图形图像识别是计算机视觉、人工智能、图像处理等领域的关键问题,在军事、生产和生活的许多领域有着广泛的应用前景,而选择合适的特征空间则是决定识别成功与否的重要步骤。图像的形状包含了大量的视觉信息,是最常用的特征空间。骨架是一种保留了拓扑信息的全局形状变换,其结果直观,意义明确,且便于进行相似性计算,是物体表示和识别的有力工具。为了解决骨架自身固有的对噪声敏感问题,方便进行匹配,建立一种层次性的骨架结构是有意义的,也是本文主要的目标和工作。本文首先介绍和分析了骨架求取中的两种基本方法:距离变换和细化,它们骨架都有密切的连系。距离面的脊线轨迹就是骨架点的位置,细化准则下所保留的像素恰好是保留了对象拓扑结构的中心线。基于距离变换的骨架连通性难以保证,细化的骨架虽然连续但是对局部信息敏感。因此,如果能把由距离变换得到的全局信息应用在细化过程中,则可以得到拓扑保留、连续、而且较稳定的骨架,这无疑是有吸引力和实用价值的。接下来,本文对人类视觉系统(HVS)进行了简单介绍,给出了视觉识别过程的生理学和心理学的相关理论和解释,提出了识别所遵循的一些重要规则。对象的重要性和所占据的空间存在正关系;物体识别是一个从粗到精的分层的过程;物体的尖锐突起在识别中具有更重要的作用;这些规则是建立骨架层次性结构的理论基础。然后将视觉识别的规律引入骨架描述中,使用骨架及骨架参数来定量描述识别准则。建立了骨架点的面积模型,说明了骨架半径与骨架点局部信息量的关系;建立了骨架枝与连续边界的对应关系,给出了信息量分布与骨架角的定量关系;为下一步进行多尺度骨架求取奠定了基础。基于上面的工作,本文将细化和距离变换相结合,提出了计算多尺度骨架的算法。该算法将距离值融入细化过程,利用了距离信息构造识别函数进行多尺度筛选,得到的骨架保留了原始图像的拓扑结构,同时避免了不连续的问题。本算法在识别<WP=5>函数中加入角度信息,增强了对边界特征的描述能力;算法具有开放的框架,并不依赖于具体的细化和距离变换方法,可以采用更优越的算法提高性能;而且算法结构使得构造一个反馈式的识别系统成为可能。然后,本文对三维空间的骨架求取进行了介绍,分析实现了一种性能较优的细化算法,给出了实验结果;并对算法在三维空间的推广进行了讨论。最后,对全文工作和今后的研究重点进行了总结和说明。