图像三角网格化算法的研究与实现

论文摘要

图像三角网格化算法利用三角网格对图像进行表示,是基于模型的图像编码技术的一种。基于三角网格的图像表示方法能够实现对图像的有效表示,是一种新型的基于模型的图像编码方法,其结果在运动估计、运动补偿和图像压缩方面有着广泛的应用,而且对三角网格的可操作性也是其应用前景之一。借助计算几何中的数学方法以及图像处理中的相关算法,重点研究了两种图像三角网格化的算法,并对其进行优化。Delaunay三角网格化算法是一种基于边界特征点提取的图像三角网格化算法,算法利用多边形生长算法,提取多边形的顶点作为初始点集,最后利用Lawson算法连接特征点形成初始的三角网格。实验结果表明:算法提取的特征点数约比传统的特征点提取算法减少12%以上。重建图像质量有明显提高,PSNR值提高8%~12%。针对将Delaunay算法应用在图像三角化方面所造成的凸包问题,做了优化处理。Delaunay算法的输入是离散的点集,将散点连接成三角网格时会形成凸包,形成三角网格也不能完全覆盖整幅图像。优化算法先找出三角网格未覆盖的图像区域,将其分割成多个多边形,再将多边形做三角化处理,以此来得到图像完整的三角网格表示。应用该优化算法之后,图像的峰值信噪比提高2%~3%左右。基于双向模板的图像三角网格化算法是一种基于图像内容的三角网格化算法。算法定义三对双向模板和一个对角模板,利用小波四级分解将原始图像分成256块,每一矩形块依据原始图像的灰度分布对应相应的模板,再对模板网格进行三角网格化得到整个图像的三角网格划分。实验结果表明,在图像质量相差不大的情况下,TBT算法得到的三角网格规模比Delaunay算法减小一半,而且网格更为符合图像内容。TBT算法的实验效果也优于WBT算法,当重建图像的PSNR值在30以上,其三角网格的规模比WBT算法得出的三角网格规模要小。而且TBT算法设计实现简单,复杂度低。对初始三角网格进行多级细分,以图像中灰度误差的最大值作为分级标准,不断插入细分点,随着网格规模的扩大,三角网格表示的图像越来越逼近原始图像。实验结果表明,TBT算法形成的初始网格进行细分后,图像的PSNR值提高达66%以上,主客观评价效果均有很大提高。综合考虑三角网格规模与重建图像质量,在图像质量影响不大的情况下,研究一种适当减小网格规模的优化算法。算法引入一个变量来控制平坦度,利用该变量来分析该点是否可以去除。采用该优化算法后,在网格规模减少10%左右时,重建图像的PSNR值降低2%左右。针对TBT算法的特点,提出一种记录模板号和细分点的数据存储结构,用二进制数据流来存储三角网格。解析该文件格式时,则是按照存储过程的逆过程去还原图像。该存储方法是一种很有效的图像压缩算法,在网格规模较小的情况下,压缩比基本都能达到4以上。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景
• 1.2 研究的目的和意义
• 1.3 图像编码方法
• 1.4 本文主要研究内容
• 2 Delaunay 三角网格化算法
• 2.1 算法描述
• 2.2 特征点的提取
• 2.3 算法优化
• 2.4 算法复杂度分析
• 2.5 实验数据
• 2.6 本章小结
• 3 基于双向模板的图像三角网格化算法
• 3.1 算法描述
• 3.2 小波分解与双向模板
• 3.3 图像三角网格化
• 3.4 网格的细化以及优化算法
• 3.5 实验结果及其分析
• 3.6 本章小结
• 4 基于双向模板的存储与解析算法
• 4.1 存储思想描述
• 4.2 存储数据结构定义
• 4.3 存储解析算法
• 4.4 实验数据分析
• 4.5 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 展望
• 致谢
• 参考文献