Эффективные алгоритмы векторизации растровых изображений и их реализация в геоинформационной системе

• Автор: Новиков, Юрий Леонидович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Томск
• Количество страниц: 184 с. : ил

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

Глава 1. Обзор методов векторизации растровых изображений

1.1. Технологии векторизации. Этапы преобразования изображений из

растрового в векторную форму.

1.2. Основные определения

1.3. Сегментация изображений.

1.3.1. Сегментация текста и графики

1.3.2. Сегментация закрашенных объектов и линий

1.3.3. Сегментация линий разной толщины

1.3.4. Разделение цветного растра на монохромные, соответствующие базовым цветам.

1.4. Первичная векторизация
1.4.1. Методы выделения осевых линий на растре.
1.4.2. Алгоритмы линейной аппроксимации осевых и граничных линий
1.4.3. Методы постобработки векторной модели
1.5. Возможности популярных пакетов программ векторизации и
первичного распознавания.
1.6. Выводы
Глава 2. Скелетизация растровых изображений
2.1. Применение задачи скелетизации
2.2. Эффективный алгоритм скелетизации бинарных растров
2.3. Алгоритм построения обобщенного скелета.
2.4. Алгоритм векторной скелетизации.
2.5. Выводы
Глава 3. Построение первичных векторных моделей растров
3.1. Определения.
3.2. Расширенная графовая модель бинарного растра
3.2.1. Общее определение расширенной графовой модели.
3.2.2. Триангулированное представление расширенной графовой модели.
3.3. РГМ бинарного растра, полученная в результате векторной
скелетизации.
3.4. Полигональнолинейная графовая модель ицветного растра
3.4.1. Содержательное описание ПЛГМ.
3.4.2. Атгоритм построения ПЛГМ.
3.4.3. Построение графовой модели обобщенного скелета.
3.4.4. Выделение и атрибутивное описание полигонов
3.5. Полигональная графовая модель яцветного растра
3.5.1. Предобработка растра
3.5.2. Построение векторной модели цветного растра.
3.5.3. Триангулированное представление ПГМ.
3.6. Выводы
Глава 4. Объектная векторизация с применением первичных векторных
моделей растров.
4.1. Задача полуавтоматической объектной векторизации
4.2. Полуавтоматическое построение линейных объектов.
4.2.1. Применение поиска в ширину на графе для интерполяции линейного объекта
4.2.2. Поиск в глубину в применении к интерполяции линейного объекта
4.3. Полуавтоматическое построение площадных объектов
4.3.1. Применение поиска в ширину для экстраполяции площадного объекта
4.3.2. Использование поиска в глубину для выделения минимальной почти связной границы многоугольника.
4.3.3. Построение моделей закрашенных площадных объектах
4.3.4. Использование выделения связных областей триангуляции для построения площадных объектов
4.4. Полуавтоматическое выделение линейных и площадных объектов
используя ПГМ растра
4.5. Алгоритмы линейной аппроксимации с геометрическими
ограничениями.
4.6. Выводы
Глава 5. Реализация алгоритмов векторизации в ГИС ГрафИн.
5.1. Возможности векгоризации в ГИС ГрафИн.
5.2. Общая структура подсистемы векторизации в струкгуре объектов
ГИС ГрафИн
5.3. Порядок действий оператора ввода данных при использовании
векторизации
5.4. Выводы
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Устанавливается пороговое значение толщины, равное и, в соответствии с которым линии меньшей толщины будут классифицированы как линии, все остальные линии и объекты будут отнесены к закрашенным объектам. Далее выполняется эрозия изображения G = F 0 Вп9 где оператор эрозии ® выполняет применение структурирующего элемента Вп к всем точкам изображения, стирая до п слоев граничных пикселей, структурирующий элемент Вп представляет собой квадрат растра размерами (2л+ 1)х(2я + 1). Затем, (п +1) -кратным применением оператора геодезической реконструкции Ф со структурирующим элементом ? Недостатком данного подхода является необходимость выполнения п +1 итераций для получения результата, поэтому трудоемкость данного подхода пропорциональна где 5- площадь растра. Более удачным способом данной сегментации, по мнению автора, является интеграция этой процедуры в процесс первичной векторизации, рассмотренный в гл. В некоторых приложениях, например автоматизированном распознавании машиностроительных чертежей [], архитектурных эскизов и чертежей [] и др. Это можно сделать, подвергнув растр линий дополнительной сегментации методами, рассмотренными в предыдущем пункте, с последующей векторизацией топких и толстых линий отдельно. Однако в этом случае возникает задача последующей стыковки сегментов тонких и толстых линий для последующих высокоуровневых процедур распознавания. Для избежания этого используется альтернативный подход, заключающийся в следующем. Подавляющее большинство алгоритмов первичной векторизации, получающих осевые линии объектов, позволяет также получить усредненные в некоторой окрестности значения толщины объекта вдоль осевой линии. Это позволяет сегментировать линейный объект на участки, принадлежащие разным классам толщины, и таким образом получить векторные модели линий в соответствии с классификацией по толщине. Полученные векторные модели уже будут обладать связностью в соответствии со связностью линий на растре, поэтому дополнительной обработки в данном случае не требуется. Необходимость в разделении цветного растра на набор монохромных возникает из-за того, что большинство методов первичной, а также объектной векторизации разработано в расчете на обработку бинарных растров, тогда как современные цветные сканеры позволяют получать высококачественные цветные образы документов, и у пользователей возникает потребность получать векторно-объектные модели цветных документов. Простейший способ, который можно предложить для решения этой задачи - введение фиксированного набора базовых цветов в некотором цветовом пространстве, например, ЯОВ, и приписыванию каждому пикселю растра индекса ближайшего в цветовом пространстве базового цвета. Кратко охарактеризуем каждую из данных групп. Алгоритмы, основанные на классификации пикселей по набору базовых цветов. Для повышения помехоустойчивости простейшего алгоритма могут быть применены следующие процедуры. Усреднение значений пикселя в некоторой окрестности (3x3, 5x5 и т. Данный подход, несмотря на простоту, получает приемлемые для дальнейшей векторизации результаты. Однако, усреднение значений пикселей ведет к размытию краев объектов на изображении, что приводит к потере точности контуров при последующей векторизации. Применение различных нелинейных фильтров к изображению с целью подавления шумов. Данный подход, являющийся обобщением предыдущего, достаточно широко рассмотрен в литературе. В частности, предлагается использовать преобразование Фурье с отсечением верхних, являющихся шумовыми, частот пространственного спектра [5], а также много других фильтров, подробнейший обзор которых можно найти в работе []. Примеры простых практических фильтров, предназначенных для обработки растров, можно найти в работе [6]. Нормализация цветов растра, приводящая все цвета к одинаковой интенсивности. Затем каждый пиксель растра Д классифицируется по близости в пространстве 1№В к цветам из модифицированного базового набора. Данное преобразование, в идеале, приводит разные оттенки одного цвета к одному значению, однако из-за значительного влияния шумовой составляющей его целесообразно применять вместе с вышеописанными подходами.