面向二维形状识别的轮廓和骨架序列编码方法研究
发布时间：2021-01-16 13:47
二维物体识别是计算机视觉和人工智能领域的一个经典任务,被广泛地应用于图像理解、目标识别和场景分析等应用中。物体识别的基本问题是物体的表示和描述,通用的方法是借助于物体的颜色、纹理或形状信息。其中,形状也许是物体最为直观、重要的描述,仅通过形状信息,人类仍然可以轻松识别不同的物体及其类别。所以,基于形状的物体高效表示及识别一直是相关研究的热点问题之一。近期,二维形状表示及识别方面的研究进展包括基于深度神经网络的方法和基于生物信息学的方法等。不过,深度神经网络架构多针对二维图像分析领域设计,且一般需要大规模的标记样本,由于公开的二维形状数据集的样本规模往往较小,制约了深度神经网络在二维形状领域中的推广。基于生物信息学的二维形状表示的基本思想是把二维形状的轮廓转化为生物信息序列,借助标准的生物信息序列分析工具来进行二维形状的匹配和识别。目前的基于生物信息学的二维形状识别的发展也存在一些问题。第一,对形状进行编码是在形状的轮廓上进行,编码有时会产生冗余,实验中识别准确率不高;第二,目前二维形状的生物信息编码技术,未充分考虑如何使形状编码序列具有更多基因层面的信息。第三,在匹配阶段基本使用的还是...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图１．２形状匹配示意图??Ｆｉｇ．?１．２?Ｔｈｅ?ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ｓｈａｐｅ?ｍａｔｃｈｉｎｇ??
方法研宄???２相关研究内容介绍??本章主要介绍论文相关的形状描述与形状匹配方法，为下一章论文的主要工作做预??备知识的铺垫。首先，概述了基于轮廓的形状表示、基于骨架的形状表示方法及具有代??表性的形状描述符。然后，介绍了生物信息序列的匹配和分析工具，包括全局比较工具??和局部比较工具。最后，由于论文使用了全局特征描述符对所提出的形状信息编码方案??进行辅助，所以本章也会对涉及到的全局特征描述符进行简要概述。??２．?１二维形状的描述方法??如何高效地描述一个给定的形状，如图２．１所示，是形状识别或检索的基本问题。??原始形状数据往往是由二维像素矩阵表示，显然，像素矩阵本身并不具备在形状发生平??移、旋转或者放缩等变换时的不变性，而这些变换是日常形状数据经常发生的ｔ３６］。所以，??需要从像素矩阵中提取出更为鲁棒的表示方法。如前所述，研宄人员一般关注于如何借??助于形状的轮廓、区域和骨架设计特征描述符，分别对应于图２．１中动物形状的黑色边??缘、浅绿色内部和棱色骨骼三个部分。本文主要关注的是基于轮廓和基于骨架的二维形??状表示及识别方法，下面分别对形状的轮廓和形状的骨骼进行规范的数学描述，同时介??绍一些经典的形状描述符。??图２．１二维形状轮廓、骨架及其区域表示??Ｆｉｇ．?２．１?Ｔｈｅ?ｃｏｎｔｏｕｒ，?ｓｋｅｌｅｔｏｎ?ａｎｄ?ｉｎｎｅｒ?ｒｅｇｉｏｎ?ｏｆ?２Ｄ?ｓｈａｐｅｓ??２．１．１形状的轮廓表示??为简化问题，本文考虑的二维形状轮廓为零亏格的简单曲线，这也是日常生活中绝??大多数二维形状的形式。所以，形状轮廓可以看成是由己知顺序（逆时针或顺时针）的轮??廓点首尾相连形成的闭合曲线，如图２．２
?大连海事大学硕士学位论文???形状轮廓由多个轮廓段构成［３７］。所以本文假设形状轮廓６１?＝?？〇｜／￡［１，？］｝，４〇表示??构成轮廓的像素点，ｎ表示像素级轮廓点的数量。??由于形状轮廓点的数量往往比较多，为了简化计算，一般利用等间隔采样的方法对??轮廓点进行下采样，得到采样后的轮廓点集合（＾＝丨６／（〇｜／￡［１，所］丨，￡／（／）表示采样后??的轮廓点，ｍ表示采样后的轮廓点数量，图２．２（ｃ）表示采样后的形状轮廓。可以看出，??适当的采样频率能够在减少轮廓点数量的同时保留形状的细节。当然，可以依照轮廓的??几何特征进行不均匀采样，从而得到更高效的轮廓采样表示，不过这不是本文关注的内??容。采样后，形状轮廓也可以表示为＝?丨，／（／）表示由采样后的轮廓点??构成的轮廓段，ｆ为轮廓段的个数。由于轮廓点是有序排列且首尾相连的，所以由相邻??轮廓点构成的轮廓段也是有序排列且首尾相连的。??＜⑷．丨丨?（ｂ）?（ｃ）??图２．２形状图像及其轮廓??Ｆｉｇ．?２．２?Ａ?ｓｈａｐｅ?ｉｍａｇｅ?ａｎｄ?ｉｔｓ?ｃｏｎｔｏｕｒ??２．?１．２基于轮廓的形状表示方法??Ｉ??基于轮廓的形表示方法是二维形状描述中最为通用的一类方法，在二维形状识别??中有着广泛的应用。基于轮廓的形状表示的优点包括：可以把二维形状整体信息与局部??信息有机地结合在一起，从而能够较准确地描述形状结构特征：可以与多种形状匹配算??法组合，灵活地采用基于动态规划的形状匹配或基于词典的形状索引及匹配：通过图像??分割及物体边界提取，可以方便地应用于自然图像的形状识别，具有较好的实用性。??研究人员提出了多种基于轮廓的形状表示方法，本节以代
本文编号：2980938
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图１．２形状匹配示意图??Ｆｉｇ．?１．２?Ｔｈｅ?ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ｓｈａｐｅ?ｍａｔｃｈｉｎｇ??
方法研宄???２相关研究内容介绍??本章主要介绍论文相关的形状描述与形状匹配方法，为下一章论文的主要工作做预??备知识的铺垫。首先，概述了基于轮廓的形状表示、基于骨架的形状表示方法及具有代??表性的形状描述符。然后，介绍了生物信息序列的匹配和分析工具，包括全局比较工具??和局部比较工具。最后，由于论文使用了全局特征描述符对所提出的形状信息编码方案??进行辅助，所以本章也会对涉及到的全局特征描述符进行简要概述。??２．?１二维形状的描述方法??如何高效地描述一个给定的形状，如图２．１所示，是形状识别或检索的基本问题。??原始形状数据往往是由二维像素矩阵表示，显然，像素矩阵本身并不具备在形状发生平??移、旋转或者放缩等变换时的不变性，而这些变换是日常形状数据经常发生的ｔ３６］。所以，??需要从像素矩阵中提取出更为鲁棒的表示方法。如前所述，研宄人员一般关注于如何借??助于形状的轮廓、区域和骨架设计特征描述符，分别对应于图２．１中动物形状的黑色边??缘、浅绿色内部和棱色骨骼三个部分。本文主要关注的是基于轮廓和基于骨架的二维形??状表示及识别方法，下面分别对形状的轮廓和形状的骨骼进行规范的数学描述，同时介??绍一些经典的形状描述符。??图２．１二维形状轮廓、骨架及其区域表示??Ｆｉｇ．?２．１?Ｔｈｅ?ｃｏｎｔｏｕｒ，?ｓｋｅｌｅｔｏｎ?ａｎｄ?ｉｎｎｅｒ?ｒｅｇｉｏｎ?ｏｆ?２Ｄ?ｓｈａｐｅｓ??２．１．１形状的轮廓表示??为简化问题，本文考虑的二维形状轮廓为零亏格的简单曲线，这也是日常生活中绝??大多数二维形状的形式。所以，形状轮廓可以看成是由己知顺序（逆时针或顺时针）的轮??廓点首尾相连形成的闭合曲线，如图２．２
?大连海事大学硕士学位论文???形状轮廓由多个轮廓段构成［３７］。所以本文假设形状轮廓６１?＝?？〇｜／￡［１，？］｝，４〇表示??构成轮廓的像素点，ｎ表示像素级轮廓点的数量。??由于形状轮廓点的数量往往比较多，为了简化计算，一般利用等间隔采样的方法对??轮廓点进行下采样，得到采样后的轮廓点集合（＾＝丨６／（〇｜／￡［１，所］丨，￡／（／）表示采样后??的轮廓点，ｍ表示采样后的轮廓点数量，图２．２（ｃ）表示采样后的形状轮廓。可以看出，??适当的采样频率能够在减少轮廓点数量的同时保留形状的细节。当然，可以依照轮廓的??几何特征进行不均匀采样，从而得到更高效的轮廓采样表示，不过这不是本文关注的内??容。采样后，形状轮廓也可以表示为＝?丨，／（／）表示由采样后的轮廓点??构成的轮廓段，ｆ为轮廓段的个数。由于轮廓点是有序排列且首尾相连的，所以由相邻??轮廓点构成的轮廓段也是有序排列且首尾相连的。??＜⑷．丨丨?（ｂ）?（ｃ）??图２．２形状图像及其轮廓??Ｆｉｇ．?２．２?Ａ?ｓｈａｐｅ?ｉｍａｇｅ?ａｎｄ?ｉｔｓ?ｃｏｎｔｏｕｒ??２．?１．２基于轮廓的形状表示方法??Ｉ??基于轮廓的形表示方法是二维形状描述中最为通用的一类方法，在二维形状识别??中有着广泛的应用。基于轮廓的形状表示的优点包括：可以把二维形状整体信息与局部??信息有机地结合在一起，从而能够较准确地描述形状结构特征：可以与多种形状匹配算??法组合，灵活地采用基于动态规划的形状匹配或基于词典的形状索引及匹配：通过图像??分割及物体边界提取，可以方便地应用于自然图像的形状识别，具有较好的实用性。??研究人员提出了多种基于轮廓的形状表示方法，本节以代
本文编号：2980938
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2980938.html
