论文部分内容阅读
形状作为一种重要的视觉信息,在计算机视觉和模式识别领域已经得到了研究人员越来越多的关注,在基于内容的图像检索中,形状特征也是描述图像内容的最重要的特征之一,因此获取和利用符合人类感知的视觉形状信息,对分析和理解图像起着至关重要的作用。本文针对多连通分量的形状,即,复杂图形,提出了视觉形状的提取算法,有别于每个连通分量的真实轮廓,视觉形状是实际不存在,但可以被人视觉感知出来的形状,其中包含两种类型,一种是外包络,这种视觉轮廓是反映所有连通分量组合出来的整体形状信息,体现的是整体形状特征,而且在人认知过程中这种形状特征要比局部形状优先被感知到,对于外包络的提取算法,首先对所有连通分量轮廓点进行Delaunay三角剖分,通过对轮廓片段的内凹程度(Concavity)和连通分量之间的松散程度(Porosity)的分析,利用Delaunay三角边构造出更符合人类视觉感知的紧致外包络。另一种类型的轮廓是连通分量之间空白区域形成的主观轮廓,人在认知过程中,视觉将连通分量的部分边缘拼接起来形成的完整轮廓,这种轮廓同样是整个图形的重要形状信息,甚至比单独的连通分量的形状更重要。在轮廓点的Delaunay三角剖分结果中,可获得缝隙中主观轮廓的结构信息。 本文基于这种结构信息,提出了一种多连通分量间的主观轮廓的提取算法。为了验证算法的有效性和实用性,实验对象选自MPEG-7 CE-1形状库和MPEG-7 CE-2商标库以及英国专利商标局数据库(UK Patent and TrademarkOffice dataset),其结果表明,本文提出的外包络提取算法优于现有文献中的算法,并为形状检索提供了重要依据,即,融合外包络形状信息后,明显提升了形状检索的效果,另外,外包络提取算法应用于基于叶子形状特征植物的检索系统-叶缘网中,在提取轮廓方面发挥了重要的作用。主观轮廓的提取算法不仅能够有效地处理经典的主观轮廓图形,而且对于商标图形同样能够提取出符合人视觉的主观轮廓。