基于ASM的圖像識(shí)別方法研究與實(shí)現(xiàn).pdf

1、圖像識(shí)別技術(shù)研究的是試圖讓計(jì)算機(jī)擁有類人的智能，從存在干擾、噪聲和雜亂的圖像環(huán)境中辨別或提取有意義的目標(biāo)和對(duì)象及其特征屬性的能力。圖像識(shí)別技術(shù)的研究意義重大，在醫(yī)學(xué)、工業(yè)、電子商務(wù)、通信及軍事等領(lǐng)域都得到了廣泛應(yīng)用。圖像識(shí)別方法從設(shè)計(jì)的理論基礎(chǔ)上大致可以分為三類：一是完全基于圖像信息的方法，二是基于目標(biāo)模型的方法，三是前面兩類方法的組合。
　　完全基于圖像信息的方法，是依賴圖像像素本身的特有性質(zhì)（例如灰度值、圖像直方圖、梯度及紋理

2、信息等）來(lái)設(shè)計(jì)算法，這種方法得到的識(shí)別結(jié)果常常與人對(duì)圖像的直觀認(rèn)識(shí)存在差異；基于模型的圖像識(shí)別是以對(duì)象目標(biāo)的先驗(yàn)形狀模型為依據(jù)，從圖像中識(shí)別和定位具有固定形狀的目標(biāo)對(duì)象的有效方法，根據(jù)模型是否可變，可分為剛性模型與柔性模型。實(shí)際生活中各種對(duì)象的外形常常會(huì)發(fā)生變化，這種情況下，應(yīng)用模型形狀固定不變的剛性模型方法會(huì)受到很大限制。許多基于可變彈性模型的方法已被提出，但大多數(shù)方法存在的問(wèn)題是，它們犧牲模型的類別特殊性以適應(yīng)形狀的變化，所以在圖像

3、表達(dá)的過(guò)程中欠缺魯棒性。ASM模型可以捕捉特定類別對(duì)象形狀的自然變化，在存在特定結(jié)構(gòu)的圖像中搜索，是用于識(shí)別外形可變對(duì)象的一種魯棒方法。但傳統(tǒng)的ASM方法在進(jìn)行搜索時(shí)盲目地迭代計(jì)算圖像像素的局部紋理特征以匹配關(guān)鍵點(diǎn)，這是個(gè)嚴(yán)重耗時(shí)的過(guò)程。為了克服以上圖像識(shí)別方法的不足，學(xué)者們將前面兩種類型的方法進(jìn)行組合，提出了組合方法，以得到更好的算法。
　　本文受組合方法思想的啟發(fā)，結(jié)合基于圖像信息的邊緣檢測(cè)和基于目標(biāo)模型的ASM來(lái)設(shè)計(jì)新的圖像

4、搜索策略，提出基于邊緣窄帶的多分辨率主動(dòng)形狀模型（Boundary Neighborhood based Multi-Resolution Framework Active Shape Model,簡(jiǎn)稱BN-MRASM），以試圖得到魯棒性與高效性并存的圖像搜索策略。首先，在基于多分辨率框架的ASM方法的基礎(chǔ)上，為提高搜索效率，結(jié)合了圖像的邊緣檢測(cè)算法，且進(jìn)一步將邊緣像素膨脹為邊緣窄帶以保持算法魯棒性，最終形成基于邊緣窄帶的多分辨率主動(dòng)形

5、狀模型方法，BN-MRASM。該方法主要分為三個(gè)步驟：一、訓(xùn)練模型，由對(duì)象樣本集統(tǒng)計(jì)出對(duì)象平均形狀以及形狀的變化模式，即對(duì)象的點(diǎn)分布模型，并計(jì)算訓(xùn)練集中關(guān)鍵點(diǎn)的局部紋理特征；二、搜索初始化，構(gòu)造新圖像的多分辨率框架，使用邊緣檢測(cè)算法得到每一級(jí)分辨率圖像的邊緣，并將其膨脹為邊緣窄帶；三、圖像搜索，結(jié)合點(diǎn)分布模型與邊緣檢測(cè)得到的邊緣窄帶進(jìn)行多分辨率圖像的ASM搜索。
　　實(shí)驗(yàn)部分將傳統(tǒng)ASM，引進(jìn)了多分辨率框架的MRASM以及BN-M

6、RASM三種方法在相同數(shù)據(jù)集上運(yùn)行，結(jié)果顯示新方法在沒(méi)有影響圖像搜索精度的情況下，針對(duì)高分辨率、低邊緣比例圖像的搜索執(zhí)行效率明顯高于傳統(tǒng)方法。
　　本文主要工作如下：
　?。?）對(duì)圖像識(shí)別方法類型以及較具代表性的圖像識(shí)別算法進(jìn)行概述。
　?。?）簡(jiǎn)要描述了典型的基于圖像信息的方法，K均值聚類及其改進(jìn)算法；詳細(xì)介紹基于模型的ASM方法的主要思想及其優(yōu)勢(shì)，分析它的具體建模和目標(biāo)搜索實(shí)現(xiàn)過(guò)程，介紹圖像多分辨率框架。