CN105354866A - 一种多边形轮廓相似度检测方法 - Google Patents
一种多边形轮廓相似度检测方法 Download PDFInfo
- Publication number
- CN105354866A CN105354866A CN201510687631.XA CN201510687631A CN105354866A CN 105354866 A CN105354866 A CN 105354866A CN 201510687631 A CN201510687631 A CN 201510687631A CN 105354866 A CN105354866 A CN 105354866A
- Authority
- CN
- China
- Prior art keywords
- alpha
- detection method
- sim
- vector
- figures
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
Abstract
本发明公开了一种多边形轮廓相似度检测方法,包括消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。本发明提高了机器对图形相似度的视觉分辨效果,尤其对人工不易分辨高相似度图形的难点有很大帮助;图形检测效果有较强的稳定性和可靠性;检测时间短,运行高效,实施效果成本低。本发明仅对图形的边进行查询,减少了数据处理量。本发明通过构造图形的特征矩阵,选取合适的判定准则,并对特征矩阵元素进行多次增强性非线性变换,用多数值、多标准的加权平均值建立相似度标准,达到了算法高效并有较强的稳定性。
Description
技术领域
本发明属于计算机数字化和图形技术领域,尤其涉及一种多边形轮廓相似度检测方法。
背景技术
对图形的认知与理解是人类获取外部信息并做出判断和反映的重要基础。其中,自动识别图形的相似性是实现提高人类视觉认知效率和拓展智能化认知领域的重要技术之一。它广泛应用于工业技术、图形图像处理、模式识别和人工智能领域,对我们的日常生活起着未知的深远影响。开发出一套图形相似度识别技术是十分必要的。随着计算机数字化和图形技术的日益发展,图形几何特征信息的数字化处理效率也得到了很大提高。合理、高效的算法和环境平台的支持,也使得研究具有充分的可行性。
现有的图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率,但也存在一些不足:算法的实现过程和视觉分辨的匹配性不直观;算法复杂,导致数据处理量大,运行成本高;算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响,导致准确性和稳定性存在一定偏差。
发明内容
本发明的目的在于提供一种多边形轮廓相似度检测方法,旨在解决现有的图形相似度常用识别方法实现过程和视觉分辨的匹配性不直观,算法复杂,导致数据处理量大,运行成本高,导致准确性和稳定性存在一定偏差的问题。
本发明是这样实现的,一种多边形轮廓相似度检测方法,所述多边形轮廓相似度检测方法消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
进一步,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
进一步,所述完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
进一步,所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数。
进一步,获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 TP2 T…P2N-1 TP2N T];
QE=[Q1 TQ2 T…Q2N-1 TQ2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
进一步,所述对计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
本发明的另一目的在于提供一种使用所述多边形轮廓相似度检测方法的计算机视觉控制系统。
本发明的另一目的在于提供一种使用所述多边形轮廓相似度检测方法的图像检索系统。
本发明提供的多边形轮廓相似度检测方法,提高了机器对图形相似度的视觉分辨效果,尤其对人工不易分辨高相似度图形的难点有很大帮助;图形检测效果有较强的稳定性和可靠性;检测时间短,运行高效,实施效果成本低。本发明仅对图形的边进行查询,减少了数据处理量。本发明通过构造图形的特征矩阵,选取合适的判定准则,并对特征矩阵元素进行多次增强性非线性变换,用多数值、多标准的加权平均值建立相似度标准,达到了算法高效并有较强的稳定性。
附图说明
图1是本发明实施例提供的多边形轮廓相似度检测方法流程图。
图2是本发明实施例提供的向量S1表示多边形示意图。
图3是本发明实施例提供的对源图形和目标图形作预处理示意图。
图4是本发明实施例提供的去除目标图形中的奇化部分示意图。
图5是本发明实施例提供的目标图形的化简示意图。
图6是本发明实施例提供的实施例1中测试图形示意图。
图7是本发明实施例提供的实施例1计算结果示意图。
图8是本发明实施例提供的实施例2中12个测试图形示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例的多边形轮廓相似度检测方法包括以下步骤:
S101:源图形和目标图形来源,要求图形均为矢量化图形;
S102:源图形和目标图形预处理,消除图形中的奇化部分;
S103:建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,从任意位置搜索图形的封闭轮廓,计算出相邻两边的夹角;
S104:选择合适的数学理论作为判定准则;
S105:计算两图形间的最近距离;
S106:对计算结果的增强性处理。
本发明的具体步骤如下:
①建立多边形的数学描述模型;
用多边形的边长和邻角按逆时针构造一个向量S1表示多边形,如图2所示:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
②确定多边形的完备向量组。
按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和图1多边形均有一一映射关系,其构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
为便于计算处理,用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
③对源图形和目标图形作预处理:
1、根据图形最小包容矩形长宽比设置适当域值,进行过滤,如图3所示。
2、根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分,如图4所示。
3、对目标图形边数作化简处理,使和源图形具有相同边数,如图5所示。
④求源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数。
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 TP2 T…P2N-1 TP2N T];
QE=[Q1 TQ2 T…Q2N-1 TQ2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值。
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc。
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
⑤对相似度计算值进行增强性处理
为保证计算结果的稳定性和可靠性,采用两种方法进行处理。
1、对初始向量进行一次到多次变形。
在用相邻边角序列构造初始向量的基础上,再添加一些图形的几何特征值。本发明中采用添加顺序的相邻边角比作为新的初始向量。
将初始向量进行一次到多次非线性化处理。本发明中采用将初始向量进行开方处理。
2、对变形后的初始向量进行多次相似度计算,最后按加权平均取值。以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定。相和系数的评定方法同理。
本发明中n=4,ki均取0.25。
下面结合具体实施例对本发明的应用原理作进一步的描述。
实施例1
检测算法保证图形的平移、旋转、缩放等几何不变性
基于AutoCAD2002环境下,提供了一组测试图形,如图6所示。
图6中目标图形1、2、3分别由样本图形经过平移、缩放和旋转得到,从几何上它们严格相似。按照本发明中的算法,计算结果如图7所示:
从图中看出,目标图形1、2、3和样本图形的欧式距离均为0,检测结果反映了图中4个图形严格相似,说明算法保证了检测方法的几何不变性。
实施例2
采用欧式距离算法计算多图形相似度
在AutoCAD2002环境下,提供了一组共12个测试图形,如图8所示。
欧式距离的计算结果如表1所示:
表1图3中目标样本与标准样本的欧式距离
表2加权平均值后的相似度值
从两表中数据看出,加权后的计算结果比之前计算结果有了局部修正修正,比较符合人工视觉分辨效果。表1计算耗时0.472s。
实例2的结果反映了本发明计算结果是可靠的,在时间上也是高效的。本发明可以用于计算机视觉中的检测跟踪中目标位置的获取,根据已有模板在图像中找到一个与之最接近的区域。然后一直跟着。已有的一些算法比如BlobTracking,Meanshift,Camshift,粒子滤波等等也都是需要这方面的理论去支撑。还有一方面就是基于图像内容的图像检索,也就是通常说的以图检图。比如给你某一个人在海量的图像数据库中罗列出与之最匹配的一些图像,当然这项技术可能也会这样做,将图像抽象为几个特征值,比如Trace变换,图像哈希或者Sift特征向量等等,来根据数据库中存得这些特征匹配再返回相应的图像来提高效率。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种多边形轮廓相似度检测方法,其特征在于,所述多边形轮廓相似度检测方法包括消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
2.如权利要求1所述的多边形轮廓相似度检测方法,其特征在于,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
3.如权利要求1所述的多边形轮廓相似度检测方法,其特征在于,所述完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
4.如权利要求1所述的多边形轮廓相似度检测方法,其特征在于,所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数。
5.如权利要求4所述的多边形轮廓相似度检测方法,其特征在于,获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 TP2 T…P2N-1 TP2N T];
QE=[Q1 TQ2 T…Q2N-1 TQ2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
6.如权利要求1所述的多边形轮廓相似度检测方法,其特征在于,所述对计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
7.一种使用权利要求1-6任意一项所述多边形轮廓相似度检测方法的计算机视觉控制系统。
8.一种使用权利要求1-6任意一项所述多边形轮廓相似度检测方法的图像检索系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510687631.XA CN105354866B (zh) | 2015-10-21 | 2015-10-21 | 一种多边形轮廓相似度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510687631.XA CN105354866B (zh) | 2015-10-21 | 2015-10-21 | 一种多边形轮廓相似度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105354866A true CN105354866A (zh) | 2016-02-24 |
CN105354866B CN105354866B (zh) | 2018-11-06 |
Family
ID=55330833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510687631.XA Expired - Fee Related CN105354866B (zh) | 2015-10-21 | 2015-10-21 | 一种多边形轮廓相似度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354866B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957055A (zh) * | 2016-04-20 | 2016-09-21 | 空气动力学国家重点实验室 | 一种冰形相似度量化评估方法 |
CN106951902A (zh) * | 2017-03-27 | 2017-07-14 | 深圳怡化电脑股份有限公司 | 一种图像二值化处理方法及装置 |
CN107802446A (zh) * | 2017-10-30 | 2018-03-16 | 薛媛 | 一种小儿外科刀口清洁装置 |
WO2018053756A1 (zh) * | 2016-09-22 | 2018-03-29 | 华为技术有限公司 | 一种图像检测方法及终端 |
CN107913084A (zh) * | 2017-11-30 | 2018-04-17 | 青岛市中心医院 | 一种多功能胃肠外科检查治疗仪 |
CN107977615A (zh) * | 2017-11-24 | 2018-05-01 | 安徽省雨龙家具有限公司 | 一种基于即时通信的智能家居机器人系统 |
CN108537782A (zh) * | 2018-04-02 | 2018-09-14 | 东北大学 | 一种基于轮廓提取的建筑物图像匹配与融合的方法 |
CN108596084A (zh) * | 2018-04-23 | 2018-09-28 | 宁波Gqy视讯股份有限公司 | 一种充电桩自动识别方法及装置 |
CN108648236A (zh) * | 2018-05-11 | 2018-10-12 | 武汉电力职业技术学院 | 一种用于坐标测量的间接方法及控制系统 |
CN108655571A (zh) * | 2018-05-21 | 2018-10-16 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种数控激光雕刻机、控制系统及控制方法、计算机 |
CN109087284A (zh) * | 2018-07-10 | 2018-12-25 | 重庆康华众联心血管病医院有限公司 | 一种心血管插管影像辅助检测装置及检测方法 |
CN109191518A (zh) * | 2018-09-11 | 2019-01-11 | 曹皓森 | 一种植物生长用计算机测量显示系统及控制方法 |
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
CN109448040A (zh) * | 2018-10-22 | 2019-03-08 | 湖南机电职业技术学院 | 一种机械生产制造展示辅助系统 |
CN109461159A (zh) * | 2018-11-20 | 2019-03-12 | 扬州工业职业技术学院 | 一种田间作物杂草的图像分割方法 |
CN109822578A (zh) * | 2019-04-04 | 2019-05-31 | 黄山学院 | 一种智能烹饪机器人系统及控制方法 |
CN109948489A (zh) * | 2019-03-09 | 2019-06-28 | 闽南理工学院 | 一种基于视频多帧人脸特征融合的人脸识别系统及方法 |
CN109961171A (zh) * | 2018-12-19 | 2019-07-02 | 兰州大学 | 一种基于机器学习与大数据分析的电容器故障预测方法 |
CN110378363A (zh) * | 2019-05-16 | 2019-10-25 | 中国地质大学(武汉) | 基于匹配控制子图的复合多边形相似性度量方法 |
CN113012297A (zh) * | 2021-04-22 | 2021-06-22 | 中国科学院深圳先进技术研究院 | 一种相似度估计方法及其应用 |
CN113361226A (zh) * | 2021-06-25 | 2021-09-07 | 青岛信芯微电子科技股份有限公司 | 一种减小版图文件大小的方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6642929B1 (en) * | 1998-06-15 | 2003-11-04 | Commissariat A L'energie Atomique | Image search method, based on an invariant indexation of the images |
CN101118544A (zh) * | 2006-08-01 | 2008-02-06 | 华为技术有限公司 | 一种图像形状轮廓描述符的构造方法 |
CN101719140A (zh) * | 2009-12-23 | 2010-06-02 | 中山大学 | 一种图形检索方法 |
-
2015
- 2015-10-21 CN CN201510687631.XA patent/CN105354866B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6642929B1 (en) * | 1998-06-15 | 2003-11-04 | Commissariat A L'energie Atomique | Image search method, based on an invariant indexation of the images |
CN101118544A (zh) * | 2006-08-01 | 2008-02-06 | 华为技术有限公司 | 一种图像形状轮廓描述符的构造方法 |
CN101719140A (zh) * | 2009-12-23 | 2010-06-02 | 中山大学 | 一种图形检索方法 |
Non-Patent Citations (3)
Title |
---|
章银娥 等: "改进的向量多边形变形方法研究", 《大地测量与地球动力学》 * |
谭国真 等: "多边形表示的相似度量", 《计算机辅助设计与图形学学报》 * |
边丽华 等: "多边形化简前后相似度计算的一种方法", 《测绘科学》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957055B (zh) * | 2016-04-20 | 2018-10-26 | 空气动力学国家重点实验室 | 一种冰形相似度量化评估方法 |
CN105957055A (zh) * | 2016-04-20 | 2016-09-21 | 空气动力学国家重点实验室 | 一种冰形相似度量化评估方法 |
CN108604374B (zh) * | 2016-09-22 | 2020-03-10 | 华为技术有限公司 | 一种图像检测方法及终端 |
CN108604374A (zh) * | 2016-09-22 | 2018-09-28 | 华为技术有限公司 | 一种图像检测方法及终端 |
WO2018053756A1 (zh) * | 2016-09-22 | 2018-03-29 | 华为技术有限公司 | 一种图像检测方法及终端 |
CN106951902B (zh) * | 2017-03-27 | 2020-10-20 | 深圳怡化电脑股份有限公司 | 一种图像二值化处理方法及装置 |
CN106951902A (zh) * | 2017-03-27 | 2017-07-14 | 深圳怡化电脑股份有限公司 | 一种图像二值化处理方法及装置 |
CN107802446A (zh) * | 2017-10-30 | 2018-03-16 | 薛媛 | 一种小儿外科刀口清洁装置 |
CN107977615A (zh) * | 2017-11-24 | 2018-05-01 | 安徽省雨龙家具有限公司 | 一种基于即时通信的智能家居机器人系统 |
CN107913084A (zh) * | 2017-11-30 | 2018-04-17 | 青岛市中心医院 | 一种多功能胃肠外科检查治疗仪 |
CN108537782B (zh) * | 2018-04-02 | 2021-08-31 | 东北大学 | 一种基于轮廓提取的建筑物图像匹配与融合的方法 |
CN108537782A (zh) * | 2018-04-02 | 2018-09-14 | 东北大学 | 一种基于轮廓提取的建筑物图像匹配与融合的方法 |
CN108596084A (zh) * | 2018-04-23 | 2018-09-28 | 宁波Gqy视讯股份有限公司 | 一种充电桩自动识别方法及装置 |
CN108648236A (zh) * | 2018-05-11 | 2018-10-12 | 武汉电力职业技术学院 | 一种用于坐标测量的间接方法及控制系统 |
CN108655571A (zh) * | 2018-05-21 | 2018-10-16 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种数控激光雕刻机、控制系统及控制方法、计算机 |
CN109087284A (zh) * | 2018-07-10 | 2018-12-25 | 重庆康华众联心血管病医院有限公司 | 一种心血管插管影像辅助检测装置及检测方法 |
CN109191518A (zh) * | 2018-09-11 | 2019-01-11 | 曹皓森 | 一种植物生长用计算机测量显示系统及控制方法 |
CN109448040A (zh) * | 2018-10-22 | 2019-03-08 | 湖南机电职业技术学院 | 一种机械生产制造展示辅助系统 |
CN109299305A (zh) * | 2018-10-30 | 2019-02-01 | 湖北工业大学 | 一种基于多特征融合的空间图像检索系统及检索方法 |
CN109461159A (zh) * | 2018-11-20 | 2019-03-12 | 扬州工业职业技术学院 | 一种田间作物杂草的图像分割方法 |
CN109961171A (zh) * | 2018-12-19 | 2019-07-02 | 兰州大学 | 一种基于机器学习与大数据分析的电容器故障预测方法 |
CN109948489A (zh) * | 2019-03-09 | 2019-06-28 | 闽南理工学院 | 一种基于视频多帧人脸特征融合的人脸识别系统及方法 |
CN109822578A (zh) * | 2019-04-04 | 2019-05-31 | 黄山学院 | 一种智能烹饪机器人系统及控制方法 |
CN110378363A (zh) * | 2019-05-16 | 2019-10-25 | 中国地质大学(武汉) | 基于匹配控制子图的复合多边形相似性度量方法 |
CN110378363B (zh) * | 2019-05-16 | 2021-06-04 | 中国地质大学(武汉) | 基于匹配控制子图的复合多边形相似性度量方法 |
CN113012297A (zh) * | 2021-04-22 | 2021-06-22 | 中国科学院深圳先进技术研究院 | 一种相似度估计方法及其应用 |
CN113012297B (zh) * | 2021-04-22 | 2023-06-13 | 中国科学院深圳先进技术研究院 | 一种相似度估计方法及其应用 |
CN113361226A (zh) * | 2021-06-25 | 2021-09-07 | 青岛信芯微电子科技股份有限公司 | 一种减小版图文件大小的方法及电子设备 |
CN113361226B (zh) * | 2021-06-25 | 2022-11-11 | 青岛信芯微电子科技股份有限公司 | 一种减小版图文件大小的方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105354866B (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354866A (zh) | 一种多边形轮廓相似度检测方法 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN104463795B (zh) | 一种点阵式dm二维码图像处理方法及装置 | |
CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
Singh et al. | Svm-bdt pnn and fourier moment technique for classification of leaf shape | |
CN102541954B (zh) | 一种商标检索方法及系统 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN105844285A (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
CN102332084B (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
CN103295014B (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN103530590A (zh) | Dpm二维码识别系统 | |
CN105005565B (zh) | 现场鞋底痕迹花纹图像检索方法 | |
CN102508917B (zh) | 部分特征图像的多维度目标快速鲁棒检索定位方法 | |
Yuan et al. | Power histogram for circle detection on images | |
CN108009551A (zh) | 适用于电力作业机器人的电力刀闸分合位状态识别方法 | |
US8948517B2 (en) | Landmark localization via visual search | |
Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
Jian et al. | Imbalanced defect classification for mobile phone screen glass using multifractal features and a new sampling method | |
CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
CN105447457A (zh) | 一种基于自适应特征的车牌字符识别方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
Fu et al. | Effective classification of planar shapes based on curve segment properties |
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 |
Granted publication date: 20181106 Termination date: 20201021 |
|
CF01 | Termination of patent right due to non-payment of annual fee |