栅格图像矢量化范文

论文摘要：栅格图像；矢量化；细化；非细化

论文摘要摘要：该文分析了栅格图像矢量化的常用方法存在的新问题，介绍并简单评价了多种主要的改进方法，方便技术人员根据具体需要快速的选择合适的矢量化方法，最后，就栅格图像矢量化的探究方向给出了一些建议。

1引言

计算机中图像文件的格式主要有两大类摘要：一类是栅格图像文件格式，另一类是矢量图文件格式。在现代图像处理技术中，矢量图文件格式相对于栅格图像文件格式具有明显的优点。矢量化就是将栅格数据转换为矢量数据。国内外矢量化的探究始于20世纪70年代，栅格图像矢量化作为图像处理的一个重要分支，已经成为地理信息系统（GIS）、计算机辅助设计和制造时代（CAD/CAM）领域的关键技术。栅格图像矢量化方法的探究和改进具有非常重要的现实意义。

2经典的矢量化算法

目前矢量化方法大致可分为两类，基于细化的方法和基于非细化的方法。

1)经典的基于细化的方法主要有摘要：边界重复细化法、距离交换法和适当骨架化方法。这些细化方法的优点是能够保持线段的连续性，主要缺点是有很高的时间复杂度，丢失线宽信息，在交叉区域处以产生变形及错误的分支。

2)在基于非细化的方法中，主要有摘要：基于轮廓线的方法，基于游码的方法，基于网格模式的方法以及基于稀疏像素的方法。①由于基于轮廓线的方法在早期比较流行，但是此算法轻易使连续矢量之间产生间隙。②基于游码的方法能够保持线段的连续性并能保存线宽信息，但在游码图形显示过程中，轻易产生噪声和引起交叉区域的变形。③基于网格模式的方法，由于只考虑网格边框上的图像信息，是探究新问题得到相应的简化，但是网格的尺寸很难控制。此方法是用于所含线段直并且少的线图中。④基于稀疏像素的方法能够保存线宽以及精确的中心轴和端点，矢量化速度快。其不足之处在于不能对所有的交叉区域提供正确的处理。

一个好的矢量化方法应该能保存线形信息例如线宽、区域交叉点、图像的拓扑结构等信息，同时还要求矢量化的速度比较快。总的来说各种矢量化方法都各有自身的优缺点，从矢量化效果上来说不具有通用性。

3基于细化的矢量化算法的改进

目前比较普及的矢量化方法是基于细化的方法，细化又叫中轴变换(medialaxistransformation)或骨架化(skeletonization)，是指在图像上对于宽度大于一个像素的粗线状目标，删除其轮廓像素，保留骨架像素的过程。

作为基于细化的栅格图像矢量化过程中的一个重要技术环节，细化同样影响工作效率和结果的精度。所以很多改进方法是围绕着细化算法的改进展开的。本节将介绍几种基于细化矢量化方法的改进方法。

3.1保存节点拓扑的改进方法

利用现有的矢量化软件，如摘要：ArcGIS、ENVI、PCI等进行栅格图像矢量化时所获得的矢量图会出现一些岛和自交多边形，或者是一些连接关系杂乱无章的矢量线，而不是多边形。

一种改进方法是以拓扑关系原理为指导，同时提取栅格图像中节点和坐标点以及所有的水平和垂直线段，目的是在提取骨架线的同时更好地从栅格数据获取节点信息，依据节点和线段两者信息共同来生成弧段，再由弧段生成多边形[1。

文献[2对细化后的图像识别端点和节点信息，并用相同大小的参考图像记录节点信息，利用节点对应位置的像素值来表示节点类型，如值为1则表示端点，值为3则表示3链节点。在设计节点和骨架线的适量数据结构时，考虑到处理骨架线节点畸变和冗余的需要，记录节点坐标的同时还记录了相关的拓扑关系，如是否舍去，是否悬挂节点，节点连接线数，节点相关线的ID等。

上述两种改进方法由于保存了节点的拓扑信息，在用于矢量面状地物的骨架线提取时，能够在一定程度上防止节点畸变并减少骨架线的冗余小分枝。

3.2基于数学形态学的改进方法

数学形态学是一种新型的图像处理工具，探究人员利用数学形态学的薄化运算作为细化的基本运算模式。这种算法相对和经典的基于细化的方法具有明显的优点摘要：可以实现并行运算，提高算法运算速度；可以较好的保持图像各图元间的拓扑结构特性。缺点是不能保持线段的连续性。这种基于细化的方法是近年来探究的一个热点。

3.3基于Freeman链码的矢量化方法改进

基于细化的矢量化算法在对栅格图像进行细化提取了骨架线后，多数采用了基于Freeman链码的矢量化方法。文献[3对基于Freeman链码的变步长矢量化方法进行改进，即要求初始步长（最小取样间隔）是2的N(N是非负整数)次幂，每次步长的改变量是上一步长的一半，直到步长的改变量为1并且链码中两点间任意像素点到这两点间弦线垂距满足大于等于最大答应垂线偏差的条件为止。这种改进算法减少了算法迭代次数，提高运算效率。

4基于非细化的矢量化算法的改进

由于基于细化的矢量化方法普遍存在丢失线宽信息，在交叉区域处轻易产生变形及错误的分支等缺点。部分学者仍在为设计具有良好自适应性的基于非细化的栅格图像矢量化算法而努力。本节将介绍近几年针对这类算法的一些主要改进发法。

4.1基于游程编码的矢量化方法改进

解决规模大、复杂度高的栅格图像高效矢量化新问题的有效途径是找到一种完全基于内存数据处理的弧段提取技术。吴华意等[4提出了一种无边界游程编码及其矢栅互转换算法，标记矢量化时的追踪，对游程进行了扩充。但是这种算法额外的内存开销降低了游程的压缩效率，限制了处理图像的规模和复杂度。文献[5在此基础上提出了一种基于游程编码的矢量化改进方法。利用最简的游程编码形式并和区位表和折半查找技术相结合，实现对栅格图斑边界的追踪和矢量化提取，直接由游程编码提取含有拓扑关系的图斑边界弧段，其效率较以往方法有一定幅度的提高。

4.2基于圆跟踪的矢量化方法

这种方法针对地形等高线的特性提出的。算法的具体方法是摘要：首先查找等高线的起始点A，并记录该点，然后以A点为圆心，以指定的长度为半径画圆，并记录该圆和等高线的交点B，然后以B点为圆心，再以同样的半径画圆，以此类推，每一次画一个圆都记录一个交点（忽略落在前一个圆内部的那个交点），直至所画的圆和等高线没有交点为止，把这个过程叫做跟踪等高线，这一系列的圆叫做跟踪圆。该方法可以从等高线的任意一个端点开始跟踪，在碰到等高线较稠密或者等高线急拐弯的情况下，跟踪圆和等高线按照一定的步长缩小跟踪圆的半径重新跟踪，直到跟踪圆和等高线重合的像素点在一个指定的阈值范围内为止[6。该矢量化算法具有一定的自适应性，但是得到的是等高线上一些距离间隔不等的离散的坐标点，为了还原等高线或者作为后续的插值求其它点的高程或者其它属性，必须对这些离散的数据点进行曲线拟合。可以采用三次B-样条进行拟合。

4.3基于轮廓线的矢量化方法的改进

基于轮廓线的矢量化过程可以分为轮廓提取，跟踪，轮廓特征点提取，轮廓矢量化。轮廓特征点的提取直接影响到矢量化的效果，即怎样从轮廓跟踪后得到的紧密排列的有序轮廓点中，提取出表示图像轮廓关键特性的点。文献[7主要针对特征点提取提出了一种基于以“径向增量同向段”和“径向增量异向段”为基本元素构成位图轮廓边界的轮廓特征点提取算法，并对特征点进行插值；得到最终的图像轮廓特征点。由这些特征点可以表征原图像的形体特征，且算法具有计算简单和工作量少的特征。

5其他方面的改进

近年来也有学者尝试将计算智能中的遗传算法，神经网络等引入到图像矢量化方法的某些环节如摘要：图像分类、分层、细化、曲线特征点提取等，从而对算法进行适当的改进。

6结束语

本文概述了栅格图像矢量化的常用方法和存在的新问题，并介绍了多种主要的改进方法。其中，仍有一些方法需要得到进一步的改进，在实际应用中，我们可以根据矢量化对象的特征和各改进方法的优点将不同的算法进行结合和运用。国际上商品化的矢量化软件有德国Softelec公司的VPStudio、挪威RxSpotlight、美国GTX公司的GTXRasterCADPLUS，Able公司的R2v等等，国内的有MapGIS、中科院的VWAN、清华山维的EPScan等，这些软件都能对栅格图像进行矢量编辑或进行一定程度上的自动矢量化，但是矢量化精度和速度上尚不能完全达到工程自动化的需要，普遍具有对噪音、缺损敏感等缺点。可见栅格图像自动矢量化是一个非常困难而远远没有被解决的新问题，其难点主要在于图像要素的复杂性和多样性。预计栅格图像自动矢量化技术还将在以下几个方面得到进一步的探究和发展摘要：

1)基于细化的矢量化方法设计中，复杂的图像要素的自动识别比较困难，有效的特征提取显得尤为重要；

2)提高矢量化算法的自适应性，提高矢量化软件的自动化程度；

3)栅格图像的智能和自动矢量化涉及到计算机图形学、图像处理、模式识别、人工智能等多种技术，和各相关技术的新的高效的科研成果相结合也是栅格图像矢量化改进的一种途径；

4)研制公共的数据转换器实现不同软件之间的数据交换，从而促进不同的矢量化软件之间的相互兼容。