存在不足
ArcGIS的（半）自动矢量化
ArcScan操作说明
位图矢量化的处理算法研究：https://wenku.baidu.com/view/80e459fca48da0116c175f0e7cd184254b351ba3.html#
Potrace:一个基于多边形的位图轮廓矢量化算法：https://blog.csdn.net/linxinboy/article/details/19020917
矢量化算法：https://www.cnblogs.com/PIESat/p/11251208.html 搜索：link
已经完成了二值化，现在如何矢量化？
地图矢量化：介绍对二值地图图像矢量化过程中的线跟踪操作之前的去毛刺算法，应用此算法可以得到更好的线跟踪效果。
一种改进的边界轮廓矢量化算法:https://xueshu.baidu.com/usercenter/paper/show?paperid=1e1355a6eca9b568bb08fd968fd2569c&site=xueshu_se
研究现状：
更多
本文研究的主要内容可概括如下:·提出了一种基于交替优化的图像网格化算法。原始问题的模型中包含了几何与拓扑两部分信息,混合状态下难以直接求解,本文提出了一种将几何与拓扑信息分开,并采用交替迭代的方式分别轮换求解,可以保证能量函数的值在每个阶段均有所下降,从而大大降低了问题的求解难度。在几何优化过程中,我们提出了顶点移动策略,使得每次迭代过程中只令一个顶点在其一环邻域内移动并寻找最优位置,从而将原来的求解大量变量的非凸非线性的复杂问题转化为只需每次求解一个顶点的简单问题,再一次降低了求解难度。此外,当移动某个顶点时,可能会破坏其一环邻域顶点的局部最优性,而顶点移动策略则通过多次移动同一顶点的方式在一定程度上避免了上述破坏。虽然本算法无法在理论上保证能够产生全局最优的三角网格,但是在每次迭代过程中均可以得到局部最优的顶点位置。在给定了合适初始网格的情况下,本算法可在有限几次的迭代过程之内满足收敛条件。与其他传统算法相比,本算法可以得出更好的重建效果。·提出了一种基于层次优化的图像网格化算法,对上一个算法进行了改进。在问题建模阶段,传统方法均难以将拓扑信息结合到目标函数中,而本文提出的算法则采用了字典学习模型,通过稀疏矩阵的方式,将拓扑信息巧妙地编码到目标函数中,与原有的几何信息通过线性组合的方式紧密地结合起来,使得模型更加简洁,同时也为问题的数值求解带来了方便。在问题的求解过程中,针对传统问题中初始值难以选取等问题,本算法提出了层次优化模型,通过对原始图像进行逐次滤波,形成了多个层级,使其在保持局部特征的条件下逐层平滑,去除了噪声,同时将较粗层级中的输出结果作为较细层级的输入初值,从而将原问题中的复杂度逐步分摊到每个层级的子问题中,使得每个子问题更加平滑,求解难度大大降低。在几何优化阶段,算法通过颜色空间与图像空间的结合,并配合建模时的字典学习模型,将原来非凸非线性的复杂问题转化为简单的线性最小二乘问题,进一步简化了问题的求解。实验结果表明,本算法较上一个算法的重建效果有所提高。·提出了一种基于平面块集合的变分图像矢量化表达。在传统的图像网格化方法中,顶点的颜色值一般由其所对应的单个像素点的颜色值决定,在局部最优性方面难以保证。为解决上述问题,我们提出了一种新的图像矢量化表达方式,利用带有边缘线的平面块来表达图像,使得顶点的颜色值由最终的局部优化结果确定,从而提高了图像的重建质量。算法包括求解平面参数与提取边缘线两个阶段。在前一阶段,算法采用了 Lloyd算法的思想对原问题进行整体迭代,逐步求精,而在每次迭代过程中,则采用主成分分析法求出平面参数。在后一阶段,算法提取出各平面块的边缘线,并采用曲边多边形网格的形式来表示各个平面块之间的拓扑连接关系,并通过类似半边结构的半曲边结构记录之。实验结果表明,本算法可以较其他网格化方法产生更好的重建效果。
图像矢量化(ImageVectorization)研究的是将光栅图像转换为矢量图形的算法,是数字图像处理领域中关于图像表达的一个基本问题。随着数字媒体技术的快速发展,矢量图形在各行各业的应用也越来越广泛。怎样选择合适的几何图元以方便表达与编辑、以及如何利用上述表达方式尽可能忠实地重建出原始图像等问题一直是图像矢量化算法中的核心问题,也是各种算法中普遍存在的难点问题。因此,寻求高效解决上述问题的方法则成为了图像矢量化领域的基本任务之一,同时也顺应了数字图像处理的发展趋势,从而具有重要的现实意义。本文针对若干关于图像矢量化表达方式的算法进行了较为深入的研究,并提出了一种新的矢量化表达方式。本文研究的主要内容可概括如下:提出了一种基于交替优化的图像网格化算法。原始问题的模型中包含了几何与拓扑两部分信息,混合状态下难以直接求解,本文提出了一种将几何与拓扑信息分开,并采用交替迭代的方式分别轮换求解,可以保证能量函数的值在每个阶段均有所下降,从而大大降低了问题的求解难度。在几何优化过程中,我们提出了顶点移动策略,使得每次迭代过程中只令一个顶点在其一环邻域内移动并寻找最优位置,从而将原来的求解大量变量的非凸非线性的复杂问题转化为只需每次求解一个顶点的简单问题,再一次降低了求解难度。此外,当移动某个顶点时,可能会破坏其一环邻域顶点的局部最优性,而顶点移动策略则通过多次移动同一顶点的方式在一定程度上避免了上述破坏。虽然本算法无法在理论上保证能够产生全局最优的三角网格,但是在每次迭代过程中均可以得到局部最优的顶点位置。在给定了合适初始网格的情况下,本算法可在有限几次的迭代过程之内满足收敛条件。与其他传统算法相比,本算法可以得出更好的重建效果。提出了一种基于层次优化的图像网格化算法,对上一个算法进行了改进。在问题建模阶段,传统方法均难以将拓扑信息结合到目标函数中,而本文提出的算法则采用了字典学习模型,通过稀疏矩阵的方式,将拓扑信息巧妙地编码到目标函数中,与原有的几何信息通过线性组合的方式紧密地结合起来,使得模型更加简洁,同时也为问题的数值求解带来了方便。在问题的求解过程中,针对传统问题中初始值难以选取等问题,本算法提出了层次优化模型,通过对原始图像进行逐次滤波,形成了多个层级,使其在保持局部特征的条件下逐层平滑,去除了噪声,同时将较粗层级中的输出结果作为较细层级的输入初值,从而将原问题中的复杂度逐步分摊到每个层级的子问题中,使得每个子问题更加平滑,求解难度大大降低。在几何优化阶段,算法通过颜色空间与图像空间的结合,并配合建模时的字典学习模型,将原来非凸非线性的复杂问题转化为简单的线性最小二乘问题,进一步简化了问题的求解。实验结果表明,本算法较上一个算法的重建效果有所提高。提出了一种基于平面块集合的变分图像矢量化表达。在传统的图像网格化方法中,顶点的颜色值一般由其所对应的单个像素点的颜色值决定,在局部最优性方面难以保证。为解决上述问题,我们提出了一种新的图像矢量化表达方式,利用带有边缘线的平面块来表达图像,使得顶点的颜色值由最终的局部优化结果确定,从而提高了图像的重建质量。算法包括求解平面参数与提取边缘线两个阶段。在前一阶段,算法采用了Lloyd算法的思想对原问题进行整体迭代,逐步求精,而在每次迭代过程中,则采用主成分分析法求出平面参数。在后一阶段,算法提取出各
图像矢量化方法的研究:https://www.docin.com/p-1560288816.html
图像矢量化方法研究与应用：https://www.docin.com/p-295033205.html?docfrom=rrela
