基于截线法的快速骨架提取算法

提出了一种快速的骨架提取算法.该方法首先在轮廓离散曲线演化的基础上,根据显著凸顶点的类型将轮廓多边形进行分块,得到一个主分支轮廓和多个水平分支轮廓;然后分别利用水平截线法和垂直截线法提取骨架的主分支和水平分支;最后将水平分支拼接在主分支上,得到完整的骨架.实验结果表明,该骨架提取算法可以得到连通的骨架,并在Kimia数据集上取得了较好的效果.此外,算法在自然图像上的效果也很好,尤其适用于视频中的行人骨架提取.与经典骨架提取算法相比,该算法的时间复杂度较低,可以满足实时处理的要求.     

改进的主曲线算法在指纹骨架提取中的应用

在指纹识别系统中,指纹骨架的提取是一个重要而困难的环节,传统的细化算法得到的骨架很容易受到噪声的干扰。因此,在研究指纹数据特点和Kégl的主曲线算法的基础上,提出了一种改进的主曲线算法。实验结果表明：改进算法与传统算法相比有着更好的效率和效果,它所提取的指纹骨架包含更多的信息且具有更高的准确性、可靠性和抗噪声性。     

改进的软K段主曲线算法及其在指纹骨架提取中的应用

主曲线是一种基于非线性变换的特征提取方法,它是通过数 据分布“中间”并满足“自相合”的光滑曲线,能较好抽取出数据的结构特征。针对软K段 主曲线算法提取的指纹图像的骨架结构光滑度较差,而且提取的指纹图像骨架经常出现小圈 和短枝的现象,本文在对软K段主曲线算法和指纹图像数据特点分析的基础上,引入了一个 新的评判函数,并提出了改进的软K段主曲线算法,将该算法应用在提取指纹图像骨架上。 实验结果表明,改进的软K段主曲线算法在提取指纹图像骨架的效果和准确率上比原算法都 有明显提高。     

基于粒计算的复杂数据多粒度主曲线提取算法

传统的主曲线算法已被广泛应用到很多领域,但在复杂数据的主曲线提取上效果不佳,而有效的融合粒计算与主曲线学习算法是解决该类问题最有效的途径之一。为此,本文提出了基于粒计算的复杂数据多粒度主曲线提取算法。首先,利用基于t最近邻（T-nearest-neighbors, TNN）的谱聚类算法对数据进行粒化,提出拐点估计方法来自动确定粒的个数;然后调用软K段主曲线算法对每个粒进行局部主曲线提取,并提出通过消除假边来优化每个粒的主曲线提取过程;最后采用局部到全局的策略进行多粒度主曲线提取,并对过拟合线段进行优化,最终形成一条能较好描述数据原始分布形态的主曲线。实验结果表明该算法是一种行之有效的多粒度主曲线提取算法。     

三角网格模型骨架提取算法

骨架图能够直观表达三维模型几何形状,很好地反映模型的拓扑特征,在工业机器人抓取、特征识别等领域有着广泛的应用。针对三角网格表达的工业零件给出一种骨架提取算法,该算法采用Reeb图对三角网格进行骨架的抽取运算。首先读取三角网格文件,并对复杂的三角网格进行简化处理,然后遍历所有的三角网格,采用Dijkstra算法抽取基本点集,根据定义的连续函数计算每个顶点的函数值,最后根据函数值得出模型的基本骨架。实验表明,该算法具有良好的计算效果和效率,提取出的骨架图较好地保存了三维模型拓扑结构和姿态,可作为后续研究三维模型搜索的特征描述符。     

利用改进的主图形算法提取指纹骨架

在传统的指纹识别系统中,一般使用指纹细化图对指纹信息进行描述。尝试使用主曲线代替指纹细化图,并对主曲线的主图形算法进行了较大改进,使其能够得到更好的指纹骨架。实验结果表明,主曲线骨架比细化图有着光滑性强、准确性高、抗噪音和信息量大的优点;而改进的主图形算法在指纹骨架提取的效率和效果上比原算法也都有一定提高。     

基于改进的GPL主曲线算法的指纹特征分析与提取

在对GPL(Generalized Polygonal Line)主曲线算法和指纹数据特点分析的基础上,针对指纹数据本身的特点,改进原来的GPL主曲线算法以得到更好的指纹骨架,并实现基于主曲线的指纹特征提取.实验结果表明,改进的GPL主曲线算法在指纹骨架提取的效率和效果上比原算法都有明显提高.基于主曲线的指纹特征提取相对于其它一些传统方法也有着更高的准确率,具有一定的应用价值.     

一种改进的基于特征点求解的骨架提取算法

基于特征点求解和Reeb图思想,实现了一种新的骨架提取算法。首先求取模型特征点集,以特征点为计算依据,根据三角网格中每个顶点与特征点的不同对应关系得到网格分支点,聚合成一系列骨架点,依据骨架点携带的拓扑信息,连接拓扑相邻的骨架点得到模型骨架。采用了改进的特征点提取算法,其时间复杂度由O（n^3）提高到了O（n^2log（n））,实验表明算法能够快速提取骨架,针对一般模型的骨架提取效果令人满意。     

带权大图上的K步可达性查询算法

可达性查询作为图中最常用的基本操作，在生物信息学、智慧交通等领域应用广泛，但在一些现实问题中，仅仅进行可达性查询并不能满足人们对距离信息的需求，K步可达性查询应运而生。目前已有的K步可达性查询的处理对象为有向无环图，无法充分反映顶点间的距离信息，并且无环图并不符合交通网络等实际应用情况。针对以上问题，提出一种针对带权有向图的K步可达性查询算法。通过求解近似最小顶点覆盖集，分别构建了顶点覆盖集内索引和顶点覆盖集外的双向最短路径索引，有效避免了查询时的I/O操作，提高了查询效率。在10个数据集上进行对比实验，并通过比较索引构建时间、索引规模、查询时间等指标证明了该算法的高效性。     

基于等级划分的复杂点云骨架提取算法

对于复杂点云的骨架提取,由于原始点云的遮挡、缺失、分布不均、分支复杂等原因,所提取骨架会产生断裂、拓扑结构错误等问题.针对复杂结构点云的骨架提取,提出了一种基于等级划分的复杂点云骨架提取算法(multilevel divided skeleton extraction,MDSE).使用L1-medial提取初始骨架点,将初始骨架点连接成单分支骨架线,通过对单分支结构的初始骨架线进行等级划分,利用连通分支的平均分叉角确定骨架线断裂位置,由底至项修补断裂骨架线;最后采用Cardinal样条曲线改善骨架形态,形成完整且符合原始点云拓扑结构的骨架线.实验结果表明,该算法能够从复杂点云中提取出较为完整、拓扑结构正确的骨架线.     

始于凸包络线的闭主曲线学习算法研究

本文提出了将凸包技术与自组织拓扑映射技术相结合的一种针对封闭曲线特征提取的主曲线学习算法,解决了一般主曲线算法无法有效模拟封闭和较为复杂分布数据集的难题。算法以数据集的凸包络线为起始步,通过分析数据集的全局和局部特征,逐步逼近数据集分布并获得封闭主曲线。算法的关键在于凹点挖掘算法的研究。实验结果表明,对于一般封闭曲线点集,该方法均能在较短的时间步内较好地逼近源数据集。该算法结构简单,复杂性在最坏情况下也不超过Ｏ（n^2）,同时对图像的有界连通区域外部边界特征的提取与图形识别亦将具有较高的应用价值。     

交互式轮廓线骨架的提取

为精确抽取自由绘制的二维轮廓线骨架,提出了一种新的自适应骨架提取方法.将用户绘制的轮廓线,采用离散曲率约束,自适应调整步长,提取样点,进行最小二乘法实现样条曲线拟合,有效地突出了曲线形状特征;依据曲线模型的特征点,改进约束化三角剖分方法,高效地重建三角网格的拓扑结构;基于Voronoi图优化提取轮廓线骨架.实验结果表明了该算法的高效性和鲁棒性.     

扫描图像中时序曲线的识别及数据提取

研究扫描图像中时序曲线的识别与数据提取.数据源为扫描后栅格背景下的多条笔绘曲线图像,目的是提取每条笔绘曲线的时序数据.提出了该类扫描图的处理框架,并改进了多种算法.采用逐行自适应阈值及分块自适应阈值算法进行背景噪声的粗滤除;采用选择性腐蚀算法进行垂直和水平栅格噪声的进一步滤除;采用模板匹配技术完成孤立区域噪声的消除;对去噪后的笔绘曲线进行单像素细化,并采用8邻域技术进行曲线跟踪;对曲线波峰区域采用轮廓提取法进行识别;采用虚线聚类的方式识别虚曲线.实验结果表明,该方法较好地完成了对时序曲线的识别及数据提取,可应用于各类具有栅格背景的时序曲线图纸的数字化.     

新型基于分层多假设跟踪的冠脉骨架提取算法

为解决大多数脉管骨架提取算法中存在的运算复杂、准确率低以及无法同步获取脉管半径问题,提出了一种新型基于分层多假设跟踪的冠脉骨架提取算法. 首先,提出改进局部形状分析方法用于冠脉预分割,通过引入单连通约束和体积约束和降低非血管型结构及细小类血管型结构误分割率;其次,定义新的中心检测能量函数,增强骨架定位能力,并提出分层多假设策略,避免跟踪过程产生局部最优解和实现脉管半径同步获取;此外,通过生成水平集图,使算法可根据脉管树分支情况自动初始化多条跟踪路径,具有较好的拓扑适应性. 实验表明,与其他骨架提取算法相比,该算法可以同步获取冠脉骨架及半径等信息,且结果精度较高.     

基于软K段主曲线的LPR字符特征的提取方法

车牌识别是智能交通系统的重要组成部分,提高车牌字符识别率的关键在于提取字符的特征。主曲线是主成分分析的非线性推广,它是通过数据分布“中间”并满足“自相合”的光滑曲线。通过对现有主曲线算法的分析可知:软K段主曲线算法对提取分布在弯曲度很大或相交曲线周围的数据的主曲线的效果较好。因此,尝试用该主曲线算法来提取车牌字符的结构特征。实验结果表明,利用该主曲线算法来提取车牌识别的结构特征能够取得较好的实验效果。所提方法为提取 车牌字符特征的研究提供了一条新途径。     

基于MapReduce框架的分布式软K段主曲线算法

传统的主曲线算法在小规模数据集上能获得良好的效果,但单节点的计算和存储能力都不能满足海量数据主曲线的提取要求,而算法分布式并行化是目前解决该类问题最有效的途径之一。本文提出基于MapReduce框架的分布式软K段主曲线算法 (Distributed soft ｋ-segments principal curve,DisSKPC)。首先,基于分布式K-Means算法,采用递归粒化方法对数据集进行粒化,以确定粒的大小并保证粒中数据的关联性。然后调用软K段主曲线算法计算每个粒数据的局部主成分线段,并提出用噪声方差来消除在高密集、高曲率的数据区域可能产生的过拟合线段。最后借助哈密顿路径和贪婪算法连接这些局部主成分线段,形成一条通过数据云中间的最佳曲线。实验结果表明,本文所提出的DisSKPC算法具有良好的可行性和扩展性。     

高斯曲率约束的MRG骨架提取优化算法

三维模型的骨架保持了模型的拓扑特性,并被广泛应用于模型相似性比较、计算机动画及压缩等领域.根据多分辨率Reeb图的原理,提出了一种基于离散高斯曲率约束的骨架提取优化算法.通过计算网格顶点的离散高斯曲牢判断曲面局部凸凹特性,以获取模型表面的双曲极值点作为约束点;并依据约束点及其邻域的μ函数值产生的分裂线进行区域细分,获得子连通区域、确定关节点、形成优化的骨架结构.实验结果表明,该算法有效地突出了模型的拓扑分支特征以及模型表面的细节,提高了骨架提取的精度和效率.     

基于主曲线的书法字动态重现算法

如何高效逼真地动态重现书法作品的创作过程日益成为亟需解决的问题,因此文中提出基于主曲线的书法字动态重现方法,解决当前细化算法在提取骨架时存在的无效分支较多、不能保证笔画的连续性和准确性的问题.结合书法字自身结构对主曲线算法进行改进和优化.对书法图像进行骨架提取、骨架追踪、笔顺获取等处理,结合骨架信息和二值图像实现笔画宽度复原,针对笔画宽度存在的“肿瘤”问题,提出“角点剔除法”进行修正,结合HTML5的Canvas绘图技术进行书法字动态书写过程.在模拟数据集上的实验表明,文中算法的书法动态重现取得较好效果.     

大规模分布数据的分阶段非线性聚类方法应用研究

提出一种能够有效处理大规模分布的数据聚类问题且简化计算复杂度的分阶段非线性聚类方法,该算法包含两个阶段：首先将数据划分为若干个球形分布的子类,采用K近邻图理论对原始数据计算顶点能量并提取顶点攻能量样本;再采用K近邻算法对该高能量样本做一个划分,从而得到一个考虑高能量样本的粗划分同时估计出聚类的个数,最后,综合两次聚类结果整理得到最终聚类结果。该方法的主要优点是可以用来处理复杂聚类问题,算法较为稳定,并且在保持聚类正确率的同时,降低了大规模分布数据为相似性度量的计算代价。     

复杂环境下的运动人体骨架提取算法*

针对复杂环境下运动人体难以检测及由人体运动自身的复杂性而引起的骨架提取难的问题,提出了一种复杂环境下视频序列中的运动人体骨架提取算法。算法首先利用区域背景建模获取复杂环境下的背景图像,利用最大色差分量结合自适应阈值分割运动人体;然后根据人体测量数据对人体骨架建模,最后利用Kalman滤波跟踪人体关节点,连接关节点生成运动人体骨架。实验结果表明,该算法能准确地提取复杂环境下视频序列中的运动人体骨架,具有低关节位置误差率。