模型分析与改进

1.如果图像边缘部分的灰度值和背景部分的灰度值比较接近，那么图像的边缘提取将受到干扰，所以采用固定阈值法不一定能适应所有的图像，如果采用一种根据图像部分的灰度值计算阈值的方法，且阈值计算比较适合的话，那么边缘提取的效果会更好。

2.采用“二元素”特征点提取算法提取的特征点过于稀疏，图像某些部分的边缘信息容易丢失，出现失真的现象。而本文采用了用原始边缘的等间隔点集对特征点插值的方式来弥补这个缺陷，这样确实是保证了图像所有的边缘信息，使得后面图像拟合也比较准确，但是用等间隔点插值的同时又加入了许多的冗余点，使得之前冗余点的消除效果有所减弱。如果增大等间距点的提取间距效果会更好，但是确定合适的等间隔点的提取间隔又是一个问题，这个问题可以通过长直线段和相对长直线段的长度以及曲线和圆弧的弧度来确定，可能比本文中的算法要复杂得多。

3.单纯利用离散点的二阶导数函数值为零和三阶导数函数值不为零并不能准确提取应当提取的拐点，因为有的拐点在数学意义上属于拐点，但是却不影响后面图像的拟合，而有的边缘点不属于数学意义上的拐点，把它作为拐点处理会使后面图像拟合简单很多。所以，我们除了利用二阶、三阶导数以外，还需要判断该边缘点后序边缘点的变化情况，判断该边缘点是否属于前面的坐标系，如果该边缘和前面的边缘点不在同一个坐标系，那么该边缘点也属于拐点，应当作为拐点处理。

模型评价与推广

模型评价

1.优点

⑴运用矩阵处理位图图像，将图像数字化，容易处理，灵活度高；

⑵在搜索图像特征点之前先清除图像上的冗余点，更加准确的提取图像特征点；

⑶对提取出的特征点进行插值，避免了图像某些部分的失真，较好的保证了图像的边缘信息；

⑷在拐点的提取上不仅是利用离散点的二阶、三阶导数，还采用了分坐标系的提取方式，可以更加准确地提取出图像的拐点；

⑸使用数学软件，使得矩阵的处理更加方便、简单，在图像的拟合处理上也比较方便和直观；

2.缺点

⑴只能处理单个闭合图形，如果图像的边缘是多个闭合图形，本模型将不能处理；

⑵如果图像边缘部分和背景部分的点灰度值接近，不能准确提取图像边缘；

⑶对于彩色图形的矢量化，本模型是使用的系统函数实现将彩色图形转换为灰度图形，不是自己设计得算法实现；

在做毕业设计之前，图像矢量化对我来说是一个完全陌生的概念，虽然之前也学习过的相关知识，但是仅限于一些基本的矩阵操作和曲线绘制，并没有对进行过系统的学习。所以，在拿到这个题目时我的内心还是有些担心，担心自己是否能够顺利完成这次的题目。

但是当我在网上和图书馆查阅了相关的资料以及宋老师对设计方向给我进行指导之后，我渐渐发现图像矢量化也并没有我之前想象的那么高深莫测。经过一段时间查阅资料去摸索，图像矢量化的框架在我脑海里逐渐清晰起来，主要可以分为二值化、边缘提取、边缘跟踪、消除冗余点、特征点提取、特征点插值、拐点提取、图像拟合这几个模块。当然，想要解决这么多问题也不是一件轻松的事，这些对我来说都是一些之前没有接触过的新知识，所以我必须去学习。问题虽然不算太多，需要设计的算法也就那么几个，但是每一个算法都是相当复杂的，而且图像越复杂，算法就会相应的变得更复杂，所以我对模型进行了假设，只处理那些边缘清晰，图像与背景区别比较明显的图像。随着问题一个一个地被解决，算法也都被实现出来了，在这个过程当中我自己不断学习和成长，老师在设计方向给了我很多指导，对我有很大的帮助。