一种基于非对称逆布局模型的图像边界提取方法技术

本发明专利技术公开了一种基于非对称逆布局模型的图像边界提取方法，该提取方法首先要对二值图像进行NAM表示，得到总子模式数和坐标表。然后从左上角第一个子模式开始，依次按光栅扫描的顺序扫描，每扫描到一个子模式就获取相关参数值，如果邻居像素所属的区域和当前子模式不属于同一个区域且可以合并，则执行带按秩合并和路径压缩策略的并查集算法合并区域，否则继续扫描下一个邻居像素。当这个块的左边界和上边界的邻居像素全部扫描完毕，此块处理完毕，更新边界信息，按以上步骤处理下一个子模式，直到所有子模式处理完成，最后输出二值图像的边界信息。本发明专利技术具有占用存储空间小，图像边界提取速度快等优点。

【技术实现步骤摘要】
一种基于非对称逆布局模型的图像边界提取方法
本专利技术涉及一种计算机图像处理技术，特别涉及一种基于非对称逆布局模型(NAM)的图像边界提取方法。
技术介绍
图像边界提取技术与图像表示方法密切相关，这里主要就图像的分层数据结构和图像的边界提取技术来介绍相关的研究现状和国内外的最新发展趋势。(1)图像的分层数据结构；图像表示是目前最为活跃的研究领域之一，它在图像压缩、特征提取、图像检索、图像去噪和图像复原、图像边界提取等应用中起着非常关键的作用。有效的图像表示算法不仅能节省存储空间，而且还有利于提高图像处理的速度。目前已有许多基于空间数据结构的二值图像表示算法，如:字符串表示算法、树结构的表示算法和码字集表示算法。就二值图像的压缩算法来说，尽管压缩标准JBIG的压缩性能总是优于目前任何基于空间数据结构的二值图像表示算法，但是由于JBIG表示算法涉及到熵编码过程，对于许多应用来说是不可能操作压缩的JBIG格式的。分层数据结构在计算机视觉、机器人、计算机图形学、图像处理、模式识别等领域里是非常重要的区域表示方法。四元树(QT,QuadTree)是图像分层表示的一种形式，它是研究得最早的、也是研究得最多的一种分层表示形式。早期的四元树表示都是基于指针的四元树结构，为了显著减少存储空间，Gargantini等人消除了指针方案，提出了称之为线性四元树(LQT,LinearQuadTree)的表示方法。Subramanian等人研究了基于空间二元树分割(BSP,BinarySpacePartitioning)的图像表示方法。图像经过BSP树表示后，其表示结果可直接支持图像的压缩与分割等算法。基于混合的二元树和四元树表示，Kassim等人提出了一种基于分层分割的图像表示方法。基于B-树三角形编码方法，Distasi等人提出了基于空间数据结构的灰度图像表示算法。基于S-树数据结构和Gouraud阴影法，Chung等人提出了一种基于S-树的空间数据结构的灰度图像表示(STC,S-TreeCoding)方法(K.L.Chung,J.G.Wu.ImprovedimagecompressionusingS-treeandshadingapproach.IEEETransactionsonCommunications，2000，48(5):748-751.)。随后，Chung等人提出了一种基于DCT域和空域的混合灰度图像表示(SDCT，Spatial-andDCT-based)方法(K.L.Chung，Y.W.Liu，W.M.Yan.Ahybridgrayimagerepresentationusingspatial-andDCT-basedapproachwithapplicationtomomentcomputation.JournalofVisualCommunicationandImageRepresentation，2006，17(6):1209-1226)。虽然上述的分层数据表示有许多优点，但是它们过于强调分割的对称性，因此不是最优的表示方法。借助于Packing问题的思想，以寻找分割最大化的非对称分割方法为目标，Chen等人提出了图像模式的NAM表示方法。郑运平等人提出了一种基于扩展的Gouraud阴影法和非重叠矩形子模式的NAM灰度图像表示方法，简称为RNAMC表示方法(郑运平，陈传波.一种新的灰度图像表示算法研究.计算机学报,2010，33(12):2397-2406.)。由于可重叠NAM表示方法一般会比非重叠NAM表示方法效率高，郑运平等人又提出了一种基于扩展的Gouraud阴影法和重叠矩形子模式的NAM灰度图像表示方法，简称为ORNAM表示方法(YunpingZheng,ZhiwenYu,JaneYou,MudarSarem.AnovelgrayimagerepresentationusingoverlappingrectangularNAMandextendedshadingapproach.JournalofVisualCommunicationandImageRepresentation,2012,23(7):972-983.)。实验结果表明：与STC、SDCT和RNAMC表示方法相比，在保持图像质量的前提下，ORNAM表示方法具有更高的压缩比和更少的块数，因而能够更有效地减少数据存储空间，是灰度图像表示的一种良好方法。最近，郑运平等又提出了一种新的二值图像的NAM表示方法并将其应用到面积计算中，取得了较好的结果(YunpingZheng,MudarSarem.AnovelbinaryimagerepresentationalgorithmbyusingNAMandcoordinateencodingprocedureanditsapplicationtoareacalculation.FrontiersofComputerScience,2014,8(5):763-772.)。从现状来看，LQT表示主要集中在降低图像处理运算的复杂性和向更宽的范围扩展，理论上的成果很多，运用于实际的也不少，并越来越多，仍是当今图像处理领域里一种非常流行的图像表示方法。图像表示方法有两个目的：第一，提高图像的表示效率。第二，提高图像操作的处理速度。(2)图像的边界提取技术；边界通常是物体的轮廓，可为人们描述或识别目标以及解释图像提供至关重要的特征。因此，对图像中的边界进行识别和提取，在计算机视觉及数字图像分析与应用中起着重要的作用，也具有重要的实用价值。多年来，图像边界检测与提取一直是数字图像处理、分析与应用领域的重要研究主题。传统的边界检测方法有导数法、梯度法、拉普拉斯法及各种改进方法等。近些年，多尺度边缘检测、基于数学形态学的边缘检测和用模糊逻辑对图像边界进行检测的技术也得到了应用。本质上，传统的边界检测方法是基于像素灰度变化的方法。一般是先检测每个像素和其相邻像素的状态，以决定该像素是否处于物体的边界上，然后以图像中像素的灰度值或用二值灰度图像来表示边界检测图像。传统边界检测与提取方法的关键在于边界像素点的检出性能和边界点连接算法性能。在复杂图像的边界检测应用中，效果往往不理想。近年来，面向对象图像分析方法应用逐渐受到关注。与传统的基于像素灰度处理方法的不同之处为，通过把图像分割为若干个互不交叠的区域(图像对象)，随后将图像对象作为基本分析处理单元；这种方式，相对于把像素作为基本处理单元，更适于结合人类关于现实世界的认知知识，从而能更有效地从图像中提取出在形状和分类上与真实世界目标(地物)相符合的图像区域。这种基于对象的图像分析是近些年出现的一种新理论。通过使用分层结构的BSP方法，Wang,C.C.L.等人提出了一种基于剪切操作的高效的BSP固体边界提取方法。他们的多边形算法重复执行对应的空间凸划分的体细胞上的裁剪操作，通过遍历细胞连接计算边界。他们使用基于点的表示随着有限精度运算来提高效率和生成BSP固体边界近似(Wang,C.C.L.；Manocha,D.,EfficientBoundaryExtractionofBSPSolidsBasedonClippingOperations.IEEETr本文档来自技高网...

【技术保护点】
一种基于非对称逆布局模型的图像边界提取方法，其特征在于，包括以下步骤：步骤S1、使用基于非对称逆布局模型的二值图像表示法将大小为G×H的图像b进行编码，得到编码后的总子模式数n，坐标表W；步骤S2、置一个当前扫描子模式的序号j，并令j＝0，同时设置一个指针矩阵B，大小为G×H，用于表示每个像素指向的区域；步骤S3、在坐标表中得到W[j]；步骤S4、根据W[j]，算出当前子模式的大小size和左边界、上边界坐标信息；步骤S5、从左边界最下方开始，往上扫描，对每个左边界像素L找出它左边的一个像素LL，即：LL在X方向比L小1，并利用矩阵B找出像素L和像素LL所属的区域，再用带按秩合并和路径压缩策略的并查集算法找出这两个区域的祖先区域，若两个区域是同一区域，则跳到下一个像素，否则，如果两个区域不属于同一区域，则根据均值和方差判断这两个祖先是否可合并；步骤S6、左边界扫描完毕后，从上边界最左方开始，往右扫描，对每个上边界像素T找出它上边一个像素TT，即：TT在Y方向比T小1，并利用矩阵B找出像素T和像素TT所属的区域，再用带按秩合并和路径压缩策略的并查集算法找出这两个区域的祖先区域，若两个区域是同一区域，则跳到下一个像素；否则，如果两个区域不属于同一区域，则根据均值和方差判断这两个祖先是否可合并；步骤S7、更新边界信息，j++，跳转至步骤S3，直到所有子模式处理完毕为止；步骤S8、输出二值图像b的边界信息。...

【技术特征摘要】
1.一种基于非对称逆布局模型的图像边界提取方法，其特征在于，包括以下步骤：步骤S1、使用基于非对称逆布局模型的二值图像表示法将大小为G×H的图像b进行编码，得到编码后的总子模式数n，坐标表W；所述步骤S1包括以下步骤：步骤S1.1、将矩阵变量M的所有元素赋值为0，M的大小与待处理的二值图像b相等，均为G×H，同时令子模式的计数变量n＝0；其中，G和H均为自然数；步骤S1.2、按光栅扫描的顺序确定二值图像b中的一个未被标识的矩形子模式的起始点(x1,y1)，根据该起始点确定一个面积最大的子模式，并将子模式在二值图像b中作标识；步骤S1.3、记录子模式的参数，即：左上角的坐标(x1,y1)、右下角的坐标(x2,y2)；令n＝n+1；步骤S1.4、循环执行步骤(S1.2)到(S1.3)，直到二值图像b中的子模式均被标识完毕；步骤S1.5、根据坐标数据压缩算法，对矩阵变量M中所有非零元素的坐标进行编码，并将编码结果存储到一个坐标表W中；步骤S1.6、输出坐标表W，其中W是由矩阵变量M的所有行的行编码表顺序连接而得到的；步骤S2、置一个当前扫描子模式的序号j，并令j＝0，同时设置一个指针矩阵B，大小为G×H，用于表示每个像素指向的区域；步骤S3、在坐标表中得到W[j]；步骤S4、根据W[j]，算出当前子模式的大小size和左边界、上边界坐标信息；步骤S5、从左边界最下方开始，往上扫描，对每个左边界像素L找出它左边的一个像素LL，即：LL在X方向比L小1，并利用矩阵B找出像素L和像素LL所属的区域，再用带按秩合并和路径压缩策略的并查集算法找出这...

【专利技术属性】
技术研发人员：郑运平，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44