工具的功用性是指工具所能提供的行为可能,是工具的价值体现。工具功用性检测与标记属于物体识别领域,旨在感知工具部件的准确区域并进行深层认知。鉴于现有的功用性检测算法受背景及光照强度的影响较大,存在功用性区域标记不够准确的局限性,该文针对功用性边缘检测和区域标记算法展开深入研究,具体研究内容如下:首先,考虑到现有边缘检测算法存在无法提取工具功用性边缘的问题,提出了一种基于结构性随机森林的功用性边缘检测算法,该算法在离线阶段对各功用性边缘模型进行建模;借助粗糙到精确的思想学习不同功用性边缘阈值,进而对工具部件进行功用性边缘检测,并获取目标功用性矩形区域。实验结果表明,该算法对不同工具部件都能提取精度较高的功用性边缘。其次,针对目标功用性矩形区域中存在着背景噪声的干扰,提出了一种基于显著性计算的功用性区域标记算法,该算法使用吸收马尔可夫链的相关知识对目标功用性矩形区域内的RGB图像进行显著性计算,再使用阈值滤波将背景噪声滤除,并标记出功用性区域。实验结果表明,在单一场景中该算法能较快地完成功用性标记工作且能标记出功用性区域的准确位置。最后,鉴于图像分割时边缘特征的显著性和稳健性,提出了一种基于边缘连接的功用性区域标记算法。首先,采用功用性边缘模型进行边缘检测,确定功用性矩形区域,然后,在功用性矩形区域中对断续的功用性边缘进行边缘连接,形成功用性封闭的区域,最后,对封闭区域进行填充,完成功用性区域标记工作。实验结果表明,对单一场景中的工具部件进行功用性区域标记时,该算法可获得良好的运行效率及标记精度。