骨架树形状描述及有关识别算法在般二维物体的匹配中，只要拓扑骨架的提取足够精确，基于骨架树的拓扑相似性度量已能对大部分的二维物体进行有效的拓扑分类但对于拓扑相同而形状不同的物体，由拓扑匹配算法所得的拓扑距离均为零，这说明仅仅对其进行拓扑匹配还无法区分这些物体，还需要进步的形状匹配加以区分对于那些形状特征较为复杂的物体，骨架的小分支数较多，如果仅仅考虑其拓扑信息，有时会给匹配结果带来偏差为了对物体进行更为精确的匹配，要求在骨架匹配中既抓住其最主要的拓扑特征也要考虑其形状的信息，不仅对其拓扑相似性进行度量，还要对其形状相似形进行度量形状特征描述对于二维图像，物体的形状特征般包括物体的面积长短边界弯曲程度，骨架是骨架枝的集合，骨架枝包含着物体中轴的位置和最大圆半径，相当于代表着物体的面积长短弯曲程度等形状信息，所以骨架基本上可以表征物体绝大部分的形状特征这样可以利用骨架枝匹配距离度量骨架枝对应的性状的相似程度为了能够计算骨架枝间的匹配距离，消除尺度变换对形状匹配结果的影响，需要对骨架枝进行归化处理下面介绍详细的方法设骨架枝为，为该骨架枝上点的坐标，是该点对应的最大内切圆半径归化的基本思想是通过骨架枝坐标平移旋转拉伸等操作将骨架枝曲线的两个端点的连线变换到轴正向上，其起点置于原点，终点置于点，处通过这些操作，将骨架枝化为以同坐标为参数的形式，从而方便在相同的坐标区间和参数下对两个骨架枝进行比较，通过拉伸系数来度量骨架枝曲线在长度上的差异同时，对半径的归化可以消除尺度变换对匹配结果的影响，使得形状相似度计算忽略缩放的因素基于拓扑和形状相似度结合的识别算法在形状匹配中，两个骨架枝的匹配距离表示了骨架枝的近似程度，也即是各自代表的形状间的相似性距离越小则表明两个形状间越相似在两个骨架的骨架枝之间建立最佳匹配关系，则骨架的形状匹配距离定义为建立最佳匹配关系的骨架枝的匹配距离之和如果在建立最佳匹配关系时，考虑的是拓扑相似性的最佳匹配结果，则可以建立基于拓扑和形状相似度结合的最佳匹配结果，有效度量物体间的相似性结论本部分在宋婷骨架树研究的基础上重新整理分析了相更优的匹配效果当然，基于骨架的图像识别技术是个相当广泛的体系这里论文只是在定的假设条件下，就其中的几点要素展开论述和证明，真正能投入到实际应用中还需要多方面的综合处理基于骨架的目标表示和识别技术尚有很多问题需要探讨研究和解决，作者相信，随着各项理论的进步完善和技术的进步发展，有关骨架的目标表示和识别技术必将取得丰硕的成果参考文献，，，，，，致谢本论文是在导师柳长青的悉心指导下完成的，从选题研究实验，直至论文的最后完成，其中任何点成绩的取得都离不开柳老师的关怀和点拨柳老师他严谨求实的治学态度渊博的学识严格的要求和耐心的教诲对我的学士论文的顺利完成起着至关重要的作用，也将使我终生受益在此向柳老师致以最真诚的感谢衷心感谢计算机系的各位老师，他们不仅教给我知识，更重要的是教给我严谨的治学态度和科学的学习方法，使我在学习的道路上不离散数字图像的情况，本文的方法提取的骨架可以更好满足骨架的基本性质，更能适应计算机识别中的各种情况然而，要想达到最初的设计初衷，还需要进步深入的研究目前，本文用曲线演化得到物体的视觉重要部分只是单单从边界信息方面提取物体的这个主要部分，其中也存在些不尽人意的地方要准确表达人类视觉感知最突出的部分，还需要借助边界结构面积分布等因素，运用综合优化的策略才能得到期望的结果这会涉及到人类认知学图像图形学模糊理论优化理论等多门学科的知识，将是个具有很大应用前景和智能化程度很高的发展方向骨架树描述及有关识别算法研究骨架树的基本概念图像识别是计算机视觉的重要组成部分，图像的识别过程就是将目标图像的描述与模型库中模型的描述进行相似性度量，通过数值化的差值决定匹配结果的过程图像识别系统中用于匹配的方法很多，它主要由图像描述的方法来决定因此骨架的描述是骨架应用中的重点和难点问题之从国内外的研究方面来看，大部分的侧重点是基于图的相似性匹配这些方法通过人为的指定骨架间的对应位置，评估骨架枝的变形程度，从而得到骨架枝的相似程度过多的人为因素，使得这类方法只能成为种研究性的探索活动，无法真正应用到实际的机器识别活动中论文对于骨架描述问题进行了较为全面的研究，在有效分析了相关的描述里第种是基于不变矩的骨架描述，第二种是基于骨架树的描述方式，利用树的金字塔式结构特点组织骨架的拓扑形状信息基于几何特征的树结构匹配方法用于图像描述时，物体几何特征尤其是基本的拓扑特征表达效果突出明显，并且简单容易操作，在识别系统的应用中有着得天独厚的优势因此我们对此进行了进步的研究，在宋婷骨架树研究的基础上改进了形状相似性度量方法，使得拓扑相似性度量和形状相似性度量实现有效结合，建立起个由上到下由粗到精的图像相似度匹配度量策略骨架树模型的建立骨架表征了物体的拓扑特性和形状特性，形状特性描述物体的轮廓形状，拓扑特性可认为是物体各部分间的连接关系我们将骨架的拓扑特性映射到个树状结构中，称之为骨架树为了建立骨架树，将骨架上的点分为三类分叉点端点和连接点仅有个邻接点的骨架点称为端点有两个以上邻接点的骨架点称为分叉点骨架上除分支点和端点外的点称为连接点如果两个骨架点之间仅含有连接点则称这两个点是直接相连的直接相连的两个骨架点之间的所有连接点的集合称为骨架枝对于大部分仿射状物体，我们把最大内切圆半径最大并且靠近物体重心的骨架点作为根节点这样，根节点尽量位于物体的中心且代表了最重要的形状信息确定了根节点后，把与根节点直接相连分叉点或端点作为根节点的子节点之后，对每个子节点用同样的方法找到各自的子节点，直到骨架上所有的分叉点和端点都在骨架树中此时，骨架就转化为个骨架树骨架树的层次和节点间的连接关系反映了骨架的拓扑特性，对骨架树的匹配计算可以实现物体拓扑相似性的度量此外，骨架枝代表了物体个部分的形状信息，在骨架提取中计算出骨架点的特征信息如骨架点的分支数最大半径等使骨架树的节点包含形状的信息，还可以进行物体形状相似性的度量断前分要实现的功能是当选择文件打开菜单命令后，弹出个文件打开对话框。当选定个图像文件后，就会在窗口客户区中显示该图像文件内容。具体操作如下创建个默认的单文档程序项目打开文件中添加类的包含文件在类中设计成员函数，实现打开图像文件的功能在类中添加成员函数，并响应建立新类，添加函数按钮，标题为显示原图像，其值为。主要代码如下将输出设备指针指向对话框的图像控件获取文档指针读取文件成功定义高度定义宽度论文功能分析及实现图像灰度化本文采用的人眼定位算法是基于图像的灰度值。而摄像机获取的图像为彩色的，因此在人眼定位之前需要把已经定位好的人脸面部图像转换为灰度图像。彩色图像中包含着大量的颜色信息，存储量而且处理速度也受影响。在图像处理的许多应用方面，并不要求图像的三个不同的颜色分量，因此常将彩色图像转化为灰度图像常称为彩色图像灰度化，以便加快处理速度及效率。灰度词原是黑白摄影的术语。是指由于景物各点颜色及亮度不同，摄成的黑白照片或黑白图像上的各点呈现不同深度的灰色。把黑与白色之间分成若干级，称为灰度等级。能呈现的灰度等级愈多，画面的层次就愈丰富。灰度使用黑色调表示物体。每个灰度对象都具有从白色到灰度条黑色的亮度值。使用黑白或灰度扫描仪生成的图像通常以灰度显示。使用灰度还可将彩色图稿转换为高质量黑白图稿。在这种情况下，放弃原始图稿中的所有颜色信息转换对象的灰色级别阴影表示原始对象的亮度。将灰度对象转换为时，每个对象的颜色值代表对象之前的灰度值。也可以将灰度对象转换为对象。自然界中的大部分物体平均灰度为。在模型中，当时，则彩色表示种灰度颜色，其中的值叫做灰度值，因此，灰度图像每个像素只需个字节存放灰度值又称为强度值亮度值。般，像素值量化后用个字节来表示。如把有黑灰白连续变化的灰度值量化为个灰度级，灰度值的范围为，表示亮度从深到浅，对应图像中的颜色为从黑到白。黑白照片包含了黑白之间的所有的灰度色调，每个像素值都是介于黑色和白色之间的种灰度中的种。同时，分辨率和灰度值是显示器的两个重要技术指标。般有以下几种方法对彩色图像进行灰度化。分量法将彩色图像中的三个分量的亮度值作为三个灰度图像的灰度值，可根据应用需要选择任种灰度图像。其中,为转换后的灰度图像在,处的灰度值。需要说明的是，图像像素的坐标值与存储在矩阵中的行列值是不同的。平均值法由于许多目标的颜色并不唯，如汽车的颜色有种类，因此需要个分量灰度来突出汽车是不可能的。可将彩色图像中的三分量灰度求平均得到个灰度图，如式。论文功能分析及实现加权平均法根据重要性能及其他指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感度最高，对蓝色敏感度最低，因此，按照式对三分量进行加权平均能得到较合理的灰度图像。,,,,对于平均值法和加权平均法的程序设计类似分量法，只是在输出灰度图时，对三个灰度分量进行平均或加权平均。本文算法用的是分量灰度方法。对于三个分量的灰度图显示程序，类同函数内容，只是在显示像素点的颜色时，定义为图像的灰度值，则骨架树形状描述及有关识别算法在般二维物体的匹配中，只要拓扑骨架的提取足够精确，基于骨架树的拓扑相似性度量已能对大部分的二维物体进行有效的拓扑分类但对于拓扑相同而形状不同的物体，由拓扑匹配算法所得的拓扑距离均为零，这说明仅仅对其进行拓扑匹配还无法区分这些物体，还需要进步的形状匹配加以区分对于那些形状特征较为复杂的物体，骨架的小分支数较多，如果仅仅考虑其拓扑信息，有时会给匹配结果带来偏差为了对物体进行更为精确的匹配，要求在骨架匹配中既抓住其最主要的拓扑特征也要考虑其形状的信息，不仅对其拓扑相似性进行度量，还要对其形状相似形进行度量形状特征描述对于二维图像，物体的形状特征般包括物体的面积长短边界弯曲程度，骨架是骨架枝的集合，骨架枝包含着物体中轴的位置和最大圆半径，相当于代表着物体的面积长短弯曲程度等形状信息，所以骨架基本上可以表征物体绝大部分的形状特征这样可以利用骨架枝匹配距离度量骨架枝对应的性状的相似程度为了能够计算骨架枝间的匹配距离，消除尺度变换对形状匹配结果的影响，需要对骨架枝进行归化处理下面介绍详细的方法设骨架枝为，为该骨架枝上点的坐标，是该点对应的最大内切圆半径归化的基本思想是通过骨架枝坐标平移旋转拉伸等操作将骨架枝曲线的两个端点的连线变换到轴正向上，其起点置于原点，终点置于点，处通过这些操作，将骨架枝化为以同坐标为参数的形式，从而方便在相同的坐标区间和参数下对两个骨架枝进行比较，通过拉伸系数来度量骨架枝曲线在长度上的差异同时，对半径的归化可以消除尺度变换对匹配结果的影响，使得形状相似度计算忽略缩放的因素基于拓扑和形状相似度结合的识别算法在形状匹配中，两个骨架枝的匹配距离表示了骨架枝的近似程度，也即是各自代表的形状间的相似性距离越小则表明两个形状间越相似在两个骨架的骨架枝之间建立最佳匹配关系，则骨架的形状匹配距离定义为建立最佳匹配关系的骨架枝的匹配距离之和如果在建立最佳匹配关系时，考虑的是拓扑相似性的最佳匹配结果，则可以建立基于拓扑和形状相似度结合的最佳匹配结果，有效度量物体间的相似性结论本部分在宋婷骨架树研究的基础上重新整理分析了相更优的匹配效果当然，基于骨架的图像识别技术是个相当广泛的体系这里论文只是在定的假设条件下，就其中的几点要素展开论述和证明，真正能投入到实际应用中还需要多方面的综合处理基于骨架的目标表示和识别技术尚有很多问题需要探讨研究和解决，作者相信，随着各项理论的进步完善和技术的进步发展，有关骨架的目标表示和识别技术必将取得丰硕的成果参考文献，，，，，，致谢本论文是在导师柳长青的悉心指导下完成的，从选题研究实验，直至论文的最后完成，其中任何点成绩的取得都离不开柳老师的关怀和点拨柳老师他严谨求实的治学态度渊博的学识严格的要求和耐心的教诲对我的学士论文的顺利完成起着至关重要的作用，也将使我终生受益在此向柳老师致以最真诚的感谢衷心感谢计算机系的各位老师，他们不仅教给我知识，更重要的是教给我严谨的治学态度和科学的学习方法，使我在学习的道路上不