谢胜利相关研究成果介绍⑥：只有一堆稀疏无序点时，怎样把它们重新拼成一条像样的物体边界

只有一堆稀疏无序点时，怎样把它们重新拼成一条像样的物体边界

一、研究背景与问题提出

在很多边界提取任务里，算法并不是一开始就拿到连续平滑的轮廓，而往往只得到一批来自目标边界的 sparse unorganized feature points。真正困难的问题随之变成：这些点是无序的、离散的，如何判断谁和谁该相邻，又如何在它们之间插出尽量贴近真实边界的曲线。2009 年这篇论文正是围绕这个问题展开。

作者注意到，传统主动轮廓更擅长从整体曲线出发不断演化，而不太适合直接处理“只有无序点集”的重建问题。尤其在弱边界、长凹边界、开放边界和多目标边界情况下，若不能先把特征点正确组织起来，后续插值和轮廓恢复都容易出错。

二、核心方法与关键机制

为了解决这个问题，论文提出用 geodesic circular arc 作为基本几何单元。作者先推导出一族参数化圆弧样条的一般形式，再围绕这些圆弧样条建立能量函数，使特征点的排列顺序和点间圆弧的插值形式被同时纳入优化过程。这样一来，排序和插值就不再是两个割裂步骤，而被当成一个联合求解的问题。

论文核心方法图：测地圆弧样条在稀疏无序特征点之间进行排序与插值的能量优化示意。

这种联合建模非常重要，因为如果先拍脑袋决定点的顺序，再去拟合曲线，前一步一旦错了，后一步几乎注定越拟合越偏。论文通过把相邻点挑选和弧段参数选择放到同一能量框架里，使边界恢复更接近“整体几何结构”而不是局部拼接。

考虑到该能量函数通常非凸且在临界点不可微，作者进一步引入改进的 particle swarm 优化和次梯度下降来寻找近似全局最优解。这一点说明论文并不满足于提出一个几何想法，而是把求解器也一起设计好了，让这套边界重建思路真正可执行。

三、实验结果与结论

实验结果表明，测地圆弧样条方法能够有效抑制弱边界泄漏和长凹边界上的提前收缩，同时对噪声具有较好鲁棒性，并能处理多重边界与开放边界。也就是说，它并不是只在几何上好看，而是真的在传统边界演化最容易失误的场景里表现出了稳定性。

论文真正想说明的一点是：当边界线索以稀疏无序点的形式出现时，问题的核心不再是继续做曲线演化，而是先恢复正确的几何邻接关系。只要这一层被组织好，后续边界插值和重建就会自然得多。

四、研究价值与启示

不仅做神经元演化一类学习机制，也擅长从几何样条和全局优化角度重新搭建边界恢复问题。换句话说，他们研究的不是某一个分割技巧，而是在持续尝试从不同数学语言中提炼边界建模的方法。

作者简介：谢胜利，广东工业大学自动化学院教授、博士生导师。长期从事控制、信号处理与智能信息处理等领域的教学与研究，研究工作涉及无线通信与网络、物联网信息技术等方向。现为国家杰出青年科学基金获得者、国家自然科学二等奖第一完成人。