CN104408726B - 一种基于三角形的图像轮廓匹配方法 - Google Patents
一种基于三角形的图像轮廓匹配方法 Download PDFInfo
- Publication number
- CN104408726B CN104408726B CN201410716389.XA CN201410716389A CN104408726B CN 104408726 B CN104408726 B CN 104408726B CN 201410716389 A CN201410716389 A CN 201410716389A CN 104408726 B CN104408726 B CN 104408726B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- retrieved
- rmin
- profile
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
Abstract
本发明公开了一种基于三角形的图像轮廓匹配方法,其包括以下步骤:在待检索图像的轮廓上任意选择一点记为C;将与点C不直接相邻的点记为A,寻找垂直AC于C点的直线,且该直线与待检索图像的轮廓存在交点B,构件成了对应的直角三角形ABC;如果AC大于BC,则将BC除以AC的值记为R,如果AC小于BC,则将AC除以BC的值记为R;得出最小值Rmin和最大值Rmax;预设出需要检索图像库中每一个图像的Rmin[N]的数组和Rmax[N]的数组;将待检测图像的最小值Rmin和最大值Rmax分别和需要检索的图像库中各个图像的Rmin[N]和Rmax[N]数组进行比对;如果同一个点的Rmin和Rmax都是匹配的,则两幅图像轮廓匹配。本发明的算法匹配准确度高,算法方便、简单,计算速度快,且适用范围广。
Description
技术领域
本发明属于图像匹配技术领域,具体涉及一种基于三角形的图像轮廓匹配方法。
背景技术
当人们观察周围环境时,首先注意到的是物体及其周围环境的颜色、纹理、形状和空间关系等等。形状是物体最基本的有感觉意义的特征之一,并且具有较好的不变性。在计算机视觉的模式识别中,形状是对目标范围的二值图像表示,可以看成是目标轮廓,它是用于目标识别的重要特征。在机器识别事物的过程中,经常需要将已知图像的轮廓与陌生图像的轮廓全部或者部分在空间上配准,根据已知模式的形状在一幅陌生图像中寻找对应该模式的子形状,这个过程就是形状匹配。我们将已知的形状或已知模式的形状称为模板,在陌生物体轮廓形状中可能与它对应的子图称作该模板的潜在匹配子形状。形状匹配时衡量形状见相似性的一种技术,在众多领域得到可广泛的应用,如文字识别、目标识别、碎片复原、基于内容的图像检索和医疗诊断等。因此,开展轮廓匹配技术的研究具有重要的理论意义和实用价值。
现有轮廓匹配技术有以下几种:
一、Hu矩
Hu矩是归一化中心矩的线性组合,其主要是使用对变换不敏感的基于区域的几个矩。Hu.M.K在1962年提出了7个这样的矩,并将它们构成一组特征量,并被证明具有平移、缩放和旋转不变性。实际上,在对图像中物体识别的过程中,只有前两个矩不变性保持的比较好,其他的几个不变矩带来的误差比较大,有学者认为只有基于二阶矩的不变矩对二维物体的描述才是真正的具有旋转、缩放和平移不变性。由Hu矩组成的特征量对图片进行识别,优点就是速度很快,缺点是识别率比较低,这一部分是由于Hu不变矩只用到低阶矩(最多也就用到三阶矩),对于图像的细节未能很好的描述出来,导致对图像的描述不够完整。Hu不变矩一般用来识别图像中大的物体,对于物体的形状描述的比较好,图像的纹理特征不能太复杂,像识别水果的形状,或者对于车牌中的简单字符的识别效果会相对好一些。
二、基于角点的轮廓匹配
X.C.He和Nelson.H.C.Yung提出了一种基于曲率的角点检测方法。该方法的原理是利用图像全局和局部的曲率特性,在提取角点时综合考虑其影响。
由于距离和曲率具有平移、旋转不变性,因此该方法能克服图像间平移和旋转的变化。但是对于不同分辨率的图像,基于该方法提取的角点并不完全一致。这主要是由于轮廓提取的结果难免会存在一些局部突变和毛刺现象,造成整个轮廓曲线的不光滑,而基于曲率的角点提取对曲线上的每一个点计算曲率,因此容易受噪声的影响。
三、链码直方图
方向链码(Freeman链码)是用来表示物体轮廓的典型链码表示法。一条离散曲线可以定义为Z2域内一组数量有蒂娜的8联通店。因此,一条数字化二值曲线可以用方向链码表示相信两像素连线的8中可能的方向值。
链码法的特点:
(1)计算量小,可满足实时性要求;
(2)具有平移、尺度不变性;
(3)具有90度旋转不变性;
(4)规格化链码直方图可以达到更好的旋转不变性。
但链码直方图将人眼看上去相似的物体归为一类,因此不能进行精确地识别和分类。
发明内容
为了解决现有技术中存在的上述问题,本发明的目的是提供一种匹配准确度高,算法方便、简单,计算速度快,且适用范围广的基于三角形的图像轮廓匹配方法。
为实现上述目的,本发明采用的技术方案为:一种基于三角形的图像轮廓匹配方法,其包括以下步骤:
步骤S1,在待检索图像的轮廓上任意选择一点记为C;将待检索图像的轮廓上任意一与点C不直接相邻的点记为A,得到直线AC;寻找垂直AC于C点的直线,且该直线与待检索图像的轮廓存在交点,将这些交点中与C点最近的点记为点B,则构建成了对应的直角三角形ABC;如果AC大于BC,则将BC除以AC的值记为R,如果AC小于BC,则将AC除以BC的值记为R;对于待检测图像轮廓上多个不同的与C不相邻的一系列点Ai,得到对应的一系列Ri;取出最小值Rmin和最大值Rmax;
步骤S2,对需要检索的图像库中各个图像按照步骤S1中的方法对每一个图像的所有轮廓点进行相同操作,图像库中每一个图像得到一个Rmin[N]的数组和Rmax[N]的数组,N是图像的轮廓点的点数;
步骤S3,将待检索图像的最小值Rmin和最大值Rmax分别和需要检索的图像库中各个图像的Rmin[N]和Rmax[N]数组进行比对;如果待检索图像和需要检索的图像库中的一个图像在一个轮廓点的Rmin和Rmax都是匹配的,则需要检索的图像库中的该图像对应的直角三角形与待检索图像中对应的直角三角形是匹配的,也即两幅图像轮廓匹配;如果待检索图像和需要检索的图像库中的一个图像在其所有轮廓点的Rmin和Rmax不匹配,则两幅图像轮廓不匹配。
优选方案,所述步骤S1、步骤S2和步骤S3为分别选择一系列的点Ci,分别对这一系列的点Ci的R值进行匹配。采用匹配多个不同待检测图像的Ci和需要检索的图像库中各图像的Ci’点,可以进一步提高匹配的准确度。
当然,其它三角形匹配方法基本也是类似的,如果顶角不是90度,也可以选其它任意角度,如30度,45度,60度等,但90度的算法是最方便,最简单的。
采用以上技术方案,本发明的有益效果为:
1.匹配准确度高:
因为采用的是三角形精确匹配,在不考虑实际图像的现实意义,只是纯图形意义的比较情况下,对应顶点是100%完全匹配的。即使考虑这些图像在实际生活中的各种情况,匹配精确度也在95%以上,并且可以用多点比较的办法进一步提高匹配精确度。
2.算法复杂度低,计算和匹配速度快。
对待检图像的轮廓点,只需要有限几次单重遍历。对待库中图像的轮廓,只有一次双重遍历,而且图像库都是可以预先处理并保存结果数据的。而且计算直线的方法也是很简单的两三次乘除运算。
3.适用范围广:
不仅可以使用于最广泛的日常生活图像和视频;也适用于大量的专业图像如医疗图像、卫星图像、遥感图像、气象图像等;还实用于各种人工生成的图像,如几何图形、卡通图形,设计图纸等等。
附图说明
图1为本发明基于三角形的图像轮廓匹配方法的方案示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
现在主流的计算机图像都是像素点组成的矩阵,图像轮廓就相当于不规则的多边形,而多边形在数学上可以用若干个三角形组合而成。图像讲过缩放、旋转、镜像等变换之后,这些组成轮廓的三角形的大小尺度可能会改变,但是其形状和比例是不会改变的。如果我们在不同的图像轮廓中能够找到这些对应的形状一致的三角形,我们认为这些对应的三角形顶点组成的轮廓是匹配的。
一种基于三角形的图像轮廓匹配方法,其包括以下步骤:
步骤S1,运用直角三角形算法处理待检索图像上选择的需要匹配的点;即在待检索图像的轮廓上任意选择一点记为C;将待检索图像的轮廓上任意一与点C不直接相邻的点记为A,得到直线AC;寻找垂直AC于C点的直线,且该直线与待检索图像的轮廓存在交点,将这些交点中与C点最近的点记为点B,则构建成了对应的直角三角形ABC;如果AC大于BC,则将BC除以AC的值记为R,如果AC小于BC,则将AC除以BC的值记为R;对于待检测图像轮廓上多个不同的与C不相邻的一系列点Ai,得到对应的一系列Ri;取出最小值Rmin和最大值Rmax;
步骤S2,对需要检索的图像库中各个图像按照步骤S1中的方法对每一个图像的所有轮廓点进行相同操作,图像库中每一个图像得到一个Rmin[N]的数组和Rmax[N]的数组,N是图像的轮廓点的点数;;
步骤S3,将每一个待匹配的点的Rmin和Rmax在对应的Rmin[N]和Rmax[N]数组中寻找匹配项;即将待检测图像的最小值Rmin和最大值Rmax分别和需要检索的图像库中各个图像的Rmin和Rmax进行比对;如果待检测图像和需要检索的图像库中的同一个轮廓点的Rmin和Rmax都是匹配的,则需要检索的图像库中的该图像对应的直角三角形与待检测图像中对应的直角三角形是匹配的,也即两幅图像轮廓匹配;如果待检测图像和需要检索的图像库中的同一个轮廓点的Rmin和Rmax不匹配,则两幅图像轮廓不匹配。。
为进一步提高匹配的准确度,所述步骤S1、步骤S2和步骤S3为分别选择一系列的点Ci,分别对这一系列的点Ci的R值进行匹配。匹配多个不同待检测图像的Ci和需要检索的图像库中各图像的Ci’点,提高了匹配的准确度。
当然,其它三角形匹配方法基本也是类似的,如果顶角不是90度,也可以选其它任意角度,如30度,45度,60度等,但90度的算法是最方便,最简单的。
为了进一步说明本发明,以下提供了基于标准C++的参考实现,当然其常用的开发环境可以是:如windows平台下的visual studio;linux/unix平台下的gcc/g++等都可编译通过。而且其它编程语言和系统平台也可以轻易移植。本实施例的C++详见见下面的代码内容。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (2)
1.一种基于三角形的图像轮廓匹配方法,其包括以下步骤:
步骤S1,在待检索图像的轮廓上任意选择一点记为C;将待检索图像的轮廓上任意一与点C不直接相邻的点记为A,得到直线AC;寻找垂直AC于C点的直线,且该直线与待检索图像的轮廓存在交点,将这些交点中与C点最近的点记为点B,则构建成了对应的直角三角形ABC;如果AC大于BC,则将BC除以AC的值记为R,如果AC小于BC,则将AC除以BC的值记为R;对于待检测图像轮廓上多个不同的与C不相邻的一系列点Ai,得到对应的一系列Ri;取出最小值Rmin和最大值Rmax;
步骤S2,对需要检索的图像库中各个图像按照步骤S1中的方法对每一个图像的所有轮廓点进行相同操作,图像库中每一个图像得到一个Rmin[N]的数组和Rmax[N]的数组,N是图像的轮廓点的点数;
步骤S3,将待检索图像的最小值Rmin和最大值Rmax分别和需要检索的图像库中各个图像的Rmin[N]和Rmax[N]数组进行比对;如果待检索图像和需要检索的图像库中的一个图像在一个轮廓点的Rmin和Rmax都是匹配的,则需要检索的图像库中的该图像对应的直角三角形与待检索图像中对应的直角三角形是匹配的,也即两幅图像轮廓匹配;如果待检索图像和需要检索的图像库中的一个图像在其所有轮廓点的Rmin和Rmax不匹配,则两幅图像轮廓不匹配。
2.根据权利要求1所述的一种基于三角形的图像轮廓匹配方法,其特征在于,所述步骤S1、步骤S2和步骤S3为分别选择一系列的点Ci,分别对这一系列的点Ci的R值进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410716389.XA CN104408726B (zh) | 2014-12-02 | 2014-12-02 | 一种基于三角形的图像轮廓匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410716389.XA CN104408726B (zh) | 2014-12-02 | 2014-12-02 | 一种基于三角形的图像轮廓匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408726A CN104408726A (zh) | 2015-03-11 |
CN104408726B true CN104408726B (zh) | 2019-05-17 |
Family
ID=52646355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410716389.XA Expired - Fee Related CN104408726B (zh) | 2014-12-02 | 2014-12-02 | 一种基于三角形的图像轮廓匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408726B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794473B (zh) * | 2015-03-24 | 2018-04-27 | 中国科学院自动化研究所 | 形状层级描述、平均形状和动态形状计算及形状匹配方法 |
CN107705311B (zh) * | 2017-08-16 | 2020-10-09 | 歌尔科技有限公司 | 图像轮廓的内外识别方法及设备 |
CN108961347B (zh) * | 2018-06-26 | 2020-09-01 | 北京大学 | 一种基于正三角形网格链码的二维目标边界表达方法 |
CN113538490B (zh) * | 2021-07-20 | 2022-10-28 | 刘斌 | 视频流处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002069249A1 (en) * | 2001-02-21 | 2002-09-06 | Campbell Shannon R | A method for matching spatial patterns |
CN102509287A (zh) * | 2011-10-12 | 2012-06-20 | 西安理工大学 | 针对静止目标的基于经纬度定位和图像配准的查找方法 |
CN103208003A (zh) * | 2013-04-12 | 2013-07-17 | 大连理工大学 | 一种基于几何图形特征点形状描述子的方法 |
CN103914690A (zh) * | 2014-04-11 | 2014-07-09 | 大连理工大学 | 一种基于射影不变量的形状匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4284288B2 (ja) * | 2005-03-10 | 2009-06-24 | 株式会社東芝 | パターン認識装置及びその方法 |
-
2014
- 2014-12-02 CN CN201410716389.XA patent/CN104408726B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002069249A1 (en) * | 2001-02-21 | 2002-09-06 | Campbell Shannon R | A method for matching spatial patterns |
CN102509287A (zh) * | 2011-10-12 | 2012-06-20 | 西安理工大学 | 针对静止目标的基于经纬度定位和图像配准的查找方法 |
CN103208003A (zh) * | 2013-04-12 | 2013-07-17 | 大连理工大学 | 一种基于几何图形特征点形状描述子的方法 |
CN103914690A (zh) * | 2014-04-11 | 2014-07-09 | 大连理工大学 | 一种基于射影不变量的形状匹配方法 |
Non-Patent Citations (3)
Title |
---|
Fast Algorithm for Point Pattern Matching: Invariant to Translations, Rotations and Scale Changes;Shih-Hsu Chang;《Pattern Recognition》;19971231;第30卷(第2期);第311-320页 |
基于三角形相似性的图像匹配算法研究;常卢峰;《科技广场》;20100630;第3卷;第99-101页 |
抗任意旋转与尺度变化的图像匹配方法研究;张凯;《中国优秀硕士学位论文全文数据库信息科技辑》;20090115;第2009年卷(第1期);第I138-953页 |
Also Published As
Publication number | Publication date |
---|---|
CN104408726A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Infrared and visible image fusion method based on saliency detection in sparse domain | |
Zhang et al. | A fusion algorithm for infrared and visible images based on saliency analysis and non-subsampled Shearlet transform | |
Zhao et al. | Completed robust local binary pattern for texture classification | |
Chen et al. | The Comparison and Application of Corner Detection Algorithms. | |
Zhang et al. | Corner detection based on gradient correlation matrices of planar curves | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
CN105335722A (zh) | 一种基于深度图像信息的检测系统及方法 | |
Zhang et al. | Semi-automatic road tracking by template matching and distance transformation in urban areas | |
CN104408726B (zh) | 一种基于三角形的图像轮廓匹配方法 | |
CN102663411B (zh) | 一种目标人体识别方法 | |
CN104915672B (zh) | 一种基于高分辨率遥感图像的矩形建筑物提取方法及系统 | |
US8396297B2 (en) | Supervised edge detection using fractal signatures | |
CN105005761A (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
Zheng et al. | Study on image retrieval based on image texture and color statistical projection | |
Sui et al. | Automatic image registration based on shape features and multi-scale image segmentation | |
Korpela et al. | The performance of a local maxima method for detecting individual tree tops in aerial photographs | |
Raghupathy et al. | Improved curve tracing in images | |
Mizoguchi et al. | Individual tree species classification based on terrestrial laser scanning using curvature estimation and convolutional neural network | |
Wang et al. | LBP-based edge detection method for depth images with low resolutions | |
Favorskaya et al. | Accurate spatio-temporal reconstruction of missing data in dynamic scenes | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Sintunata et al. | Skeleton extraction in cluttered image based on Delaunay triangulation | |
Li et al. | An improved mean shift segmentation method of high-resolution remote sensing image based on LBP and canny features | |
Liu et al. | Saliency detection and edge feature matching approach for crater extraction | |
Wang et al. | Road detection via superpixels and interactive image segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190517 Termination date: 20201202 |