基于最小码本原理的图像规则结构的提取

人造物体，如建筑物、室内物体等常常具有规则的形状和规则的排列，这些规则性是视觉模式的一种，在图像中检测和提取这些规则信息是模式识别研究的重要内容。传统的模式识别研究中，更多关注的是用简单向量表示的模式上的识别问题。本项申请将尝试用层级结构去表示图像中规则形状和规则排列的模式，把"模式"和"识别"融合在一个优化框架中，通过图像空间，概念空间的联合训练与模型学习，给出一个统一学习、分割与识别图像中规则形状和规则排列的框架。为了自动、高效地构建图像的解析树和码本，将借鉴C++中面向对象和模板的设计思想，为图像模型学习构建一套类似的抽象设施。最后，用Bayes框架和遗传算法去优化图像最短参数表示的解析树和最短的码本。在计算策略上，将采用基于互联网的分布式计算。该框架可实际应用于高分辨率遥感图像中建筑物、道路等目标的提取，因此，它不仅有着重要的理论意义，还具有很大的应用价值。