基于梯度向量流的圖像骨架提取方法.pdf

1、隨著現(xiàn)代科技的發(fā)展,圖像資源飛速增長(zhǎng),基于圖像分析與理解技術(shù)的圖像目標(biāo)檢測(cè),是人工智能、模式識(shí)別和圖像處理等相關(guān)領(lǐng)域的關(guān)鍵問(wèn)題。圖像的形狀特征是最常用的圖像目標(biāo)特征,它包含了很多視覺(jué)信息。骨架是一種保持拓?fù)浣Y(jié)構(gòu)的形狀特征,具有直觀的結(jié)果,且易于相似性計(jì)算,是目標(biāo)識(shí)別的有效工具。本文在尋求一種抗噪性強(qiáng)、保持骨架拓?fù)湫耘c連續(xù)性的骨架提取方法。
　　本文分析和總結(jié)了目前國(guó)內(nèi)外骨架提取的相關(guān)研究進(jìn)展,以及五種典型的骨架提取方法。這些骨架提

2、取方法都普遍存在骨架不連續(xù)性和不能保持拓?fù)湫缘热秉c(diǎn)。本文取神經(jīng)元圖像作為實(shí)驗(yàn)對(duì)象,提出了基于梯度向量流的骨架提取方法,使其保持拓?fù)湫耘c連續(xù)性。
　　首先,本文分析了梯度向量流的相關(guān)特性,提出了幾種關(guān)鍵點(diǎn):吸引點(diǎn)、排斥點(diǎn)、鞍點(diǎn)與高曲率點(diǎn)。本文認(rèn)為這些關(guān)鍵點(diǎn)就是神經(jīng)元的骨架點(diǎn)。為了連接這些骨架點(diǎn),完成連續(xù)的骨架,本文提出了一種基于邊界權(quán)值的最小生成樹(shù)。其次,由于同一個(gè)神經(jīng)元在不同時(shí)刻所表現(xiàn)的形態(tài)不一樣,但是其骨架的主體部分基本不變,本