對(duì)某些特殊形態(tài)的目標(biāo)或結(jié)構(gòu)提取和分析是圖像處理和計(jì)算機(jī)視覺(jué)的重要目標(biāo)之一。線結(jié)構(gòu)廣泛存在于各種圖像中,如醫(yī)學(xué)圖像中的血管和神經(jīng),航空或遙感圖像中的道路和河流,生物特征圖像中的掌紋和皺紋,光學(xué)顯微圖像中細(xì)胞骨架等等。對(duì)線結(jié)構(gòu)的檢測(cè)與分析是圖像處理與計(jì)算機(jī)視覺(jué)中最具挑戰(zhàn)性和開(kāi)放性的問(wèn)題之一,同時(shí)也具有廣泛的應(yīng)用前景。本文從線結(jié)構(gòu)的形態(tài)特點(diǎn)出發(fā),分別對(duì)圖像中的復(fù)雜線結(jié)構(gòu)的三個(gè)重要問(wèn)題進(jìn)行了研究,包括線結(jié)構(gòu)的檢測(cè)與描述,線結(jié)構(gòu)的中心線的提取,線交點(diǎn)的檢測(cè)與描述等。在廣泛參考現(xiàn)有相關(guān)研究的基礎(chǔ)上,本文針對(duì)線結(jié)構(gòu)檢測(cè)與分析中的這些問(wèn)題,總結(jié)了每個(gè)問(wèn)題的數(shù)學(xué)模型,并在此基礎(chǔ)上提出了相應(yīng)的解決方案。本文主要的研究?jī)?nèi)容如下:在解決線結(jié)構(gòu)檢測(cè)問(wèn)題中,在充分考慮線結(jié)構(gòu)的局部外觀和空間分布特性基礎(chǔ)上,提出了一種改進(jìn)的霍夫森林框架來(lái)識(shí)別曲線結(jié)構(gòu)的新型監(jiān)督學(xué)習(xí)方法。本算法將曲線結(jié)構(gòu)作為一個(gè)特殊的對(duì)象,認(rèn)為它具有多個(gè)目標(biāo)中心,每一個(gè)中心線上的點(diǎn)都可以是目標(biāo)中心,從而構(gòu)造一個(gè)多中心的霍夫森林,為圖像中的每一個(gè)點(diǎn)為線結(jié)構(gòu)的局部目標(biāo)中心在廣義霍夫空間中投票。考慮到曲線結(jié)構(gòu)與普通目標(biāo)的不同特性,本文從特征構(gòu)成、偏移度量和方向...

【文章頁(yè)數(shù)】：157 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
英文縮寫與全稱對(duì)照表
第一章 緒論
    1.1 研究背景和意義
        1.1.1 線結(jié)構(gòu)的描述與性質(zhì)
        1.1.2 線結(jié)構(gòu)檢測(cè)與分析的意義
    1.2 線結(jié)構(gòu)的特點(diǎn)及檢測(cè)難點(diǎn)
    1.3 研究現(xiàn)狀概述
        1.3.1 線結(jié)構(gòu)的檢測(cè)與分析
        1.3.2 線結(jié)構(gòu)中心線提取
        1.3.3 線交點(diǎn)的檢測(cè)與特性描述
    1.4 研究?jī)?nèi)容及論文結(jié)構(gòu)安排
        1.4.1 論文的主要研究?jī)?nèi)容
        1.4.2 論文的結(jié)構(gòu)安排
第二章 基于多中心霍夫森林算法的線結(jié)構(gòu)檢測(cè)
    2.1 引言
    2.2 線結(jié)構(gòu)檢測(cè)的相關(guān)研究
    2.3 問(wèn)題假設(shè)及描述
    2.4 霍夫變換相關(guān)算法回顧
    2.5 樣本結(jié)構(gòu)
        2.5.1 局部外觀描述子
        2.5.2 偏移描述子
        2.5.3 相位描述子
    2.6 多中心霍夫森林檢測(cè)算法
        2.6.1 多中心霍夫森林訓(xùn)練
        2.6.2 線結(jié)構(gòu)檢測(cè)
    2.7 實(shí)驗(yàn)及結(jié)果分析
        2.7.1 數(shù)據(jù)集和參數(shù)設(shè)置
        2.7.2 評(píng)價(jià)標(biāo)準(zhǔn)
        2.7.3 檢測(cè)結(jié)果及比較分析
        2.7.4 討論
    2.8 本章小結(jié)
第三章 基于隨機(jī)回歸森林算法的線結(jié)構(gòu)中心線提取
    3.1 引言
    3.2 中心線提取的相關(guān)研究工作
        3.2.1 采用人為設(shè)計(jì)的模型提取中心線
        3.2.2 采用學(xué)習(xí)得到的模型提取中心線
    3.3 利用隨機(jī)回歸森林的線結(jié)構(gòu)提取
        3.3.1 問(wèn)題描述
        3.3.2 特征組成
        3.3.3 隨機(jī)回歸森林算法訓(xùn)練
        3.3.4 中心線檢測(cè)
    3.4 實(shí)驗(yàn)及結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集及實(shí)驗(yàn)設(shè)置
        3.4.2 實(shí)驗(yàn)結(jié)果與分析
        3.4.3 隨機(jī)森林參數(shù)及特征選擇的影響
    3.5 本章小結(jié)
第四章 基于JUNR算法的線交點(diǎn)篩選定位與分支屬性描述
    4.1 引言
    4.2 線交點(diǎn)檢測(cè)的相關(guān)研究
        4.2.1 普通交點(diǎn)檢測(cè)的相關(guān)研究
        4.2.2 線交點(diǎn)檢測(cè)的相關(guān)研究
    4.3 線交點(diǎn)的定義及性質(zhì)
        4.3.1 線交點(diǎn)及其分支的定義
        4.3.2 線交點(diǎn)的性質(zhì)
    4.4 JUNR:檢測(cè)線交點(diǎn)的方法
        4.4.1 JUNR算法概述
        4.4.2 線交點(diǎn)度量函數(shù)
        4.4.3 度量映射圖像的候選斑點(diǎn)檢測(cè)
        4.4.4 斑點(diǎn)篩選
        4.4.5 交點(diǎn)中心定位及分支屬性描述
    4.5 實(shí)驗(yàn)及結(jié)果分析
        4.5.1 數(shù)據(jù)及參數(shù)設(shè)置
        4.5.2 實(shí)驗(yàn)結(jié)果及分析
        4.5.3 關(guān)于線交點(diǎn)的分支屬性的比較
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 后續(xù)工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：4033966