论文部分内容阅读
随着图像资源的急剧增加,目标识别已经成为图像处理的关键问题。论文所属的课题是多源影像的目标识别。识别的首要任务是目标表示。选择合适的特征空间非常关键。目标的形状包含了大量的视觉信息,成为最常用的特征空间。对目标表示方法的深入研究发现:利用骨架进行形状表示的应用最为广泛。骨架保留了目标形状的拓扑结构。提取骨架后,将骨架分解为若干有意义的骨架基元,根据骨架段的层次关系及显著度大小,组织到一个图中。这个图包含了骨架的全部信息,为利用图匹配技术进行目标识别奠定基础。同时,计算骨架段的显著度,对显著度设定阈值,可降低噪声对骨架的影响。首先,论文对骨架的基本理论和提取技术进行研究。从分析骨架的概念入手,系统研究了骨架的各种提取算法。实现形态学骨架变换算法,通过实验,分析算法中存在的主要问题,提出一种基于此算法的改进思路。然后,论文重点研究骨架的分解技术。详细研究了目前提出的几种主要分解方法。通过分析比较,选择并且实现层次性分解算法。通过实验,分析原算法中存在的缺陷。采用补充定义、修正操作、引进环集、提出观点等措施对原算法的效果和效率两方面进行改进,最后以实验证明可获得有意义并且完整的骨架段。最后,论文对骨架段的显著度进行研究。研究各种显著度定义的方法及定义准则,基于论文采用的骨架提取算法和分解算法,提出一种显著度的定义。通过实验数据证明,可有效反映出不同骨架段的重要性。