基于MATLAB的骨架提取算法的研究实现(7)

13

南昌航空大学科技学院学士学位论文

(a) 字符图形 (b) 提取骨架

图2-4 边界扰动产生的骨架分支

以往人们对于噪声的控制，就如引言中介绍的那样一定程度上抑制了绷带骨架噪声的产生，但是并没有引入骨架分支的视觉贡献大小的判断思想，这样难免丢弃了一些视觉贡献较大的骨架，且容易残留一些较短的冗余分支。这些方法还存在另一些问题，如不能保证复杂形状的拓扑结构，缩短了主骨架分支而短的多余骨架分支却又没去除，只考虑到了局部骨架点而忽略掉了全局的整体形状。文献[24,25]提出了一种基于离散曲线演化模型的多尺度控制算法对骨架进行约束。该算法减小了噪声的影响，消除造成信息冗余的骨架枝，保留视觉上重要的骨架枝，保证物体的拓扑结构不变形，并且实现了骨架的多尺度控制。骨架曲线降噪是骨架提取过程中对骨架去处噪声、减少冗余信息的过程。

因此，骨架噪声控制是骨架提取中一个很普遍却很重要的方面，是当前研究工作的重点和难点。本文将在二值平面图像的范围内把此作为重要目标进行研究。

2.4构建物体视觉主骨架

通过前面的分析，本文认为建立基于视觉重要部分的骨架噪声约束策略是解决目前骨架分支冗余问题的有效途径。通过物体的形状判断出视觉中物体的重要部分和不重要部分，除掉非重要部分保留重要部分。之后得到物体的有效“骨架”。这样处理一是边界噪声预先去除了，得到的骨架噪声当然少了；另一个是可以解决实际应用中遇到的物体轮廓模糊情况。

下面具体的阐述这种视觉主骨架理论

14

南昌航空大学科技学院学士学位论文

2.4.1视觉主部分概念

形状特征是人类认识物体的最初阶段和有效形式，是描述物体的一种重要方式。在图像处理，计算机视觉识别中，一般要涉及到图像的获取，边缘分割等处理。因为图像自身的复杂性和获取图像过程中许多环境因素的影响,最终得到的图像轮廓一般是不正确的,也即不能完全确切的描述真实的物体[26],例如在草原中，由于兔子所处环境的复杂性，最终很难正确的、完全的分割和提取出兔子的真实轮廓,只能得到兔子的大致形状。针对图像处理中出现的边界模糊问题，识别研究者除了感觉很难解决外，同时也惊奇的发现一种现象：这种情况并没有影响到人类那个是否是兔子的判断结果，一致感觉到现有的兔子的形状信息还是比较充分的。本文目标就是借鉴这些条件建立起视觉重要部位，换句话说就是如何在轮廓简化中依据这些条件消去非主要的轮廓线，从而保留下对视觉重要的物体边界，最终得到人们的视觉重要部位。

2.4.2 提取视觉主骨架

随着近些年图像处理技术的快速发展，人们已经开始关注如何尽可能的减小需要处理的信息量以方便分析处理。将物体形状转化成与自身同构的骨架会大大的减少数据量，简化结构分析，从而降低计算的复杂度。所以基于骨架的形状表示成为最为流行的表示方法之一。

因此本文借鉴现有骨架理论描述视觉重要部位，建立起一个视觉主骨架的概念。这种视觉主骨架能够体现骨架的基本优点。除此优点之外，因为这种骨架是从视觉重要部位提取出来的，而视觉重要部位具有平移、旋转、尺度变化不变性等良好的性质。在此基础上提取的骨架可以体现物体骨架的平移、旋转、尺度变化不变性等性质，这些性质对于机器识别技术是很重要的。视觉主骨架具有只描述人们的视觉主要部分的形状，简化了骨架结构，突出了视觉的主要部分。

本文依据前面提出的视觉主骨架理论,建立了一种在视觉重要部位基础上提取骨架的骨架提取方法。这种方法和通用的骨架提取方法有所区别，主要分为三大部分。l)首先对图像进行预处理，包括一些彩色图转变为二值图，图像分割，物体对象边缘提取等，得到物体的轮廓；2)然后在得到的物体轮廓的基础上，对获得病态图像进行曲线演化,选取合适的视觉贡献度因子，得到物体的视觉重要部位；3)在得到满足要求的视觉重要部位之后，在这个简化的形状上提取骨架。因为通过曲线演化己经消除

15

南昌航空大学科技学院学士学位论文

了那些不重要的部分，包括噪声和被人类视觉忽略的部分，骨架提取方法不必再考虑复杂的多余骨架枝去处策略等问题。这里选取连通性和单像素性较好的种子生长骨架方法提取物体的骨架[19]。

这样处理后最终得到本文定义的视觉主骨架。下面给出本文的主骨架提取方法流程图。 开始 原始图像 图像预处理 图像分割并转换为二值图像 YES 得到简化的视觉主体部分 选取视觉贡献度因子 得到物体的骨架点 利用曲线演化得到物体的视觉主体部分 NO 得到视觉主骨架

图2-10 视觉主骨架提取方法流程图

判断视觉主题部分是否满足要求 结束

16

南昌航空大学科技学院学士学位论文

2.5 结论

针对计算机识别中出现的实际问题，本文提出了解决物体骨架提取问题的一个新的视角，在视觉重要部位的认知理论的基础上提出了一种视觉主骨架的概念，兼具视觉重要部位对物体识别的可靠性与骨架对物体的降维描述两者的优势，具有很好的噪声消除作用，不仅可以突出物体的视觉部分，而且简化了骨架结构和曲线形状，提取的骨架描述形状的效果和人类视觉的认知结果一致，能较好地解决由于图像分割中的边界模糊引起的识别困难的问题。从实验结果看出，与当前最新成果的方法提取的结果相比，本文的方法一定程度上改善了提取骨架的质量，从而验证了本文方法的有效性。特别对于离散数字图像的情况，本文的方法提取的骨架可以更好满足骨架的基本性质，更能适应计算机识别中的各种情况。

然而，要想达到最初的设计初衷，还需要进一步深入的研究。目前，本文用曲线演化得到物体的视觉重要部分只是单单从边界信息方面提取物体的这个主要部分，其中也存在一些不尽人意的地方。要准确表达人类视觉感知最突出的部分，还需要借助边界结构、面积分布等因素，运用综合优化的策略才能得到期望的结果。这会涉及到人类认知学、图像图形学、模糊理论、优化理论等多门学科的知识，将是一个具有很大应用前景和智能化程度很高的发展方向。

17