双边缘的现象,提出了一种改进的基于USAN(Univalue Segment AssimilatingNucleus)区域的宽线检测算子—M-USAN宽线算子,该方法将屋脊型边缘当做宽线处理,能够有效检测宽线的中心线;针对USAN宽线算子和M-USAN宽线算子中存在冗余计算的不足,提出了两种加速算法——自适应步长宽线检测算子和随机宽线检测算子,在保证USAN算子检测性能的同时,有效地消除了冗余计算量,提高了算子的运算速度。(4)提出了基于联合图与路径相似性的图匹配方法。该方法首先通过比较图的节点属性信息提取潜在匹配节点对作为联合图的节点,然后通过比较相应节点之间的最短路径的相似性建立联合图的亲和性矩阵,最后通过求解亲和性矩阵的主特征向量获得节点之间的对应关系。针对特征点和直线段特征构造的图,分别构造相似不变量和仿射不变量来建立最短路径的描述向量,并通过仿真图像实验和实际图像实验验证了算法的有效性。