基于條件隨機(jī)場(chǎng)的圖像線條畫(huà)研究.pdf

1、隨著各種成像技術(shù),包括醫(yī)療成像、多頻段軍事遙感成像等關(guān)鍵技術(shù)的突飛猛進(jìn),以及數(shù)碼相機(jī)、攝像機(jī)、攝像頭等民用數(shù)碼技術(shù)的廣泛普及,人們對(duì)圖像視頻信息的獲取能力急劇提高,面對(duì)這種爆炸式增長(zhǎng)的圖像視頻信息量,傳統(tǒng)人工處理的方式顯然已經(jīng)遠(yuǎn)遠(yuǎn)跟不上要求,而圖像的線條畫(huà)則為這些圖像視頻信息在計(jì)算機(jī)中的快速讀解提供了解決的途徑和可能。本文根據(jù)已有的邊緣、邊界、輪廓檢測(cè)方法,給出了基于條件隨機(jī)場(chǎng)模型的圖像邊界檢測(cè)方法和基于邊緣跟蹤的圖像線條畫(huà)繪制算法。<

2、br>　　論文的主要工作和創(chuàng)新點(diǎn)如下：
　　(1)基于條件隨機(jī)場(chǎng)模型的圖像邊界檢測(cè)方法主要分為三個(gè)部分：訓(xùn)練數(shù)據(jù)與推斷數(shù)據(jù)的預(yù)處理、模型的訓(xùn)練與推斷、推斷后處理。預(yù)處理分為兩步：圖像特征計(jì)算和特征后處理,在圖像特征計(jì)算中,選用了圖像的方向能量、灰度梯度、紋理梯度以及統(tǒng)計(jì)特征等四個(gè)圖像特征；在特征后處理中,使用中值濾波算法處理了圖像紋理梯度的雙邊緣問(wèn)題,同時(shí)對(duì)圖像灰度梯度和圖像紋理梯度進(jìn)行融合得到融合梯度,最后使用非極大抑制方法,對(duì)

3、圖像方向能量、圖像統(tǒng)計(jì)特征、融合梯度這三個(gè)特征進(jìn)行細(xì)化處理。在模型的訓(xùn)練與推斷部分,模型分為訓(xùn)練和推斷兩個(gè)部分,對(duì)于模型訓(xùn)練,本文以對(duì)原圖像進(jìn)行第一次小波分解后的低頻部分為基礎(chǔ)產(chǎn)生訓(xùn)練數(shù)據(jù)對(duì),對(duì)低頻部分圖像以處理后的方向能量、統(tǒng)計(jì)特征、融合梯度三個(gè)特征組成的向量組作為觀測(cè)數(shù)據(jù),以學(xué)習(xí)邊界圖像為標(biāo)記數(shù)據(jù),而學(xué)習(xí)邊界圖像是基于方向能量、統(tǒng)計(jì)特征、融合梯度進(jìn)行圖像紋理邊緣、噪聲和背景邊緣抑制后產(chǎn)生的；對(duì)于模型的推斷,使用Gibbs采樣算法進(jìn)行

4、推斷。在推斷后處理中,本文給出了一個(gè)邊緣細(xì)化連接的方法對(duì)推斷得到的結(jié)果進(jìn)行處理。通過(guò)實(shí)驗(yàn)表明本文方法是可行而且有效的。
　　(2)基于邊緣跟蹤的圖像線條畫(huà)繪制算法由邊緣跟蹤和線條畫(huà)繪制兩部分組成。本文提出了基于相異性度量的邊緣跟蹤算法,以使利用邊界檢測(cè)方法得到的邊界能夠歸類、連接；在線條畫(huà)繪制過(guò)程中,引入非均勻B樣條對(duì)不連續(xù)邊界進(jìn)行插值并使用高斯平滑以獲得連續(xù)光滑的邊緣線條,然后以線條的曲率為依據(jù),生成畫(huà)筆,實(shí)現(xiàn)線條畫(huà)的繪制。實(shí)驗(yàn)