導(dǎo)語：柵格圖像矢量化研究論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1引言

計算機(jī)中圖像文件的格式主要有兩大類：一類是柵格圖像文件格式，另一類是矢量圖文件格式。在現(xiàn)代圖像處理技術(shù)中，矢量圖文件格式相對于柵格圖像文件格式具有明顯的優(yōu)點。矢量化就是將柵格數(shù)據(jù)轉(zhuǎn)換為矢量數(shù)據(jù)。國內(nèi)外矢量化的研究始于20世紀(jì)70年代，柵格圖像矢量化作為圖像處理的一個重要分支，已經(jīng)成為地理信息系統(tǒng)（GIS）、計算機(jī)輔助設(shè)計和制造時代（CAD/CAM）領(lǐng)域的關(guān)鍵技術(shù)。柵格圖像矢量化方法的研究與改進(jìn)具有非常重要的現(xiàn)實意義。

2經(jīng)典的矢量化算法

目前矢量化方法大致可分為兩類，基于細(xì)化的方法和基于非細(xì)化的方法。

1)經(jīng)典的基于細(xì)化的方法主要有：邊界重復(fù)細(xì)化法、距離交換法和適當(dāng)骨架化方法。這些細(xì)化方法的優(yōu)點是能夠保持線段的連續(xù)性，主要缺點是有很高的時間復(fù)雜度，丟失線寬信息，在交叉區(qū)域處以產(chǎn)生變形及錯誤的分支。

2)在基于非細(xì)化的方法中，主要有：基于輪廓線的方法，基于游碼的方法，基于網(wǎng)格模式的方法以及基于稀疏像素的方法。①由于基于輪廓線的方法在早期比較流行，但是此算法容易使連續(xù)矢量之間產(chǎn)生間隙。②基于游碼的方法能夠保持線段的連續(xù)性并能保存線寬信息，但在游碼圖形顯示過程中，容易產(chǎn)生噪聲和引起交叉區(qū)域的變形。③基于網(wǎng)格模式的方法，由于只考慮網(wǎng)格邊框上的圖像信息，是研究問題得到相應(yīng)的簡化，但是網(wǎng)格的尺寸很難控制。此方法是用于所含線段直并且少的線圖中。④基于稀疏像素的方法能夠保存線寬以及精確的中心軸和端點，矢量化速度快。其不足之處在于不能對所有的交叉區(qū)域提供正確的處理。

一個好的矢量化方法應(yīng)該能保存線形信息例如線寬、區(qū)域交叉點、圖像的拓?fù)浣Y(jié)構(gòu)等信息，同時還要求矢量化的速度比較快?？偟膩碚f各種矢量化方法都各有自身的優(yōu)缺點，從矢量化效果上來說不具有通用性。

3基于細(xì)化的矢量化算法的改進(jìn)

目前比較普及的矢量化方法是基于細(xì)化的方法，細(xì)化又叫中軸變換(medialaxistransformation)或骨架化(skeletonization)，是指在圖像上對于寬度大于一個像素的粗線狀目標(biāo)，刪除其輪廓像素，保留骨架像素的過程。

作為基于細(xì)化的柵格圖像矢量化過程中的一個重要技術(shù)環(huán)節(jié)，細(xì)化同樣影響工作效率和結(jié)果的精度。所以很多改進(jìn)方法是圍繞著細(xì)化算法的改進(jìn)展開的。本節(jié)將介紹幾種基于細(xì)化矢量化方法的改進(jìn)方法。

3.1保存節(jié)點拓?fù)涞母倪M(jìn)方法

利用現(xiàn)有的矢量化軟件，如：ArcGIS、ENVI、PCI等進(jìn)行柵格圖像矢量化時所獲得的矢量圖會出現(xiàn)一些島和自交多邊形，或者是一些連接關(guān)系雜亂無章的矢量線，而不是多邊形。

一種改進(jìn)方法是以拓?fù)潢P(guān)系原理為指導(dǎo)，同時提取柵格圖像中節(jié)點和坐標(biāo)點以及所有的水平和垂直線段，目的是在提取骨架線的同時更好地從柵格數(shù)據(jù)獲取節(jié)點信息，依據(jù)節(jié)點和線段兩者信息共同來生成弧段，再由弧段生成多邊形[1]。

文獻(xiàn)[2]對細(xì)化后的圖像識別端點和節(jié)點信息，并用相同大小的參考圖像記錄節(jié)點信息，利用節(jié)點對應(yīng)位置的像素值來表示節(jié)點類型，如值為1則表示端點，值為3則表示3鏈節(jié)點。在設(shè)計節(jié)點和骨架線的適量數(shù)據(jù)結(jié)構(gòu)時，考慮到處理骨架線節(jié)點畸變和冗余的需要，記錄節(jié)點坐標(biāo)的同時還記錄了相關(guān)的拓?fù)潢P(guān)系，如是否舍去，是否懸掛節(jié)點，節(jié)點連接線數(shù)，節(jié)點相關(guān)線的ID等。

上述兩種改進(jìn)方法由于保存了節(jié)點的拓?fù)湫畔?，在用于矢量面狀地物的骨架線提取時，能夠在一定程度上防止節(jié)點畸變并減少骨架線的冗余小分枝。

3.2基于數(shù)學(xué)形態(tài)學(xué)的改進(jìn)方法

數(shù)學(xué)形態(tài)學(xué)是一種新型的圖像處理工具，研究人員利用數(shù)學(xué)形態(tài)學(xué)的薄化運算作為細(xì)化的基本運算模式。這種算法相對與經(jīng)典的基于細(xì)化的方法具有明顯的優(yōu)點：可以實現(xiàn)并行運算，提高算法運算速度；可以較好的保持圖像各圖元間的拓?fù)浣Y(jié)構(gòu)特性。缺點是不能保持線段的連續(xù)性。這種基于細(xì)化的方法是近年來研究的一個熱點。

3.3基于Freeman鏈碼的矢量化方法改進(jìn)

基于細(xì)化的矢量化算法在對柵格圖像進(jìn)行細(xì)化提取了骨架線后，多數(shù)采用了基于Freeman鏈碼的矢量化方法。文獻(xiàn)[3]對基于Freeman鏈碼的變步長矢量化方法進(jìn)行改進(jìn)，即要求初始步長（最小取樣間隔）是2的N(N是非負(fù)整數(shù))次冪，每次步長的改變量是上一步長的一半，直到步長的改變量為1并且鏈碼中兩點間任意像素點到這兩點間弦線垂距滿足大于等于最大允許垂線偏差的條件為止。這種改進(jìn)算法減少了算法迭代次數(shù)，提高運算效率。

4基于非細(xì)化的矢量化算法的改進(jìn)

由于基于細(xì)化的矢量化方法普遍存在丟失線寬信息，在交叉區(qū)域處容易產(chǎn)生變形及錯誤的分支等缺點。部分學(xué)者仍在為設(shè)計具有良好自適應(yīng)性的基于非細(xì)化的柵格圖像矢量化算法而努力。本節(jié)將介紹近幾年針對這類算法的一些主要改進(jìn)發(fā)法。

4.1基于游程編碼的矢量化方法改進(jìn)

解決規(guī)模大、復(fù)雜度高的柵格圖像高效矢量化問題的有效途徑是找到一種完全基于內(nèi)存數(shù)據(jù)處理的弧段提取技術(shù)。吳華意等[4]提出了一種無邊界游程編碼及其矢柵互轉(zhuǎn)換算法，標(biāo)記矢量化時的追蹤，對游程進(jìn)行了擴(kuò)充。但是這種算法額外的內(nèi)存開銷降低了游程的壓縮效率，限制了處理圖像的規(guī)模和復(fù)雜度。文獻(xiàn)[5]在此基礎(chǔ)上提出了一種基于游程編碼的矢量化改進(jìn)方法。利用最簡的游程編碼形式并與區(qū)位表和折半查找技術(shù)相結(jié)合，實現(xiàn)對柵格圖斑邊界的追蹤和矢量化提取，直接由游程編碼提取含有拓?fù)潢P(guān)系的圖斑邊界弧段，其效率較以往方法有一定幅度的提高。

4.2基于圓跟蹤的矢量化方法

這種方法針對地形等高線的特性提出的。算法的具體方法是：首先查找等高線的起始點A，并記錄該點，然后以A點為圓心，以指定的長度為半徑畫圓，并記錄該圓與等高線的交點B，然后以B點為圓心，再以同樣的半徑畫圓，以此類推，每一次畫一個圓都記錄一個交點（忽略落在前一個圓內(nèi)部的那個交點），直至所畫的圓和等高線沒有交點為止，把這個過程叫做跟蹤等高線，這一系列的圓叫做跟蹤圓。該方法可以從等高線的任意一個端點開始跟蹤，在遇到等高線較稠密或者等高線急拐彎的情況下，跟蹤圓和等高線按照一定的步長縮小跟蹤圓的半徑重新跟蹤，直到跟蹤圓和等高線重合的像素點在一個指定的閾值范圍內(nèi)為止[6]。該矢量化算法具有一定的自適應(yīng)性，但是得到的是等高線上一些距離間隔不等的離散的坐標(biāo)點，為了還原等高線或者作為后續(xù)的插值求其它點的高程或者其它屬性，必須對這些離散的數(shù)據(jù)點進(jìn)行曲線擬合。可以采用三次B-樣條進(jìn)行擬合。

4.3基于輪廓線的矢量化方法的改進(jìn)

基于輪廓線的矢量化過程可以分為輪廓提取，跟蹤，輪廓特征點提取，輪廓矢量化。輪廓特征點的提取直接影響到矢量化的效果，即怎樣從輪廓跟蹤后得到的緊密排列的有序輪廓點中，提取出表示圖像輪廓關(guān)鍵特性的點。文獻(xiàn)[7]主要針對特征點提取提出了一種基于以“徑向增量同向段”和“徑向增量異向段”為基本元素構(gòu)成位圖輪廓邊界的輪廓特征點提取算法，并對特征點進(jìn)行插值；得到最終的圖像輪廓特征點。由這些特征點可以表征原圖像的形體特征，且算法具有計算簡單和工作量少的特點。

5其他方面的改進(jìn)

近年來也有學(xué)者嘗試將計算智能中的遺傳算法，神經(jīng)網(wǎng)絡(luò)等引入到圖像矢量化方法的某些環(huán)節(jié)如：圖像分類、分層、細(xì)化、曲線特征點提取等，從而對算法進(jìn)行適當(dāng)?shù)母倪M(jìn)。

6結(jié)束語

本文概述了柵格圖像矢量化的常用方法和存在的問題，并介紹了多種主要的改進(jìn)方法。其中，仍有一些方法需要得到進(jìn)一步的改進(jìn)，在實際應(yīng)用中，我們可以根據(jù)矢量化對象的特點和各改進(jìn)方法的優(yōu)點將不同的算法進(jìn)行結(jié)合和運用。國際上商品化的矢量化軟件有德國Softelec公司的VPStudio、挪威RxSpotlight、美國GTX公司的GTXRasterCADPLUS，Able公司的R2v等等，國內(nèi)的有MapGIS、中科院的VWAN、清華山維的EPScan等，這些軟件都能對柵格圖像進(jìn)行矢量編輯或進(jìn)行一定程度上的自動矢量化，但是矢量化精度和速度上尚不能完全達(dá)到工程自動化的需要，普遍具有對噪音、缺損敏感等缺點?？梢姈鸥駡D像自動矢量化是一個非常困難而遠(yuǎn)遠(yuǎn)沒有被解決的問題，其難點主要在于圖像要素的復(fù)雜性和多樣性。預(yù)計柵格圖像自動矢量化技術(shù)還將在以下幾個方面得到進(jìn)一步的研究和發(fā)展：

1)基于細(xì)化的矢量化方法設(shè)計中，復(fù)雜的圖像要素的自動識別比較困難，有效的特征提取顯得尤為重要；

2)提高矢量化算法的自適應(yīng)性，提高矢量化軟件的自動化程度；

3)柵格圖像的智能與自動矢量化涉及到計算機(jī)圖形學(xué)、圖像處理、模式識別、人工智能等多種技術(shù)，與各相關(guān)技術(shù)的新的高效的科研成果相結(jié)合也是柵格圖像矢量化改進(jìn)的一種途徑；

4)研制公共的數(shù)據(jù)轉(zhuǎn)換器實現(xiàn)不同軟件之間的數(shù)據(jù)交換，從而促進(jìn)不同的矢量化軟件之間的相互兼容。