一種基于非對稱逆布局模型的圖像邊界提取方法
【專利摘要】本發(fā)明公開了一種基于非對稱逆布局模型的圖像邊界提取方法，該提取方法首先要對二值圖像進行NAM表示，得到總子模式數(shù)和坐標表。然后從左上角第一個子模式開始，依次按光柵掃描的順序掃描，每掃描到一個子模式就獲取相關(guān)參數(shù)值，如果鄰居像素所屬的區(qū)域和當前子模式不屬于同一個區(qū)域且可以合并，則執(zhí)行帶按秩合并和路徑壓縮策略的并查集算法合并區(qū)域，否則繼續(xù)掃描下一個鄰居像素。當這個塊的左邊界和上邊界的鄰居像素全部掃描完畢，此塊處理完畢，更新邊界信息，按以上步驟處理下一個子模式，直到所有子模式處理完成，最后輸出二值圖像的邊界信息。本發(fā)明具有占用存儲空間小，圖像邊界提取速度快等優(yōu)點。
【專利說明】一種基于非對稱逆布局模型的圖像邊界提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種計算機圖像處理技術(shù)，特別涉及一種基于非對稱逆布局模型 (NAM)的圖像邊界提取方法。

【背景技術(shù)】
[0002] 圖像邊界提取技術(shù)與圖像表示方法密切相關(guān)，這里主要就圖像的分層數(shù)據(jù)結(jié)構(gòu)和 圖像的邊界提取技術(shù)來介紹相關(guān)的研究現(xiàn)狀和國內(nèi)外的最新發(fā)展趨勢。
[0003] (1)圖像的分層數(shù)據(jù)結(jié)構(gòu)；
[0004] 圖像表示是目前最為活躍的研究領(lǐng)域之一，它在圖像壓縮、特征提取、圖像檢索、 圖像去噪和圖像復(fù)原、圖像邊界提取等應(yīng)用中起著非常關(guān)鍵的作用。有效的圖像表示算法 不僅能節(jié)省存儲空間，而且還有利于提高圖像處理的速度。目前已有許多基于空間數(shù)據(jù)結(jié) 構(gòu)的二值圖像表示算法，如：字符串表示算法、樹結(jié)構(gòu)的表示算法和碼字集表示算法。就二 值圖像的壓縮算法來說，盡管壓縮標準JBIG的壓縮性能總是優(yōu)于目前任何基于空間數(shù)據(jù) 結(jié)構(gòu)的二值圖像表示算法，但是由于JBIG表示算法涉及到熵編碼過程，對于許多應(yīng)用來說 是不可能操作壓縮的JBIG格式的。分層數(shù)據(jù)結(jié)構(gòu)在計算機視覺、機器人、計算機圖形學(xué)、圖 像處理、模式識別等領(lǐng)域里是非常重要的區(qū)域表示方法。四元樹（QT，Quad Tree)是圖像分 層表示的一種形式，它是研究得最早的、也是研究得最多的一種分層表示形式。早期的四 元樹表示都是基于指針的四元樹結(jié)構(gòu)，為了顯著減少存儲空間，Gargantini等人消除了指 針方案，提出了稱之為線性四元樹（LQT, Linear Quad Tree)的表示方法。Subramanian等 人研究了基于空間二元樹分割（BSP, Binary Space Partitioning)的圖像表示方法。圖 像經(jīng)過BSP樹表示后，其表示結(jié)果可直接支持圖像的壓縮與分割等算法。基于混合的二 元樹和四元樹表示，Kassim等人提出了一種基于分層分割的圖像表示方法?；贐-樹三 角形編碼方法，Distasi等人提出了基于空間數(shù)據(jù)結(jié)構(gòu)的灰度圖像表示算法?；赟-樹 數(shù)據(jù)結(jié)構(gòu)和Gouraud陰影法，Chung等人提出了一種基于S-樹的空間數(shù)據(jù)結(jié)構(gòu)的灰度圖 像表不（STC，S-Tree Coding)方法（K. L. Chung, J. G. Wu. Improved image compression using S-tree and shading approach. IEEE Transactions on Communications，2000， 48(5) :748-751.)。隨后，Chung等人提出了一種基于DCT域和空域的混合灰度圖像表 不（SDCT，Spatial-and DCT-based)方法（K.L. Chung，Y.W.Liu，W.M.Yan. A hybrid gray image representation using spatial-and DCT-based approach with application to moment computation. Journal of Visual Communication and Image Representation, 2006,17(6):1209-1226)。
[0005] 雖然上述的分層數(shù)據(jù)表示有許多優(yōu)點，但是它們過于強調(diào)分割的對稱性，因此不 是最優(yōu)的表示方法。借助于Packing問題的思想，以尋找分割最大化的非對稱分割方法 為目標，Chen等人提出了圖像模式的NAM表示方法。鄭運平等人提出了一種基于擴展的 Gouraud陰影法和非重疊矩形子模式的NAM灰度圖像表示方法，簡稱為RNAMC表示方法（鄭 運平，陳傳波.一種新的灰度圖像表示算法研究.計算機學(xué)報，2010,33(12) :2397-2406.)。 由于可重疊NAM表示方法一般會比非重疊NAM表示方法效率高，鄭運平等人又提出了一 種基于擴展的Gouraud陰影法和重疊矩形子模式的NAM灰度圖像表示方法，簡稱為ORNAM 表不方法(Yunping Zheng, Zhiwen Yu, Jane You, Mudar Sarem. A novel gray image representation using overlapping rectangular NAM and extended shading approach. Journal of Visual Communication and Image Representation, 2012, 23(7):972-983. )。實驗結(jié)果表明：與STC、SDCT和RNAMC表示方法相比，在保持圖像質(zhì)量的前提下，ORNAM 表示方法具有更高的壓縮比和更少的塊數(shù)，因而能夠更有效地減少數(shù)據(jù)存儲空間，是灰 度圖像表示的一種良好方法。最近，鄭運平等又提出了一種新的二值圖像的NAM表示方 法并將其應(yīng)用到面積計算中，取得了較好的結(jié)果（Yunping Zheng, Mudar Sarem. A novel binary image representation algorithm by using NAM and coordinate encoding procedure and its application to area calculation.Frontiers of Computer Science, 2014, 8(5) :763-772.)。從現(xiàn)狀來看，LQT表示主要集中在降低圖像處理運算的復(fù) 雜性和向更寬的范圍擴展，理論上的成果很多，運用于實際的也不少，并越來越多，仍是當 今圖像處理領(lǐng)域里一種非常流行的圖像表示方法。
[0006] 圖像表示方法有兩個目的：第一，提高圖像的表示效率。第二，提高圖像操作的處 理速度。
[0007] (2)圖像的邊界提取技術(shù)；
[0008] 邊界通常是物體的輪廓，可為人們描述或識別目標以及解釋圖像提供至關(guān)重要的 特征。因此，對圖像中的邊界進行識別和提取，在計算機視覺及數(shù)字圖像分析與應(yīng)用中起著 重要的作用，也具有重要的實用價值。多年來，圖像邊界檢測與提取一直是數(shù)字圖像處理、 分析與應(yīng)用領(lǐng)域的重要研究主題。傳統(tǒng)的邊界檢測方法有導(dǎo)數(shù)法、梯度法、拉普拉斯法及各 種改進方法等。近些年，多尺度邊緣檢測、基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測和用模糊邏輯對圖像 邊界進行檢測的技術(shù)也得到了應(yīng)用。本質(zhì)上，傳統(tǒng)的邊界檢測方法是基于像素灰度變化的 方法。一般是先檢測每個像素和其相鄰像素的狀態(tài)，以決定該像素是否處于物體的邊界上， 然后以圖像中像素的灰度值或用二值灰度圖像來表示邊界檢測圖像。傳統(tǒng)邊界檢測與提取 方法的關(guān)鍵在于邊界像素點的檢出性能和邊界點連接算法性能。在復(fù)雜圖像的邊界檢測應(yīng) 用中，效果往往不理想。近年來，面向?qū)ο髨D像分析方法應(yīng)用逐漸受到關(guān)注。與傳統(tǒng)的基于 像素灰度處理方法的不同之處為，通過把圖像分割為若干個互不交疊的區(qū)域（圖像對象）， 隨后將圖像對象作為基本分析處理單元；這種方式，相對于把像素作為基本處理單元，更適 于結(jié)合人類關(guān)于現(xiàn)實世界的認知知識，從而能更有效地從圖像中提取出在形狀和分類上與 真實世界目標（地物）相符合的圖像區(qū)域。這種基于對象的圖像分析是近些年出現(xiàn)的一種 新理論。通過使用分層結(jié)構(gòu)的BSP方法，Wang，C. C. L.等人提出了一種基于剪切操作的高效 的BSP固體邊界提取方法。他們的多邊形算法重復(fù)執(zhí)行對應(yīng)的空間凸劃分的體細胞上的裁 剪操作，通過遍歷細胞連接計算邊界。他們使用基于點的表示隨著有限精度運算來提高效 率和生成 BSP 固體邊界近似（Wang, C.C.L. ;Manocha，D.，Efficient Boundary Extraction of BSP Solids Based on Clipping Operations. IEEE Transactions on Visualization and Computer Graphics, 2013, 19(1):16-29)。
[0009] 綜上所述，近年來雖然有很多研究人員致力于圖像邊界提取的研究，提出了很多 新的邊界提取技術(shù)，但由于問題本身的困難性，目前的方法多是針對某個具體任務(wù)而言的， 還沒有一個通用的解決辦法。圖像邊界提取困難的一個重要的原因是圖像的復(fù)雜性和多樣 性。由于圖像的復(fù)雜性，現(xiàn)有的任何一種單獨的圖像邊界提取算法都難以對一般圖像取得 令人滿意的分割結(jié)果，因而在繼續(xù)致力于將新的概念、新的理論、新的方法引入圖像邊界提 取領(lǐng)域的同時，更加重視多種邊界提取算法的有效結(jié)合，近幾年來提出的方法大多數(shù)是結(jié) 合了多種算法的，與單一的邊界提取算法相比，邊界提取集成技術(shù)更加有效，而且魯棒性、 穩(wěn)定性、準確性和自適應(yīng)性等更好。
[0010] 有效的圖像表示方法不僅能節(jié)省存儲空間，而且還能提高圖像處理的速度。圖像 模式的NAM表示方法是對圖像模式的一種逆布局表達方式，本質(zhì)上是將圖像模式表示為預(yù) 先定義的子模式集合，可以將子模式進行存儲，因此該方法也直接支持圖像的邊界提取等 處理算法。


【發(fā)明內(nèi)容】
[0011]
[0012] 本發(fā)明目的在于針對現(xiàn)有圖像邊界提取技術(shù)中存在的問題，提供一種基于非對稱 逆布局模型（NAM)的圖像邊界提取方法，該圖像邊界提取方法可以顯著提高圖像邊界提取 的表示和提取效率?；贜AM的邊界提取算法首先要對圖像進行編碼，得到編碼后的總子 模式數(shù)n，坐標表W。然后從左上角第一個子模式開始，依次按光柵掃描的順序掃描子模式， 每掃描到一個子模式就從坐標表中獲取此子模式四個角落的坐標值，接著掃描這個子模式 的西邊界和北邊界處的所有鄰居像素，如果鄰居像素所屬的區(qū)域和當前子模式不屬于同一 個區(qū)域且可以合并，則執(zhí)行帶按秩合并和路徑壓縮策略的并查集算法合并區(qū)域，否則繼續(xù) 掃描下一個鄰居像素。當這個子模式的左邊界和上邊界的鄰居像素全部掃描完畢，此子模 式處理完畢，更新邊界信息，按以上步驟處理下一個子模式，直到所有子模式處理完成即可 提取出二值圖像的邊界信息。
[0013] 本發(fā)明的目的通過以下技術(shù)方案實現(xiàn)：一種基于非對稱逆布局模型的圖像邊界提 取方法，包括以下步驟：
[0014] 步驟S1、使用基于非對稱逆布局模型的二值圖像表示法將大小為GXH的圖像b進 行編碼，得到編碼后的總子模式數(shù)n，坐標表W。
[0015] 具體表示方法如下：
[0016] 步驟S1. 1、將矩陣變量M的所有元素賦值為0，M的大小與待處理的二值圖像b相 等，均為GXH，同時令子模式的計數(shù)變量n = 0 ;其中，G和H均為自然數(shù)；
[0017] 步驟S1. 2、按光柵掃描的順序確定二值圖像b中的一個未被標識的矩形子模式的 起始點（Xl，yi)，根據(jù)該起始點確定一個面積最大的子模式，并將子模式在二值圖像b中作 標識；
[0018] 步驟S1. 3、記錄子模式的參數(shù)，gp :左上角的坐標（Xl，yi)、右下角的坐標（x2, y2); 令 n = n+1 ;
[0019] 步驟SI. 4、循環(huán)執(zhí)行步驟（SI. 2)到（S1.3)，直到二值圖像b中的子模式均被標識 完畢；
[0020] 步驟S1. 5、根據(jù)下述坐標數(shù)據(jù)壓縮算法，對矩陣變量M中所有非零元素的坐標進 行編碼，并將編碼結(jié)果存儲到一個坐標表W中；
[0021] ①逐行掃描大小為GXH的矩陣變量M，如果該行所有元素均為零，那么就不用編 碼該行，在這種情況下，使用一個二進制位"0"來表示本行從頭到尾都不存在非零元素，并 將該二進制位"0"存儲到該行的編碼表W中；否則，如果該行存在非零元素，那么就在每一 個非零元素前加一個前綴符" 1"，然后在前綴符后加上用以標識非零元素1、2和-1的碼字， 最后將該前綴符"1"和其后的碼字存儲到該行的編碼表W中；
[0022] ②用x個比特來表示這個非零元素所在列的位置，并將這x個比特存儲到該行的 編碼表W中，其中x的值按如下二種情況進行計算；
[0023] 對于在某一行遇到的第一個非零元素，x = [log2H];這里的x個比特用來指明第 一個非零元素關(guān)于本行首端的位置；
[0024] 對于在某一行遇到的除了第一個非零元素以外的其他非零元素，x = [l0g2(H_c)]，其中c是前一次遇到的非零元素的列的位置；這里的x個比特用來表示這個 非零元素關(guān)于前一次編碼的非零元素的右端的位置；
[0025] ③在某一行的最后一個非零元素編碼完后，使用一個二進制位" 0 "來表示本行剩 余的元素均為零，并將這個二進制位"〇"存儲到該行的編碼表W中，否則，如果該行的最后 一個非零元素的位置在本行的末尾，那么就不必使用"0"來表示本行剩余的元素均為零；
[0026] 步驟S1. 6、輸出坐標表W，其中W是由矩陣變量M的所有行的行編碼表順序連接而 得到的。
[0027] 步驟S2、置一個當前掃描子模式的序號j，并令j = 0,同時設(shè)置一個指針矩陣B， 大小為GXH，用于表示每個像素指向的區(qū)域。
[0028] 步驟S3、在坐標表中得到W[j]。
[0029] 步驟S4、根據(jù)W[j]，算出當前子模式的大小size和左邊界、上邊界坐標信息。
[0030] 步驟S5、從左邊界最下方開始，往上掃描，對每個左邊界像素L找出它左邊的一個 像素LL (即LL在X方向比L小1)，并利用矩陣B找出像素L和像素LL所屬的區(qū)域，再用帶 按秩合并和路徑壓縮策略的并查集算法找出這兩個區(qū)域的祖先區(qū)域，若兩個區(qū)域是同一區(qū) 域，則跳到下一個像素，否則，如果兩個區(qū)域不屬于同一區(qū)域，則根據(jù)均值和方差判斷這兩 個祖先是否可合并。
[0031] 本步驟和下一步驟中所用的2個數(shù)據(jù)結(jié)構(gòu)如下：
[0032] ①Region數(shù)據(jù)結(jié)構(gòu)域：
[0033] {Mean, Var, Size, Father, Count, EdgeLink}
[0034] 其中Mean表示此區(qū)域的灰度均值，Var表示此區(qū)域的灰度方差，Size表示此區(qū)域 的大小，即像素數(shù)，這三個域用來支持區(qū)域的合并操作。域Father是一個指針，用來指向此 區(qū)域的父節(jié)點，Count用來這個區(qū)域的后代區(qū)域的數(shù)量，以上兩個域用來支持并查集算法。 域EdgeLink指向這個區(qū)域的邊界，可以用來追蹤此區(qū)域的邊界信息。
[0035] ②Edge數(shù)據(jù)結(jié)構(gòu)域：
[0036] {PreLink, First, Last, SucLink}
[0037] PreLink和SucLink用來支持雙向鏈表，F(xiàn)irst和Last指向角落頂點的起點和終 點。
[0038] 步驟S6、左邊界掃描完畢后，從上邊界最左方開始，往右掃描，對每個上邊界像素 T找出它上邊一個像素TT(即TT在Y方向比T小1)，并利用矩陣B找出像素T和像素TT 所屬的區(qū)域，再用帶按秩合并和路徑壓縮策略的并查集算法找出這兩個區(qū)域的祖先區(qū)域， 若兩個區(qū)域是同一區(qū)域，則跳到下一個像素；否則，如果兩個區(qū)域不屬于同一區(qū)域，則根據(jù) 均值和方差判斷這兩個祖先是否可合并。
[0039] 步驟S7、更新邊界信息，j++，跳轉(zhuǎn)至步驟S3,直到所有子模式處理完畢。
[0040] 步驟S8、輸出二值圖像b的邊界信息。
[0041] 本發(fā)明的原理：本發(fā)明借助于布局問題和二值圖像的四元樹區(qū)域表示方法的思 想，通過二值圖像的NAM表示為基礎(chǔ)，提供了一種基于非對稱逆布局模型的圖像邊界提取 方法，該方法可以顯著提高圖像邊界提取的表示和操作效率。基于非對稱逆布局模型的圖 像邊界提取方法首先要對二值圖像進行NAM表示，得到總子模式數(shù)n和坐標表W。然后從 左上角第一個子模式開始，依次按光柵掃描的順序掃描，每掃描到一個子模式就獲取相關(guān) 參數(shù)值，如果鄰居像素所屬的區(qū)域和當前子模式不屬于同一個區(qū)域且可以合并，則執(zhí)行帶 按秩合并和路徑壓縮策略的并查集算法合并區(qū)域，否則繼續(xù)掃描下一個鄰居像素。當這個 塊的左邊界和上邊界的鄰居像素全部掃描完畢，此塊處理完畢，更新邊界信息，按以上步驟 處理下一個子模式，直到所有子模式處理完成，最后輸出二值圖像的邊界信息。本發(fā)明方法 的時間復(fù)雜度為〇(nLa (n))，其中n表示同類塊的塊數(shù)，L表示每塊的邊長大小，a (n)是 ackerman函數(shù)的逆函數(shù)。
[0042] 本發(fā)明相比現(xiàn)有技術(shù)具有如下優(yōu)點：
[0043] 1、在圖像邊界提取的表示方面，對于給定的4幅圖像，NAM(LQT)的子模式數(shù)平 均為11585(36633)，NAM(LQT)的壓縮比CR平均為1.3801(0. 2862)，也即RNAM的壓縮比 是LQT的壓縮比的4. 8222倍。同時NAM表示算法在子模式的數(shù)目方面也比LQT表示算法 減少了 68. 38 %，顯然，NAM在子模式的數(shù)目（減少了 68. 38 % )和壓縮比提高率（提高了 382. 22% )方面是優(yōu)于LQT的。
[0044] 2、在圖像邊界提取的速度方面，基于NAM表示的邊界提取的執(zhí)行速度比基于LQT 表示的邊界提取的執(zhí)行速度平均提高了 92. 39%，因而是一種更有效的邊界提取算法，具有 占用存儲空間小，圖像邊界提取速度快。
[0045] 因此，本發(fā)明提供的NAM邊界提取方法是優(yōu)于LQT邊界提取方法的。本發(fā)明既可應(yīng) 用于傳統(tǒng)的圖像邊界提取市場，又可應(yīng)用于新興領(lǐng)域，如網(wǎng)路傳輸、無線通訊、醫(yī)療圖像等。
[0046] 3、本發(fā)明與現(xiàn)有的基于LQT的邊界提取方法相比，基于NAM的邊界提取方法具有 更低的比特率和更少的子模式數(shù)，從而能夠更有效地減少數(shù)據(jù)存儲空間和提高圖像邊界提 取的速度，因而是二值圖像的一種更好的邊界提取方法，這種邊界提取方法可以應(yīng)用于圖 像處理的各個方面，在降低存儲空間、加快傳輸速度、提高模式匹配效率等方面具有良好的 理論參考意義和實際應(yīng)用價值。

【專利附圖】

【附圖說明】
[0047] 圖1是本發(fā)明基于NAM的邊界提取方法的完整流程圖。
[0048] 圖2是基于NAM的二值圖像的表示方法流程圖。
[0049] 圖3a是本發(fā)明所用的512X512大小的標準二值圖像F16。
[0050] 圖3b是本發(fā)明所用的512X512大小的標準二值圖像Goldhill。
[0051] 圖3c是本發(fā)明所用的512X512大小的標準二值圖像Lena。
[0052] 圖3d是本發(fā)明所用的512X512大小的標準二值圖像P印pers。
[0053] 圖4a給出了圖3c的LQT方法的分割效果。
[0054] 圖4b給出了 LQT方法的區(qū)域合并的效果。
[0055] 圖4c給出了用LQT方法提取到的二值圖像的邊界。
[0056] 圖5a給出了圖3c的LQT方法的分割效果。
[0057] 圖5b給出了 NAM方法的區(qū)域合并的效果。
[0058] 圖5c給出了用NAM方法提取到的二值圖像的邊界。

【具體實施方式】
[0059] 實施例
[0060] 本發(fā)明目的在于針對現(xiàn)有圖像邊界提取技術(shù)中存在的問題，提供一種基于非對稱 逆布局模型（NAM)的圖像邊界提取方法，其總體流程如圖1所示，可以顯著提高圖像的邊 界提取速度且同時能有效降低存儲空間?；诜菍ΨQ逆布局模型的圖像邊界提取方法首 先要對二值圖像進行NAM表示，得到總子模式數(shù)n和坐標表W。然后從左上角第一個子模 式開始，依次按光柵掃描的順序掃描，每掃描到一個子模式就獲取相關(guān)參數(shù)值，如果鄰居像 素所屬的區(qū)域和當前子模式不屬于同一個區(qū)域且可以合并，則執(zhí)行帶按秩合并和路徑壓縮 策略的并查集算法合并區(qū)域，否則繼續(xù)掃描下一個鄰居像素。當這個塊的左邊界和上邊界 的鄰居像素全部掃描完畢，此塊處理完畢，更新邊界信息，按以上步驟處理下一個子模式， 直到所有子模式處理完成，最后輸出二值圖像的邊界信息。本發(fā)明方法的時間復(fù)雜度為 0(nLa (n))，其中n表示同類塊的塊數(shù)，L表示每塊的邊長大小，a (n)是ackerman函數(shù)的 逆函數(shù)。實驗結(jié)果表明：與當前的流行的基于LQT的邊界提取方法相比，本發(fā)明提出的基于 NAM的邊界提取方法具有更低的比特率和更少的子模式數(shù)，從而能夠更有效地減少數(shù)據(jù)存 儲空間和提高圖像邊界提取的速度，因而是二值圖像的一種更好的邊界提取方法。這種方 法可以應(yīng)用于圖像處理的各個方面，在降低存儲空間、加快傳輸速度、提高模式匹配效率等 方面具有良好的理論參考意義和實際應(yīng)用價值。
[0061] 如圖2所示，本發(fā)明提供的圖像表示方法通過對給定的一幅大小為GXH的二值圖 像b用矩形NAM進行表示，得到互不相同的子模式的集合和一個坐標表W，然后基于這些子 模式，提出了一種基于非對稱逆布局模型的圖像邊界提取方法。具體包括以下步驟：
[0062] (S1)使用基于非對稱逆布局模型的二值圖像表示法將大小為GXH的圖像b進行 編碼，得到編碼后的總子模式數(shù)n，坐標表W。
[0063] 具體表示方法如下：
[0064] (SI. 1)將矩陣變量M的所有元素賦值為0，M的大小與待處理的二值圖像b相等， 均為GXH，同時令子模式的計數(shù)變量n = 0 ;其中，G和H均為自然數(shù)；
[0065] (S1. 2)按光柵掃描的順序確定二值圖像b中的一個未被標識的矩形子模式的起 始點（Xl，yi)，根據(jù)該起始點確定一個面積最大的子模式，并將子模式在二值圖像b中作標 識；
[0066] (S1. 3)記錄子模式的參數(shù)，即：左上角的坐標（Xl，y)、右下角的坐標（x2, y2);令n =n+1 ；
[0067] (SI. 4)循環(huán)執(zhí)行步（SI. 2)到（SI. 3)，直到二值圖像b中的子模式均被標識完畢； [0068] (S1. 5)根據(jù)下述坐標數(shù)據(jù)壓縮算法，對矩陣變量M中所有非零元素的坐標進行編 碼，并將編碼結(jié)果存儲到一個坐標表W中；
[0069] ①逐行掃描大小為GXH的矩陣變量M，如果該行所有元素均為零，那么就不用編 碼該行，在這種情況下，使用一個二進制位"0"來表示本行從頭到尾都不存在非零元素，并 將該二進制位"0"存儲到該行的編碼表W中；否則，如果該行存在非零元素，那么就在每一 個非零元素前加一個前綴符"1"，然后在前綴符后加上用以標識非零元素1、2和-1的碼字， 最后將該前綴符"1"和其后的碼字存儲到該行的編碼表W中；
[0070] ②用x個比特來表示這個非零元素所在列的位置，并將這x個比特存儲到該行的 編碼表W中，其中x的值按如下二種情況進行計算；
[0071] 對于在某一行遇到的第一個非零元素，X = [log2H];這里的x個比特用來指明第 一個非零元素關(guān)于本行首端的位置；
[0072] 對于在某一行遇到的除了第一個非零元素以外的其他非零元素，x = [l0g2(H_c)]，其中c是前一次遇到的非零元素的列的位置；這里的x個比特用來表示這個 非零元素關(guān)于前一次編碼的非零元素的右端的位置；
[0073] ③在某一行的最后一個非零元素編碼完后，使用一個二進制位" 0 "來表示本行剩 余的元素均為零，并將這個二進制位"〇"存儲到該行的編碼表W中，否則，如果該行的最后 一個非零元素的位置在本行的末尾，那么就不必使用"0"來表示本行剩余的元素均為零；
[0074] (S1. 6)輸出坐標表W，其中W是由矩陣變量M的所有行的行編碼表順序連接而得 到的。
[0075] (S2)置一個當前掃描子模式的序號j，并令j = 0,同時設(shè)置一個指針矩陣B，大小 為GX H，用于表示每個像素指向的區(qū)域。
[0076] (S3)在坐標表中得到W[j]。
[0077] (S4)根據(jù)W[j]，算出當前子模式的大小size和左邊界、上邊界坐標信息。
[0078] (S5)從左邊界最下方開始，往上掃描，對每個左邊界像素L找出它左邊的一個像 素LL(即LL在X方向比L小1)，并利用矩陣B找出像素L和像素LL所屬的區(qū)域，再用帶 按秩合并和路徑壓縮策略的并查集算法找出這兩個區(qū)域的祖先區(qū)域，若兩個區(qū)域是同一區(qū) 域，則跳到下一個像素，否則，如果兩個區(qū)域不屬于同一區(qū)域，則根據(jù)均值和方差判斷這兩 個祖先是否可合并。
[0079] 本步驟和下一步驟中所用的2個數(shù)據(jù)結(jié)構(gòu)如下：
[0080] ①Region數(shù)據(jù)結(jié)構(gòu)域：
[0081] {Mean, Var, Size, Father, Count, EdgeLink}
[0082] 其中Mean表示此區(qū)域的灰度均值，Var表示此區(qū)域的灰度方差，Size表示此區(qū)域 的大小，即像素數(shù)，這三個域用來支持區(qū)域的合并操作。域Father是一個指針，用來指向此 區(qū)域的父節(jié)點，Count用來這個區(qū)域的后代區(qū)域的數(shù)量，以上兩個域用來支持并查集算法。 域EdgeLink指向這個區(qū)域的邊界，可以用來追蹤此區(qū)域的邊界信息。
[0083] ②Edge數(shù)據(jù)結(jié)構(gòu)域：
[0084] {PreLink, First, Last, SucLink}
[0085] PreLink和SucLink用來支持雙向鏈表，F(xiàn)irst和Last指向角落頂點的起點和終 點。
[0086] (S6)左邊界掃描完畢后，從上邊界最左方開始，往右掃描，對每個上邊界像素T找 出它上邊一個像素TT(即TT在Y方向比T小1)，并利用矩陣B找出像素T和像素TT所屬 的區(qū)域，再用帶按秩合并和路徑壓縮策略的并查集算法找出這兩個區(qū)域的祖先區(qū)域，若兩 個區(qū)域是同一區(qū)域，則跳到下一個像素；否則，如果兩個區(qū)域不屬于同一區(qū)域，則根據(jù)均值 和方差判斷這兩個祖先是否可合并。
[0087] (S7)更新邊界信息，j++，跳轉(zhuǎn)至（S3)，直到所有子模式處理完畢。
[0088] (S8)輸出二值圖像b的邊界信息。
[0089] 本實例對LQT和NAM這兩種表示算法進行了比較。所采用的測試圖像的大小、名 稱分別為512X512大小的'F16'、'Goldhill'、'Lena'和'P印pers'等4幅灰度圖像，如 圖3a、圖3b、圖3c和圖3d所示。
[0090] 本實例先給出了 NAM和LQT表示方法的實驗結(jié)果的比較，這2種方法的表示效率 可以用以下2個參數(shù)進行度量，即：子模式的數(shù)目和壓縮比。表1(表1為壓縮性能的比 較表）給出了 NAM表示算法和LQT表示算法在壓縮性能上的比較。表2 (表2為子模式數(shù) 和塊數(shù)的比較表）給出了 NAM和LQT表示算法在子模式數(shù)和塊數(shù)的數(shù)目上的比較。

【權(quán)利要求】
1. 一種基于非對稱逆布局模型的圖像邊界提取方法，其特征在于，包括以下步驟： 步驟S1、使用基于非對稱逆布局模型的二值圖像表示法將大小為GXH的圖像b進行編 碼，得到編碼后的總子模式數(shù)n，坐標表W ; 步驟S2、置一個當前掃描子模式的序號j，并令j = 0,同時設(shè)置一個指針矩陣B，大小 為GXH，用于表示每個像素指向的區(qū)域； 步驟S3、在坐標表中得到W[j]; 步驟S4、根據(jù)W[j]，算出當前子模式的大小size和左邊界、上邊界坐標信息； 步驟S5、從左邊界最下方開始，往上掃描，對每個左邊界像素L找出它左邊的一個像素 LL，S卩：LL在X方向比L小1，并利用矩陣B找出像素L和像素LL所屬的區(qū)域，再用帶按秩 合并和路徑壓縮策略的并查集算法找出這兩個區(qū)域的祖先區(qū)域，若兩個區(qū)域是同一區(qū)域， 則跳到下一個像素，否則，如果兩個區(qū)域不屬于同一區(qū)域，則根據(jù)均值和方差判斷這兩個祖 先是否可合并； 步驟S6、左邊界掃描完畢后，從上邊界最左方開始，往右掃描，對每個上邊界像素T找 出它上邊一個像素TT，S卩：TT在Y方向比T小1，并利用矩陣B找出像素T和像素TT所屬 的區(qū)域，再用帶按秩合并和路徑壓縮策略的并查集算法找出這兩個區(qū)域的祖先區(qū)域，若兩 個區(qū)域是同一區(qū)域，則跳到下一個像素；否則，如果兩個區(qū)域不屬于同一區(qū)域，則根據(jù)均值 和方差判斷這兩個祖先是否可合并； 步驟S7、更新邊界信息，j++，跳轉(zhuǎn)至步驟S3,直到所有子模式處理完畢為止； 步驟S8、輸出二值圖像b的邊界信息。
2. 根據(jù)權(quán)利要求1所述的基于非對稱逆布局模型的圖像邊界提取方法，其特征在于， 所述步驟1包括以下步驟： 步驟S1. 1、將矩陣變量M的所有元素賦值為0, M的大小與待處理的二值圖像b相等， 均為GXH，同時令子模式的計數(shù)變量n = 0 ;其中，G和H均為自然數(shù)； 步驟S1. 2、按光柵掃描的順序確定二值圖像b中的一個未被標識的矩形子模式的起始 點（? yi)，根據(jù)該起始點確定一個面積最大的子模式，并將子模式在二值圖像b中作標識； 步驟S1.3、記錄子模式的參數(shù)，即：左上角的坐標（x^yj、右下角的坐標（x2，y2) ;令11 =n+1 ； 步驟S1. 4、循環(huán)執(zhí)行步驟（S1. 2)到（S1. 3)，直到二值圖像b中的子模式均被標識完 畢； 步驟S1. 5、根據(jù)坐標數(shù)據(jù)壓縮算法，對矩陣變量M中所有非零元素的坐標進行編碼，并 將編碼結(jié)果存儲到一個坐標表W中； 步驟S1. 6、輸出坐標表W，其中W是由矩陣變量M的所有行的行編碼表順序連接而得到 的。
3. 根據(jù)權(quán)利要求1所述的基于非對稱逆布局模型的圖像邊界提取方法，其特征在于， 在步驟S5和步驟S6中使用了 Region數(shù)據(jù)結(jié)構(gòu)域和Edge數(shù)據(jù)結(jié)構(gòu)域； 所述 Region 數(shù)據(jù)結(jié)構(gòu)域為：{Mean，Var，Size，F(xiàn)ather，Count，EdgeLink}， 其中，Mean表示此區(qū)域的灰度均值，Var表示此區(qū)域的灰度方差，Size表示此區(qū)域的 大小，即像素數(shù)，這三個域用來支持區(qū)域的合并操作；域Father是一個指針，用來指向此區(qū) 域的父節(jié)點，Count用來這個區(qū)域的后代區(qū)域的數(shù)量，以上兩個域用來支持并查集算法；域 EdgeLink指向這個區(qū)域的邊界，用來追蹤此區(qū)域的邊界信息； 所述 Edge 數(shù)據(jù)結(jié)構(gòu)域為：{PreLink，F(xiàn)irst，Last，SucLink}， 其中，PreLink和SucLink用來支持雙向鏈表，F(xiàn)irst和Last指向角落頂點的起點和終 點。
【文檔編號】G06T7/00GK104331883SQ201410588458
【公開日】2015年2月4日 申請日期:2014年10月28日 優(yōu)先權(quán)日:2014年10月28日
【發(fā)明者】鄭運平 申請人:華南理工大學(xué)