南昌航空大学科技学院学士学位论文
4.3 算法实现骨架提取
4.3.1 形态学骨架化算法实现骨架提取
以“石”字为例对其进行骨架提取，不同的骨架提取方法所获得的骨架效果各异，如图4-1至图4-3所示。
图4-1水墨书法作品“石”字的原型
图4-2 以3×3的矩形为结构元素的形态学骨架化算法提出的骨架
23
南昌航空大学科技学院学士学位论文
图4-3 以3×3的菱形为结构元素的形态学骨架化算法提出的骨架
4.3.2 二值图像细化算法实现骨架提取
以“石”字为例对其进行骨架提取，不同的骨架提取方法所获得的骨架效果各异，如图4-4至图4-5所示。
图4-4 水墨书法作品“石”“白”字的原型
24
南昌航空大学科技学院学士学位论文
图4-5 二值图像细化算法提出的骨架
4.4 图像对比分析
形态学骨架算法在解决整体性比较好、细节性不多的物体形状方面效果较好，比如人体轮廓、大型的动物轮廓、整体性较好的汽车等轮廓。但最大的缺陷是在离散域中，难以保证骨架的连通性。同时该算法不具有良好的抗边界噪声鲁棒性。
二值图像细化算法的方法在解决细节性较多、形状多为线状长条状等这些规则性强的结构的物体形状方面效果较好，如图所示细化能准确提取汉字的骨架。提取出的图像骨架较为光滑，在保持了原图像的连通性及对称性的同时，基本保证了骨架的单像素宽。算法的中心思想是在保持拓扑结构不变性的条件约束下，不断地剥离表层的像素,直到最后剩余的骨架。这类方法通过制定大量的约束条件，判断像素的去留问题，往往执行效率较低。此类方法得到的骨架可保证连通性和单像素性，但对边界噪声非常敏感，不能得到简化的整体形状重要的的拓扑结构，容易产生不必要的分支，且造成骨架点的位置不准确。
25
南昌航空大学科技学院学士学位论文
5 结论与展望
骨架是图像描述和识别的一种有力手段，基于骨架的目标表示和识别技术已成为计算机视觉领域的一个研究热点。从基于骨架的图像识别技术涉及到的骨架提取、描述方式等关键点入手，论文详细研究分析了当前该技术的发展现状，分门别类的进行了归纳分析。在已有的研究成果的基础上，针对该研究中的难点问题，结合自己对骨架理论的认识提出一些新的解决思路和方法，以期丰富这个体系。鉴于时间和精力因素，论文的研究内容概括整理分为以下几个方面。
l)提取物体的骨架，得到一个简化的物体特征是人们一直追求的目标。骨架定义为物体的“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。这样提取的骨架主次不分、结构混乱，影响人们对物体的真实形状和连接关系的正确判断。本文抓住骨架的核心定义“中轴”，提出了一种减弱骨架噪声问题的新视角。从实验结果看出，与当前最新成果的方法提取的结果相比，本文方法一定程度上改善了提取骨架的质量。
2)树描述方式具有自然的金字塔式结构特点，图像描述中利用树结构组织骨架的拓扑、形状信息表达效果突出明显，并且简单容易操作，在识别系统的应用中有着得天独厚的优势。因此我们在宋婷骨架树研究的基础上分析研究、重新整理了相关内容，提出了新的骨架树模型的建立过程和控制规则，将物体的骨架映射为可以更好的反映骨架拓扑和形状信息的骨架树。在拓扑特征的描述和匹配度量中，本文将算法改为多尺度骨架树逐级细化、分级匹配、上级匹配控制约束下级匹配的思想策略，修改了原有匹配方法的层次不分、缺乏逻辑关系的不合理数据的出现，使之具有更优的匹配效果。
当然，基于骨架的图像识别技术是一个相当广泛的体系。这里论文只是在一定的假设条件下，就其中的几点要素展开论述和证明，真正能投入到实际应用中还需要多方面的综合处理。基于骨架的目标表示和识别技术尚有很多问题需要探讨、研究和解决，作者相信，随着各项理论的进一步完善和技术的进一步发展，有关骨架的目标表示和识别技术必将取得丰硕的成果。
26
南昌航空大学科技学院学士学位论文
参考文献
[1]. Blum H. A transformation for extracting new description of shape [A]. In:Wathen-Dunn W ed. Model for the Perception of Speech and Visual [C]. Cambride, Massachusetts: MIT Press, 1967. 362-380.
[2]. H.Blum.Biologieal Shape and Visual Science:Part I.J.Theoretical Biology,1973，38:205一287.
[3].吕俊白.一种有效的二值图像细化算法.计算机工程[J].Vol29.No18.Sep.2003.
[4].[美] Nakamura S. Numerical Analysis and Graphic Visualization with MATLAB(Second Edition) [M].北京:电子工业出版社，2002
[5].[美]冈萨雷斯. 数字图像处理（MATLAB版）[M]. 北京：电子工业出版社，2005 [6].[美]冈萨雷斯. 数字图像处理（第二版）[M]. 北京：电子工业出版社，2007 [7].张强,王正林.精通MATLAB图像处理[M]. 北京：电子工业出版社，2009
[8].Ben janin,B.Kimia.“Recognition of Shapes by Editing Shock Graphs.”ICCV, vol.1,PP:755-762,2001.
[9].王耀南,李树涛,毛建旭编著.计算机图像处理与识别技术[M].高教育出版社,2001.6.107-121，139-143.
[10].杨义军, 孟祥旭, 等. 复杂带状图像的快速三角剖分与骨架化算法[J]. 计算机辅助设计与图形学学报, 2003, (10): 1270-1274.
[11].张若文, 滕奇志等. 一种快速简便的图像骨架变换方法[J]. 信息与电子工程, 2003, (1): 1-5.
[12].秦筱威, 蔡超等. 一种有效的骨架毛刺去除算法[J]. 华中科技大学学报(自然科学版), 2004,(12): 28-31.
[13]. 杨承磊, 孟祥旭等. 带状图像交叉区域的骨架求解算法[J]. 计算机辅助设计与图形学学报, 2000, (9): 677-681.
[14].杨义军, 孟祥旭 等. 一种基于Delaunay三角化的手写体文字细化方法[J]. 中国图象图形学报, 2002, (9): 938-944.
[15].U Montanari. Continuous skeletons from digitized images [J]. Journal of ACM, 1969, 16(4): 534-549.
[16].Pfaltz J L, Rosenfeld A. Computer representation of planar regions by their skeletons [J]. Communications of ACM, 1967, 10(2): 119-122.
[17].Shapiro B, Pisa J, Sklansky J. Skeleton generation from x,y boundary sequences [J]. Computer Graphics Images Processing, 1981, 15(2): 136-153.
[18].Marchand-Maillet S, Sharaiha Y M. Skeleton location and evaluation based on local digital width in ribbon-like images [J]. Pattern Recognition, 1997, 30(11): 1855-1865. [19].A.P.Dhawan, T. Dufrensne. Low-level image processing and edge enhancement using
27