基于随机文法的图像骨架化表示模型研究

论文摘要

目标的表示和识别技术是图像分析和理解的核心环节,合适目标的表示是基于内容的图像检索的基础,不同的表示方法将导致不同的识别方法。目前已经有了不少目标表示方法,但是由于缺少结构化的表示,使得基于内容的图像检索结果不能令人满意。为了解决这个问题,朱松纯和大卫·孟弗德提出了在“与或图”中嵌入随机文法表示对象的图文法思想,并综合了一些如马尔科夫随机场和稀疏编码等这样流行模型产生了一个学习结构实现对文法的推断,但是这种方法缺少图像的基元之间的语义信息。由于目标骨架具有层次化、多尺度、与原始目标拓扑一致和适应较大的变化等特点,因此基于骨架的目标表示和识别开始受到人们的关注。本文结合了随机文法和骨架化的优点提出了用随机文法进行骨架结构化表示,增加了图像基元之间的语义特征,有利于提高基于内容图像检索的精确性。本文的主要工作:（1）针对传统骨架提取算法中出现影响骨架识别的毛刺问题,特别是其中对物体形状的描述会产生很大影响的绷带骨架,在骨架的权值的基础上提出了一种新的骨架修剪算法。（2）结合骨架和随机文法提出了用随机文法进行骨架结构化表示模型SGIRS（stochastic grammar on image representation based on skeleton）。（3）利用了骨架的柔性以及随机文法的抗干扰能力,提出了基于SGIRS的目标识别框架,并在Mpeg-7所给测试集的两个形状图像库上进行了实验,实验结果表明本文的方法比不考虑骨架分支权值的方法在降低了目标主要形状丢失的概率方面有效。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景
• 1.2 本文的工作
• 1.3 论文的内容安排
• 第二章 图像文法
• 2.1 一维语言文法
• 2.2 随机文法
• 2.2.1 一般随机文法
• 2.2.2 属性随机文法
• 2.3 二维图像文法
• 2.3.1 图像文法的发展
• 2.3.2 图像文法与语言文法比较
• 2.4 视觉基元
• 2.4.1 视觉基元
• 2.4.2 模式基元的抽取
• 2.5 本章小结
• 第三章 基于权值的骨架修剪算法
• 3.1 概述
• 3.2 骨架的概念
• 3.2.1 骨架
• 3.2.2 骨架结构基元
• 3.3 骨架化方法
• 3.3.1 精确方法
• 3.3.2 连续方法
• 3.3.3 离散方法
• 3.3.4 基于击中击不中变换的骨架提取算法
• 3.4 骨架正则化控制
• 3.4.1 影响骨架识别的因素
• 3.4.2 抽取骨架前处理
• 3.4.3 抽取骨架后处理
• 3.5 基于权值的骨架修剪算法
• 3.5.1 骨架权值化过程
• 3.5.2 基于距离的骨架权值计算
• 3.5.3 骨架修剪算法描述
• 3.5.4 实验与结论
• 3.6 本章小结
• 第四章 随机文法的图像骨架结构化表示模型SGIRS
• 4.1 骨架的图表示
• 4.2 随机文法的图像骨架结构化表示模型SGIRS
• 4.2.1 基元检测
• 4.2.2 骨架语法解析树的构造
• 4.2.3 骨架语法解析树节点属性定义
• 4.2.4 SGIRS模型生成过程
• 4.3 本章小结
• 第五章 基于SGIRS目标识别框架
• 5.1 字符串匹配
• 5.1.1 带权值的字符相似度计算模型
• 5.1.2 字符串相似度计算模型
• 5.2 基于权值的目标识别框架
• 5.3 实验结果与分析
• 5.3.1 图像测试集
• 5.3.2 检索性能评价准则
• 5.3.3 实验结果与分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 本文的主要工作
• 6.2 展望
• 参考文献
• 致谢
• 论文及科研情况