CN105787487B - 一种剪切工具图片的相似度匹配方法 - Google Patents
一种剪切工具图片的相似度匹配方法 Download PDFInfo
- Publication number
- CN105787487B CN105787487B CN201610101323.9A CN201610101323A CN105787487B CN 105787487 B CN105787487 B CN 105787487B CN 201610101323 A CN201610101323 A CN 201610101323A CN 105787487 B CN105787487 B CN 105787487B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- gvf
- gradient
- horizontal
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种剪切工具图片的相似度匹配方法,属于信息技术领域。本发明首先生成灰度图;再去除工具图像两侧的角尺,得到含有工具部分的图像;再进行GVF平滑图像的梯度场操作,消除噪声和尺度较小的细节,获得工具轮廓清晰的图像;再进行特征点检测;将检测到的特征点进行主方向分配;根据特征点的主方向生成特征描述子;利用欧式距离公式对特征点描述子中的特征向量进行特征点匹配,进而得出相似度大小。本发明能有效的解决标准SIFT算法因特征点都是集中在物体的局部小细节(较小尺度的特征),而不能对剪切工具进行分类的问题,通过GVF‑Harris‑SIFT完成图像相似度的对比算法,最终实现工痕项目的剪切工具种类识别。
Description
技术领域
本发明涉及一种剪切工具图片的相似度匹配方法,属于信息技术领域。
背景技术
标准SIFT(尺度不变特征变换)算法具有尺度、旋转、光照等特征不变性,在物体识别领域有着广泛应用,但其很多特征点都是集中在物体的局部小细节(较小尺度的特征)。这种情况下标准SIFT算法无法有效对剪切工具进行分类,因为同一类别的工具只在轮廓方面有着相似性,较多的小尺度特征点会严重干扰图像相似度的计算。
一种剪切工具图片相似度对比算法使用一种特殊的特征提取方式GVF-Harris-SIFT,通过GVF(梯度向量流)来平滑图像的梯度场,紧接着使用Harris角点检测算法将工具的角点检测出来,然后使用SIFT的描述子获取特征点对应的特征向量,最终通过匹配两张工具的特征点,来衡量工具的相似度。
发明内容
本发明提供了一种剪切工具图片的相似度匹配方法,以用于解决标准SIFT算法因特征点都是集中在物体的局部小细节(较小尺度的特征),而不能对剪切工具进行分类的问题。
本发明剪切工具图片的相似度匹配方法是这样实现的:所述剪切工具图片的相似度匹配方法的具体步骤如下:
Step1、根据最初的三通道彩色图生成灰度图;
Step2、在生成的灰度图上,去除工具图像两侧的角尺,得到含有工具部分的图像;
Step3、对去除过角尺的工具图像进行GVF平滑图像的梯度场操作,消除噪声和尺度较小的细节,获得工具轮廓清晰的图像;
Step4、对工具轮廓清晰的图像进行特征点检测;
Step5、将检测到的特征点进行主方向分配;
Step6、根据特征点的主方向生成特征描述子;
Step7、利用欧式距离公式对特征点描述子中的特征向量进行特征点匹配,进而得出相似度大小。
所述步骤Step1中,具体步骤为:
Step1.1、将图像的左上角作为原点,水平方向为x轴,垂直方向为y轴,构造一个笛卡尔坐标系;
Step1.2、通过公式:gray=0.27*red+0.71*green+0.07*blue将彩色图转化成灰度图;
其中:gray是灰度值,red是红色通道值,green是绿色通道值,blue是蓝色通道值。
所述步骤Step2中,具体步骤为:
Step2.1、利用公式和分别
计算转化后的灰度图图像I(x,y)的水平边缘和垂直边缘;
其中:Prewitthorizontal是图像的水平边缘,Prewittvertacal是图像的垂直边缘;
Step2.2、通过计算出来的水平边缘和垂直边缘,利用公式:得出角尺的边缘图Edge(x,y);
其中:Edgehorizontal(x,y)=Prewitthorizontal*I(x,y),Edgevertical(x,y)=Prewittvertical*I(x,y);I(x,y)是灰度图图像点的坐标,Edgehorizontal是角尺的水平边缘图,Edgevertical是角尺的垂直边缘图;
Step2.3、根据角尺的边缘图计算到的角尺的隶属度CrosshairMembership(x,y),并且当隶属度CrosshairMembership(a,b)取最大时,正交线x=a,y=b将图片分成四个区域;
其中:隶属度CrosshairMembership(x,y)=EdgeSumhorizontal(x)+EdgeSumvertical(y),水平边缘图强度EdgeSumhorizontal(x)=∑yEdge(x,y)/sizey,垂直边缘图强度EdgeSumvertical(y)=∑xEdge(x,y)/sizex,图像的尺寸大小用extent=(sizex,sizey)表示,sizex是灰度图图像的水平尺寸,sizey是灰度图图像的垂直尺寸;
Step2.4、裁剪保留四个区域中最大的一个,即为去除工具灰度图像两侧的角尺后的含有工具部分的图像p(x,y),含有角尺的部分就被去除掉了。
所述步骤Step3中,具体步骤为:
Step3.1、根据已经去除角尺后的图像的白底黑图定义:f(x,y)=p(x,y);p(x,y)为去除工具灰度图像两侧的角尺后的含有工具部分的图像;
Step3.2、利用梯度向量场V(x,y)=(u(x,y),v(x,y))最小化能量函数ε,来获得正则参数μ的取值;
其中,当时,积分结果ε最小,
从而求出μ,μ是一个正则参数;一方面,当较小时,能量由第一部分向量场V的偏微分主
导,会产生一个光滑的场;另一方面,当较大时,第二部分决定积分结果,时,积分
结果最小。μ是一个正则参数,使用其去权衡两个部分对能量函数的贡献,该参数和图像噪
声有关,噪声越大,μ越大,μ越大其生成的GVF场V越平滑。
Step3.3、通过解欧拉方程获得GVF;
其中:欧拉方程为:和此公
式中:当f(x,y)均匀使该式的第二部分为零,u和v分别由其拉普拉斯等式决定,其中,u为梯
度向量场中的横坐标,v为梯度向量场中的纵坐标;
Step3.4、根据迭代公式:和获得上式欧拉公式的解;
其中:当n足够大时,GVF会趋于稳定,该GVF即为梯度向量流场。
所述步骤Step4中,具体步骤为:
Step4.1、利用获得的GVF场中的梯度向量场V的每一个梯度都进行归一化得到Vnormatize=(s(x,y),t(x,y));
Step4.2、对Vnormatize进行微分计算得到改进后的Harris矩阵;
其中:矩阵为:
Step4.3、计算Harris角点检测的隶属度Mc;
其中:Mc=λ1λ2-κ(λ1+λ2)2=det(HGVF)-κtrace2(HGVF),κ的取值范围为0.04~0.15;其中:λ1和λ2为矩阵HGVF进过特征分解得到的两个较大的特征值,det(HGVF)为求矩阵HGVF的行列式,trace(HGVF)为求矩阵HGVF的迹,即矩阵对角线上的元素之和;
Step4.4、利用隶属度Mc为Harris角点设立阀值,设定原则为隶属度为0所对应的角点数值,用来排除去除角尺后的图像的部分角点,余下角点作为特征点的候选点。
所述步骤Step5中,具体步骤为:
Step5.1、基于去除角尺后的图像的局部属性为每个特征点分配一个不变的方向;
Step5.2、用GVF平滑后的图像梯度场代替SIFT里面的图像梯度场;
Step5.3、用m(x,y)和θ(x,y)分别表示梯度的强度和方向;
其中:其中:m(x,y)为梯
度的强度,θ(x,y)为梯度的方向,u为梯度向量场中横坐标的表示法,v为梯度向量场中纵坐
标的表示法,tanh(x)表示双曲正切函数;
Step5.4、利用特征点周围区域的样点方向获得一个方向直方图;
Step5.5、将直方图的最高峰值作为特征点的主方向。
所述步骤Step6中,根据特征点的主方向生成特征描述子;其中:为了获得旋转不变性,描述子的坐标系将旋转到和特征点方向一致,一个α等于描述子窗口半径一半的高斯权重函数加权到每个样本点的GVF强度上,高斯窗是为了防止描述子窗的微小位置变化引起的突变,同时使靠近特征点的样点对描述子表述有更大的影响,以抑制由于错位带来的误差。选择16×16的方形描述子区域,并将该区域分成4×4的子区域,每个区域生成一个八方向的直方图,最终为每个特征点形成了一个4×4×8共128维的特征向量F=(x1,x2,…,x128)。
所述步骤Step7中,其中:用欧氏距离来衡量两个128维特征向量的相似性,两个相同的特征向量其欧式距离为零,认为这两个特征向量所对应的特征点完全匹配,距离越近,则两个特征点的匹配度越高。
本发明的有益效果是:本发明可以有效的解决标准SIFT算法因特征点都是集中在物体的局部小细节(较小尺度的特征),而不能对剪切工具进行分类的问题,通过GVF-Harris-SIFT完成图像相似度的对比算法,最终实现工痕项目的剪切工具种类识别,本方法能对剪切工具图片相似度进行快速对比。
附图说明
图1为本发明彩色图得到的灰度图像;
图2为本发明带角尺工具图像边缘图;
图3为本发明角尺隶属度图;
图4为本发明裁剪标尺后的工具图像;
图5为本发明凹型图像梯度场图;
图6为本发明凹形图像GVF场图;
图7为本发明图像梯度场强度;
图8为本发明图像GVF场强度图;
图9为本发明经GVF后检测到的特征点图;
图10为本发明未经GVF检测到的特征点图;
图11为本发明图像的梯度场图;
图12为本发明特征点描述子图;
图13为本发明的方法流程图。
具体实施方式
实施例1:如图1-13所示,一种剪切工具图片的相似度匹配方法,所述剪切工具图片的相似度匹配方法的具体步骤如下:
Step1、根据最初的三通道彩色图生成灰度图;
Step2、在生成的灰度图上,去除工具图像两侧的角尺,得到含有工具部分的图像;
Step3、对去除过角尺的工具图像进行GVF平滑图像的梯度场操作,消除噪声和尺度较小的细节,获得工具轮廓清晰的图像;
Step4、对工具轮廓清晰的图像进行特征点检测;
Step5、将检测到的特征点进行主方向分配;
Step6、根据特征点的主方向生成特征描述子;
Step7、利用欧式距离公式对特征点描述子中的特征向量进行特征点匹配,进而得出相似度大小。
所述步骤Step1中,具体步骤为:
Step1.1、将图像的左上角作为原点,水平方向为x轴,垂直方向为y轴,构造一个笛卡尔坐标系;
Step1.2、通过公式:gray=0.27*red+0.71*green+0.07*blue将彩色图转化成灰度图;
其中:gray是灰度值,red是红色通道值,green是绿色通道值,blue是蓝色通道值。
所述步骤Step2中,具体步骤为:
Step2.1、利用公式和分别
计算转化后的灰度图图像I(x,y)的水平边缘和垂直边缘;
其中:Prewitthorizontal是图像的水平边缘,Prewittvertacal是图像的垂直边缘;
Step2.2、通过计算出来的水平边缘和垂直边缘,利用公式:得出角尺的边缘图Edge(x,y);
其中:Edgehorizontal(x,y)=Prewitthorizontal*I(x,y),Edgevertical(x,y)=Prewittvertical*I(x,y);I(x,y)是灰度图图像点的坐标,Edgehorizontal是角尺的水平边缘图,Edgevertical是角尺的垂直边缘图;
Step2.3、根据角尺的边缘图计算到的角尺的隶属度CrosshairMembership(x,y),并且当隶属度CrosshairMembership(a,b)取最大时,正交线x=a,y=b将图片分成四个区域;
其中:隶属度CrosshairMembership(x,y)=EdgeSumhorizontal(x)+EdgeSumvertical(y),水平边缘图强度EdgeSumhorizontal(x)=∑yEdge(x,y)/sizey,垂直边缘图强度EdgeSumvertical(y)=∑xEdge(x,y)/sizex,图像的尺寸大小用extent=(sizex,sizey)表示,sizex是灰度图图像的水平尺寸,sizey是灰度图图像的垂直尺寸;
Step2.4、裁剪保留四个区域中最大的一个,即为去除工具灰度图像两侧的角尺后的含有工具部分的图像p(x,y),含有角尺的部分就被去除掉了。
所述步骤Step3中,具体步骤为:
Step3.1、根据已经去除角尺后的图像的白底黑图定义:f(x,y)=p(x,y);p(x,y)为去除工具灰度图像两侧的角尺后的含有工具部分的图像;
Step3.2、利用梯度向量场V(x,y)=(u(x,y),v(x,y))最小化能量函数ε,来获得正则参数μ的取值;
其中,当时,积分结果ε最小,
从而求出μ,μ是一个正则参数;
Step3.3、通过解欧拉方程获得GVF;
其中:欧拉方程为:和此公
式中:当f(x,y)均匀使该式的第二部分为零,u和v分别由其拉普拉斯等式决定,其中,u为梯
度向量场中的横坐标,v为梯度向量场中的纵坐标;
Step3.4、根据迭代公式:和获得上式欧拉公式的解;
其中:当n足够大时,GVF会趋于稳定,该GVF即为梯度向量流场。
所述步骤Step4中,具体步骤为:
Step4.1、利用获得的GVF场中的梯度向量场V的每一个梯度都进行归一化得到Vnormatize=(s(x,y),t(x,y));
Step4.2、对Vnormatize进行微分计算得到改进后的Harris矩阵;
其中:矩阵为:
Step4.3、计算Harris角点检测的隶属度Mc;
其中:Mc=λ1λ2-κ(λ1+λ2)2=det(HGVF)-κtrace2(HGVF),κ的取值范围为0.04~0.15;其中:λ1和λ2为矩阵HGVF进过特征分解得到的两个较大的特征值,det(HGVF)为求矩阵HGVF的行列式,trace(HGVF)为求矩阵HGVF的迹,即矩阵对角线上的元素之和;
Step4.4、利用隶属度Mc为Harris角点设立阀值,设定原则为隶属度为0所对应的角点数值,用来排除去除角尺后的图像的部分角点,余下角点作为特征点的候选点。
所述步骤Step5中,具体步骤为:
Step5.1、基于去除角尺后的图像的局部属性为每个特征点分配一个不变的方向;
Step5.2、用GVF平滑后的图像梯度场代替SIFT里面的图像梯度场;
Step5.3、用m(x,y)和θ(x,y)分别表示梯度的强度和方向;
其中:其中:m(x,y)为梯
度的强度,θ(x,y)为梯度的方向,u为梯度向量场中横坐标的表示法,v为梯度向量场中纵坐
标的表示法,tanh(x)表示双曲正切函数;
Step5.4、利用特征点周围区域的样点方向获得一个方向直方图;
Step5.5、将直方图的最高峰值作为特征点的主方向。
实施例2:一种剪切工具图片的相似度匹配方法,本实施例与实施例1相同,不同之处在于,本实施例是以实际剪切工具进行相似度比对为实例进行讲解;
Step1、根据最初的三通道彩色图生成灰度图,如图1所示;
Step1.1、将图像的左上角作为原点,水平方向为x轴,垂直方向为y轴,构造一个笛卡尔坐标系;
Step1.2、通过公式:gray=0.27*red+0.71*green+0.07*blue将彩色图转化成灰度图;
其中:gray是灰度值,red是红色通道值,green是绿色通道值,blue是蓝色通道值。将彩色图转换为灰度图,该转换方式可以极大地保留了图像的对比度信息,紧接着将每个像素除以1000,将像素值值控制在1.0以下,以方便后续的计算。
Step2、在生成的灰度图上,去除工具图像两侧的角尺,得到含有工具部分的图像;
所述步骤Step2中,具体步骤为:
如图2所示,在工具图像的两侧可能会有(直)角(标)尺,为了将角尺剪裁出去:
Step2.1、利用公式和分别
计算转化后的灰度图图像I(x,y)的水平边缘和垂直边缘;其中:Prewitthorizontal是图像的
水平边缘,Prewittvertacal是图像的垂直边缘;并将其合成一个边缘图Edge(x,y);
Step2.2、通过计算出来的水平边缘和垂直边缘,利用公式:得出角尺的边缘图Edge(x,y);
其中:Edgehorizontal(x,y)=Prewitthorizontal*I(x,y),Edgevertical(x,y)=Prewittvertical*I(x,y);I(x,y)是灰度图图像点的坐标,Edgehorizontal是角尺的水平边缘图,Edgevertical是角尺的垂直边缘图;
Step2.3、根据角尺的边缘图计算到的角尺的隶属度CrosshairMembership(x,y),并且当隶属度CrosshairMembership(a,b)取最大时,正交线x=a,y=b将图片分成四个区域;
其中:隶属度CrosshairMembership(x,y)=EdgeSumhorizontal(x)+EdgeSumvertical(y),水平边缘图强度EdgeSumhorizontal(x)=∑yEdge(x,y)/sizey,垂直边缘图强度EdgeSumvertical(y)=∑xEdge(x,y)/sizex,图像的尺寸大小用extent=(sizex,sizey)表示,sizex是灰度图图像的水平尺寸,sizey是灰度图图像的垂直尺寸;
具体的:
如图3-4所示,横线y=a和竖线x=b的交点p(x,y)其对应的两条正交线其边缘的平均强度累加是图中最大的,图像的尺寸用extent=(sizex,sizey)表示,可以根据以下步骤来求得该点位置:
EdgeSumhorizontal(x)=∑yEdge(x,y)/sizey (1)
EdgeSumvertical(y)=∑xEdge(x,y)/sizex (2)
CrosshairMembership(x,y)=EdgeSumhorizontal(x)+EdgeSumvertical(y) (3)
(3)式表示边缘图Edge(x,y)两个正交方向强度的累加,用其来表示角尺的隶属度,当x=a,y=b两条正交线对应着角尺,使CrosshairMembership(a,b)拥有最大值时,也就是图3中最黑的像素的位置,实际上正交线将图片分为了四个区域,最大的区域即为要保留的区域,裁剪后如下图4。
Step3、对去除过角尺的工具图像进行GVF平滑图像的梯度场操作,消除噪声和尺度较小的细节,获得工具轮廓清晰的图像;
所述步骤Step3中,具体步骤为:
Step3.1、根据已经去除角尺后的图像的白底黑图定义:f(x,y)=p(x,y);p(x,y)为去除工具灰度图像两侧的角尺后的含有工具部分的图像;
Step3.2、利用梯度向量场V(x,y)=(u(x,y),v(x,y))最小化能量函数ε,来获得正则参数μ的取值;
其中,当时,积分结果ε最小,
从而求出μ,μ是一个正则参数;
Step3.3、通过解欧拉方程获得GVF;
其中:欧拉方程为:和此公
式中:当f(x,y)均匀使该式的第二部分为零,u和v分别由其拉普拉斯等式决定,其中,u为梯
度向量场中的横坐标,v为梯度向量场中的纵坐标;
Step3.4、根据迭代公式:和获得上式欧拉公式的解;
其中:当n足够大时,GVF会趋于稳定,该GVF即为梯度向量流场。
具体的:
如图5-6所示,为了将一些噪声和尺度较小的细节过滤,利用GVF获得较为平滑的近似梯度场,图5和图6反应了一个凹形图像梯度场经过GVF处理后的结果,图5中的空白区域被填充外,其向量场还变得更加平滑。
如图7-8所示,利用GVF求的梯度向量流场:
当μ=0.1,n=50,f=I(x,y)得到的梯度向量流场的强度如图8所示,原始的梯度向量场强度7如图所示,图7中的纹理,噪声的梯度强度在图9中得到有效的抑制,并且工具轮廓也得到了扩充,可以看出GVF在平滑梯度和填充均匀区域梯度有着良好作用。
Step4、对工具轮廓清晰的图像进行特征点检测;
所述步骤Step4中,具体步骤为:
Step4.1、利用获得的GVF场中的梯度向量场V的每一个梯度都进行归一化得到Vnormatize=(s(x,y),t(x,y));
Step4.2、对Vnormatize进行微分计算得到改进后的Harris矩阵;
其中:矩阵为:
Step4.3、计算Harris角点检测的隶属度Mc;
其中:Mc=λ1λ2-κ(λ1+λ2)2=det(HGVF)-κtrace2(HGVF),κ的取值范围为0.04~0.15;其中:λ1和λ2为矩阵HGVF进过特征分解得到的两个较大的特征值,det(HGVF)为求矩阵HGVF的行列式,trace(HGVF)为求矩阵HGVF的迹,即矩阵对角线上的元素之和;
Step4.4、利用隶属度Mc为Harris角点设立阀值,设定原则为隶属度为0所对应的角点数值,用来排除去除角尺后的图像的部分角点,余下角点作为特征点的候选点。
具体的:如图9-10所示,利用改进后的Harris矩阵计算Harris角点检测的隶属度Mc,图9便是最终的关键点分布图,经对比可以发现,图9中特征点多分布在拐角处,而没有经过GVF的角点检测,如图10所示,其存在着特别多的干扰点,即使我们提高阈值也不无法将期望特征点点和这些干扰点分离。
Step5、将检测到的特征点进行主方向分配;
所述步骤Step5中,具体步骤为:
Step5.1、基于去除角尺后的图像的局部属性为每个特征点分配一个不变的方向;
Step5.2、用GVF平滑后的图像梯度场代替SIFT里面的图像梯度场;
Step5.3、用m(x,y)和θ(x,y)分别表示梯度的强度和方向;
其中:其中:m(x,y)为梯
度的强度,θ(x,y)为梯度的方向,u为梯度向量场中横坐标的表示法,v为梯度向量场中纵坐
标的表示法,tanh(x)表示双曲正切函数;
Step5.4、利用特征点周围区域的样点方向获得一个方向直方图;
Step5.5、将直方图的最高峰值作为特征点的主方向。
Step6、根据特征点的主方向生成特征描述子;
Step7、利用欧式距离公式对特征点描述子中的特征向量进行特征点匹配,进而得出相似度大小。
具体的:如图11-12所示,在图11所示的关键点描述子中,其将整个分为2x2的子区域,为每个子区域都创建一个方向直方图,方向直方图有8柱,图12以箭头的长度表示去对应方向的直方图柱的高度。为了防止方向直方图受方向和位置临界变化的影响,采用三线性插值来平滑方向直方图。也就是说一个样本点的方向分别线性加权给方向直方图的不同柱,不仅如此,还会根据位置分别加权给相邻子区域的方向直方图。方向直方图的柱是循环的,也就是说0度附近的方向会同时加权给第一柱和最后一柱。将1000个剪切类工具照片全部按此算法进行特征点提取,作为样本库,10个待检测样本的特征进去找相似的图片,与样本库中数据进行批量比对,其结果为如下表所示:
待检样本 | 比对样本 | 比对结果 |
G1-101 | G1-102 | 准确通过 |
G1-102 | G1-101 | 准确通过 |
G1-103R | G1-101 | 通过 |
G1-104R | G1-103 | 准确通过 |
G1-121 | G1-122 | 准确通过 |
G1-122 | G1-121 | 准确通过 |
G1-201 | G1-202 | 准确通过 |
G1-202 | G1-201 | 准确通过 |
G1-203R | G1-204R | 准确通过 |
G1-204R | G1-203R | 准确通过 |
选取相似度程度最高的样本作为比对结果,共有9组数据准确通过比对,1组数据通过比对,并没有错误匹配到其他组别的结果,比对准确通过率为90%。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种剪切工具图片的相似度匹配方法,其特征在于:所述剪切工具图片的相似度匹配方法的具体步骤如下:
Step1、根据最初的三通道彩色图生成灰度图;
Step2、在生成的灰度图上,去除工具图像两侧的角尺,得到含有工具部分的图像;
Step3、对去除过角尺的工具图像进行GVF平滑图像的梯度场操作,消除噪声和尺度较小的细节,获得工具轮廓清晰的图像;
Step4、对工具轮廓清晰的图像进行特征点检测;
Step5、将检测到的特征点进行主方向分配;
Step6、根据特征点的主方向生成特征描述子;
Step7、利用欧式距离公式对特征点描述子中的特征向量进行特征点匹配,进而得出相似度大小;
所述步骤Step2中,具体步骤为:
Step2.1、利用公式和分别计算转化后的灰度图图像I(x,y)的水平边缘和垂直边缘;
其中:Prewitthorizontal是图像的水平边缘,Prewittvertacal是图像的垂直边缘;
Step2.2、通过计算出来的水平边缘和垂直边缘,利用公式:得出角尺的边缘图Edge(x,y);其中:Edgehorizontal(x,y)=Prewitthorizontal*I(x,y),Edgevertical(x,y)=Prewittvertical*I(x,y);I(x,y)是灰度图图像点的坐标,Edgehorizontal是角尺的水平边缘图,Edgevertical是角尺的垂直边缘图;
Step2.3、根据角尺的边缘图计算到的角尺的隶属度CrosshairMembership(x,y),并且当隶属度CrosshairMembership(a,b)取最大时,正交线x=a,y=b将图片分成四个区域;
其中:隶属度CrosshairMembership(x,y)=EdgeSumhorizontal(x)+EdgeSumvertical(y),水平边缘图强度EdgeSumhorizontal(x)=∑yEdge(x,y)/sizey,垂直边缘图强度EdgeSumvertical(y)=∑xEdge(x,y)/sizex,图像的尺寸大小用extent=(sizex,sizey)表示,sizex是灰度图图像的水平尺寸,sizey是灰度图图像的垂直尺寸;
Step2.4、裁剪保留四个区域中最大的一个,即为去除工具灰度图像两侧的角尺后的含有工具部分的图像p(x,y),含有角尺的部分就被去除掉了。
2.根据权利要求1所述的剪切工具图片的相似度匹配方法,其特征在于:所述步骤Step1中,具体步骤为:
Step1.1、将图像的左上角作为原点,水平方向为x轴,垂直方向为y轴,构造一个笛卡尔坐标系;
Step1.2、通过公式:gray=0.27*red+0.71*green+0.07*blue将彩色图转化成灰度图;
其中:gray是灰度值,red是红色通道值,green是绿色通道值,blue是蓝色通道值。
3.根据权利要求1所述的剪切工具图片的相似度匹配方法,其特征在于:所述步骤Step3中,具体步骤为:
Step3.1、根据已经去除角尺后的图像的白底黑图定义:f(x,y)=p(x,y);p(x,y)为去除工具灰度图像两侧的角尺后的含有工具部分的图像;
Step3.2、利用梯度向量场V(x,y)=(u(x,y),v(x,y))最小化能量函数ε,来获得正则参数μ的取值;
其中,当V=▽f时,积分结果ε最小,从而求出μ,μ是一个正则参数;
Step3.3、通过解欧拉方程获得GVF;
其中:欧拉方程为:和此公式中:当f(x,y)均匀使该式的第二部分为零,u和v分别由其拉普拉斯等式决定,其中,u为梯度向量场中的横坐标,v为梯度向量场中的纵坐标;
Step3.4、根据迭代公式:和获得上式欧拉公式的解;
其中:当n足够大时,GVF会趋于稳定,该GVF即为梯度向量流场。
4.根据权利要求1所述的剪切工具图片的相似度匹配方法,其特征在于:所述步骤Step4中,具体步骤为:
Step4.1、利用获得的GVF场中的梯度向量场V的每一个梯度都进行归一化得到Vnormatize=(s(x,y),t(x,y));
Step4.2、对Vnormatize进行微分计算得到改进后的Harris矩阵;
其中:矩阵为:
Step4.3、计算Harris角点检测的隶属度Mc;
其中:Mc=λ1λ2-κ(λ1+λ2)2=det(HGVF)-κtrace2(HGVF),κ的取值范围为0.04~0.15;其中:λ1和λ2为矩阵HGVF进过特征分解得到的两个较大的特征值,det(HGVF)为求矩阵HGVF的行列式,trace(HGVF)为求矩阵HGVF的迹,即矩阵对角线上的元素之和;
Step4.4、利用隶属度Mc为Harris角点设立阀值,设定原则为隶属度为0所对应的角点数值,用来排除去除角尺后的图像的部分角点,余下角点作为特征点的候选点。
5.根据权利要求1所述的剪切工具图片的相似度匹配方法,其特征在于:所述步骤Step5中,具体步骤为:
Step5.1、基于去除角尺后的图像的局部属性为每个特征点分配一个不变的方向;
Step5.2、用GVF平滑后的图像梯度场代替SIFT里面的图像梯度场;
Step5.3、用m(x,y)和θ(x,y)分别表示梯度的强度和方向;
其中:其中:m(x,y)为梯度的强度,θ(x,y)为梯度的方向,u为梯度向量场中横坐标的表示法,v为梯度向量场中纵坐标的表示法,tanh(x)表示双曲正切函数;
Step5.4、利用特征点周围区域的样点方向获得一个方向直方图;
Step5.5、将直方图的最高峰值作为特征点的主方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610101323.9A CN105787487B (zh) | 2016-02-24 | 2016-02-24 | 一种剪切工具图片的相似度匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610101323.9A CN105787487B (zh) | 2016-02-24 | 2016-02-24 | 一种剪切工具图片的相似度匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787487A CN105787487A (zh) | 2016-07-20 |
CN105787487B true CN105787487B (zh) | 2019-04-12 |
Family
ID=56402338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610101323.9A Active CN105787487B (zh) | 2016-02-24 | 2016-02-24 | 一种剪切工具图片的相似度匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787487B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447023B (zh) * | 2018-11-08 | 2020-07-03 | 北京奇艺世纪科技有限公司 | 确定图像相似度的方法、视频场景切换识别方法及装置 |
CN112381109B (zh) * | 2020-04-27 | 2023-05-05 | 昆明理工大学 | 一种应用于单点激光检测的线条痕迹对比系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663733A (zh) * | 2012-03-05 | 2012-09-12 | 河南理工大学 | 基于特征组对的特征点匹配方法 |
CN102945289A (zh) * | 2012-11-30 | 2013-02-27 | 苏州搜客信息技术有限公司 | 基于cgci-sift局部特征的图像检索方法 |
CN103413141A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法 |
US9189854B2 (en) * | 2010-09-30 | 2015-11-17 | A9.Com, Inc. | Contour detection and image classification |
-
2016
- 2016-02-24 CN CN201610101323.9A patent/CN105787487B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9189854B2 (en) * | 2010-09-30 | 2015-11-17 | A9.Com, Inc. | Contour detection and image classification |
CN102663733A (zh) * | 2012-03-05 | 2012-09-12 | 河南理工大学 | 基于特征组对的特征点匹配方法 |
CN102945289A (zh) * | 2012-11-30 | 2013-02-27 | 苏州搜客信息技术有限公司 | 基于cgci-sift局部特征的图像检索方法 |
CN103413141A (zh) * | 2013-07-29 | 2013-11-27 | 西北工业大学 | 环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105787487A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parvin et al. | Iterative voting for inference of structural saliency and characterization of subcellular events | |
Maas et al. | Using pattern recognition to automatically localize reflection hyperbolas in data from ground penetrating radar | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN104751187A (zh) | 抄表图像自动识别方法 | |
CN107292869B (zh) | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 | |
CN110765992B (zh) | 印章鉴别方法、介质、设备及装置 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN103714541A (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
Lee et al. | Skewed rotation symmetry group detection | |
CN116452644A (zh) | 基于特征描述子的三维点云配准方法、装置及存储介质 | |
CN103295014A (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
Ibragimov et al. | Accurate landmark-based segmentation by incorporating landmark misdetections | |
CN105787487B (zh) | 一种剪切工具图片的相似度匹配方法 | |
CN105844290B (zh) | 匹配图像中多个相同对象的方法及装置 | |
Siddiqui et al. | Clustering techniques for image segmentation | |
CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
CN108615041B (zh) | 一种角点检测方法 | |
Thrun | Improving the Sensitivity of Statistical Testing for Clusterability with Mirrored-Density Plots. | |
CN104156956B (zh) | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 | |
Deb et al. | An efficient method for correcting vehicle license plate tilt | |
CN102279925B (zh) | 链式处理人脸识别方法及系统 |
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 |