形狀識(shí)別與圖像分割方法研究.pdf

1、計(jì)算機(jī)視覺是使用計(jì)算機(jī)對(duì)圖像結(jié)構(gòu)和抽象層次的內(nèi)容進(jìn)行分析并獲取所需要的信息，以賦予計(jì)算機(jī)與人類相仿的視覺功能的技術(shù)。形狀分析是計(jì)算機(jī)視覺研究中非常重要的一環(huán)，相關(guān)技術(shù)被廣泛應(yīng)用于工業(yè)、醫(yī)學(xué)、交通、軍事等各個(gè)領(lǐng)域。自二十世紀(jì)六十年代以來，形狀圖像分析領(lǐng)域的研究發(fā)展非常迅速，研究人員已提出了許多形狀分析方法，并有部分方法在科學(xué)研究領(lǐng)域和工程技術(shù)領(lǐng)域中發(fā)揮了作用，然而形狀分析的研究仍然有許多問題等待研究人員的探索。真實(shí)世界的三維物體通過映射在

2、二維圖像平面上成像時(shí)，不可避免的存在信息損失和幾何不變性問題。另外形狀的扭曲、遮擋、缺損等變化，加上噪聲的影響，使形狀識(shí)別問題的處理更為復(fù)雜。為了獲得供高層的圖像形狀分析理解所需的形狀數(shù)據(jù)，必須首先將圖像分割為一系列包含相應(yīng)視覺意義的區(qū)域。而形狀描述算法所提取的特征向量需要設(shè)計(jì)良好的模式分類方法來獲得理想的識(shí)別效果。因此針對(duì)該問題的圖像分割、形狀特征描述、模式分類算法等環(huán)節(jié)依舊需要進(jìn)一步的研究。
　　 本研究首先提出了一種稱為R

3、adon組合透射特征(Radon Composite Features，RCF)的形狀特征描述新算法。區(qū)別于傳統(tǒng)方法必須進(jìn)行形狀歸一化預(yù)處理，并在空間域提取形狀特征，本方法使用了一種改進(jìn)的Radon變換對(duì)形狀進(jìn)行幾何分析，完全避免了歸一化預(yù)處理所可能導(dǎo)致的配準(zhǔn)誤差。該算法在Radon變換平面中通過Fourier頻譜變換與結(jié)構(gòu)化分析兩種手段來提取形狀特征信息。在RCF描述序列中，頻譜部分刻畫整體形態(tài)與分布，結(jié)構(gòu)化特征表達(dá)形狀中的視覺屬性，

4、該過程是一種信息無損的一對(duì)多(one-to-many)變換，即每一形狀點(diǎn)對(duì)其上存在的任意方向的直線進(jìn)行映射，各方向上形狀點(diǎn)的組合可獲得描述形狀結(jié)構(gòu)的重要視覺特征。在變換的整個(gè)過程中形狀的所有信息被無損的保存下來，通過Radon逆變換可復(fù)原原有形狀圖像也證明了該特性，本文從理論上論證了RCF特征無需經(jīng)過歸一化的步驟就能滿足平移、旋轉(zhuǎn)和縮放不變性，并提出了一種由粗到精的層次性描述和檢索方法。同時(shí)，使用Radon變換等信號(hào)處理方法的顯著優(yōu)點(diǎn)是

5、能極大的提取變換平面所蘊(yùn)含的形狀統(tǒng)計(jì)與視覺屬性，對(duì)形狀圖像背景噪音，以及形狀局部形變扭曲等干擾的抵御能力更強(qiáng)。此外RCF方法保持了規(guī)模相對(duì)較小的參數(shù)，這意味著該方法可以盡量減少在程序運(yùn)行中參數(shù)設(shè)置的不確定性與隨機(jī)因素的干擾。與現(xiàn)有的主要方法的實(shí)驗(yàn)對(duì)比，證明了Radon組合透射特征方法擁有較為精確的描述能力，以及更魯棒的分類與檢索性能。本文還探索了該方法在基于形狀的衛(wèi)星遙感圖像檢索等領(lǐng)域的應(yīng)用。
　　 為了獲得供描述和識(shí)別的形狀數(shù)

6、據(jù)，本文對(duì)圖像分割算法進(jìn)行了探索，提出一種稱為協(xié)進(jìn)化群落(Artificial Co-evolving，nibes，ACT)的模型用于分割圖像。該方法基于人工生命(Artificial Life)理論，將圖像視作為封閉的生態(tài)環(huán)境，初始狀態(tài)時(shí)每一個(gè)像素點(diǎn)放置一個(gè)生命個(gè)體(Agent)，在協(xié)進(jìn)化的過程中個(gè)體之間設(shè)置相互作用，并依據(jù)所定義的協(xié)作用權(quán)重和狀態(tài)指示器來控制演化過程，個(gè)體通過位置移動(dòng)和自身圖像屬性的改變來適應(yīng)圖像結(jié)構(gòu)。該協(xié)進(jìn)化過程所

7、體現(xiàn)出的整體特征將逐步涌現(xiàn)并趨于穩(wěn)定，并最終形成的群落所生存的區(qū)域即是所求的圖像分割塊。與傳統(tǒng)方法不同，該模型無需預(yù)先確定分割塊數(shù)與全局閾值，或建立目標(biāo)函數(shù)用以優(yōu)化，在協(xié)進(jìn)化群落模型中，所有個(gè)體之間的進(jìn)化行為依循模型規(guī)則完全自治，迭代過程中同時(shí)整合了區(qū)域和邊界的信息。按照本研究所證明的兩個(gè)重要性質(zhì)：類內(nèi)差異收縮和能量守恒性，圖像相似特征的區(qū)域逐步融合，保證了分割過程的穩(wěn)定性。本文將該方法應(yīng)用于自然場(chǎng)景圖像的分割，并與相關(guān)算法進(jìn)行了性能比

8、較與分析，并探討了與人工分割的匹配程度，證明了其良好的通用性和可靠性。
　　 為了對(duì)所提取特征進(jìn)行更好的后續(xù)分類與識(shí)別，本研究還提出了一種局部概率中心(Local Probabilistic Centers，LPC)的改進(jìn)的k-近鄰(Nearest Neighbor)分類算法。當(dāng)類樣本的分布發(fā)生交疊時(shí)，理論決策邊界錯(cuò)誤一側(cè)的訓(xùn)練樣本將對(duì)分類準(zhǔn)確率帶來較大影響，同時(shí)這些噪聲樣本使分類器過擬合訓(xùn)練集，從而導(dǎo)致泛化性能下降。局部概率中

9、心方法通過計(jì)算樣本類概率并對(duì)每個(gè)樣本進(jìn)行加權(quán)，使計(jì)算所得的局部中心將該類中心偏移，從而減少集合之間的重疊程度，從而具備更強(qiáng)的抗噪聲能力，提高了k-近鄰的分類效果。在此框架基礎(chǔ)上本文也研究了兩種分類度量尺度：利用查詢點(diǎn)到計(jì)算所得的各類概率中心的歐式距離，并根據(jù)計(jì)算所得的查詢點(diǎn)的后驗(yàn)概率作為分類依據(jù)。論文從理論上分析了算法的期望風(fēng)險(xiǎn)和穩(wěn)定性，通過UCI數(shù)據(jù)集上的一系列實(shí)驗(yàn)，并與相關(guān)方法的對(duì)比，驗(yàn)證了該方法良好的分類正確率、簡(jiǎn)單而可靠的參數(shù)設(shè)