随着现代科技的发展,可以获取和利用的图像资源急剧增加。运用图像分析和理解技术快速检测和识别出图像中的目标,在军事、生产和生活等诸多领域都有迫切的需求,同时也是计算机视觉、人工智能、图像处理等领域的关键问题。在图像的分析和理解技术中,目标的表示和识别技术是图像分析和理解的核心环节,如何选取图像合适的特征信息是决定识别成功与否的重要步骤。图像的形状包含了大量的视觉信息,是最常用的图像特征。骨架作为一种保留了拓扑信息的全局形状变换,其结果直观,意义明确,且便于进行相似性计算,是物体表示和识别的有力工具。本文旨在寻求一种对边界噪声有较强的鲁棒性,并能够保持骨架连续性的实用型骨架提取方法。本文首先给出了目前国内外骨架提取的相关研究进展,对五种典型的骨架提取方法分别做了介绍,并分析和总结了目前骨架提取算法中普遍存在的问题:不连续性、存在冗余骨架支、骨架提取的不公平性等,诸多缺陷制约了骨架提取技术的实际应用。在分析前人研究成果的基础上,最终选择在保持连续性的形态学细化骨架上进行剪枝的方法,以得到目标骨架,其重点是找到一种有效体现骨架点重要性的度量准则。之后,提出了一种基于轮廓线长度度量准则(简称CLSM)的骨架剪枝方法,使用距离骨架点最近的轮廓点沿着轮廓线的最小轮廓距离作为骨架点显著性的度量,该度量具有较好的显著性表现能力、多余的毛刺状分枝区分能力和公平性。为验证轮廓线长度度量准则的有效性,本文设计了一个算法,将轮廓线上的所有点建立为kd-树,通过kd-树搜索距离骨架点最近的轮廓点。将此方法运用到形态学细化产生的骨架上,通过在最近骨架点搜索中和距离计算上引入一定程度的平滑,得到了效果良好的图像骨架。实验结果不但验证了CLSM的优良特性,同时表明算法有较强的稳定性和抗噪能力。其低复杂性也让此算法完全有资格作为形态学细化骨架法的后续改进算法,成为骨架提取算法的一部分。接下来,将CLSM运用到了骨架树结构中。虽然CLSM与kd-树结合的算法已经很好的达到了预期效果。但是我们期望在骨架剪枝的同时,可以为后续的目标表识别或匹配等工作提供一个良好的骨架描述。对骨架树结构进行分析和改进的基础上,把骨架以骨架树的形式组织起来,对每个骨架节点使用CLSM加以度量,使用阈值剪枝,剪枝后的结果骨架仍然以骨架树的结构存在,可以直接应用于后续的识别等工作。算法设计中,在区域分割理论的指导下,以线性复杂度代价完成了对骨架树上所有节点的CLSM计算。将算法应用到标准数据集MPEG-7 CE-Shape-1的B部分图像生成的形态学细化骨架上,实验结果表明,算法不但高效完成了对冗余骨架的准确剪枝,而且可以改变阈值,方便实现骨架的多尺度剪枝,为不同精度的识别工作做好铺垫。另外骨架节点还可以包含诸如最近边界支撑点等有效信息。至此设计出了一套完整的针对形态学骨架的剪枝算法。虽然本文中只对形态学骨架进行了研究和实验,但是很明显,只要对具体算法稍加改进,这种基于骨架树的轮廓线度量剪枝策略在所有可以保持连续性的骨架上都可以取得理想的效果。最后,对全文工作和今后的研究重点进行了总结和说明。