基于ASM的圖像識別方法研究與實現(xiàn).pdf

1、圖像識別技術研究的是試圖讓計算機擁有類人的智能，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和對象及其特征屬性的能力。圖像識別技術的研究意義重大，在醫(yī)學、工業(yè)、電子商務、通信及軍事等領域都得到了廣泛應用。圖像識別方法從設計的理論基礎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（例如灰度值、圖像直方圖、梯度及紋理

2、信息等）來設計算法，這種方法得到的識別結果常常與人對圖像的直觀認識存在差異；基于模型的圖像識別是以對象目標的先驗形狀模型為依據(jù)，從圖像中識別和定位具有固定形狀的目標對象的有效方法，根據(jù)模型是否可變，可分為剛性模型與柔性模型。實際生活中各種對象的外形常常會發(fā)生變化，這種情況下，應用模型形狀固定不變的剛性模型方法會受到很大限制。許多基于可變彈性模型的方法已被提出，但大多數(shù)方法存在的問題是，它們犧牲模型的類別特殊性以適應形狀的變化，所以在圖像

3、表達的過程中欠缺魯棒性。ASM模型可以捕捉特定類別對象形狀的自然變化，在存在特定結構的圖像中搜索，是用于識別外形可變對象的一種魯棒方法。但傳統(tǒng)的ASM方法在進行搜索時盲目地迭代計算圖像像素的局部紋理特征以匹配關鍵點，這是個嚴重耗時的過程。為了克服以上圖像識別方法的不足，學者們將前面兩種類型的方法進行組合，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)，結合基于圖像信息的邊緣檢測和基于目標模型的ASM來設計新的圖像

4、搜索策略，提出基于邊緣窄帶的多分辨率主動形狀模型（Boundary Neighborhood based Multi-Resolution Framework Active Shape Model,簡稱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方法的基礎上，為提高搜索效率，結合了圖像的邊緣檢測算法，且進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形

5、狀模型方法，BN-MRASM。該方法主要分為三個步驟：一、訓練模型，由對象樣本集統(tǒng)計出對象平均形狀以及形狀的變化模式，即對象的點分布模型，并計算訓練集中關鍵點的局部紋理特征；二、搜索初始化，構造新圖像的多分辨率框架，使用邊緣檢測算法得到每一級分辨率圖像的邊緣，并將其膨脹為邊緣窄帶；三、圖像搜索，結合點分布模型與邊緣檢測得到的邊緣窄帶進行多分辨率圖像的ASM搜索。
　　實驗部分將傳統(tǒng)ASM，引進了多分辨率框架的MRASM以及BN-M

6、RASM三種方法在相同數(shù)據(jù)集上運行，結果顯示新方法在沒有影響圖像搜索精度的情況下，針對高分辨率、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：
　?。?）對圖像識別方法類型以及較具代表性的圖像識別算法進行概述。
　?。?）簡要描述了典型的基于圖像信息的方法，K均值聚類及其改進算法；詳細介紹基于模型的ASM方法的主要思想及其優(yōu)勢，分析它的具體建模和目標搜索實現(xiàn)過程，介紹圖像多分辨率框架。