形状是图像的一种底层特征,在图像处理与计算机视觉领域有着广泛应用。在单一的尺度下我们无法对形状进行有效的描述和检索。具体来说,如果尺度值设置过低,虽然能够捕捉形状的局部细节,但所提取的形状特征会存在大量的冗余信息;如果尺度值设置过高,虽然能够获取形状的整体特征,但噪声或形状的细节信息会导致分类混淆。为此,本文研究多尺度形状描述和检索技术,通过合理地构建形状的尺度空间,提出有效的多尺度算法。主要工作和创新点如下:提出了基于矩形化曲率尺度空间图的形状描述算法。针对现有曲率尺度空间技术在形状描述过程中出现的特征过于简化的问题,我们采用矩形框对曲率尺度空间图的拱形轮廓进行拟合,从而能够同时捕获拱形轮廓的宽度和高度特征,形成对形状更完善的描述。随后利用循环互相关操作实现形状匹配,将现有技术的8步操作简化为1步操作,实现了对形状的快速检索。实验结果表明,与现有算法相比,新算法在检索效率和计算复杂度方面均具有明显的优势。提出了融合尺度空间中的形状描述和检索算法。我们在分析形态学尺度空间和高斯尺度空间各自优势的基础上,将形态学参数和高斯参数结合形成融合尺度空间,基于高度函数描述子对形状进行多尺度描述,可以同时处理形状中出现的噪声、类内变换和不规则变形。然后,提出多尺度融合的形状匹配策略,实现对形状的检索。实验结果表明,该算法的检索率、鲁棒性和计算效率均优于当前的形状检索算法。提出了基于方位的多尺度形状描述和检索算法。现有高度函数描述子根据像素位置来计算高度函数值,在相同方位角上会出现对形状特征的重复提取。为此,提出了直接按照方位角提取形状特征的策略,约减了形状描述中的冗余信息。同时,结合融合尺度空间处理形状线性和非线性变换的优势,形成形状的多尺度描述。最后,引入圆心率和离心率两种全局参数,得到融合尺度空间中的检索结果。实验结果表明,该算法具有很好的性能表现。