自然圖象中輪廓檢測方法研究與實現(xiàn).pdf

1、由于自然圖象的背景復雜，在進行圖象的輪廓檢測時可能會有一些重要輪廓丟失，從而會給接下來對象檢測和分析、對象跟蹤等工作帶來額外的困難。自然圖象中的輪廓檢測算法主要是圍繞著梯度特征和曲線連續(xù)性特征進行圖象的概率輪廓的檢測，通過建立邏輯回歸和曲線連續(xù)性模型檢測和補全圖象輪廓。這種輪廓檢測結合補全的方法并不局限于采用某一種邊緣檢測算法，因此具有廣泛的適用性。
　　 以亮度梯度、顏色梯度和紋理梯度為基礎，采用了用邏輯回歸的方法檢測對象的輪

2、廓邊緣。對圖象的局部區(qū)域的象素點進行亮度、顏色和紋理的梯度對比，區(qū)域差分直方圖的值作為中心點的梯度值，邏輯回歸模型組合這三個梯度特征，學習到特征參數(shù)，從而判斷圖象中每個點是輪廓的概率。
　　 考慮到自然圖象中背景的復雜性，重要輪廓的丟失可能不可避免，利用曲線連續(xù)性模型對概率輪廓建模，通過學習輪廓的局部特征從而將丟失的輪廓補全。輪廓補全工作是從德勞奈三角剖分圖開始的，它是沃羅諾伊圖的偶圖。約束的德勞奈三角剖分將圖象的概率輪廓補全之

3、后，通過曲線連續(xù)性模型學習到模型參數(shù)，從而判斷約束的德勞奈三角剖分圖中補全的輪廓哪些是真實的輪廓，哪些不是的，最后得到的輪廓是較完整的圖象輪廓。曲線的連續(xù)性模型分為兩種，一種是局部的，一種是全局的。曲線的局部連續(xù)性輪廓補全采用的是邏輯回歸模型，曲線的全局連續(xù)性輪廓補全采用的是條件隨機場模型。
　　 在實驗中選擇坎尼邊緣檢測算法與概率輪廓檢測和補全算法做比較，分別在查全率和準確率以及全度量上進行了性能對比分析，結論表明在自然圖象中