自然圖象中輪廓檢測(cè)方法研究與實(shí)現(xiàn).pdf

1、由于自然圖象的背景復(fù)雜，在進(jìn)行圖象的輪廓檢測(cè)時(shí)可能會(huì)有一些重要輪廓丟失，從而會(huì)給接下來(lái)對(duì)象檢測(cè)和分析、對(duì)象跟蹤等工作帶來(lái)額外的困難。自然圖象中的輪廓檢測(cè)算法主要是圍繞著梯度特征和曲線連續(xù)性特征進(jìn)行圖象的概率輪廓的檢測(cè)，通過(guò)建立邏輯回歸和曲線連續(xù)性模型檢測(cè)和補(bǔ)全圖象輪廓。這種輪廓檢測(cè)結(jié)合補(bǔ)全的方法并不局限于采用某一種邊緣檢測(cè)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(chǔ)，采用了用邏輯回歸的方法檢測(cè)對(duì)象的輪

2、廓邊緣。對(duì)圖象的局部區(qū)域的象素點(diǎn)進(jìn)行亮度、顏色和紋理的梯度對(duì)比，區(qū)域差分直方圖的值作為中心點(diǎn)的梯度值，邏輯回歸模型組合這三個(gè)梯度特征，學(xué)習(xí)到特征參數(shù)，從而判斷圖象中每個(gè)點(diǎn)是輪廓的概率。
　　 考慮到自然圖象中背景的復(fù)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(duì)概率輪廓建模，通過(guò)學(xué)習(xí)輪廓的局部特征從而將丟失的輪廓補(bǔ)全。輪廓補(bǔ)全工作是從德勞奈三角剖分圖開(kāi)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(bǔ)全之

3、后，通過(guò)曲線連續(xù)性模型學(xué)習(xí)到模型參數(shù)，從而判斷約束的德勞奈三角剖分圖中補(bǔ)全的輪廓哪些是真實(shí)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(bǔ)全采用的是邏輯回歸模型，曲線的全局連續(xù)性輪廓補(bǔ)全采用的是條件隨機(jī)場(chǎng)模型。
　　 在實(shí)驗(yàn)中選擇坎尼邊緣檢測(cè)算法與概率輪廓檢測(cè)和補(bǔ)全算法做比較，分別在查全率和準(zhǔn)確率以及全度量上進(jìn)行了性能對(duì)比分析，結(jié)論表明在自然圖象中