【正文】 有中心軸點(diǎn)取樣之后再進(jìn)行線段跟蹤操作的方法是不同的。以下分別介紹這四種矢量化算法：(1)基于輪廓跟蹤的方法：該方法以降低細(xì)化計(jì)算量為目的，在取樣中心軸點(diǎn)之前盡量減少數(shù)據(jù)量。 基于非細(xì)化的矢量化算法相對(duì)于基于細(xì)化的矢量化算法，基于非細(xì)化的矢量化算法不必先對(duì)光柵圖像中的線體細(xì)化，提取中心骨架線，而是直接追蹤光柵圖像中的線體邊界進(jìn)行矢量化。此類算法主要用于處理線寬信息不重要的圖像。當(dāng)然，這種方法也有一定的缺點(diǎn)：有很高的時(shí)間復(fù)雜度，丟失線寬信息，細(xì)化算法會(huì)在交叉區(qū)域處容易發(fā)生畸變以及錯(cuò)誤的分支，從而影響后續(xù)矢量處理的準(zhǔn)確性。也可以直接對(duì)細(xì)化結(jié)果進(jìn)行跟蹤，在跟蹤的過程中同時(shí)進(jìn)行直線或者圓擬合?？傊捎没诩?xì)化的矢量化算法，首先需要對(duì)包含各種寬度線型的圖形進(jìn)行細(xì)化處理，獲得只有一個(gè)像素寬度的圖線的骨架信息，骨架信息基本保存了圖線的方向、起點(diǎn)、終點(diǎn)、長(zhǎng)度等參數(shù)。該方法能夠保證很高的精確度，并能保證骨架的連續(xù)性，但所需的計(jì)算量較大。(2)適當(dāng)骨架化法 Davies和Hummer定義了適當(dāng)骨架化細(xì)化方法。為了進(jìn)一步提高矢量化效果，譚柏珠等人提出了一種基于知識(shí)的窗口矢量化技術(shù)。例如，Dinneen運(yùn)用的是一個(gè)3*7的窗口，而O’Gorman把重復(fù)細(xì)化方法推廣到運(yùn)用KxK尺寸的窗口。一般會(huì)造成節(jié)點(diǎn)(交叉點(diǎn))畸變、直線抖動(dòng)，產(chǎn)生細(xì)碎矢量和斷線等毛病，從而引起圖形矢量化和圖形解釋的困難。重復(fù)進(jìn)行掃描，直到?jīng)]有多余的點(diǎn)可被刪除。其核心過程就是在圖像上移動(dòng)一個(gè)窗口，并運(yùn)用一套規(guī)則來標(biāo)識(shí)窗口的中心。近年來，國(guó)內(nèi)外學(xué)者提出了許多基于細(xì)化的矢量化算法，主要有邊界追蹤法和適當(dāng)骨架化。為保證其它組件的信息不因該組件的刪除而被破壞，需要恢復(fù)因和該組件重疊而被刪除的部分；繼續(xù)搜索輪廓點(diǎn)，直到圖中所有像素都為白色，由于有的組件有多條輪廓，所以在得到所有輪廓以后，還要將屬于同一組件的輪廓組合起來。由于處理的是BMP格式(非矢量格式)的圖像。在矢量格式下，信息以組件為單位進(jìn)行存儲(chǔ)，而在其它格式中，信息以像素為單位進(jìn)行存儲(chǔ)，通常只保存像素的顏色，從中無法直接得到組件信息。與傳統(tǒng)的邊緣檢測(cè)算子相比，能夠更完整的保留原彩色圖像的廓，有更好的實(shí)用性。 本章小結(jié)本章首先簡(jiǎn)單介紹了彩色顏色模型即，HSB，RGB，CIE L*a*b，然后又討論了經(jīng)典算子的直接擴(kuò)展和向量空間法兩種傳統(tǒng)的彩色圖像邊緣檢測(cè)方法，而后從原理以及優(yōu)缺點(diǎn)方面介紹了三種新的彩色圖像邊緣檢測(cè)方法，即基于彩色信息區(qū)分度的彩色邊緣檢測(cè)、利用顏色空間變換實(shí)現(xiàn)邊緣檢測(cè)和四元數(shù)與彩色圖像邊緣檢測(cè)。本方法從場(chǎng)的觀點(diǎn)出發(fā)，以新的思路給出彩色圖像邊緣檢測(cè)的方法，具體原理分析：如果將彩色圖像每個(gè)像素的R、G、B值看作矢量的三分量，如式f（x,y）=R(x,y)i+G(x,y)j+B(x,y)k所示，則可以將彩色圖像當(dāng)作空間局部平面矢量場(chǎng)，從而以純數(shù)學(xué)的觀點(diǎn)，利用有關(guān)場(chǎng)的概念來對(duì)圖像進(jìn)行分析。在彩色圖像邊緣檢測(cè)中，我們希望的是檢測(cè)出圖像中顏色特性發(fā)生變化的地方。2)彩色色調(diào)，不同色調(diào)區(qū)域之間可以形成彩色邊緣。上述方法對(duì)色彩變化比較明顯的圖像來說效果很好，而對(duì)于顏色相差不多，但紋理不同的圖像來說則不適用。令：R(x,y)= 式(216)G(x,y)= 式(217)B(x,y)= 式(218)則色差圖像： 式(219) 對(duì)上述歸一化的色差圖像利用Sobel算子就可以實(shí)現(xiàn)效果較好的邊緣檢測(cè)圖。由于離散環(huán)境下得到的梯度圖像是模擬梯度圖像的一階近似，背景亮度的變化將對(duì)梯度產(chǎn)生影響。即: 式(212)綜合上式可得： 式(213) 令上述式中的第一項(xiàng)為YRGB()，第二項(xiàng)為Y1()，第三項(xiàng)為Y()， 分別表原始分量、強(qiáng)度分量、色差分量。iik=一kj=j利用顏色空間變換實(shí)現(xiàn)邊緣檢測(cè)算法的主要思想是，把彩色圖像映射到一個(gè)超復(fù)數(shù)空間，在該空間中對(duì)彩色圖像進(jìn)行旋轉(zhuǎn)變換，把色彩變化比較激烈的區(qū)域映射為彩色區(qū)域，把色彩變化平緩的地方映射為灰色區(qū)域，通過分離圖像中的彩色分量可以實(shí)現(xiàn)彩色圖像的邊緣檢測(cè)。 利用顏色空間變換實(shí)現(xiàn)邊緣檢測(cè)彩色圖像一般是以RGB形式存儲(chǔ)的，但是RGB顏色空間并不能模擬人類對(duì)顏色的,視覺感知，人們難以將某一確定的顏色與其RGB的值直觀對(duì)應(yīng)起來。對(duì)于加噪圖像，由于噪聲分布是隨機(jī)的，因此不論(x，y)是有效邊界點(diǎn)還是處于平坦區(qū)域內(nèi)部，區(qū)域冠和區(qū)域B的噪聲分布及噪聲的強(qiáng)度，在概率上相同的。設(shè)定門限T，若YY、UU、VV的某種組合IT，則選定滿足此要求的象素點(diǎn)(x，y)為邊緣點(diǎn)，邊緣方向?yàn)檫^(x，y)分割鄰域?yàn)镽l、R2的直線與鄰域水平線的夾角。同樣樣可以定義V、Y分量上的區(qū)分度：定義VR1 = ，VR2 = 式(25)VV=VR1一VR2稱為在V分量上的區(qū)分度。對(duì)于鄰域R={(x，y)}|xX|r，|yY|r，(x，y)是鄰域中心像素點(diǎn)，為鄰域內(nèi)像素點(diǎn)的個(gè)數(shù)。由于從RGB到Y(jié)UV的變換是線性的，所以在其灰度突變的區(qū)域，其色度也必定不是漸變的。 基于彩色信息區(qū)分度的彩色邊緣檢測(cè) Nevetia認(rèn)為，大部分色度邊緣對(duì)應(yīng)著真正的邊緣所在，對(duì)光照、對(duì)比度影響不敏感，是可靠的信息。圖像中的一個(gè)像素點(diǎn)(x，y)表示成向量的形式為v(x，y)，最基本的幾個(gè)算子向量梯度算子Evg、向量角算子Sdv、差分向量算子Edv可以分別表示如下：Evg = 式(21) Sdv = 式(22)Edv = 式(23)式中f表示以(x，y)為中心的8個(gè)像素。再一種方法就是向量空間方法也是目前比較成熟的一類方法，其主要思想是將圖像中的每一個(gè)像素看成RGB空間中的一個(gè)三維向量，那么整幅彩色圖像就被認(rèn)為是一個(gè)二維三分量的向量場(chǎng)。對(duì)于每一個(gè)像素得到三個(gè)分量上的梯度值后，利用三者的平方和的平方根求出一個(gè)均衡的梯度值，如果該梯度值大于給定的閾值，則認(rèn)為該點(diǎn)為邊緣點(diǎn)。 彩色圖像邊緣檢測(cè)算法 傳統(tǒng)的彩色圖像邊緣檢測(cè) 一種是經(jīng)典算子的直接擴(kuò)展：實(shí)現(xiàn)彩色圖像邊緣檢測(cè)最簡(jiǎn)單的方法就是利用已有的、發(fā)展完善的經(jīng)典算子，如：Prewitt、Sobel、Roberts、拉普拉斯等分別作用于R、G、B三個(gè)分量，然后把運(yùn)算結(jié)果以某種方式組合起來，如：取三個(gè)結(jié)果的平方和的平方根、絕對(duì)值中的最大值、絕對(duì)值之和。例如，CIE L*a*b顏色空間就是與設(shè)備無關(guān)的顏色空間，它建筑在HSV(hue，saturation and value)顏色空間的基礎(chǔ)上，用該空間表示的顏色無論在什么設(shè)備上生成的顏色都是相同的。例如，RGB顏色空間是與顯示設(shè)備相關(guān)的顏色空間，顯示器使用RGB來顯示顏色，用各像素的值生成的顏色將隨顯示器的亮度和對(duì)比度的改變而不同。顏色空間分為與設(shè)備相關(guān)和設(shè)備無關(guān)兩類。為解釋顏色空間的概念，使用色調(diào)、飽和度和透明度的一種顏色空間，稱為HSB(hue，saturation and brightness)顏色空間。顏色空間常用三維模型表示，空間中的各類顏色能夠直接看到或者使用顏色模型產(chǎn)生。11 彩色圖像輪廓提取及其矢量化 第二章 彩色圖像邊緣檢測(cè) 顏色空間是用數(shù)學(xué)方法形象化表示顏色的途徑，人們常用它來指明和產(chǎn)生顏色。第三章首先對(duì)矢量化的思想做一個(gè)整體的闡述，然后介紹基于細(xì)化和非細(xì)化以及整體化矢量化算法的思想，最后對(duì)他們進(jìn)行比較和討論。然后分析了彩色輪廓提取和矢量化的背景和現(xiàn)有的成果。在矢量化方法的研究上，國(guó)內(nèi)學(xué)者也做了大量的工作，可以說到目前為止還沒有出現(xiàn)一種非常完善的圖像識(shí)別系統(tǒng)和識(shí)別方法，要提高圖像的識(shí)別能力，將有待于人工智能的進(jìn)一步發(fā)展。由于是屬于通用的矢量化系統(tǒng)，該軟件的精度同樣不高；日本的TOSGRAPH系統(tǒng)，以讀取手寫的粗糙接線圖為主要目的開發(fā)的，屬于專用的圖形識(shí)別及矢量化系統(tǒng)；美國(guó)的sKl010，AUDRE等，都是近年來出現(xiàn)的較為有名的矢量化系統(tǒng)。1984年出現(xiàn)的著名CACUS系統(tǒng)實(shí)現(xiàn)了對(duì)一些基本圖形的識(shí)別，由于理論的不完善和計(jì)算機(jī)硬件的限制，致使該系統(tǒng)的分段算法還不能完全準(zhǔn)確地找出所有的分段點(diǎn)；德國(guó)的SOFTELEC公司的VP Max系列全自動(dòng)矢量化軟件是該領(lǐng)域最優(yōu)秀的軟件之一?，F(xiàn)在，矢量化己經(jīng)廣泛應(yīng)用在很多領(lǐng)域，如地理信息系統(tǒng)、工程業(yè)、房地產(chǎn)業(yè)中各類圖紙的自動(dòng)輸入，出現(xiàn)了一些商品化的通用矢量化軟件。80年代中后期，CAD系統(tǒng)的應(yīng)用需要將大量紙質(zhì)工程圖轉(zhuǎn)換成CAD系統(tǒng)能夠處理的格式，從而引發(fā)了對(duì)工程圖矢量化的硬究。 矢量化的已有的成果和未來 從70年代開始，矢量化研究的學(xué)術(shù)論文開始出現(xiàn)。而矢量方法由于合理利用了空間矢量的特性，很好解決了相關(guān)性問題，因此其檢測(cè)效果也普遍更為理想。對(duì)于這兩大類方法而言，合成方法相對(duì)比較簡(jiǎn)單快速，在彩色圖像邊緣檢測(cè)的早期使用較多，但它沒有考慮到各個(gè)顏色空間分量之間的相關(guān)性，從而對(duì)某些類型的邊緣不能進(jìn)行有效地檢測(cè)。所謂合成方法，是將灰度圖像邊緣檢測(cè)算法分別應(yīng)用到彩色圖像的三個(gè)顏色空間分量上，其結(jié)果再通過某種特定的方法合成。 國(guó)內(nèi)外彩色圖像輪廓提取和矢量化的現(xiàn)狀及發(fā)展 自1977年Nevatia發(fā)表第一篇彩色圖像邊緣檢測(cè)論文以來，人們提出了許多種彩色圖像邊緣檢測(cè)方法。并且以像素表示的圖像中往往存在大量的冗余信息，存儲(chǔ)量過大，例如一張AO尺寸的工程圖紙用300dpi的分辨率、單色掃描后得到的圖像文件大小在15MB左右，這對(duì)一般的圖紙管理系統(tǒng)是一筆很大的開銷。針對(duì)彩色圖像的邊緣檢測(cè)方法逐漸興盛起來。 課題的目的和研究意義圖像邊緣檢測(cè)是數(shù)字圖像處理的重要內(nèi)容，是進(jìn)行圖像分割、圖像分析、物體別等深層次處理的關(guān)鍵步驟。線性圖用矢量圖描述的數(shù)據(jù)量比用光柵圖描述的小得多。矢量圖圖像文件格式適用于線性圖，如機(jī)械圖形、建筑圖形、地理等高線圖等。矢量圖用幾何圖形的特征數(shù)據(jù)及其屬性來描述圖像，如一條線用其兩個(gè)端點(diǎn)的坐標(biāo)來描述，一段圓弧用其起點(diǎn)和終點(diǎn)坐標(biāo)、圓心坐標(biāo)及半徑來描述。位圖就是一組描述每個(gè)圖素點(diǎn)的數(shù)據(jù)。s not only to transmit the most information of image but also the important foundation for image analysis and machine vision．It is the preparation of the image vectoring which is widely used in the field of science and engineering, such as recognition of engineering blueprint, image pression and transmission and so on. This paper mainly focus on two aspects toward the color image : the color image contour extraction and vectoring. It uses the color triangle Algorithm for the contour extraction which is reasonable to consider the correlation of the color ponents and converted the calculation of vector space into the scalar with the nature way .Then we get the contour which is based on the priority direction tracking and the double threshold value algorithm and for the preparation of vectoring ,In this thesis we adopt performance matching algorithm which fitting a curve into a short straight line at the control of threshold value. Lastly, realizing them in algorithm under the develop environment of Visual C++ .