改进基于线性时间元件标签演算法
改进基于线性时间元件标签演算法
我们的论文被2019资讯科技与实务研讨会所接受。会议地点在台湾铭传大学资讯学院，会议日期为2019年3月15日。
我们提供了我们研究的文件，即CCL的原始码，FastCCL执行档和实验档案。这些文件在GitHub中，超连结是https://github.com/laitaiyu/ImageProcessing__FastLCL
本文提出了一种新的高性能线性时间演算法，采用轮廓跟踪技术，这些轮廓采用二值化影像。该演算法的主要步骤是使用轮廓追踪技术来检测每个部件的外部轮廓，并且还识别和标记每个部件的内部区域。标记在影像上一次完成。而且，在整个过程中不需要重新标记。本研究改进了张复[1]等人的LCL演算法。我们的演算法比LCL演算法更快更好。对各种类型影像（字符，半色调图片，照片，报纸等）的实验表明，我们的方法优于使用等效技术的方法。我们的演算法不仅标记组件，而且能够提取轮廓点的组件轮廓和连续顺序，这对于许多应用都很有用，例如OCR（光学字符读取器），视频分析中的对象跟踪等。制作LCL演算法，以证明所提出的方法更快。
张复等人，在2004年，他们提出LCL演算法是基于轮廓的标记演算法之一。 LCL演算法具有以下优点。首先，它只需要扫描一次影像。由于上述轮廓追踪程序，轮廓点被多次访问，但不超过一定的次数。其次，它不需要任何重新标记处理。将标记索引分配给像素后，其值将保持不变。第三，我们获得了轮廓像素的所有轮廓和连续顺序的副产品。
然而，当LCL演算法遇到半色调影像或许多孤立点时，它往往花费很多时间在轮廓跟踪上。这是一个缺点。首先，我们提出了一种隔离点处理，以提高性能。我们建立一个孤立点处理以预先标记孤立点。为了检查孤立点，有一个优点是减少了不必要的轮廓跟踪。因为孤立点永远不会有轮廓。像素只是一个单点，没有相邻像素。 LCL演算法遇到仍然跟踪轮廓的孤立点。我们改进了LCL与孤立点相关的缺点。其次，我们提供了一种新的影像处理流程，以改善半色调影像和孤立点的处理，并且没有副作用。为了添加孤立点处理，我们设计了一个新的影像处理流程。如果我们发现像素是孤立点，则应将其包含在隔离处理中。一方面，如果像素处于轮廓中，则应将其包括在轮廓跟踪中。
孤立点处理：检查每个像素以查看它是否被隔离。如果像素是孤立点;然后，它指向标签影像。原始LCL演算法不将孤立像素视为孤立;它们被传递为追踪轮廓。但是，如果它是一个孤立点，则不应该有任何连接像素。因此，在我们提出的模型中不需要再次进行跟踪。
轮廓跟踪：此步骤跟踪对象轮廓。跟踪轮廓时，连接轮廓像素被写入轮廓影像。
本文提出了一种高性能的线性时间元件标签演算法。该演算法在具有复杂纹理的不同分辨率下正确标记对象。提出的方法有四个优点。首先，直接标记孤立的像素。那是为了实现更低的处理时间。其次，轮廓跟踪为所有对象提供了标签号，同时建立了轮廓影像。第三，轮廓跟踪非常有效。通常，找到下一个位置需要五个步骤。但是，这种扫描方法仅使用最小步骤来查找轮廓。第四，我们改进了影像处理流程，没有副作用。这项研究是一个开源研究，超连结是https://github.com/laitaiyu/ImageProcessing__FastLCL。
[1] F. Chang, CJ. Chen, and CJ. Lu, "A Linear-Time Component-Labeling Algorithm Using Contour Tracing Technique," Computer Vision and Image Understanding, volume 93, number 2, pages 206-220 , January 2004.
Comments
Post a Comment