CN104794741B - 一种手绘图形伪折点的消除方法及系统 - Google Patents
一种手绘图形伪折点的消除方法及系统 Download PDFInfo
- Publication number
- CN104794741B CN104794741B CN201510165688.3A CN201510165688A CN104794741B CN 104794741 B CN104794741 B CN 104794741B CN 201510165688 A CN201510165688 A CN 201510165688A CN 104794741 B CN104794741 B CN 104794741B
- Authority
- CN
- China
- Prior art keywords
- data
- array
- average
- ordinate
- abscissa
- 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
Landscapes
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种手绘图形伪折点的消除方法及系统，其方法包括步骤1：读取并对触屏手绘图形进行预处理，获得所有非零像素点的横坐标值和纵坐标值；步骤2：获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；步骤3：分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，获得横坐标均值序列数据和纵坐标均值序列数据；步骤4：将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。处理结果中提供了数据的变化率，揭示了数据的变化特征，为很多利用数据变化率的数据分析方法提供了必要的数据。
Description
技术领域
本发明涉及一种手绘图形伪折点的消除方法及系统。
背景技术
手绘图形也称之为草图，是设计师在概念设计表达其设计意图的常用方式，它提供给设计师一个展现设计思维，开展创造性设计工作的平台。但是手绘图形信息的模糊性和用户输入的随意性阻止了手绘图形识别技术的发展。随着计算机软硬件性能的不断提高，计算机图形学、模式识别、人工智能和人机交互等学科的迅速发展，目前国内外许多机构对基于人机交互技术的草图识别展开了相关的研究，出现了许多具有代表性的识别方法，如基于笔划和图元表示法、基于统计几何特征的方法等。(参考例文常新立.手绘几何图形的识别研究[D].武汉理工大学.2009:1-2)
随着硬件设备的不断更新，如触屏手写板、Table PC的出现，基于PC的交互式手绘草图正逐渐成为设计师进行手绘草图的一种新的方式。但是由于手绘图形输入的随意性和自由度，导致手绘图形常常受到图形结构和设备特性等多种环境因素的影响，这给后端设备对手绘图形的识别造成了较大的难度。
20世纪90年代计算机支持的草图技术逐渐成为许多学者专家研究的热点，他们从各个方面各个角度展开研究工作。目前国内的诸多研究机构从纸笔交互的界面、体系结构和识别算法等不同角度对草图理解进行了研究。如中国科学院软件研究所的的栗阳等人设计实现了笔式用户界面开发工具——Penbuilder，允许用户自由笔式输入，支持各种笔交互信息和灵活的事件的处理，支持跨平台的面向无处不在的计算的笔计算环境；微软亚洲研究院的多通道用户界面组正在研究和探索先进的用户界面技术，以实现更加自然的用户界面，其正在研究的智能数字墨水能够帮助人们在电脑上用自己的笔迹随意书写，用墨水记录自己的思想；南京大学计算机软件新技术国家重点实验室的孙正兴教授等人也对此开展了相关研究，从CAD系统出发，对手绘草图识别进行了研究，取得了一系列成果。
手绘图形(即草图)的识别是指将通过笔式交互获取的模糊草图表达映射至精确的图形的表达，它注重图形形状的构成与理解，需要从用户勾画草图的图形构造及表现中挖掘图形约束，将不自由不规则的草图图形应射成规则的几何图形。
手绘图形识别研究方法主要有以下几大类：
1)统计类方法：基于圆锥曲线方程的线性最小平方匹配法，能实时地分类手绘笔划，识别直线、椭圆弧和圆角。
2)模糊类方法：用模糊逻辑和模糊认识，从草图的位置、方向、速度和加速度捕获绘图者的意图，实现草图识别。
3)几何方法：把手绘图作为整体进行识别，需要进行平滑处理、提取圆弧段、识别结点、分解出直线段；在根据相邻三点的矢量建立角度相似函数，采用夹角角度作为圆弧和直线段的提取特征，并给出角度的实验阈值，然后进行分类。(参考例文Chen Dongfan,WangRonghang.The principles of online handsketching input[J].Journal of Computer-Aided Design&Computer Graphics,1993,5(2):114-120)
4)神经网络方法：一种是通过提取元素几何形状的内角特征，用二进制突触的权重算法BSW(含一个隐层的前馈网)进行识别的方法。该方法以整体方式识别三角形、椭圆和矩形三种图素，但仅适用于绘图包和掌上电脑的自动草绘输入(参考例文Ulgen Figen,Flacell Andrew,Akamatsu Norio.On-line shape recognition with incrementaltraining using binary synaptic weights algorithm[J],Applied Intelligence,1996,6(3):225-240)。另一种是提出模糊样条曲线识别器FSCI，并训练三层前向神经网实现模糊分类规则，可识别七种图素(直线、圆、圆弧、椭圆、椭圆弧、开式自由曲线和闭式自由曲线)，单个图素均限制在水平、垂直和四分角方位，且对于不同的使用者需重新训练神经网。(参考例文Yukinori Suzuki,Ken-ichi Itakura,Sato Saga,etc.Signal processingand pattern recongnition with soft computing[J].Proceeding of the IEEE,2001,89(9):1297-1317)
目前方法的缺点是直接利用手绘图形数据提取出不同图素然后进行手绘图的重构，这些方法的性能将直接受到手绘图形中伪折点的影响。
发明内容
本发明所要解决的技术问题是提供一种消除在触屏设备上手绘图形时产生的伪折点对后端设备识别图像时产生的误差影响的基于触点运动学的手绘图形伪折点的消除方法及系统。
本发明解决上述技术问题的技术方案如下：一种手绘图形伪折点的消除方法，具体包括以下步骤：
步骤1：读取触屏手绘图形，并对触屏手绘图形进行预处理，获得所有非零像素点的横坐标值和纵坐标值；
步骤2：根据所有非零像素点的横坐标值和纵坐标值获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；
步骤3：分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，获得横坐标均值序列数据和纵坐标均值序列数据；
步骤4：将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。
本发明的有益效果是：本发明通过对触屏手绘图形的预处理和从起点至终点的最短路径的确定，将手绘图形分解得到横向和纵向两条轨迹点的坐标序列数据，然后通过自适应动力学模型、卡尔曼滤波和统计平均多次替换迭代的方法，去除原触屏手绘图形中的伪折点；处理结果中提供了数据的变化率，揭示了数据的变化特征，为很多利用数据变化率的数据分析方法提供了必要的数据。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤1具体包括以下步骤：
步骤1.1：读取触屏手绘图形，获得触屏手绘图形的像素矩阵，并对触屏手绘图形做灰度化处理，得到灰度化图形；
步骤1.2：对灰度化图形进行二值化处理，获得所有非零像素点的横坐标值和纵坐标值。
进一步，所述步骤3具体包括以下步骤：
步骤3.1：对横坐标序列数据和纵坐标均值序列数据分别根据预设的采样率进行随机采样，分别获得多条横非等采样间隔数组和多条纵非等采样间隔数组；
步骤3.2：通过自适应的动力学模型和卡尔曼滤波对所有横非等采样间隔数组和纵非等采样间隔数组分别进行估计，获得多条去除高频噪声后的横估计数组和纵估计数组；
步骤3.3：对每一条横估计数组和每一条纵估计数组使用线性插值补齐由于不规则采样造成的空缺点，获得多条含有多个补齐数据的横滤波数组和多条含有多个补齐数据的纵滤波数组；
步骤3.4：通过统计平均迭代法进行替换修正所有横滤波数组和纵滤波数组，得到清除野点后的横坐标均值序列数据和纵坐标均值序列数据。
进一步，所述步骤3.4中分别对横滤波数组和纵滤波数组通过统计平均迭代法进行修正，所述统计平均迭代法具体包括以下步骤：
步骤3.4.1：取一条滤波数组作为当前数组，并将当前数组中的数据按照由小到大进行排序，得到最大值数据和最小值数据；
步骤3.4.2：计算当前数组中所有数据的平均值获得平均值数据，并将当前数组中的最大值数据和最小值数据均替换为平均值数据，对当前数组重新排序，得到新最大值数据和新最小值数据；
步骤3.4.3：判断当前数组中的新最大值数据和新最小值数据是否均接近平均值数据；如果是，执行步骤3.4.4；否则，执行步骤3.4.2；
步骤3.4.4：采用平均值数据替换当前数组；
步骤3.4.5：判断是否还存在未替换的滤波数组，如果是，执行步骤3.4.1；否则，执行步骤3.4.6；
步骤3.4.6：多条滤波数组对应多个平均值数据，多个平均值数据构成均值序列数据。
进一步，所述步骤2中通过最短路径法获得触屏手绘图形的起点至终点的最短路径轨迹。
本发明的主要工作集中于将手绘图形中会对后端识别造成影响的伪折点进行消除，值得一提的是，本发明给出的方法在达到上述要求的同时，还能给出手绘图形轨迹数据的变化率，可以为进一步的识别方法提供高维动力学特征，提高识别的准确率。
本发明解决上述技术问题的技术方案如下：一种手绘图形伪折点的消除系统，包括预处理模块、最短路径模块、采样估计模块和修正模块；
所述预处理模块用于读取触屏手绘图形，并对触屏手绘图形进行预处理，获得所有非零像素点的横坐标值和纵坐标值；
所述最短路径模块用于根据所有非零像素点的横坐标值和纵坐标值获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；
所述采样估计模块用于分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，获得横坐标均值序列数据和纵坐标均值序列数据；
所述修正模块用于将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。
本发明的有益效果是：本发明通过对触屏手绘图形的预处理和从起点至终点的最短路径的确定，将手绘图形分解得到横向和纵向两条轨迹点的坐标序列数据，然后通过自适应动力学模型、卡尔曼滤波和统计平均多次替换迭代的方法，去除原触屏手绘图形中的伪折点；处理结果中提供了数据的变化率，揭示了数据的变化特征，为很多利用数据变化率的数据分析方法提供了必要的数据。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述预处理模块包括灰度化模块和二值化模块；
所述灰度化模块用于读取触屏手绘图形，获得触屏手绘图形的像素矩阵，并对触屏手绘图形做灰度化处理，得到灰度化图形；
所述二值化模块用于对灰度化图形进行二值化处理，获得所有非零像素点的横坐标值和纵坐标值。
进一步，所述采样估计模块包括采样模块、估计模块、补齐模块和修正模块；
所述采样模块用于对横坐标序列数据和纵坐标均值序列数据分别根据预设的采样率进行随机采样，分别获得多条横非等采样间隔数组和多条纵非等采样间隔数组；
所述估计模块用于通过自适应的动力学模型和卡尔曼滤波对所有横非等采样间隔数组和纵非等采样间隔数组分别进行估计，获得多条去除高频噪声后的横估计数组和纵估计数组；
所述补齐模块用于对每一条横估计数组和每一条纵估计数组使用线性插值补齐由于不规则采样造成的空缺点，获得多条含有多个补齐数据的横滤波数组和多条含有多个补齐数据的纵滤波数组；
所述修正模块用于通过统计平均迭代法进行替换修正所有横滤波数组和纵滤波数组，得到清除野点后的横坐标均值序列数据和纵坐标均值序列数据。
进一步，所述最短路径模块中通过最短路径法获得触屏手绘图形的起点至终点的最短路径轨迹。
实现本发明的思路是：首先，对触屏手绘图形进行预处理，对其灰度化处理之后，再进一步进行二值化处理，从而找到所有非零像素点的横纵坐标值。接下来利用最短路径法寻找出从手绘图形轨迹起点至终点的最短路径，将该最短路径分别存为X序列数据和Y序列数据。假设该两条序列长度均为N，以X序列数据为例，进而利用预设的采样率对含有N个数据的原始序列数据X sampling进行随机采样，产生M条非等采样间隔数据，再利用自适应的动力学模型和卡尔曼滤波对M条非等采样间隔数据进行估计得到M条估计后数据Zestimated,然后对每一条估计后数据使用线性插值补齐由于不规则采样出现的空缺点，得到含有N个点的滤波数据X filtered共M条。最后，将估计后数据在同一采样时间的最大值和最小值用其均值来进行替换，重复该步骤直至所有估计后数据在同一位置上的值相近，获得的该条均值序列即为消除了伪折点的触屏手绘修正图形的X序列。对Y序列进行同样操作，最后将得到的两条修正后的X、Y序列分别作为横、纵轴画出曲线，即为最终所求的消除了伪折点触屏手绘修正图形。
附图说明
图1为本发明实施例所述的一种手绘图形伪折点的消除方法流程图；
图2为本发明实施例所述的一种手绘图形伪折点的消除系统结构框图；
图3为本发明具体实施例1所述的线性插值补齐实施图。
附图中，各标号所代表的部件列表如下：
1、预处理模块，2、最短路径模块，3、采样估计模块，4、修正模块，11、灰度化模块，12、二值化模块，31、采样模块，32、估计模块，33、补齐模块，34、修正模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明实施例所述的一种手绘图形伪折点的消除方法，具体包括以下步骤：
步骤1：读取触屏手绘图形，获得触屏手绘图形的像素矩阵，并对触屏手绘图形做灰度化处理，得到灰度化图形；
步骤2：根据所有非零像素点的横坐标值和纵坐标值对灰度化图形进行二值化处理，获得所有非零像素点的横坐标值和纵坐标值；
步骤3：获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；
步骤4：分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，获得横坐标均值序列数据和纵坐标均值序列数据；
步骤5：将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。
所述步骤4具体包括以下步骤：
步骤4.1：对横坐标序列数据和纵坐标均值序列数据分别根据预设的采样率进行随机采样，分别获得多条横非等采样间隔数组和多条纵非等采样间隔数组；
步骤4.2：通过自适应的动力学模型和卡尔曼滤波对所有横非等采样间隔数组和纵非等采样间隔数组分别进行估计，获得多条去除高频噪声后的横估计数组和纵估计数组；
步骤4.3：对每一条横估计数组和每一条纵估计数组使用线性插值补齐由于不规则采样造成的空缺点，获得多条含有多个补齐数据的横滤波数组和多条含有多个补齐数据的纵滤波数组；
步骤4.4：通过统计平均迭代法进行替换修正所有横滤波数组和纵滤波数组，得到清除野点后的横坐标均值序列数据和纵坐标均值序列数据。
所述步骤4.4中分别对横滤波数组和纵滤波数组通过统计平均迭代法进行修正，所述统计平均迭代法具体包括以下步骤：
步骤4.4.1：取一条滤波数组作为当前数组，并将当前数组中的数据按照由小到大进行排序，得到最大值数据和最小值数据；
步骤4.4.2：计算当前数组中所有数据的平均值获得平均值数据，并将当前数组中的最大值数据和最小值数据均替换为平均值数据，对当前数组重新排序，得到新最大值数据和新最小值数据；
步骤4.4.3：判断当前数组中的新最大值数据和新最小值数据是否均接近平均值数据；如果是，执行步骤4.4.4；否则，执行步骤4.4.2；
步骤4.4.4：采用平均值数据替换当前数组；
步骤4.4.5：判断是否还存在未替换的滤波数组，如果是，执行步骤4.4.1；否则，执行步骤4.4.6；
步骤4.4.6：多条滤波数组对应多个平均值数据，多个平均值数据构成均值序列数据。
所述步骤3中通过最短路径法获得触屏手绘图形的起点至终点的最短路径轨迹。
如图2所示，为本发明实施例所述的一种手绘图形伪折点的消除系统，包括预处理模块1、最短路径模块2、采样估计模块3和修正模块4；
所述预处理模块1用于读取触屏手绘图形，并对触屏手绘图形进行预处理，获得所有非零像素点的横坐标值和纵坐标值；
所述最短路径模块2用于根据所有非零像素点的横坐标值和纵坐标值获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；
所述采样估计模块3用于分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，获得横坐标均值序列数据和纵坐标均值序列数据；
所述修正模块4用于将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。
所述预处理模块1包括灰度化模块11和二值化模块12；
所述灰度化模块11用于读取触屏手绘图形，获得触屏手绘图形的像素矩阵，并对触屏手绘图形做灰度化处理，得到灰度化图形；
所述二值化模块12用于对灰度化图形进行二值化处理，获得所有非零像素点的横坐标值和纵坐标值。
所述采样估计模块3包括采样模块31、估计模块32、补齐模块33和修正模块34；
所述采样模块31用于对横坐标序列数据和纵坐标均值序列数据分别根据预设的采样率进行随机采样，分别获得多条横非等采样间隔数组和多条纵非等采样间隔数组；
所述估计模块32用于通过自适应的动力学模型和卡尔曼滤波对所有横非等采样间隔数组和纵非等采样间隔数组分别进行估计，获得多条去除高频噪声后的横估计数组和纵估计数组；
所述补齐模块33用于对每一条横估计数组和每一条纵估计数组使用线性插值补齐由于不规则采样造成的空缺点，获得多条含有多个补齐数据的横滤波数组和多条含有多个补齐数据的纵滤波数组；
所述修正模块34用于通过统计平均迭代法进行替换修正所有横滤波数组和纵滤波数组，得到清除野点后的横坐标均值序列数据和纵坐标均值序列数据。
所述最短路径模块2中通过最短路径法获得触屏手绘图形的起点至终点的最短路径轨迹。
本发明具体实施例1所述的基于触点运动学的手绘图形伪折点消除方法，包括如下步骤：
步骤1：读取触屏手绘图形并对图像进行相应的预处理；
1.1读取触屏手绘图形得到图像的像素矩阵，并对图形做灰度化处理；
1.2将图像中灰度值为255的像素点全部置换为1，非255的像素点置换为0，由此得到了在整张手绘图中手绘轨迹经过所有点的横纵坐标。
步骤2：通过最短路径法找到从手绘图形的起点至终点的最短路径轨迹，并给出这些轨迹所在点的横、纵坐标X序列数据和Y序列数据；
2.1将X序列数据单独取出，从手绘起点即第一个点开始，依次求出每一个点与其它未求点的距离，例如当前所求为第S个点，假设共有T个点，则仅需求出当前的第S个点与第S+1、第S+2、第S+3…，直至第T个点的距离；
2.2接下来找出每一个点与其他所有点的距离最小值，即找出了与其最近的点的坐标位置，从第一个起点开始，将所有最近的点依次连接起来直至终点，即得到了手绘图形的轨迹X序列的最短路径；
2.3对步骤1.2得到Y序列进行上述操作，最终得到了横、纵坐标的X序列数据和Y序列数据；
步骤3：分别对X序列数据和Y序列数据进行如下操作：基于不规则随机采样获得非等采样区间数据，通过卡尔曼滤波对非等采样区间数据进行估计，利用统计平均方法修正数据，当每个采样点数据的最大值和最小值与均值相接近，输出均值序列；
3.1设定采样率为A％，对原始数据X序列不规则随机采样M次，得到M条长度为NxA％的非采样区间数据X sampling。
在本发明中，采样率A和采样次数M需要预设，具体预设值的选择需根据原始时序数据X的数据量大小以及数据的噪声情况来进行调整。在实际应用时，可以根据多次实验的经验来选择合适的采样率及采样次数。例如，当数据量约为2000，可预设采样率A为1％，采样次数M为20次。若对最终数据清洗结果不满意的情况下，可进一步适当调整采样率及采样次数以达到较好的效果。
3.2通过自适应的动力学模型和卡尔曼滤波对非等采样区间数据进行估计，从而得到去除高频噪声后的估计数据，并用线性插值法补齐由于不规则采样而产生的空缺点；
采用自适应当前统计模型的参数修正方法得到卡尔曼滤波所需参数；
其中
其中Ad(ti-1)是系统状态过程矩阵，Ud(ti-1)为输入转移矩阵，Qd(ti-1)为过程噪声方差矩阵，thi为采样数据间隔。
通过卡尔曼滤波来进行估计，对M条非等采样区间数据进行估计得到M条长度为NxA％的估计后数据X estimated；
卡尔曼滤波过程如下：
预设动态系统方程：
x(ti+1)＝A(ti)x(ti)+ω(ti)
z(ti)－C(ti)x(ti)+v(ti)
其中，x(ti)是待估计量，z(ti)是可以通过测量得到的测量数据。可以看到待估计量x(ti)和测量的量z(ti)都含有噪声，我们假设，ω(ti)和v(ti)是零均值、不相关白噪声，有已知的协方差矩阵Q(ti)和R(ti)。A(ti)为ti时刻目标的状态转移矩阵，C(ti)为ti时刻的测量矩阵。
Kalman滤波器初始化
其中，P为估计方差及P(t0|t0)为初始估计值及初始估计方差。
Kalman滤波器每一步计算如下，其中i＝1,2,3…
1，时间更新预测
(1)向前推算状态变量：
(2)向前推算误差协方差：
p(ti|ti-1)＝A(ti-1)P(ti-1}ti-1)AT(ti-1)+Q(ti-1)
2，测量更新校正
(1)计算卡尔曼增益：
K(ti)＝P(ti|ti)HT(ti)R-1(ti)
＝P(ti|ti-1)CT(ti)(R(ti)+C(ti)P(ti|ti-1)CT(ti))-1
其中，K(ti)为第ti步估计的卡尔曼增益。
(2)由观测变量z(ti)更新估计
(3)更新测量误差
P(ti|ti)＝(I-K(ti)C(ti))P(ti|ti-1)
在本发明中，我们将步骤1.2得到的非等采样区间数据Z sampling作为观测变量z(ti)，最终通过该滤波得到M条长度为NxA％的估计后数据X estimated。
3.3采用线性插值来补齐M条补齐由于不规则采样出现的空缺点得到M条含有N个点的滤波数据X filtered；
其基本原理可由下例说明：
假设我们已知坐标(x0,y0)与(x0,y0)，要得到[x0,x1]区间内某一位置x在直线上的值。根据图3中所示，我们得到
由于x值已知，所以可以从公式得到y的值。
在本发明中，我们使用线性插值来补齐所有M条长度为NxA％的由于不规则采样出现的空缺点的估计数据，得到M条含有N个点的滤波数据X filtered。
3.4通过统计平均方法来替换迭代修正数据得到清除野点后的数据；
找出所有同一采样时间点数据X filtered的最大值和最小值，并用对应均值来进行替换；
在本发明中，均值mean的计算方法为去除了数据的最大值和最小值之后，再对余下的数据求均值。
其中，xi为M条估计数据同一位置上的、除最大值最小值之外的值，i＝1，2，...，N-2。
本方法可以有效地减小大幅偏离期望值的野点对均值的大小产生的影响，然后用该均值mean替换相应采样时刻的原最大值和最小值。
重复直至所有滤波数据同一位置上的各个数据与对应均值都相近至一定范围内，具体如下式所示；
|均值-最大值|<ε1
|均值-最小值|<ε2
其中ε1与ε2分别为预设的均值与最大值、最小值的差值阈值，当均值与最值之间的差值绝对值小于该阈值时，则判定该步骤结束。
3.5当每个采样的最大值和最小值与均值相近时，输出该均值序列，即为所求的清除伪折点的触屏手绘图形的X序列数据；
3.6对Y序列数据采取同步骤3.1-3.5的操作。
步骤4：将输出的X、Y均值序列数据分别作为横、纵轴画出曲线，即为最终所求的消除了伪折点触屏手绘修正图形。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种手绘图形伪折点的消除方法，其特征在于，具体包括以下步骤：
步骤1：读取触屏手绘图形，并对触屏手绘图形进行预处理，获得所有非零像素点的横坐标值和纵坐标值；
步骤2：根据所有非零像素点的横坐标值和纵坐标值获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；
步骤3：分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，具体则是基于不规则随机采样获得非等采样区间数据，通过卡尔曼滤波对非等采样区间数据进行估计，利用统计平均方法修正数据，获得横坐标均值序列数据和纵坐标均值序列数据；
步骤4：将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。
2.根据权利要求1所述的一种手绘图形伪折点的消除方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1：读取触屏手绘图形，获得触屏手绘图形的像素矩阵，并对触屏手绘图形做灰度化处理，得到灰度化图形；
步骤1.2：对灰度化图形进行二值化处理，获得所有非零像素点的横坐标值和纵坐标值。
3.根据权利要求1所述的一种手绘图形伪折点的消除方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1：对横坐标序列数据和纵坐标均值序列数据分别根据预设的采样率进行随机采样，分别获得多条横非等采样间隔数组和多条纵非等采样间隔数组；
步骤3.2：通过自适应的动力学模型和卡尔曼滤波对所有横非等采样间隔数组和纵非等采样间隔数组分别进行估计，获得多条去除高频噪声后的横估计数组和纵估计数组；
步骤3.3：对每一条横估计数组和每一条纵估计数组使用线性插值补齐由于不规则采样造成的空缺点，获得多条含有多个补齐数据的横滤波数组和多条含有多个补齐数据的纵滤波数组；
步骤3.4：通过统计平均迭代法进行替换修正所有横滤波数组和纵滤波数组，得到清除野点后的横坐标均值序列数据和纵坐标均值序列数据。
4.根据权利要求3所述的一种手绘图形伪折点的消除方法，其特征在于，所述步骤3.4中分别对横滤波数组和纵滤波数组通过统计平均迭代法进行修正，所述统计平均迭代法具体包括以下步骤：
步骤3.4.1：取一条滤波数组作为当前数组，并将当前数组中的数据按照由小到大进行排序，得到最大值数据和最小值数据；
步骤3.4.2：计算当前数组中所有数据的平均值获得平均值数据，并将当前数组中的最大值数据和最小值数据均替换为平均值数据，对当前数组重新排序，得到新最大值数据和新最小值数据；
步骤3.4.3：判断当前数组中的新最大值数据和新最小值数据是否均接近平均值数据；如果是，执行步骤3.4.4；否则，执行步骤3.4.2；
步骤3.4.4：采用平均值数据替换当前数组；
步骤3.4.5：判断是否还存在未替换的滤波数组，如果是，执行步骤3.4.1；否则，执行步骤3.4.6；
步骤3.4.6：多条滤波数组对应多个平均值数据，多个平均值数据构成均值序列数据。
5.根据权利要求1-4任一项所述的一种手绘图形伪折点的消除方法，其特征在于，所述步骤2中通过最短路径法获得触屏手绘图形的起点至终点的最短路径轨迹。
6.一种手绘图形伪折点的消除系统，其特征在于，包括预处理模块、最短路径模块、采样估计模块和修正模块；
所述预处理模块用于读取触屏手绘图形，并对触屏手绘图形进行预处理，获得所有非零像素点的横坐标值和纵坐标值；
所述最短路径模块用于根据所有非零像素点的横坐标值和纵坐标值获得触屏手绘图形的起点至终点的最短路径轨迹，并获得最短路径轨迹中的所有点的横坐标序列数据和纵坐标序列数据；
所述采样估计模块用于分别对横坐标序列数据和纵坐标序列数据进行采样、估计和修正，具体则是基于不规则随机采样获得非等采样区间数据，通过卡尔曼滤波对非等采样区间数据进行估计，利用统计平均方法修正数据，获得横坐标均值序列数据和纵坐标均值序列数据；
所述修正模块用于将横坐标均值序列数据和纵坐标均值序列数据分别作为横坐标和纵坐标连成曲线，即为所求的消除了伪折点的触屏手绘修正图形。
7.根据权利要求6所述的一种手绘图形伪折点的消除系统，其特征在于，所述预处理模块包括灰度化模块和二值化模块；
所述灰度化模块用于读取触屏手绘图形，获得触屏手绘图形的像素矩阵，并对触屏手绘图形做灰度化处理，得到灰度化图形；
所述二值化模块用于对灰度化图形进行二值化处理，获得所有非零像素点的横坐标值和纵坐标值。
8.根据权利要求6所述的一种手绘图形伪折点的消除系统，其特征在于，所述采样估计模块包括采样模块、估计模块、补齐模块和修正模块；
所述采样模块用于对横坐标序列数据和纵坐标均值序列数据分别根据预设的采样率进行随机采样，分别获得多条横非等采样间隔数组和多条纵非等采样间隔数组；
所述估计模块用于通过自适应的动力学模型和卡尔曼滤波对所有横非等采样间隔数组和纵非等采样间隔数组分别进行估计，获得多条去除高频噪声后的横估计数组和纵估计数组；
所述补齐模块用于对每一条横估计数组和每一条纵估计数组使用线性插值补齐由于不规则采样造成的空缺点，获得多条含有多个补齐数据的横滤波数组和多条含有多个补齐数据的纵滤波数组；
所述修正模块用于通过统计平均迭代法进行替换修正所有横滤波数组和纵滤波数组，得到清除野点后的横坐标均值序列数据和纵坐标均值序列数据。
9.根据权利要求6-8任一项所述的一种手绘图形伪折点的消除系统，其特征在于，所述最短路径模块中通过最短路径法获得触屏手绘图形的起点至终点的最短路径轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510165688.3A CN104794741B (zh) | 2015-04-09 | 2015-04-09 | 一种手绘图形伪折点的消除方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510165688.3A CN104794741B (zh) | 2015-04-09 | 2015-04-09 | 一种手绘图形伪折点的消除方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104794741A CN104794741A (zh) | 2015-07-22 |
| CN104794741B true CN104794741B (zh) | 2017-06-16 |
Family
ID=53559520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510165688.3A Active CN104794741B (zh) | 2015-04-09 | 2015-04-09 | 一种手绘图形伪折点的消除方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104794741B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105067129A (zh) * | 2015-08-26 | 2015-11-18 | 云南师范大学 | 一种基于功率谱分析类星体光变周期的检测方法 |
| CN108805120A (zh) * | 2018-06-13 | 2018-11-13 | 广州视源电子科技股份有限公司 | 笔迹的处理方法和装置 |
| CN109099921B (zh) * | 2018-08-03 | 2020-06-05 | 重庆电子工程职业学院 | 机器人补偿定位方法及装置 |
| EP3675063A1 (en) * | 2018-12-29 | 2020-07-01 | Dassault Systèmes | Forming a dataset for inference of solid cad features |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393648A (zh) * | 2008-10-07 | 2009-03-25 | 广东威创视讯科技股份有限公司 | 手绘几何图形的识别方法 |
| CN103106308A (zh) * | 2013-02-06 | 2013-05-15 | 浙江大学 | 一种个性化创意拐点识别方法及系统 |
| CN103927056A (zh) * | 2014-04-28 | 2014-07-16 | 西北工业大学 | 用于智能手绘输入的基于混合特征的笔划分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130009896A1 (en) * | 2011-07-09 | 2013-01-10 | Lester F. Ludwig | 3d finger posture detection and gesture recognition on touch surfaces |
-
2015
- 2015-04-09 CN CN201510165688.3A patent/CN104794741B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393648A (zh) * | 2008-10-07 | 2009-03-25 | 广东威创视讯科技股份有限公司 | 手绘几何图形的识别方法 |
| CN103106308A (zh) * | 2013-02-06 | 2013-05-15 | 浙江大学 | 一种个性化创意拐点识别方法及系统 |
| CN103927056A (zh) * | 2014-04-28 | 2014-07-16 | 西北工业大学 | 用于智能手绘输入的基于混合特征的笔划分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| A New Interface for Conceptual Design Based on Object Reconstruction from a Single Freehand Sketch;H. Lipson等;《CIRP Annals-Manufacturing Technology》;20070701;第44卷(第1期);全文 * |
| 一种快速手绘草图在线识别方法;王淑侠等;《机械制造》;20051231;第43卷(第12期);全文 * |
| 基于二次曲线的在线手绘图识别;王淑侠等;《西北工业大学学报》;20070228;第25卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104794741A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214282B (zh) | 一种基于神经网络的三维手势关键点检测方法和系统 | |
| Cheng et al. | Jointly network: a network based on CNN and RBM for gesture recognition | |
| CN105893968B (zh) | 基于深度学习的文本无关的端到端的笔迹识别方法 | |
| CN110210320B (zh) | 基于深度卷积神经网络的多目标无标记姿态估计方法 | |
| CN104794741B (zh) | 一种手绘图形伪折点的消除方法及系统 | |
| CN107316067B (zh) | 一种基于惯性传感器的空中手写字符识别方法 | |
| CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
| Qu et al. | Data augmentation and directional feature maps extraction for in-air handwritten Chinese character recognition based on convolutional neural network | |
| CN107728916B (zh) | 隔空手写轨迹的显示方法及装置 | |
| CN103093196A (zh) | 一种基于手势的汉字交互输入与识别方法 | |
| CN107067031B (zh) | 一种基于Wi-Fi信号的书法姿态自动识别方法 | |
| CN111475667A (zh) | 一种基于手写汉字的机械臂楷体风格书法撰写方法 | |
| CN104821005B (zh) | 可模拟笔势风格的汉字书法作品书写过程动态复现的方法 | |
| CN111125403B (zh) | 一种基于人工智能的辅助设计绘图方法及系统 | |
| CN106682585A (zh) | 一种基于kinect2的动态手势识别方法 | |
| CN102289838A (zh) | 一种由书法汉字图像生成其动态书写动画的方法 | |
| KR102123289B1 (ko) | 심층 합성곱 신경망을 이용하여 rgb-d 이미지로부터 손 구성요소 및 손가락 끝을 추적하기 위한 방법 및 장치 | |
| Alam et al. | Trajectory-based air-writing character recognition using convolutional neural network | |
| CN107346207B (zh) | 一种基于隐马尔科夫模型的动态手势切分识别方法 | |
| CN103927555A (zh) | 基于Kinect传感器的静态手语字母识别系统及方法 | |
| CN109857322B (zh) | 一种基于安卓的画笔宽度控制方法和装置 | |
| CN102402279B (zh) | 基于手势的人机交互方法及系统 | |
| CN110349238A (zh) | 一种毛笔小楷字渲染方法 | |
| CN109492558A (zh) | 一种基于Leap Motion的动态手势识别方法 | |
| CN103699214A (zh) | 一种基于三维自然手势的三维跟踪和交互方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |