骨架是一种形式简单但功能强大的形状表示和分析工具,它对原始形状进行少一维的编码,但可以很好地保留拓扑信息,便于计算机对图像结构特征进行保存和传递。因此,被广泛应用于计算机视觉与计算机图形学的各个领域,如形状检索、对象配准、人体姿态识别、医学图像处理等。自从骨架的概念被提出以后,许多优秀的方法纷纷涌现。虽然有很多方法可以得到比较好的骨架,但也有很多缺点,比如对边界噪声过于敏感,不能保证拓扑的完整性,或者需要繁琐的后处理操作等。另外,这些方法大多以能够获得图像目标对象完整的边界为前提,这对于很难提取图像目标完整边界的彩色图像而言十分苛刻。针对上述问题,本文提出了一种新的显著性骨架的概念,其通过分析图像中目标对象的对称性,来衡量目标对象内每一像素属于骨架点的概率,生成骨架化显著性映射图(即显著性骨架),然后通过简单阈值化获得二值骨架。该方法主要有以下创新点:(1)提出了一种新的对称性度量方法——投影对称性度量,其充分考虑图像目标对象的对称性和全局特性;(2)提出了一种新的显著性骨架的概念,通过骨架化显著性映射图(SkeletalSaliencyMap)来编码骨架,并提供了理论分析。(3)为二值图像和彩色图像提供了一个高效、鲁棒的实现,其直接生成一个连续、对噪声不敏感的骨架,而不需要依赖复杂的后处理。在具体实现过程中,该方法主要包括以下几步:首先,提取图像中目标对象的边界或概率边缘;然后,对于图像目标对象中的每个像素p,该方法将其四邻域像素投影到边界上,然后计算两两投影点之间沿边界的劣弧距离,选择这些劣弧距离的最大值作为该像素p的投影对称性度量值;在对图像目标对象内的所有像素,计算投影对称性度量之后,得到一个骨架化显著性映射图,然后通过二值化得到一个清晰的二值骨架。该方法可以生成具有正确拓扑结构的两像素宽的二值骨架,避免额外的后处理。在任意阈值下,均能保证主骨架的拓扑连续性。此外,该算法对边界噪声也有较强的鲁棒性。大量的实验结果验证了该方法的良好性能,表明它优于目前其他先进的骨架计算方法。另外,本文也对其应用进行了探索,发现其可以应用于矢量图生成、概率边缘细化等领域,具有良好的应用前景。