论文摘要：图像结构分析算法的研究

数据活化是突破“智慧城市”的关键技术之一，它的一个重要内容是研究海量多源异构数据的认知与建模方法，研究海量多源异构数据的底层特征识别、提取和检索方法，建立非结构化数据的层次建模理论体系。对多媒体信息的结构化分析是数据活化研究的一个重要领域，近几年成为国内外研究机构关注的一个热点问题。目前，关于图像结构分析的主要方法有手工提取，特征聚类，图像分割。而本文从分析DoG(Difference of Gaussian)探测的特征尺度入手，提出了建立特征树模型的方法。主要的研究内容包括：首先通过分析高斯差函数的零点，确定了一个DoG特征所描述的图像区域的大小。这与传统使用高斯函数的方差来表示一个特征点的尺度不同，它能够将高斯函数的数学表达用实际像素大小来表示，这样就为分析特征点之间的相互关系提供了基础。它不仅提供特征点在图像中的位置坐标，而且也同时提供了特征点所覆盖的区域。此外，一般的DoG特征通常使用SIFT方法进行描述。而这里我们把特征描述部分和特征探测部分给予区分。对于很多情况下，特别是背景环境比较复杂，而且物体特征变化性强时，我们可以采用不同的特征描述方法，比如形状上下文、正交交叉相关系数等。其次，提出了两种进行特征树建立的方法。第一种方法，首先通过人工将物体从环境中分离出来进行训练，用DoG特征探测方法得到大量的兴趣点，然后通过比较各个特征点之间的空间位置以及覆盖范围，按照一定的规则建立成为一棵特征树。第二种方法不需要人为干预，而是分别对两张训练图片建立树模型，然后通过树匹配算法，得到两张图像之间的公共部分。实验证实，这些特征树的每一个分支与人类对物体的认知存在很大程度上的一致对应关系。最后，利用上面建立好的特征树，对测试图像进行结构化识别。首先通过传统的识别算法，例如SIFT识别或者模板匹配找到可能对应的特征区域。然后通过概率以及投票的方法，得到一个整体识别结果，最后再用这个结果，对那些没有被准确识别的部分进行二次识别。实验证明这种方法可以得到一个很好的结构化输出效果。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://www.87cpy.com/203324.html