完美论文网提供代写毕业论文、代写本科论文、代写硕士论文、论文发表及查重服务!QQ:505676555

电话:18796337551
当前位置:完美论文网信息系统 → 文章正文

《基于多粒度的图像目标周长估计方法研究》的国内外研究

作者:完美论文网  来源:www.wmlunwen.com  发布时间:2019/3/19 11:33:44  

摘要:在图像处理与分析中,目标对象的周长是一个重要的特征参数,在不同图像中对同一目标的跟踪和识别起着重要作用。虽然周长这一特征看起来很容易获取,但由于图像信息内容一般庞大而又复杂,这一特征的值反而难以获取。在受到图像获取设备和噪声等因素影响的情况下,要获取精确的目标周长十分困难。因此,对复杂情况下图像中目标对象的周长估计方法的研究仍具有十分重要的意义。本文将对《基于多粒度的图像目标周长估计方法研究》的国内外研究现状进行探讨。

关键词:多粒度 图像目标周长 估计方法

1粒计算在图像处理中的研究现状

粒计算是Rough集理论[23-27]的扩充,是将复杂问题划分为更容易解决的子问题的过程,对包含不完备、不确定性和模糊信息的问题的解决更具优势。由于图像具有粒计算所需的层次结构特点,因此将粒计算应用于图像处理过程也成为一种可行的方案。

自1956年人工智能问世以来,尽管在知识表达、问题求解、机器学习等方面已取得可观的研究成果,但在面对复杂的系统设计和模糊的、不精确的、不完整的信息处理上,传统的理论方法遇到前所未有的困难。粒计算是看待世界的世界观和方法论。1979年,L.A.Zadeh[23]首次在模糊集合论的基础上提出模糊信息粒度化,推动了粒计算理论的发展。 1985年,Hobbs用粒度理论方法将人工智能中带求解的整体问题的逻辑公式分解成若干个子问题或公式,以求解子问题或公式的结果来求取最终整体问题或公式的结果。这个过程提出了粒度求解问题模型的假设,定义了粒度和划分粒度的概念但没有给出具体计算规则。1996年,L.A.Zadeh[28]提出了标志着模糊粒度化理论诞生的“词计算理论”,而1997年T.Y.Lin[29]等人正式提出粒计算这一概念,从此粒计算在各个研究领域得到广泛的研究与应用。

粒计算也被应用于图像处理相关领域, 2007年,王军[30]从粒计算出发,研究了图像中特征信息粒的构建、处理和运算,通过构建不同尺度和类型的特征细信息粒,提出基于图像特征信息粒格的分类器,并在多个数据库上用实验验证了方法的有效性。2012年,吕思思[31]提出一种结合粒计算思想和局部线性嵌入(LLE)的图像分析处理方法,这种方法应用LLE算法对Frey人脸数据率中的多个不同粒度的人脸图像分别进行实验,验证了算法能在维持算法精确度的情况下明显提高算法运行速度。2015年,周琪[32][33]等人结合信息粒相关概念,提出了简化的图像粒定义,并以此为基础设计改进了图像几何特征的提取方法,实验表明基于粒计算的改进方法能在保证精确度的情况下加快算法运行速度,并且能更好适应图像模糊的情况。

2周长估计方法研究现状

数字图像中的目标对象周长的估计方法按处理的图像类型不同,可以简单地分为二值模式类方法和基于灰度信息类方法。1961年,Freeman[34]提出的可用于表示图像目标边界的链码,而目标的周长可通过这个编码序列计算,计算时需要用一个有序的编码序列来标记整个对象的边界,为每个编码分配长度,最后累计这些长度作为最终的结果。链码的提出简化了数字图像的目标周长计算,但在精确度上不尽人意。1977年,Kulpa[34]通过对二值图像中斑点进行研究,设计了两种方法来精确测量二值图像中的斑点的面积和周长。1979年,Proffit[35]等人直接设计实验测量各种数字曲线,分析实验误差,提出对原始链码计算方法的改进。两者在早期链码计算方法的基础上通过优化每个链码表示的步长,分别提出提高周长计算精度的方法。

1997年,王开平[36]等人设计了一种基于8连通的m采样和分类MSC方法,在测量圆形和矩形的周长工作中,对误差进行估测,验证了算法的可行性;1999年,朱长青[37]等人以随机集和整体几何理论为基础,设计了一种数字图像区域周长计算的方法,并用实验证明该方法具有高效快速且易于计算机实现等特点。吴小培等人借助快速傅里叶变换设计了一种计算区域面积和周长的新方法,该方法具有计算简单,速度快、具有较高的精确度等特点。同样于1999年,Klette、Kovalevsky[38]等人分别总结了数字直线分段法(DSS)和最小长度多边形法(MLP)。DSS方法是将数字曲线边界分割成数字直线片段的方法而MLP方法的基本思想是找出能覆盖目标区域的最小的多边形,两者都以算法获得的多边形的周长作为最终的目标周长,相比一般链码计算能获得更高的精确度,但对图像成像质量要求较高。这两种方法流行了很长一段时间,之后又有许多学者对其进行改进,使其能获得更高的计算精度和更快的算法运行速度。

2009年,Suhadolnik[39][40]等人提出了一种锚定离散卷积计算数字曲线长度的方法,该方法将图像中边界像素锚定(即将表示边界的特征点限制在当前像素内),然后利用对图像边界卷积的方法确定图像中目标边界的亚像素位置。最终通过计算卷积所获得的边界点相邻之间距离的累加值求取最终的长度结果,实验证明这种方法应用于解析弧精确度很高。在不久之后的2010年,Suhadolnik[41]等人又提出一种基于B样条曲线的数字曲线长度计算方法,这种方法在锚定边界像素的基础上,以边界像素的中心为B样条曲线的控制点,通过选取适当的阶数来获取最佳的周长估计结果。2016年,Simoncic[42]等人通过逆向多边形化技术(reverse polygonization)优化了B样条曲线控制点的选取,设计并求解关于控制点和阶数的优化方法来获取最优的周长估算结果,对基于B样条曲线的数字曲线长度计算方法进行了改进。

上述方法都基于二值模式,即算法需要的输入图像都是二值图像或都需要转化成二值图像。而实际上原图在转换成二值图像是会损失很大一部分信息,尤其在图像目标边界处。因此,一部分学者开始寻求直接从灰度图像中求取目标边界周长的方法。2005年,通过对模糊图像的研究,Sladoje[43]等人提出了基于Marching Squares 算法的灰度图像目标周长的估计方法,同时适用于二维和三维图像,但精确度不是很高。2009年,Sladoje[44]等人提出了像素覆盖数字化模型,这种模型认为图像中像素的灰度值与目标对象在该图像像素中所占面积成正比,这降低了提取数字图像的几何特征的难度。同年,在像素覆盖数字化的基础上,Sladoje[45]等人提出了基于灰度级信息的高精度图像目标周长估算方法,这种方法分析目标边界灰度级信息,用一个小模板遍历整幅图像,以简单的积分公式求解局部边界长度,最终获取高精度的目标边界长度,但对模糊图像的适应性较差。2012年,Lindblad[46]等人通过最小化图像目标周长的方式设计实现了图像中目标对象的像素覆盖数字化表示,在介绍他们算法的同时也介绍了一种简化的基于Marching Squares 算法灰度图像目标周长估计方法,该方法能在很短的时间内获取精度较高的周长估计值,算法仅适用于辅助图像分割过程。

2014年,周琪等人[47]在经典算法的基础上,设计了基于灰度边界跟踪的灰度图像目标周长估算方法,该方法通过追踪灰度边界并标记边界位置,然后结合已有的经典算法,实现对经典算法的改进,使原本基于二值模式的算法能使用于灰度图像,提高了算法的实用性。但这类算法对模糊图像的使用范围有限,不能处理模糊程度较高的图像。之后,周琪等人[32][33]根据粒计算理论提出简化的图像粒度化模型,称为图像粒,并在此基础上设计定义了边界宽度模型,以计算所得的边界宽度对图像进行粒度化,结合经典算法对图像进行估算。这类算法解决了模糊图像周长估算困难的问题,并提高了算法运行速度,但在一定程度上降低了算法的精确度。

参考文献

[1]   王亮申. 图像特征提取及基于内容图像数据库检索理论和方法研究[D 博士 学位论文].大连:大连理工大学, 2002.

[2]   Kenneth R C. 数字图像处理[M](朱志刚, 林学訚, 石定机译). 北京: 电子工业出版社,1998:375-455.

[3]   陈书海, 傅录祥. 实用数字图像处理[M]. 北京: 科学出版社, 2005:310-336

[4]   李弼程, 彭天强, 彭波. 智能图像处理技术[M]. 北京: 电子工业出版社, 2004:321-333

[5]   Han P, Wu J, Wu R. SAR target feature extraction and recognition based on 2D-DLPP[C] International Conference on Services Science, Management and Engineering. 2010,24:1431-1436.

[6]   Zhang Q, Izquierdo E. Combining low-level features for semantic extraction in image retrieval[J]. Eurasip Journal on Advances in Signal Processing, 2007, 2007(1):1-12.

[7]   Hasso A R, Elyas R M. Fast image registration based on features extraction and accurate matching points for image stitching[J]. International Journal of Computer Science Issues, 2014,11(1):138-142.

[8]   Caban J, Joshi A, Rheingans P. Texture-based feature tracking for effective time-varying data visualization.[J]. IEEE Transactions on Visualization & Computer Graphics, 2007, 13(6):1472-1479.

[9]   Omari F A, Hui J, Mei C, et al. Pattern recognition of eight hand motions using feature extraction of forearm EMG signal[J]. Proceedings of the National Academy of Sciences India, 2014, 84(3):473-480.

[10]  Tuytelaars T, Mikolajczyk K. Local invariant feature detectors: a survey[J]. Foundations & Trends® in Computer Graphics & Vision, 2007, 3(3):177-280.

[11]  Kim Y S, Kim W Y. Content-based trademark retrieval system using visually salient feature[J]. Image & Vision Computing, 1997, 16(s 12–13):307-312.

[12]  Sivasathya M, Joans S M. Image feature extraction using non linear principle component analysis[J]. Procedia Engineering, 2012, 38:911-917.

[13]  赵西安, 陈志学, 吕京国,等. 具有尺度与旋转不变性的立体影像自动匹配研究[J]. 测绘学报, 2012, 41(1):81-86.

联系方式

客服QQ 505676555
客服热线18796337551
网站地址 www.wmlunwen.com
郑重承诺 原创,包修改,包通过!
完美论文网真诚欢迎新老客户的光临与惠顾!