CN103413310B - 协同分割方法和装置 - Google Patents
协同分割方法和装置 Download PDFInfo
- Publication number
- CN103413310B CN103413310B CN201310356711.8A CN201310356711A CN103413310B CN 103413310 B CN103413310 B CN 103413310B CN 201310356711 A CN201310356711 A CN 201310356711A CN 103413310 B CN103413310 B CN 103413310B
- Authority
- CN
- China
- Prior art keywords
- feature descriptor
- cutting plate
- descriptor
- similar matrix
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005520 cutting process Methods 0.000 claims abstract description 126
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 12
- 238000011524 similarity measure Methods 0.000 claims description 9
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 20
- 230000011218 segmentation Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 18
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种协同分割方法和装置。所述方法包括:过分割形状得到所述形状的若干个分割片;由所述分割片提取得到对应的特征描述符;根据所述特征描述符构建每一类特征描述符所对应的相似矩阵,并融合;根据所述融合后的相似矩阵进行频谱聚类。所述装置包括:包括:过分割模块,用于过分割形状得到所述形状的若干个分割片;提取模块,用于由所述分割片提取得到对应的特征描述符;特征描述符处理模块,用于根据所述特征描述符构建每一类特征描述符所对应的相似矩阵,并融合;聚类模块,用于根据所述融合后的相似矩阵进行频谱聚类。采用本发明能减少误差。
Description
技术领域
本发明涉及形状分析处理技术,特别是涉及一种协同分割方法和装置。
背景技术
形状分割是将形状切分成一组数目有限,各自具有简单形状语义的子形状,其中,形状分割大都包括了网格分割和协同分割。传统的网格分割方法关注于采用几何试题方法来分割某个给定的形状,但是无法有效处理和分割所有种类的模型,因为单个形状无法提供足够多的几何度量信息来产生符合预期的分割结果。
因此,很多的研究人员又提出了协同分割的方法,即同时分割同一种类的一堆形状,并同时计算它们之间的对应关系,例如,基于描述符的无监督形状协同分割方法和使用子空间聚类的方法,这些协同分割的方法均使用了多个描述符来描述形状中不同角度的特征,但是,针对某一形状,不同的描述符将可能会互为补充,也可能存在着冗余,进而使得采用连接的方式来连接多个描述符得到一个组合的描述符来度量分割的形状,由于该组合的描述符中存在着大量的不可靠和冗余的信息,得到的分割结果将存在着很大的误差。
发明内容
基于此,有必要针对描述符中存在着大量的不可靠和冗余的信息使得分割结果存在很大误差的技术问题,提供一种能减少误差的协同分割方法。
此外,还有必要提供一种能减少误差的协同分割装置。
一种协同分割方法,包括如下步骤:
过分割形状得到所述形状的若干个分割片;
由所述分割片提取得到对应的特征描述符;
根据所述特征描述符构建每一类特征描述符所对应的相似矩阵,并融合;
根据所述融合后的相似矩阵进行频谱聚类。
在其中一个实施例中,所述由所述分割片提取得到对应的特征描述符的步骤包括:
从所述分割片上的每个网格面片提取特征描述符,所述特征描述符包括形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离。
在其中一个实施例中,所述根据所述特征描述符构建每一类特征描述符所对应的相似矩阵,并融合的步骤包括:
根据所述分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵;
按照每一类特征描述符的权值对构建的相似矩阵进行多度量聚合,以得到融合的相似矩阵。
在其中一个实施例中,所述根据所述分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵的步骤包括:
计算分割片所对应的特征描述符之间的距离得到分割片之间的相似度;
通过所述分割片之间的相似度形成近邻结构,通过所述近邻结构形成对应特征描述符类别的相似矩阵。
在其中一个实施例中,所述通过所述分割片之间的相似度形成近邻结构,通过所述近邻结构形成对应特征描述符类别的相似矩阵的步骤之前,所述方法还包括:
去除所述每一类特征描述符所对应的相似度中的远端距离所得到的相似度。
一种协同分割装置,包括:
过分割模块,用于过分割形状得到所述形状的若干个分割片;
提取模块,用于由所述分割片提取得到对应的特征描述符;
特征描述符处理模块,用于根据所述特征描述符构建每一类特征描述符所对应的相似矩阵,并融合;
聚类模块,用于根据所述融合后的相似矩阵进行频谱聚类。
在其中一个实施例中,所述提取模块还用于从所述分割片上的每个网格面片提取特征描述符,所述特征描述符包括形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离。
在其中一个实施例中,所述特征描述符处理模块包括:
矩阵构建单元,用于根据所述分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵;
矩阵融合单元,用于按照每一类特征描述符的权值对构建的相似矩阵进行多度量聚合,以得到融合的相似矩阵。
在其中一个实施例中,所述矩阵构建单元包括:
相似性计算单元,用于计算分割片所对应的特征描述符之间的距离得到分割片之间的相似度;
矩阵形成单元,用于通过所述分割片之间的相似度形成近邻结构,通过所述近邻结构形成对应特征描述符类别的相似矩阵。
在其中一个实施例中,所述矩阵构建单元还包括:
去除单元,用于去除所述每一类特征描述符所对应的相似度中远端距离所得到的相似度。
上述协同分割方法和装置,对形状进行过分割之后将对得到的若干个分割片进行特征描述符的提取,以根据特征描述符构建每一类特征描述符所对应的相似矩阵,并融合,以将融合后的相似矩阵进行频谱聚类,通过对每一类特征描述符对应的相似矩阵进行融合,使得融合后的相似矩阵将屏蔽了不可靠信息和冗余信息的影响,得到更可靠和鲁棒性更高的相似矩阵,有效减少了误差。
附图说明
图1为一个实施例中协同分割方法的流程图;
图2为图1中根据特征描述符构建每一类特征描述符所对应的相似矩阵,并融合的方法流程图;
图3为一个实施例中烛吊灯的权重分布;
图4为一个实施例中椅子的权重分布;
图5为一个实施例中四足动物的权重分布;
图6为一个实施例中高脚杯的权重分布;
图7为一个实施例中人的权重分布;
图8为一个实施例中花瓶的权重分布;
图9为一个实施例中杯子的权重分布;
图10为一个实施例中熨斗的权重分布;
图11为图2中根据分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵;
图12为图1中根据融合后的相似矩阵进行频谱聚类的方法流程图;
图13为一个实施例中输入的模型示意图;
图14为图13中形状直径函数对应的空间;
图15为图13中到形状底部的测地距离对应的空间;
图16为图13中平均测地距离对应的空间;
图17为图13的连接空间;
图18为图13的融合空间;
图19为图13中的权重分布;
图20为一个实施例中协同分割装置的结构示意图;
图21为图20中特征描述符处理模块的结构示意图;
图22为图21中矩阵构建单元的结构示意图;
图23为图20中聚类模块的结构示意图。
具体实施方式
如图1所示,在一个实施例中,一种协同分割方法,包括如下步骤:
步骤S10,过分割形状得到形状的若干个分割片。
本实施例中,以每一形状为目标进行分割以得到到该形状的若干个分割片,第一分割片即为形状中的子区域。具体的,应用归一化分割将每一形状分割为若干个分割片,然后通过图分割的方式优化每一分割片的边界。对每一形状进行分割所得到的分割片数量可根据需要进行预先设定,并根据实际运营过程进行灵活地调整。在优选的实施例中,每一形状进行分割得到的分割片数量为30。
步骤S30,由分割片提取得到对应的特征描述符。
在一个实施例中,上述步骤S30的具体过程为:从分割片上的每个网格面片提取特征描述符,该特征描述符包括形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离。
本实施例中,应用形状直径函数(SDF)、共形因子(CF)、形状上下文(SC)、平均测地距离(AGD)和到形状底部的测地距离(GB)构成每一分割片的特征描述符,以提高特征描述符的鲁棒性和代表性,其中,形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离都分别对应了一个维度,用于表示分割片在一类特征描述符的特征。
具体的,分割片的每一特征描述符均是定义和计算于网格面片上的,因此,将对分割片中的每一网格面片按照每一类特征描述符进行定义和计算以得到相应的数值,进而针对每一分割片应用直方图对得到的数值进行统计以得到每一特征描述符的分布,以准确表征所在的分割片。
步骤S50,根据特征描述符构建每一类特征描述符所对应的相似矩阵,并融合。
本实施例中,按照特征描述符类别进行一一计算分割片的相似矩阵,以得到每一类特征描述符所对应的相似矩阵,该相似矩阵用于描述所在特征描述符类别下分割片之间的相似性,每一类特征描述符都有相应的相似矩阵。
将对应于特征描述符类别的相似矩阵进行融合,以实现相似矩阵的优化,进而得到融合了多类别的特征描述符的相似矩阵,既屏蔽了不可靠信息和冗余信息的影响,又充分考虑了分割片中多个度量空间的属性,实现对分割片的多个度量空间的综合计算,将有效地提高了准确性。
如图2所示,在一个实施例中,上述步骤S50包括:
步骤S510,根据分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵。
本实施例中,按照每一类特征描述符计算分割片之间的相似性,进而根据分割片之间的相似性构建得到每一类特征描述符所对应的相似矩阵。
步骤S530,按照每一类特征描述符的权值对构建的相似矩阵进行多度量聚合,以得到融合的相似矩阵。
本实施例中,每一分割片的相似性均是由多类特征描述符进行计算得到的,即每一分割片在任一类特征描述符均对应了计算得到的相似性,通过多度量的方式描述分割片与其它分割片的相似程度,因此,将对分割片所对应的多类特征描述符的相似矩阵进行多度量聚合,该相似矩阵是综合了多个维度且全面准确的。
预先设置特征描述符的权重分布,以得到每一类特征描述符的权值。按照每一类特征描述符的权值对相似矩阵进行加权。
不同类别的特征描述符,其权重也并不相同,例如,特征描述符中,形状上下文(SC)、到形状底部的测地距离(GB)和形状直径函数(SDF)均起到较为重要的作用,因此,这三类特征描述符的权值分布则较为平衡;但是,若某一类特征描述符相比其类别的特征描述符重要,则所对应的权重相比其它权重最大。又如,在Vase(花瓶)和Cup(杯子)模型中,形状直径函数(SDF)的权重相对较高,而在椅子模型中,形状直径函数(SDF)的权重则相对较低。详细的权重分布如图3至图10所示,在此不一一进行列举。
如图11所示,在一个实施例中,上述步骤S510包括:
步骤S511,计算分割片所对应的特征描述符之间的距离得到分割片之间的相似度。
本实施例中,任一类特征描述符下,每一分割片均有对应的特征描述符,此时,对于每一类特征描述符,将通过每一分割片所对应的特征描述符计算分割片之间的距离以得到分割片之间的相似度,以得到分割片中每一类特征描述符之下与其它分割片的相似度。
步骤S513,通过分割片之间的相似度形成近邻结构,通过近邻结构形成对应特征描述符类别的相似矩阵。
本实施例中,通过近邻结构来优化得到的相似矩阵,这一基于局部近邻元素所进行的优化将使得相似矩阵中表征的相似度具备更高的可靠性和鲁棒性。
在一个实施例中,上述步骤S513之前,该方法还包括:去除每一类特征描述符所对应的相似度中的远端距离所得到的相似度。
本实施例中,由于远端距离所得到的相似度较差,因此,去除远端距离所得到的相似度,然后再应用余下的相似度构造每一类特征描述符所对应的相似矩阵,将保证所得到的相似矩阵相似性更优。
步骤S70,根据融合后的相似矩阵进行频谱聚类。
本实施例中,频谱聚类是建立在图论中谱图理论基础上的,其本质是将聚类问题转化为图的最优切割问题,在频谱空间中相似性高的分割片所对应的投影分布较为集中,而相似性低的分布则比较分散。将融合后的相似矩阵进行频谱聚类,以得到相似性较高的若干个分割片,进而得到分割片之间的对应关系。
如图12所示,在一个实施例中,上述步骤S70包括:
步骤S710,将融合的相似矩阵映射至频谱空间中,以得到映射至频谱空间中的坐标。
本实施例中,对相似矩阵进行映射以得到相似矩阵在频谱空间中的投影,在频谱空间中,每一个点都对应了一个分割片,聚焦在一起的点所对应的分割片则形成聚类之后的集合。
步骤S730,根据相似矩阵映射在频谱空间中的坐标对分割片进行聚类。
本实施例中,由于聚焦在一起的点所对应的分割片则形成聚类之后的集合,因此,根据所映射于频谱空间的坐标即可实现分割片的聚类。
下面结合一个具体的实施例来详细阐述上述协同分割方法。该实施例中,将对如图13所示的模型进行过分割,以得到若干个分割片,将由每一分割片提取对应的形状直径函数、平均测地距离、到形状底部的测地距离,此时,分别对分割片对应的形状直径函数、平均测地距离、到形状底部的测地距离进行相似性计算,以构建得到形状直径函数对应的相似矩阵、平均测地距离对应的相似矩阵、到形状底部的测地距离对应的相似矩阵,分别对应了如图14至图16的空间,进而得到如图17所示的连接空间,此时,按照如图19所示的权值进行融合即可得到如图18所示的融合空间,进而实现分割片的频谱聚类。
如图20所示,在一个实施例中,一种协同分割装置,包括过分割模块10、提取模块30、特征描述符处理模块50和聚类模块70。
过分割模块10,用于过分割形状得到形状的若干个分割片。
本实施例中,过分割模块10以每一形状为目标进行分割以得到到该形状的若干个分割片,第一分割片即为形状中的子区域。具体的,过分割模块10应用归一化分割将每一形状分割为若干个分割片,然后通过图分割的方式优化每一分割片的边界。对每一形状进行分割所得到的分割片数量可根据需要进行预先设定,并根据实际运营过程进行灵活地调整。在优选的实施例中,每一形状进行分割得到的分割片数量为30。
提取模块30,用于由分割片提取得到对应的特征描述符。
在一个实施例中,上述提取模块30还用于从分割片上的每个网格面片提取特征描述符,该特征描述符包括形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离。
本实施例中,应用形状直径函数(SDF)、共形因子(CF)、形状上下文(SC)、平均测地距离(AGD)和到形状底部的测地距离(GB)构成每一分割片的特征描述符,以提高特征描述符的鲁棒性和代表性,其中,形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离都分别对应了一个维度,用于表示分割片在一类特征描述符的特征。
具体的,分割片的每一特征描述符均是定义和计算于网格面片上的,因此,提取模块30将对分割片中的每一网格面片按照每一类特征描述符进行定义和计算以得到相应的数值,进而针对每一分割片应用直方图对得到的数值进行统计以得到每一特征描述符的分布,以准确表征所在的分割片。
特征描述符处理模块50,用于根据特征描述符构建每一类特征描述符所对应的相似矩阵,并融合。
本实施例中,特征描述符处理模块50按照特征描述符类别进行一一计算分割片的相似矩阵,以得到每一类特征描述符所对应的相似矩阵,该相似矩阵用于描述所在特征描述符类别下分割片之间的相似性,每一类特征描述符都有相应的相似矩阵。
特征描述符处理模块50将对应于特征描述符类别的相似矩阵进行融合,以实现相似矩阵的优化,进而得到融合了多类别的特征描述符的相似矩阵,既屏蔽了不可靠信息和冗余信息的影响,又充分考虑了分割片中多个度量空间的属性,实现对分割片的多个度量空间的综合计算,将有效地提高了准确性。
如图21所示,上述特征描述符处理模块50包括矩阵构建单元510和矩阵融合单元530。
矩阵构建单元510,用于根据分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵。
本实施例中,矩阵构建单元510按照每一类特征描述符计算分割片之间的相似性,进而根据分割片之间的相似性构建得到每一类特征描述符所对应的相似矩阵。
矩阵融合单元530,用于按照每一类特征描述符的权值对构建的相似矩阵进行多度量聚合,以得到融合的相似矩阵。
本实施例中,每一分割片的相似性均是由多类特征描述符进行计算得到的,即每一分割片在任一类特征描述符均对应了计算得到的相似性,通过多度量的方式描述分割片与其它分割片的相似程度,因此,矩阵融合单元530将对分割片所对应的多类特征描述符的相似矩阵进行多度量聚合,该相似矩阵是综合了多个维度且全面准确的。
预先设置特征描述符的权重分布,以得到每一类特征描述符的权值。按照每一类特征描述符的权值对相似矩阵进行加权。
不同类别的特征描述符,其权重也并不相同,例如,特征描述符中,形状上下文(SC)、到形状底部的测地距离(GB)和形状直径函数(SDF)均起到较为重要的作用,因此,这三类特征描述符的权值分布则较为平衡;但是,若某一类特征描述符相比其类别的特征描述符重要,则所对应的权重相比其它权重最大。又如,在Vase(花瓶)和Cup(杯子)模型中,形状直径函数(SDF)的权重相对较高,而在椅子模型中,形状直径函数(SDF)的权重则相对较低。
如图22所示,在一个实施例中,上述矩阵构建单元510包括相似性计算单元511和矩阵形成单元513。
相似性计算单元511,用于计算分割片所对应的特征描述符之间的距离得到分割片之间的相似度。
本实施例中,任一类特征描述符下,每一分割片均有对应的特征描述符,此时,对于每一类特征描述符,相似性计算单元511将通过每一分割片所对应的特征描述符计算分割片之间的距离以得到分割片之间的相似度,以得到分割片中每一类特征描述符之下与其它分割片的相似度。
矩阵形成单元513,用于通过分割片之间的相似度形成近邻结构,通过近邻结构形成对应特征描述符类别的相似矩阵。
本实施例中,矩阵形成单元513通过近邻结构来优化得到的相似矩阵,这一基于局部近邻元素所进行的优化将使得相似矩阵中表征的相似度具备更高的可靠性和鲁棒性。
在另一个实施例中,上述矩阵构建单元510还包括去除单元,该去除单元用于去除每一类特征描述符所对应的相似度中远端距离所得到的相似度。
本实施例中,由于远端距离所得到的相似度较差,因此,去除单元去除远端距离所得到的相似度,然后再应用余下的相似度构造每一类特征描述符所对应的相似矩阵,将保证所得到的相似矩阵相似性更优
聚类模块70,用于根据融合后的相似矩阵进行频谱聚类。
本实施例中,频谱聚类是建立在图论中谱图理论基础上的,其本质是将聚类问题转化为图的最优切割问题,在频谱空间中相似性高的分割片所对应的投影分布较为集中,而相似性低的分布则比较分散。聚类模块70将融合后的相似矩阵进行频谱聚类,以得到相似性较高的若干个分割片,进而得到分割片之间的对应关系。
如图23所示,在一个实施例中,上述聚类模块70包括了映射单元710和坐标聚类单元730。
映射单元710,用于将融合的相似矩阵映射至频谱空间中,以得到映射至频谱空间中的坐标。
本实施例中,映射单元710对相似矩阵进行映射以得到相似矩阵在频谱空间中的投影,在频谱空间中,每一个点都对应了一个分割片,聚焦在一起的点所对应的分割片则形成聚类之后的集合。
坐标聚类单元730,用于根据相似矩阵映射在频谱空间中的坐标对分割片进行聚类。
本实施例中,由于聚焦在一起的点所对应的分割片则形成聚类之后的集合,因此,坐标聚类单元730根据所映射于频谱空间的坐标即可实现分割片的聚类。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种协同分割方法,包括如下步骤:
过分割形状得到所述形状的若干个分割片;
由所述分割片提取得到对应的特征描述符,包括从所述分割片上的每个网格面片提取特征描述符,所述特征描述符包括形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离;
根据所述分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵;
按照每一类特征描述符的权值对构建的相似矩阵进行多度量聚合,以得到融合的相似矩阵;
根据所述融合后的相似矩阵进行频谱聚类。
2.根据权利要求1所述的方法,其特征在于,所述根据所述分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵的步骤包括:
计算分割片所对应的特征描述符之间的距离得到分割片之间的相似度;
通过所述分割片之间的相似度形成近邻结构,通过所述近邻结构形成对应特征描述符类别的相似矩阵。
3.根据权利要求2所述的方法,其特征在于,所述通过所述分割片之间的相似度形成近邻结构,通过所述近邻结构形成对应特征描述符类别的相似矩阵的步骤之前,所述方法还包括:
去除所述每一类特征描述符所对应的相似度中的远端距离所得到的相似度。
4.一种协同分割装置,其特征在于,包括:
过分割模块,用于过分割形状得到所述形状的若干个分割片;
提取模块,用于由所述分割片每个网格面片提取得到对应的特征描述符,所述特征描述符包括形状直径函数、共形因子、形状上下文、平均测地距离和到形状底部的测地距离;
特征描述符处理模块,用于根据所述特征描述符构建每一类特征描述符所对应的相似矩阵,并融合;所述特征描述符处理模块包括:
矩阵构建单元,用于根据所述分割片对应的特征描述符进行相似性计算以构建每一类特征描述符所对应的相似矩阵;
矩阵融合单元,用于按照每一类特征描述符的权值对构建的相似矩阵进行多度量聚合,以得到融合的相似矩阵;
聚类模块,用于根据所述融合后的相似矩阵进行频谱聚类。
5.根据权利要求4所述的装置,其特征在于,所述矩阵构建单元包括:
相似性计算单元,用于计算分割片所对应的特征描述符之间的距离得到分割片之间的相似度;
矩阵形成单元,用于通过所述分割片之间的相似度形成近邻结构,通过所述近邻结构形成对应特征描述符类别的相似矩阵。
6.根据权利要求5所述的装置,其特征在于,所述矩阵构建单元还包括:
去除单元,用于去除所述每一类特征描述符所对应的相似度中远端距离所得到的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310356711.8A CN103413310B (zh) | 2013-08-15 | 2013-08-15 | 协同分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310356711.8A CN103413310B (zh) | 2013-08-15 | 2013-08-15 | 协同分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413310A CN103413310A (zh) | 2013-11-27 |
CN103413310B true CN103413310B (zh) | 2016-09-07 |
Family
ID=49606315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310356711.8A Active CN103413310B (zh) | 2013-08-15 | 2013-08-15 | 协同分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413310B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699789B (zh) * | 2013-12-17 | 2017-02-15 | 中国科学院深圳先进技术研究院 | 形状对应方法及装置 |
CN105809683A (zh) * | 2016-03-08 | 2016-07-27 | 西南交通大学 | 一种购物图像协同分割方法 |
CN109255791A (zh) * | 2018-07-19 | 2019-01-22 | 杭州电子科技大学 | 一种基于图卷积神经网络的形状协同分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN103093470A (zh) * | 2013-01-23 | 2013-05-08 | 天津大学 | 一种具有尺度无关特性的快速多模态图像协同分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012234257A (ja) * | 2011-04-28 | 2012-11-29 | Sony Corp | 画像処理装置と画像処理方法およびプログラム |
-
2013
- 2013-08-15 CN CN201310356711.8A patent/CN103413310B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982539A (zh) * | 2012-11-09 | 2013-03-20 | 电子科技大学 | 一种基于图像复杂性的特征自适应图像共分割方法 |
CN103093470A (zh) * | 2013-01-23 | 2013-05-08 | 天津大学 | 一种具有尺度无关特性的快速多模态图像协同分割方法 |
Non-Patent Citations (1)
Title |
---|
Segmenting specific object based on logo detection;Fanman Meng等;《2013 IEEE International Symposium on Circuits and System》;20130523;986-989 * |
Also Published As
Publication number | Publication date |
---|---|
CN103413310A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI385544B (zh) | 基於密度式之資料分群方法 | |
CN101315663B (zh) | 一种基于区域潜在语义特征的自然场景图像分类方法 | |
CN105719249B (zh) | 一种基于三维格网的机载激光雷达点云去噪方法 | |
CN110889861A (zh) | 一种电力杆塔点云提取方法 | |
CN104573705A (zh) | 一种建筑物激光扫描点云数据的聚类方法 | |
CN113487730B (zh) | 一种基于激光雷达点云数据的城市三维自动建模方法 | |
Broderick et al. | Clustering methodology for classifying distribution feeders | |
CN106599915B (zh) | 一种车载激光点云分类方法 | |
CN102622607A (zh) | 一种基于多特征融合的遥感图像分类方法 | |
CN104240299B (zh) | 基于最大化泊松圆盘采样的重新网格化方法 | |
CN101211344A (zh) | 文本信息遍历的快速四维可视化方法 | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
CN103413310B (zh) | 协同分割方法和装置 | |
CN106097456A (zh) | 基于自适应簇算法的倾斜摄影实景三维单体化模型方法 | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
CN102073867A (zh) | 一种遥感图像分类方法及装置 | |
CN104361135A (zh) | 一种图像检索方法 | |
Ding et al. | High accuracy real-time insulator string defect detection method based on improved yolov5 | |
CN105631465A (zh) | 一种基于密度峰值的高效层次聚类方法 | |
Looy et al. | Characterizing morphologic variability in foliated Paleozoic conifer branches–a first step in testing its potential as proxy for taxonomic position | |
CN104102718A (zh) | 面向失衡数据集的簇边界采样与动态剪枝的失衡数据分类方法 | |
Deng et al. | General multidimensional cloud model and its application on spatial clustering in Zhanjiang, Guangdong | |
CN110427956A (zh) | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 | |
CN104700458A (zh) | 实物表面采样数据边界样点识别方法 | |
CN114973232A (zh) | 一种基于点云特征描述推理的点云要素识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20131127 Assignee: SHENZHEN YIHUO TECHNOLOGY CO.,LTD. Assignor: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Contract record no.: X2023980043401 Denomination of invention: Collaborative segmentation methods and devices Granted publication date: 20160907 License type: Common License Record date: 20231013 |