CN105631843A - 基于向量内积的骨架提取方法 - Google Patents
基于向量内积的骨架提取方法 Download PDFInfo
- Publication number
- CN105631843A CN105631843A CN201410583073.8A CN201410583073A CN105631843A CN 105631843 A CN105631843 A CN 105631843A CN 201410583073 A CN201410583073 A CN 201410583073A CN 105631843 A CN105631843 A CN 105631843A
- Authority
- CN
- China
- Prior art keywords
- point
- inner product
- skeleton
- vector
- boundary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
基于向量内积的骨架提取方法包括以下步骤：通过距离变换得到内部像素点和其对应最近边界点的位置，进而构造出从内部像素点指向最近边界点的边界向量；并利用向量内积判断该内部像素点8-邻域内各个边界向量方向的变化情况，从而确定候选骨架点的位置；再通过基于回归分析的方式完成骨架延伸，最终得到连通的骨架。本发明的方法能够有效地解决其他骨架提取方法存在的易受边界噪声影响以及在连通性和骨架位置准确性之间难以平衡等问题，提取的骨架定位准确，连通性好，且运行速度满足图像分析系统的要求，具有切实可行的应用价值。
Description
技术领域
本发明所属技术领域是数字图像处理，依据边界向量内积值符号的变化情况，确定候选骨架点，并结合基于回归分析的统计学思想，判定分支骨架线的延伸方向，提出一种新型、有效的骨架提取方法。
背景技术
计算机视觉系统的终极目标是能像人类视觉系统一样工作。计算机可以利用必要的信息进行快速、深层的科学分析，但对于内容复杂的图像，获取其中的信息却成了难题，因为计算机不能像人眼那样轻易地理解图像内容。骨架作为一种降维的物体形态描述方式，不仅可以较为真实地表示物体的轮廓信息，还能够反映出物体的拓扑结构特性，是一种表示物体形状的重要工具，为图像分析和模式识别等应用提供基础数据。所以，各种各样的骨架提取算法层出不穷，虽然原理不尽相同，但目的都是为了得到定位准确、连通性好的高质量骨架图像。
骨架提取算法通常可以分为两类：第一类是细化算法，其本质是一种多次迭代收缩算法，特殊之处在于每次迭代过程中，不破坏连通性，消去图像中不必要的边界点，直到推进至内部确定图像骨架，但其位置的准确性难以保证。第二类是基于距离变换的算法，通过寻找距离梯度脊线来确定骨架，提高了位置的准确度，但在连通性上有待进一步的改进。
许多改进的骨架提取算法在一定程度上解决了上述问题，例如颜廷秦在文献1“一种距离场约束下的普适细化算法”(南京大学学报，2013,49(2))将经典的K3M算法与基于距离场的方法相结合，解决了以往细化算法定位不准确的问题。杨晨辉在文献2“优化的梯度最短路径骨架提取算法”(厦门大学学报，2014，53(2))中利用自定义算子计算距离变换图中的局部极大值点的梯度，将梯度最小的像素点视为关键点，并沿梯度方向进行连接，在一定程度上提高了算法的效率。庄彩云在文献3“基于近似最小距离场的二维图像骨架提取方法”(计算机工程与应用，2013，49(21))中通过对像素与边界的相对距离进行整数编码，构建了近似最小距离场并生成聚类，再将这些聚类细化并连接后即得到完整骨架。这些改进算法改善了骨架提取的效果，但仍然存在着易受边界噪声影响以及在连通性和骨架位置准确性之间难以平衡等问题。
发明内容
本发明的目的是提供一种新型的骨架提取方法，能一定程度改善传统算法经常出现的易受边界噪声影响及在骨架连通性和准确性之间难以平衡等问题。该方法将向量内积思想融入到候选骨架点的选取中，并利用回归分析巧妙地解决了骨架延伸方向的判定问题。该方法不仅可以克服边界扰动，而且提取的骨架在连通性和位置准确性均得到了保证。
本发明设计了一种基于向量内积的骨架提取方法，主要包括以下步骤：
(1)输入一幅二值图像，通过欧氏距离变换能够获得目标点与背景点之间的最短距离及最近边界点的位置信息，分别记录在矩阵D和矩阵L中；D中的非0元素即为目标点，其位置信息记为Pgoal(xgoal,ygoal)，再通过除法、取余运算，将L中元素转化为边界点的位置信息，记作Pedge(xedge,yedge)，由目标点指向边界点的边界向量记作其中xvector＝xedge-xgoal，yvector＝yedge-ygoal。
(2)计算每个内部像素点的边界向量与其8-邻域各点的边界向量的内积值，比较在水平、垂直、主对角线、副对角线4个方向上内积值符号的变化情况；内积值符号由正变为非正(或由负变为非负)的次数记为Flag，若在至少3个方向上内积值的符号出现变化，即Flag≥3，并且与边界点的距离在1个像素以上，即D(i,j)＞1，则将该点视作候选骨架点。
(3)利用基于回归分析的方法进行骨架延伸。图像的主骨架线记为LT_main，各分支骨架线记为LT_i(i＝1,2....N)，分别计算LT_i与LT_main之间的最短直线距离，记作Dis_i；再计算邻近分支骨架区域LT_i与LT_(i+1)之间的最短直线距离，记作Dis_near_i，按照邻近原则的要求，确定分支骨架线的延伸方向：若Dis_i≤Dis_near_i，则将该分支骨架线延伸到主骨架线上；否则将不同分支骨架中的离散点分别按照标准公式构建回归方程再依据斜率关系，若斜率符号一致，则将两邻近分支骨架线连接，否则该分支骨架与主骨架连接。
附图说明
图1是基于向量内积的骨架提取方法的流程图；
图2是实验用的二值图像；
图3是对实验图像进行骨架提取后的骨架图像；
图4是改进的Zhang-Suen算法提取出的骨架图像；
图5是Matlab自带函数提取出的骨架图像。
具体实施方式：
图1是基于向量内积的骨架提取方法的流程图；本发明对于该流程各个环节的具体实施方式描述如下：
(1)输入一幅二值图像，对其进行欧氏距离变换，利用所得的目标点与背景点之间的最短距离及最近边界点的位置信息，构造边界向量。
(2)计算每个内部像素点的边界向量与其8-邻域各点的边界向量的内积值，比较在4个方向上内积值符号的变化情况；内积值符号由正变为非正(或由负变为非负)的次数记为Flag，若Flag≥3，并且与边界点的距离在1个像素以上，即D(i,j)＞1，则将P点视作候选骨架点。
(3)图像的主骨架线记为LT_main，各分支骨架线记为LT_i(i＝1,2....N)，分别计算LT_i与LT_main之间的最短直线距离，记作Dis_i，再计算邻近分支骨架区域LT_i与LT_(i+1)之间的最短直线距离，记作Dis_near_i；按照邻近原则的要求：若Dis_i≤Dis_near_i，则将该分支骨架线延伸到主骨架线上,否则将不同分支骨架中的离散点分别按照标准公式构建回归方程y若二者斜率符号一致，则将两邻近分支骨架线连接，否则该分支骨架与主骨架连接。
图2是实验采用的二值图像，均是MPEG7_CE-Shape图形数据库中的图片。第一幅为“蝙蝠”图片，第二幅为“花型”图片。
图3是利用上述骨架提取方法对图2实验图像进行骨架提取最终得到的骨架图像。
图4、图5分别是利用改进的Zhang-Suen算法和Matlab自带函数对图2实验图像进行骨架提取最终得到的骨架图像。
从“蝙蝠”图片的提取结果可以明显看出根据改进的Zhang-Suen算法所提取的骨架，蝙蝠左侧翅膀分支未能成功提取；利用Matlab自带函数进行骨架提取无法有效抑制边界噪声带来的不良影响，当蝙蝠翅膀处出现偶然凸点时，在对应位置产生了多余的骨架分支；本方法能够得到完整的骨架，在细节部分也有很好的效果，一定程度上克服了边界扰动对骨架提取结果的影响。第二幅“花型”图片，利用改进的Zhang-Suen算法提取出的结果的中心位置存在冗余像素点；Matlab自带函数提取的骨架存在多余的细小分支；本方法提取出的骨架连续性好、位置准确，对边界扰动的抑制能力较强。
Claims (4)
1.基于向量内积的骨架提取方法，包括以下步骤：
(1)输入一幅二值图像，通过欧氏距离变换，构造每个内部像素点的边界向量；
(2)计算每个内部像素点的边界向量与其8-邻域各点的边界向量的内积值，通过比较内积值符号的变化情况，确定候选骨架点，并要求其与边界点的距离必须在1个像素以上，以克服边界扰动的影响；
(3)对分支骨架中离散各点进行回归分析，基于回归分析结果，做延伸处理操作，最终得到连通、完整的骨架线。
2.如权利要求1所述的基于向量内积的骨架提取方法，其特征在于，通过所述步骤(1)中的距离变换操作能够获得二值图像中目标点与背景点之间的最短距离及最近边界点的位置信息，分别记录在矩阵D和矩阵L中；D中的非0元素即为目标点，其位置信息记为Pgoal(xgoal,ygoal)，再通过除法、取余运算，将L中元素转化为边界点的位置信息，记作Pedge(xedge,yedge)，由目标点指向边界点的边界向量记作其中xvector＝xedge-xgoal，yvector＝yedge-ygoal。
3.如权利要求1所述的基于向量内积的骨架提取方法，其特征在于，所述步骤(2)的候选骨架点的确定过程如下：计算每个内部像素点的边界向量与其8-邻域各点的边界向量的内积值，比较在水平、垂直、主对角线、副对角线4个方向上内积值符号的变化情况；内积值符号由正变为非正(或由负变为非负)的次数记为Flag，若在至少3个方向上内积值的符号出现变化，即Flag≥3，并且与边界点的距离在1个像素以上，即D(i,j)＞1，则将该点视作候选骨架点。
4.如权利要求1所述的基于向量内积的骨架提取方法，其特征在于，所述步骤(3)的基于回归分析进行骨架延伸的过程为：图像的主骨架线记为LT_main，各分支骨架线记为LT_i(i＝1,2....N)，分别计算LT_i与LT_main之间的最短直线距离，记作Dis_i；再计算邻近分支骨架区域LT_i与LT_(i+1)之间的最短直线距离，记作Dis_near_i，按照邻近原则的要求，确定分支骨架线的延伸方向：
(1)若Dis_i≤Dis_near_i，则将该分支骨架线延伸到主骨架线上；
(2)若Dis_i＞Dis_near_i，则将不同分支骨架中的离散点分别按照标准公式构建回归方程再依据斜率关系，判定分支骨架的连接方式：若斜率符号一致，则将两邻近分支骨架线连接，否则该分支骨架与主骨架连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410583073.8A CN105631843A (zh) | 2014-10-27 | 2014-10-27 | 基于向量内积的骨架提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410583073.8A CN105631843A (zh) | 2014-10-27 | 2014-10-27 | 基于向量内积的骨架提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105631843A true CN105631843A (zh) | 2016-06-01 |
Family
ID=56046731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410583073.8A Pending CN105631843A (zh) | 2014-10-27 | 2014-10-27 | 基于向量内积的骨架提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105631843A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581904A (zh) * | 2019-09-30 | 2021-03-30 | 华中科技大学 | 一种oled屏亮度灰阶图像的摩尔纹补偿方法 |
| CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
-
2014
- 2014-10-27 CN CN201410583073.8A patent/CN105631843A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581904A (zh) * | 2019-09-30 | 2021-03-30 | 华中科技大学 | 一种oled屏亮度灰阶图像的摩尔纹补偿方法 |
| CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
| CN114638828B (zh) * | 2022-05-18 | 2022-09-23 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
| Kim et al. | Improved simple linear iterative clustering superpixels | |
| CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
| CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
| CN103914834A (zh) | 一种基于前景先验和背景先验的显著性物体检测方法 | |
| CN106952294B (zh) | 一种基于rgb-d数据的视频跟踪方法 | |
| CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
| CN104751142A (zh) | 一种基于笔划特征的自然场景文本检测算法 | |
| US20230334235A1 (en) | Detecting occlusion of digital ink | |
| CN108038481A (zh) | 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法 | |
| CN110866529A (zh) | 字符识别方法、装置、电子设备及存储介质 | |
| CN106874942B (zh) | 一种基于正则表达式语义的目标模型快速构建方法 | |
| CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
| CN102024156A (zh) | 彩色人脸图像中的唇部区域定位方法 | |
| CN107369158A (zh) | 基于rgb‑d图像的室内场景布局估计及目标区域提取方法 | |
| CN102521616A (zh) | 基于稀疏表示的行人检测方法 | |
| Cheng et al. | Urban road extraction via graph cuts based probability propagation | |
| CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
| CN105631843A (zh) | 基于向量内积的骨架提取方法 | |
| CN106022236A (zh) | 一种基于人体轮廓的动作识别方法 | |
| CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
| John et al. | Automatic number plate localization using dynamic thresholding and morphological operations | |
| Yang et al. | Epitomic image colorization | |
| Chen et al. | The significance of license plate location based on Lab color space | |
| CN109614952A (zh) | 一种基于瀑布图的目标信号检测识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160601 |