一种基于LCV模型的图像轮廓编码方法及系统技术方案

本发明专利技术公开了一种基于LCV模型的图像轮廓编码方法及系统，其中所述方法包括：采用LCV模型对目标图像进行轮廓分割处理，获取所述目标图像的轮廓坐标信息；根据所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的轮廓矩阵；对所述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵；对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵；对所述二值化轮廓编码矩阵进行排列编码，获取所述轮廓对应的编码链；在本发明专利技术实施例中，通过轮廓坐标提取、轮廓矩阵构建、编码、二值化和排列编码处理，从多角度的提取挖掘出图像边界轮廓的信息，得到的图像特征信息较强，在外界存在一定的干扰下也能保持着原图像特定的特征信息。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于LCV模型的图像轮廓编码方法及系统。
技术介绍
轮廓是图像形状进行识别的重要信息，与其它常用的如K-L识别算法、基于纹理的识别算法、基于模型的识别算法与基于几何特征的识别算法等图像识别算法比较，基于图像轮廓的识别过程仅仅需要的是图像的边界形状信息，且对于不同的目标图像，均具有不同的轮廓形状。因此，对于经典的图像识别算法，基于轮廓的识别方法不但可以大大的减少计算时间，而且针对性的将图像轮廓进行二次特征提取，还可以将其变为图像的关键信息。然而目前传统意义上的轮廓编码算法，大部分是利用了图像的内部的纹理及像元信息进行处理，并且更多的图像编码的应用主要是将图像进行压缩及对图像的背景进行预测等；以往传统的图像编码作用主要应用于图像的压缩保存方面，从某种意义上来讲，并没有对图像属性特征挖掘，即没有提取出图片轮廓的属性特征；而仅仅是在尽可能的保存图像信息不丢失的前提下，有效的减少了数字图像的数据量。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于LCV模型的图像轮廓编码方法及系统，在外界存在一定的干扰下也能保持着原图像特定的特征信息。为了解决上述技术问题，本专利技术提供了一种基于LCV模型的图像轮廓编码方法，所述方法包括：采用LCV模型对目标图像进行轮廓分割处理，获取所述目标图像的轮廓坐标信息；根据所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的轮廓矩阵；对所述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵；对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵；对所述二值化轮廓编码矩阵进行排列编码，获取所述轮廓对应的编码链。优选地，所述根据所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的轮廓矩阵，包括：对所述轮廓坐标信息进行归一化处理，将所述坐标信息归一化在[1,255]之间，获取归一化处理结果；根据所述归一化处理结果进行矩阵构建处理，获取所述目标图像的轮廓矩阵。优选地，所述对所述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵，包括：对所述轮廓矩阵对应的轮廓像素进行灰度化处理，获取所述像素对应的灰度矩阵；采用所述轮廓矩阵对所述灰度矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵。优选地，所述对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵，包括：确定所述二值化处理的阈值，根据所述阈值对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵。优选地，所述排列编码包括横向排列编码、列向排列编码和斜向排列编码。另外，本专利技术还提供了一种基于LCV模型的图像轮廓编码系统，所述系统包括：轮廓分割模块：用于采用LCV模型对目标图像进行轮廓分割处理，获取所述目标图像的轮廓坐标信息；矩阵构建模块：用于根据所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的轮廓矩阵；编码模块：用于对所述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵；二值化处理模块：用于对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵；排列编码模块：用于对所述二值化轮廓编码矩阵进行排列编码，获取所述轮廓对应的编码链。优选地，所述矩阵构建模块包括：归一化单元：用于对所述轮廓坐标信息进行归一化处理，将所述坐标信息归一化在[1,255]之间，获取归一化处理结果；矩阵构建单元：用于根据所述归一化处理结果进行矩阵构建处理，获取所述目标图像的轮廓矩阵。优选地，所述编码模块包括：灰度处理单元：用于对所述轮廓矩阵对应的轮廓像素进行灰度化处理，获取所述像素对应的灰度矩阵；编码单元：用于采用所述轮廓矩阵对所述灰度矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵。优选地，所述二值化处理模块包括：二值化处理单元：用于确定所述二值化处理的阈值，根据所述阈值对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵。优选地，所述排列编码包括横向排列编码、列向排列编码和斜向排列编码。在本专利技术实施例中，通过轮廓坐标提取、轮廓矩阵构建、编码、二值化和排列编码处理，从多角度的提取挖掘出图像边界轮廓的信息，得到的图像特征信息较强，在外界存在一定的干扰下也能保持着原图像特定的特征信息。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例中的基于LCV模型的图像轮廓编码方法的流程示意图；图2是本专利技术实施例中的基于LCV模型的图像轮廓编码系统的结构组成示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1是本专利技术实施例中的基于LCV模型的图像轮廓编码方法的流程示意图，如图1所示，该方法包括：S11：采用LCV模型对目标图像进行轮廓分割处理，获取该目标图像的轮廓坐标信息；S12：根据该轮廓坐标信息进行轮廓矩阵构建处理，获取该目标图像的轮廓矩阵；S13：对该轮廓矩阵进行编码处理，获取该目标图像的轮廓编码矩阵；S14：对该轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵；S15：对该二值化轮廓编码矩阵进行排列编码，获取该轮廓对应的编码链。对S11作进一步说明：采用LCV模型对目标图像进行轮廓分割，通过该分割获取到目标图像的轮廓坐标信息。进一步的，LCV模型主要是基于曲线演化理论、局部统计函数以及水平集方法的混合型水平集方法和图像的全局信息，将上述综合一起来解决对灰度不均匀图像进行分割。LCV模型的构建，其中LCV模型的能量演变函数ELCV包括全局项EG、局部项EL和规则化ER，则总能量演变函数为：ELCV＝α·EG+β·EL+ER其中，α为EG的倍数参数，β为EL的倍数参数。全局项构建，全局项EG与C-V模型本文档来自技高网...

【技术保护点】
一种基于LCV模型的图像轮廓编码方法，其特征在于，所述方法包括：采用LCV模型对目标图像进行轮廓分割处理，获取所述目标图像的轮廓坐标信息；根据所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的轮廓矩阵；对所述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵；对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵；对所述二值化轮廓编码矩阵进行排列编码，获取所述轮廓对应的编码链。

【技术特征摘要】
1.一种基于LCV模型的图像轮廓编码方法，其特征在于，所述方法
包括：
采用LCV模型对目标图像进行轮廓分割处理，获取所述目标图像的轮
廓坐标信息；
根据所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的
轮廓矩阵；
对所述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵；
对所述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵；
对所述二值化轮廓编码矩阵进行排列编码，获取所述轮廓对应的编码
链。
2.根据权利要求1所述的图像轮廓编码方法，其特征在于，所述根据
所述轮廓坐标信息进行轮廓矩阵构建处理，获取所述目标图像的轮廓矩阵，
包括：
对所述轮廓坐标信息进行归一化处理，将所述坐标信息归一化在[1,255]
之间，获取归一化处理结果；
根据所述归一化处理结果进行矩阵构建处理，获取所述目标图像的轮
廓矩阵。
3.根据权利要求1所述的图像轮廓编码方法，其特征在于，所述对所
述轮廓矩阵进行编码处理，获取所述目标图像的轮廓编码矩阵，包括：
对所述轮廓矩阵对应的轮廓像素进行灰度化处理，获取所述像素对应
的灰度矩阵；
采用所述轮廓矩阵对所述灰度矩阵进行编码处理，获取所述目标图像
的轮廓编码矩阵。
4.根据权利要求1所述的图像轮廓编码方法，其特征在于，所述对所
述轮廓编码矩阵进行二值化处理，获取二值化轮廓编码矩阵，包括：
确定所述二值化处理的阈值，根据所述阈值对所述轮廓编码矩阵进行
二值化处理，获取二值化轮廓编码矩阵。
5.根据权利要求1所述的图像轮廓编码方法，其特征在于，所述排列
编码包括横向排列编码、列向排列编码和斜向排列编码。
6.一种基于L...

【专利技术属性】
技术研发人员：孟思明，罗笑南，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44