臺灣博碩士論文加值系統

外形影像處理及連通區域標記在分析圖形的過程中經常一起使用，而現今已有許多研究利用長度編碼的特性，各別針對外形影像處理或是連通區域標記提出演算法，但本文希望藉由使用相同的長度編碼結構套用至兩種演算法，改善兩者演算法之間的連貫性，所以本論文參考以長度編碼表進行外形影像處理[3]及連通區域標記[9]兩種演算法，提出一項新的連通區域標記演算法，使用外形影像處理[3]提出的長度編碼表結構做為輸入，減少中間資料結構轉化的過程，並且針對連通區域標計演算法的部分進行改進，使整體演算法的效率提升。
本文參考的連通區域標記演算法輸入為二值化後的影像，標記期間會邊建立此方法需要的長度編碼表結構，邊進行標記動作，而本文提出演算法輸入為[3]外形影像處理輸出的長度編碼表，不需要經過轉換即可進行標記動作，除了減少轉換、重新建立長度編碼表的時間之外，本文針對連通區域標記演算法改進，將原方法複雜的標籤合併過程簡化，提升演算法效率。最後實驗將原方法與本文提出方法比較，並且比較原方法與本文提出方法加上外形影像處理的效果，結果證明本文提出的方法效率較高。

摘要 I
目錄 II
圖目錄 IV
表目錄 V
第1章 緒論 1
1.1 動機與目的 1
1.2 相關工作 1
1.3 論文架構 4
第2章 研究背景知識 5
2.1 像素點連通關係 5
2.1.1 4-連通 5
2.1.2 8-連通 6
2.2 長度編碼(Run-Length) 6
2.2.1 長度編碼表(Run-Length Table) 7
2.2.2 長度編碼連通特性 8
第3章 [3]與Morteza演算法 10
3.1 [3]外形影像處理演算法 10
3.1.1 長度編碼資料結構 10
3.2 Morteza連通區域標記演算法 11
3.2.1 長度編碼資料結構 11
3.2.2 參數定義 12
3.2.3 演算法流程 13
3.3 演算法模擬 19
3.4 本論文之目的 22
第4章 本文提出連通區域標記演算法 24
4.1 本文資料結構說明 24
4.1.1 長度編碼資料結構 24
4.2 HeadRunTable與TailRunTable 26
4.2.1 HeadRunTable與TailRunTable定義 26
4.3 本文演算法介紹 26
4.4 演算法模擬 30
4.5 效能分析 36
第5章 實驗 40
5.1 實驗環境 40
5.1.1 測量時間方式 41
5.2 實驗一 41
5.2.1 實驗影像 41
5.2.2 實驗結果 43
5.3 實驗二 44
5.3.1 實驗影像 44
5.3.2 實驗結果 45
第6章 結論 48
參考文獻 49

[1]S. C. Huang and B. H. Do, “Radial Basis Function Based Neural Network for Motion Detection in Dynamic Scenes,” IEEE Transactions on Cybernetics, vol. 44, Issue: 1, Jan. 2014, pp. 114-125.
[2]P. Chotimanus, N. Cooharojananone and S. Phimoltares, “Real swing extraction for video indexing in golf practice video,” IEEE, In 2012 Computing, Communications and Applications Conference (ComComAp),pp.420-425.
[3]黃上銘、連國珍，「一種長度編碼之外形影像處理演算法」，第十四屆離島資訊技術與應用研討會，2015 Conference on Information Technology and Application in Outlying Islands (ITAOI 2015)。
[4]L. He, Y. Chao and K. Suzuki, “A Linear-Time Two-Scan Labeling Algorithm,” 2007 IEEE International Conference on Image Processing (ICIP), pp.V-241-V-244.
[5]L. He, Y. Chao, K. Suzuki and K. Wu, “Fast Connected-Component Labeling,” Pattern Recognition, vol. 42, Issue: 9, Sept 2009, pp.1977-1987.
[6]L. He, Y. Chao and K. Suzuki, “An Efficient First-Scan Method For Label-Equivalence-Based Labeling Algorithms,” Pattern Recognition Letters, vol.31, Issue: 1, Jan 2010, pp.28-35.
[7]L. He, Y. Chao, K. Suzuki and H. Itoh, “A Run-Based Two-Scan Labeling Algorithm,” IEEE Transactions on Image Processing, Vol. 17, Issue: 5, May 2008, pp.749-756.
[8]Y. Gao, F. Wang and X. Hu, “Connected Components Labeling Algorithm Based On Run-length Table Searching,” IEEE, 2014 9th International Conference on Computer Science & Education, pp.22-24.
[9]M. M. Gharasuie and A. Gaffari, “An Efficient Run-Based Method for Connected Component Labeling,” IEEE, 2015 9th Iranian Conference on Machine Vision and Image Processing (MVIP), pp.100-104.
[10]吳柏彥、連國珍(2016)，「單向長度編碼表之連通區域標記演算法」，輔仁大學資訊工程研究所，新北市。
[11]F. Chang, C. J. Chen and C. J. Lu, “A Linear-Time Componentlabeling Algorithm Using Contour Tracing Technique,” Computer Vision Image Understanding, vol.93, Issue: 2, Feb 2004, pp.206-220.
[12]A. Rosenfeld and A. C. Kak, Digital Picture Processing, 2nd ed. San Diego, CA: Academic, vol. 2, 1982.
[13]A. Ravankar, Y. Kobayashi, A. Ravankar and T. Emaru, “A Connected Component Labeling Algorithm for Sparse Lidar Data Segmentation,” IEEE, 2015 6th International Conference on Automation, Robotics and Applications (ICARA), Feb 17-19, 2015, Queenstown, New Zealand.
[14]D. J. C. Santiago, T. I. Ren, G. D. C. Cavalcanti and T. I. Jyh, “Fast block-based algorithms for connected components labeling,” IEEE, 2013 IEEE International Conference on Acoustics, Speech and Signal Processing, May 26-31, 2013, Vancouver, BC, Canada.
[15]D. J. C. Santiago, T. I. Ren, G. D. C. Cavalcanti and T. I. Jyh, “Efficient 2×2 block-based connected components labeling algorithms,” IEEE, 2015 IEEE International Conference on Image Processing (ICIP), Sept. 27-30, 2015, Quebec City, QC, Canada.