南昌航空大学科技学院学士学位论文
如图2-3所示，基于Level Sets 的AFFM算法结果含带面的情况。
图2-3基于Level Sets的AFFM算法无法消除二维骨架带面的情况
2.2.5形态学骨架提取算法
数学形态学的骨架化方法。是一门建立在数学图论基础上的学科，是几何形态学分析和描述的有力数学工具。它的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。用数学形态学处理图像可以简化图像数据，除去不相干的结构，保持它们基本的形状特性，并且有天然的并行实现的结构优点。
但是利用数学形态学理论提取物体骨架，存在一些问题：一是得到的骨架是非连通的；二是容易受边界噪声的影响。把目前形态学的骨架提取方法研究范围从二值图像推广到灰度图像、彩色图像、三维图像，可以提高骨架包含信息量，从而提高后期识别统计概率。另外提高提取效率，得到实时处理的效果成为今后的发展方向。
2.3当前骨架提取算法面临的重点和难点
骨架是物体的“中轴”，体现的是物体的整体拓扑结构和形状。然而，现有的骨架提取算法都未能很好的体现这一思想，不能有效处理骨架的噪声问题。这样提取的骨架含有很多的噪声，出现一些主次不分!结构混乱的现象，影响对物体的真实形状和连接关系的正确判断，严重的甚至会出现对物体错误的认识。无论是拓扑细化还是基于距离场的骨架算法，都面临这样的问题，如图2-4所示。
13
南昌航空大学科技学院学士学位论文
(a) 字符图形 (b) 提取骨架
图2-4 边界扰动产生的骨架分支
以往人们对于噪声的控制，就如引言中介绍的那样一定程度上抑制了绷带骨架噪声的产生，但是并没有引入骨架分支的视觉贡献大小的判断思想，这样难免丢弃了一些视觉贡献较大的骨架，且容易残留一些较短的冗余分支。这些方法还存在另一些问题，如不能保证复杂形状的拓扑结构，缩短了主骨架分支而短的多余骨架分支却又没去除，只考虑到了局部骨架点而忽略掉了全局的整体形状。文献[24,25]提出了一种基于离散曲线演化模型的多尺度控制算法对骨架进行约束。该算法减小了噪声的影响，消除造成信息冗余的骨架枝，保留视觉上重要的骨架枝，保证物体的拓扑结构不变形，并且实现了骨架的多尺度控制。骨架曲线降噪是骨架提取过程中对骨架去处噪声、减少冗余信息的过程。
因此，骨架噪声控制是骨架提取中一个很普遍却很重要的方面，是当前研究工作的重点和难点。本文将在二值平面图像的范围内把此作为重要目标进行研究。
2.4构建物体视觉主骨架
通过前面的分析，本文认为建立基于视觉重要部分的骨架噪声约束策略是解决目前骨架分支冗余问题的有效途径。通过物体的形状判断出视觉中物体的重要部分和不重要部分，除掉非重要部分保留重要部分。之后得到物体的有效“骨架”。这样处理一是边界噪声预先去除了，得到的骨架噪声当然少了；另一个是可以解决实际应用中遇到的物体轮廓模糊情况。
下面具体的阐述这种视觉主骨架理论
14
南昌航空大学科技学院学士学位论文
2.4.1视觉主部分概念
形状特征是人类认识物体的最初阶段和有效形式，是描述物体的一种重要方式。在图像处理，计算机视觉识别中，一般要涉及到图像的获取，边缘分割等处理。因为图像自身的复杂性和获取图像过程中许多环境因素的影响,最终得到的图像轮廓一般是不正确的,也即不能完全确切的描述真实的物体[26],例如在草原中，由于兔子所处环境的复杂性，最终很难正确的、完全的分割和提取出兔子的真实轮廓,只能得到兔子的大致形状。针对图像处理中出现的边界模糊问题，识别研究者除了感觉很难解决外，同时也惊奇的发现一种现象：这种情况并没有影响到人类那个是否是兔子的判断结果，一致感觉到现有的兔子的形状信息还是比较充分的。本文目标就是借鉴这些条件建立起视觉重要部位，换句话说就是如何在轮廓简化中依据这些条件消去非主要的轮廓线，从而保留下对视觉重要的物体边界，最终得到人们的视觉重要部位。
2.4.2 提取视觉主骨架
随着近些年图像处理技术的快速发展，人们已经开始关注如何尽可能的减小需要处理的信息量以方便分析处理。将物体形状转化成与自身同构的骨架会大大的减少数据量，简化结构分析，从而降低计算的复杂度。所以基于骨架的形状表示成为最为流行的表示方法之一。
因此本文借鉴现有骨架理论描述视觉重要部位，建立起一个视觉主骨架的概念。这种视觉主骨架能够体现骨架的基本优点。除此优点之外，因为这种骨架是从视觉重要部位提取出来的，而视觉重要部位具有平移、旋转、尺度变化不变性等良好的性质。在此基础上提取的骨架可以体现物体骨架的平移、旋转、尺度变化不变性等性质，这些性质对于机器识别技术是很重要的。视觉主骨架具有只描述人们的视觉主要部分的形状，简化了骨架结构，突出了视觉的主要部分。
本文依据前面提出的视觉主骨架理论,建立了一种在视觉重要部位基础上提取骨架的骨架提取方法。这种方法和通用的骨架提取方法有所区别，主要分为三大部分。l)首先对图像进行预处理，包括一些彩色图转变为二值图，图像分割，物体对象边缘提取等，得到物体的轮廓；2)然后在得到的物体轮廓的基础上，对获得病态图像进行曲线演化,选取合适的视觉贡献度因子，得到物体的视觉重要部位；3)在得到满足要求的视觉重要部位之后，在这个简化的形状上提取骨架。因为通过曲线演化己经消除
15
南昌航空大学科技学院学士学位论文
了那些不重要的部分，包括噪声和被人类视觉忽略的部分，骨架提取方法不必再考虑复杂的多余骨架枝去处策略等问题。这里选取连通性和单像素性较好的种子生长骨架方法提取物体的骨架[19]。
这样处理后最终得到本文定义的视觉主骨架。下面给出本文的主骨架提取方法流程图。 开始 原始图像 图像预处理 图像分割并转换为二值图像 YES 得到简化的视觉主体部分 选取视觉贡献度因子 得到物体的骨架点 利用曲线演化得到物体的视觉主体部分 NO 得到视觉主骨架
图2-10 视觉主骨架提取方法流程图
判断视觉主题部分是否满足要求 结束
16