论文部分内容阅读
一般来说,人们对一幅图像的理解很大程度上依赖于图像中目标的形状加以区别,因此形状是人们视觉系统分析和目标识别的基础,我们可以利用形状特征比较明显的目标进行匹配识别。识别过程一般分为两步：形状提取和形状匹配。本文分别从这两个方面进行研究,将小波多尺度综合得到的良好轮廓与形状上下文描述子结合起来,对目标形状进行描述与匹配,并对实验效果进行分析改进。对于目标的轮廓特征,传统的边缘算子往往不能兼顾抗噪性与精确度,本文采用一种基于小波模极大值多尺度综合的边缘提取方法,将不同尺度的优点结合起来,具有良好的检测精度,并较好地兼顾了抗噪性。其基本思想是沿梯度方向,在特定阈值的约束下检测模的极大值点,将不同尺度下的边缘信息进行综合,得到最终的边缘图像。对于得到的形状轮廓往往用于目标匹配,即通过某种描述子将形状表达出来,并按照一定的度量规则衡量形状之间的相似度。Serge Belongie等人提出了一种新的描述能力很强的形状描述子：形状上下文(Shape Context, SC),它具有良好的匹配代价定义、计算简单、形状分辨能力强、对噪声不敏感等特点,是近年来提出的最成功的形状描述子之一。形状上下文的核心是点集匹配,主要通过三步来实现匹配目的：1)解决两幅形状之间对点的对应关系,2)根据对应关系估计匹配变换,3)计算两幅形状之间的距离以及匹配变换大小测量,作为对应点的匹配误差总和。其关键优势在于不需要特殊标记点或者关键点就能实现形状之间点的对应关系,适用于所有一般性的形变。因此广泛应用在数字识别、商标检索、点集匹配以及图像注册等领域。本文对小波多尺度边缘提取及形状上下文进行了理论研究和算法实现,并给出了实验结果。实验结果良好,表明采用此方法进行目标形状识别是可行的。通过实验数据分析可知形状上下文算子在匹配过程中还存在一些不足,例如,如何根据匹配结果进行识别等。本文分别从匹配率、匹配代价、弯曲能量最小值三个方面给出了一些改进的方法,通过设定阈值判定匹配程度和识别结果。经实验验证可以减少匹配迭代时间,快速得到最佳匹配结果。