CN105809625A - 基于局部纹理模式的碎片重构方法 - Google Patents
基于局部纹理模式的碎片重构方法 Download PDFInfo
- Publication number
- CN105809625A CN105809625A CN201610127557.0A CN201610127557A CN105809625A CN 105809625 A CN105809625 A CN 105809625A CN 201610127557 A CN201610127557 A CN 201610127557A CN 105809625 A CN105809625 A CN 105809625A
- Authority
- CN
- China
- Prior art keywords
- lbp
- fragment
- weights
- variance
- formula
- 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
- 239000012634 fragment Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000006872 improvement Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000002203 pretreatment Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000001045 blue dye Substances 0.000 description 1
- 239000001055 blue pigment Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出基于局部纹理模式的碎片重构方法,属于数字图像处理技术领域,该方法旨在基于碎片的局部纹理特征,提取一种带法方向的局部二值模式,以自动拼接由于自然或人为因素导致的破碎凌乱文档(或图像)碎片,使之最大程度上恢复原有信息。首先对碎片进行图像预处理,然后计算ND‑LBP单元,并获得ND‑LBP的权重直方图,最后根据ND‑LBP权重直方图来判断匹配关系来完成碎片重构。该方法具有计算量小、抗噪能力强和辨别力高等特点。
Description
技术领域
本发明涉及基于局部纹理模式的碎片重构方法,属于数字图像处理技术领域。
背景技术
碎片拼接问题是一个在多个研究领域都会遇到的挑战,例如:破损的古代书画典籍需要考古人员修复整理、凌乱的文件和照片碎片等物证需要公安机关组合还原、珍贵的艺术品在被损坏后需要艺术家修补仿造。当碎片数量较少时可以手工拼接,但是面对大量碎片,尤其可能混有无关碎片时,人工拼接是一个极其繁重的体力和脑力劳动。在计算机视觉技术诞生伊始,相关领域的专家便希望能够借助于计算机的大规模信息处理能力代替人工从事这份工作。
作为典型的模式识别处理问题之一,碎片匹配主要涉及如下几个问题:1)提取每个碎片的主要特征,并根据特征计算两两碎片之间的相关性,相关性越大说明碎片匹配的概率越大;2)根据分类算法,准确定位匹配碎片的拼接点(或边缘曲线);3)以一个碎片为基准,按照拼接点之间的空间关系旋转和平移另一碎片,使二者合为一体。
利用碎片边缘特征进行两两碎片匹配是目前应用最多的方法。例如对碎片轮廓线进行曲率编码,然后将两组碎片的编码链条进行循环匹配,寻找最大公共子集。或者对碎片轮廓线的各个角点进行定位,使之作为特征点,计算角点之间的相对位置和角度信息作为特征量进行匹配。基于边缘信息匹配的挑战在于面对边缘形状相近或边缘部分缺失的碎片时,匹配精度很低。在实际情况下也确实存在这样的问题:首先,人们在撕碎一张纸时往往会反复折叠着撕,会撕出很多形状接近的碎片;用碎纸机切碎的文档更是如此,外形几乎完全一致。其次,自然条件下破碎的文件(或瓷砖、壁画等),其边缘部分往往由于腐蚀、摩擦、崩裂等情况造成少量缺损,边缘难以完整保留。
因此,有学者提出根据碎片内容信息进行匹配工作。例如认为相邻碎片临近边缘处的颜色应该非常接近,所表达的信息在空间上是连续的;或根据先验的图像内容对每个碎片有一个大致的定位,缩小搜索范围之后再根据颜色和边缘信息调整碎片匹配。这种方法考虑到了碎片的全局性,但问题在于:首先很多图像和文档的内容是无法提前获取的。其次多个碎片可能分布在不同的空间位置和气候环境下,很可能造成个别碎片被污染或褪色,因此单纯依赖颜色信息也很难有较高的匹配精度,拼接结果并不理想。
德国人Fabian把碎片边缘区域的颜色,边缘曲线的夹角以及曲线段等多源特征综合起来作为碎片配准信息,取得了不错的效果。但是问题在于多源特征在匹配过程中对数据造成很高的维度,计算量庞大。
碎片分类和旋转平移过程已经有很多成熟的算法可供使用。但在用摄像机或扫描仪将碎片数字化的过程中,光学畸变被不可避免地带入,从而造成碎片形状和尺度上的微弱变化。这在旋转平移之后的拼接过程中会产生特征点之间难以完全重合,出现缝隙。多组碎片拼接之后累积误差会越来越大。为了克服这一缺陷需要在后续工作中对缝隙进行微调,以保证拼接效果,增加了计算量。
LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子,最早由T.Ojala,和D.Harwood在1994年提出,用于纹理特征提取。传统的LBP算子定义为在3*3像素的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。
这种LBP不具备旋转不变性,当图像旋转的时候,LBP值也随之改变。后来T.Ojala又提出循环计算LBP值,取最大值或最小值来实现特征的旋转不变性。但是计算量随着邻域像素的数量增长而增长。
发明内容
针对上述现有技术中存在的问题,本发明提出了一种基于局部纹理模式的碎片重构方法,旨在基于碎片的局部纹理特征,提取一种带法方向的局部二值模式,以自动拼接由于自然或人为因素导致的破碎凌乱文档(或图像)碎片,使之最大程度上恢复原有信息。本发明所提出的局部纹理特征被命名为法方向局部二值模式(Normal Direction–Local Binary Pattern),简称ND-LBP,其所采取的技术方案如下:
基于局部纹理模式的碎片重构方法,首先对碎片进行图像预处理,然后计算ND-LBP单元,并获得ND-LBP的权重直方图,最后根据ND-LBP权重直方图来判断匹配关系来完成碎片重构。
优选地,所述重构方法的具体步骤如下:
步骤一、扫描每个碎片使之数字化,并对数字化的图像进行图像预处理;
步骤二、根据步骤一处理后的图像信息计算ND-LBP单元;
步骤三、获得ND-LBP的权重直方图,并通过ND-LBP的权重直方图计算两个碎片边缘区域的相似度,根据最大相似度来判断碎片的匹配关系。
优选地,步骤一中所述图像预处理的具体步骤如下:
第一步、在每个数字图像中分割碎片区域,并应用Canny算子检测碎片边缘;
第二步、对每个碎片进行腐蚀操作,从原图中减去腐蚀后的图像,获得碎片的边缘图;
第三步、提取所述边缘图的内部轮廓,采用尺度空间滤波器检测轮廓曲线上的各个主点。
优选地,步骤二中所述计算ND-LBP单元的具体步骤如下:
第一步、利用最小二乘法对每条轮廓曲线进行多项式拟合,使图像轮廓曲线拟合成一簇多项式曲线段;
第二步、将上述多项式曲线段上的每个像素点作为一个ND-LBP单元的中心点Ic,并计算当前曲线段在Ic处的法线,其中,所述Ic处法线的法方向指向曲线凸起方向;
第三步、将所述法方向与领域像素的交点作为ND-LBP的编码起点,然后围绕中心点Ic顺时针统计ND-LBP码,其中,ND-LBP码的编码计算公式为:
其中,所述编码计算公式中s(x)和t分别表示为:
同时,N表示邻域像素数量,R表示ND-LBP算子半径,γ是ND-LBP相对于传统LBP的旋转角度,In是从传统LBP编码起点开始顺时针方向上的第n个像素值,t表示ND-LBP编码起点与传统LBP编码起点之间在顺时针方向上跨越的像素个数(向下取整)。
优选地,所述获得ND-LBP权重直方图的具体步骤如下:
第一步、将每个曲线段分为K个子段,并统计每个子段上ND-LBP值的方差
第二步、根据权值分配公式给每个方差区域赋予权值,方差的大小决定了赋予权值的大小,方差大的区域赋予的权值要大于方差小的区域赋予的权值,即方差越大,赋予权值越大,以此获得该区域内每个ND-LBP的改进值;所述ND-LBP改进值的公式为:l'c=δ·wk·lc,其中,wk是第k个子段的权值;所述权值分配公式为:
其中,δ表示一尺度因子;
第三步、获得曲线上ND-LBP的权重直方图,所述权重直方图公式为:
其中,
第四步、基于上步所述权重直方图计算两个碎片边缘区域的相似度,并根据最大相似度判断碎片的匹配关系,其中,所述相似度的计算公式为:
hi和hj分别表示第i和第j个候选碎片区域的权重直方图。
优选地,所述重构方法的具体步骤如下:
步骤1、扫描每个碎片使之数字化,在每个数字图像中分割碎片区域,并应用Canny算子检测碎片边缘;对每个碎片进行腐蚀操作,从原图中减去腐蚀后的图像,获得碎片的边缘图;提取所述边缘图的内部轮廓,采用尺度空间滤波器检测轮廓曲线上的各个主点;
步骤2、利用最小二乘法对每条曲线段进行多项式拟合,使图像轮廓曲线拟合成一簇多项式曲线段;将曲线段上的每个像素点作为一个ND-LBP单元的中心点Ic,并计算当前曲线段在Ic处的法线,其中,所述Ic处法线的法方向指向曲线凸起方向;将所述法方向与领域像素的交点作为ND-LBP的编码起点,然后围绕中心点Ic顺时针统计ND-LBP码,其中,编码计算公式为:
其中,所述编码计算公式中s(x)和t分别表示为:
同时,N表示邻域像素数量,R表示ND-LBP算子半径,γ是ND-LBP相对于传统LBP的旋转角度;In是从传统LBP编码起点开始顺时针方向上的第n个像素值,t表示ND-LBP编码起点与传统LBP编码起点之间在顺时针方向上跨越的像素个数(向下取整)。
步骤3、将每个曲线段分为K个子段,并统计每个子段上ND-LBP值的方差根据权值分配公式给每个方差大的区域赋予更大的权值,其中方差大的区域赋予的权值要大于方差小的区域赋予的权值,即方差越大,赋予权值越大。以此获得该区域内每个ND-LBP的改进值;所述ND-LBP改进值的公式为:l'c=δ·wk·lc;所述权值分配公式为:
其中,δ表示一尺度因子;
然后计算曲线上ND-LBP的权重直方图,所述权重直方图公式为:
其中,基于上步所述权重直方图计算两个碎片边缘区域的相似度,并根据最大相似度判断碎片的匹配关系,其中,所述相似度的计算公式为:
hi和hj分别表示第i和第j个候选碎片区域的权重直方图。
本发明有益效果:
本发明所提出的局部纹理特征被命名为法方向局部二值模式(Normal Direction–LocalBinary Pattern),简称ND-LBP。ND-LBP具有以下优点有效的克服了上文中所提到的诸多不足:
1)作为一种单一特征,兼具了碎片轮廓和碎片内容信息,特征表达完备;
2)特征编码格式简单,计算量小;
3)特征抗噪能力强,对于光照、颜色、尺度和旋转变化不敏感;
4)特征对碎片的辨别力高,能有效区分形状相似的碎片;
5)特征量是具有方向性的矢量,为碎片拼接对齐过程提供了极大方便。
附图说明
图1为本发明所述图像重构方法处理的一枚碎片图像及其边缘区域。
图2为本发明所述图像重构方法处理碎片图像的轮廓曲线段和主点。
图3为本发明所述ND-LBP编码过程示意图。
图4为本发明重构实验用碎片示意图。
图5为三块碎片预匹配边界的边缘曲线。
图6为本发明所述碎片重构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步说明,但本发明不受实施例的限制。
本发明涉及数字图像处理技术领域,旨在基于碎片的局部纹理特征,提取一种带法方向的局部二值模式,以自动拼接由于自然或人为因素导致的破碎凌乱文档(或图像)碎片,使之最大程度上恢复原有信息。本发明所提出的局部纹理特征被命名为法方向局部二值模式(Normal Direction–Local Binary Pattern),简称ND-LBP。
结合图1至图3对本发明进行详细说明,
基于局部纹理模式的碎片重构方法,首先对碎片进行图像预处理,然后计算ND-LBP单元,并获得ND-LBP的权重直方图,最后根据ND-LBP权重直方图来判断匹配关系来完成碎片重构。
重构方法的具体步骤如下:
步骤一、扫描每个碎片使之数字化,并对数字化的图像进行图像预处理;
步骤二、根据步骤一处理后的图像信息计算ND-LBP单元;
步骤三、获得ND-LBP的权重直方图,并通过ND-LBP的权重直方图计算两个碎片边缘区域的相似度,根据最大相似度来判断碎片的匹配关系。
上述步骤一中提到的图像预处理的具体步骤如下:
第一步、在每个数字图像中分割碎片区域,并应用Canny算子检测碎片边缘;
第二步、对每个碎片进行腐蚀操作,从原图中减去腐蚀后的图像,获得碎片的边缘图;
第三步、提取所述边缘图的内部轮廓,采用尺度空间滤波器检测轮廓曲线上的各个主点。
上述步骤二中提到的计算ND-LBP单元的具体步骤如下:
第一步、利用最小二乘法对每条轮廓曲线段进行多项式拟合,使图像轮廓曲线拟合成一簇多项式曲线段;
第二步、将曲线段上的每个像素点作为一个ND-LBP单元的中心点Ic,并计算当前曲线段在Ic处的法线,其中,所述Ic处法线的法方向指向曲线凸起方向;
第三步、将所述法方向与领域像素的交点作为ND-LBP的编码起点,然后围绕中心点Ic顺时针统计ND-LBP码,其中,编码计算公式为:
其中,所述编码计算公式中s(x)和t分别表示为:
同时,N表示邻域像素数量,R表示ND-LBP算子半径,γ是ND-LBP相对于传统LBP的旋转角度;In是从传统LBP编码起点开始顺时针方向上的第n个像素值,t表示ND-LBP编码起点与传统LBP编码起点之间在顺时针方向上跨越的像素个数(向下取整)。在图像旋转过程中每个ND-LBP算子的法方向也随之旋转,算子的出发点像素随之恒定,因此ND-LBP的值不会发生改变。ND-LBP具有旋转不变性,且计算量仅为传统旋转不变方法的1/N。
上述步骤三中获得ND-LBP权重直方图的具体步骤如下:
第一步、将每个曲线段分为K个子段,并统计每个子段上ND-LBP值的方差方差越大表明该区域纹理越突出或曲线曲率变化越大;
第二步、根据权值分配公式给每个方差大的区域赋予更大的关注度,即赋予更大的权值,以此获得该区域内每个ND-LBP的改进值;所述ND-LBP改进值的公式为:l'c=δ·wk·lc;所述权值分配公式为:
其中,δ表示一尺度因子;
第三步、获得曲线上ND-LBP的权重直方图,所述权重直方图公式为:
其中,
第四步、基于上步所述权重直方图计算两个碎片边缘区域的相似度,并根据最大相似度判断碎片的匹配关系,其中,所述相似度的计算公式为:
hi和hj分别表示第i和第j个候选碎片区域的权重直方图。
由此,本发明所述碎片重构方法的具体详细步骤如下:
步骤1、扫描每个碎片使之数字化,在每个数字图像中分割碎片区域,并应用Canny算子检测碎片边缘;对每个碎片进行腐蚀操作,从原图中减去腐蚀后的图像,获得碎片的边缘图;提取所述边缘图的内部轮廓,采用尺度空间滤波器检测轮廓曲线上的各个主点;
步骤2、利用最小二乘法对每条内轮廓曲线段进行多项式拟合,使图像内轮廓曲线拟合成一簇多项式曲线段;将曲线段上的每个像素点作为一个ND-LBP单元的中心点Ic,并计算当前曲线段在Ic处的法线,其中,所述Ic处法线的法方向指向曲线凸起方向;将所述法方向与领域像素的交点作为ND-LBP的编码起点,然后围绕中心点Ic顺时针统计ND-LBP码,其中,编码计算公式为:
其中,所述编码计算公式中s(x)和t分别表示为:
同时,N表示邻域像素数量,R表示ND-LBP算子半径,γ是ND-LBP相对于传统LBP的旋转角度;In是从传统LBP编码起点开始顺时针方向上的第n个像素值,t表示ND-LBP编码起点与传统LBP编码起点之间在顺时针方向上跨越的像素个数(向下取整)。
步骤3、将每个曲线段分为K个子段,并统计每个子段上ND-LBP值的方差根据权值分配公式给每个方差大的区域赋予更大的权值,以此获得该区域内每个ND-LBP的改进值;所述ND-LBP改进值的公式为:l'c=δ·wk·lc;所述权值分配公式为:
其中,δ表示一尺度因子;
然后计算曲线上ND-LBP的权重直方图,所述权重直方图公式为:
其中,基于上步所述权重直方图计算两个碎片边缘区域的相似度,并根据最大相似度判断碎片的匹配关系,其中,所述相似度的计算公式为:
hi和hj分别表示第i和第j个候选碎片区域的权重直方图。
实施例1
实施例1的实验数据集由图像处理领域经典图像Lena照片的碎片组成。手工将Lena照片撕成8个尺寸约25mm×45mm(扫描后电子版数据约160×270pixels)、形状相似的碎片。使用3×3的ND-LBP卷积模板,即N=8,R=1。通过计算两个候选匹配边界部分的直方图向量夹角余弦来衡量配准精度,计算公式如下:
hi,hj是两个候选碎片预拼接边缘区域的ND-LBP直方图,Sim表示相似度,两组向量越接近,Sim越逼近于1。
1、相似测度实验
图4为四块Lena照片碎片;A,B,C是三片相邻的碎片;D是碎片A的左下角被蓝色颜料污染后的情况;虚线框内表示预匹配的碎片边缘。从图4中可以看出A和C是一对相邻的碎片,A的下边缘和C的上边缘为匹配边界。在这两个区域上利用本发明所述方法统计ND-LBP的权重直方图,同时统计传统碎片匹配中常用到的颜色特征——灰度直方图。得到的统计结果为:SimND-LBP(ha,hc)=0.863,Simgray(ha,hc)=0.822。由于两组向量越接近,Sim越逼近于1,可见在理想情况下ND-LBP特征略好于传统的颜色特征。
2、辨别能力实验
实验一:使用蓝色染料污染图4中A碎片左下角,产生如图4中D碎片现象。在这种碎片污染的情况下再分别计算基于ND-LBP和灰度直方图的相似度,得到结果分别为:SimND-LBP(hc,hd)=0.682,Simgray(hc,hd)=0.168,ND-LBP特征的辨别能力明显高于传统的颜色特征。
实验二:从图4中可以看出B和C的上边缘由于折叠撕扯导致形状非常相似,在重构过程中极易造成混淆,导致图片匹配错误。在这里分别采用传统形状特征匹配和本发明所述ND-LBP特征匹配两种方法计算相似度。图5显示了图4中A、B、C三块碎片与匹配边界的边缘曲线,在多边形处理之后的近似多边形如直线折线所示,圆点表示折线的角点。
采用传统的形状特征,基于角点处的折线夹角计算两组边缘的相似度分别为:Simangle(a,b)=0.999、Simangle(a,c)=0.998,两组数值差别在千分之一,可见基于传统的形状特征难以区分相似的碎片。
采用基于ND-LBP的计算结果为:SimND-LBP(ha,hb)=0.563、SimND-LBP(ha,hc)=0.863。a/c的相似度远高于a/b。这说明ND-LBP对于形状相似的碎片有着非常好的区分辨别能力,是一种鲁棒性非常好的特征描述子。
最终通过循环查找最大相似度的方法去匹配相邻碎片,进而实现图像重构。图6显示了重构过程。两篇候选碎片的相似度计算时间约62ms,在本数据集上,整幅图像的重构时间约30.75s。
虽然本发明已以较佳的实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可以做各种改动和修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (6)
1.基于局部纹理模式的碎片重构方法,其特征在于,首先对碎片进行图像预处理,然后计算ND-LBP单元,并获得ND-LBP的权重直方图,最后根据ND-LBP权重直方图来判断匹配关系完成碎片重构。
2.根据权利要求1所述碎片重构方法,其特征在于,所述重构方法的步骤如下:
步骤一、扫描每个碎片使之数字化,并对数字化的图像进行图像预处理;
步骤二、根据步骤一预处理后的图像信息计算ND-LBP单元;
步骤三、获得ND-LBP的权重直方图,并通过ND-LBP的权重直方图计算两个碎片边缘区域的相似度,根据最大相似度来判断碎片的匹配关系。
3.根据权利要求2所述碎片重构方法,其特征在于,步骤一中所述图像预处理的具体步骤如下:
第一步、在每个数字图像中分割碎片区域,并应用Canny算子检测碎片边缘;
第二步、对每个碎片进行腐蚀操作,从原图中减去腐蚀后的图像,获得碎片的边缘图;
第三步、提取所述边缘图的内部轮廓,采用尺度空间滤波器检测轮廓曲线上的各个主点。
4.根据权利要求3所述碎片重构方法,其特征在于,步骤二中所述计算ND-LBP单元的具体步骤如下:
第一步、利用最小二乘法对每条轮廓曲线进行多项式拟合,使图像轮廓曲线拟合成一簇多项式曲线段;
第二步、将上述曲线段上的每个像素点作为一个ND-LBP单元的中心点Ic,并计算当前曲线段在Ic处的法线,其中,所述Ic处法线的法方向指向曲线凸起方向;
第三步、将所述法方向与领域像素的交点作为ND-LBP的编码起点,然后围绕中心点Ic顺时针统计ND-LBP码。
5.根据权利要求4所述碎片重构方法,其特征在于,所述获得ND-LBP权重直方图的具体步骤如下:
第一步、将每个曲线段分为K个子段,并统计每个子段上ND-LBP值的方差
第二步、根据权值分配公式给每个方差区域赋予权值,其中方差大的区域赋予的权值要大于方差小的区域赋予的权值,以此获得该区域内每个ND-LBP的改进值;
第三步、计算曲线上ND-LBP的权重直方图;
第四步、基于上步所述权重直方图计算两个碎片边缘区域的相似度,并根据最大相似度判断碎片的匹配关系。
6.根据权利要求1所述碎片重构方法,其特征在于,所述重构方法的具体步骤如下:
步骤1、扫描每个碎片使之数字化,在每个数字图像中分割碎片区域,并应用Canny算子检测碎片边缘;对每个碎片进行腐蚀操作,从原图中减去腐蚀后的图像,获得碎片的边缘图;提取所述边缘图的内部轮廓,采用尺度空间滤波器检测轮廓曲线上的各个主点;
步骤2、利用最小二乘法对每条轮廓曲线进行多项式拟合,使图像轮廓曲线拟合成一簇多项式曲线段;将曲线段上的每个像素点作为一个ND-LBP单元的中心点Ic,并计算当前曲线段在Ic处的法线,其中,所述Ic处法线的法方向指向曲线凸起方向;随后将所述法方向与领域像素的交点作为ND-LBP的编码起点,然后围绕中心点Ic顺时针统计ND-LBP码;其中,ND-LBP码的编码计算公式为:
其中,所述编码计算公式中s(x)和t分别表示为:
同时,N表示邻域像素数量,R表示ND-LBP算子半径,γ是ND-LBP相对于传统LBP的旋转角度,In是从传统LBP编码起点开始顺时针方向上的第n个像素值,t表示ND-LBP编码起点与传统LBP编码起点之间在顺时针方向上跨越的像素个数(向下取整);
步骤3、将每个曲线段分为K个子段,并统计每个子段上ND-LBP值的方差根据权值分配公式给每个方差区域赋予权值,其中方差大的区域赋予的权值要大于方差小的区域赋予的权值,以此获得该区域内每个ND-LBP的改进值;所述ND-LBP改进值的公式为:l'c=δ·wk·lc,其中,wk是第k个子段的权值;所述权值分配公式为:然后计算曲线上ND-LBP的权重直方图,所述权重直方图公式为:
其中,i∈[0,2N-1],基于上步所述权重直方图计算两个碎片边缘区域的相似度,并根据最大相似度判断碎片的匹配关系,其中,所述相似度的计算公式为:
hi和hj分别表示第i和第j个候选碎片区域的权重直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610127557.0A CN105809625B (zh) | 2016-03-07 | 2016-03-07 | 基于局部纹理模式的碎片重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610127557.0A CN105809625B (zh) | 2016-03-07 | 2016-03-07 | 基于局部纹理模式的碎片重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105809625A true CN105809625A (zh) | 2016-07-27 |
CN105809625B CN105809625B (zh) | 2019-04-02 |
Family
ID=56466824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610127557.0A Active CN105809625B (zh) | 2016-03-07 | 2016-03-07 | 基于局部纹理模式的碎片重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809625B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971453A (zh) * | 2017-04-06 | 2017-07-21 | 深圳怡化电脑股份有限公司 | 纸币碎片拼接的方法及装置 |
CN107886475A (zh) * | 2017-12-11 | 2018-04-06 | 奕响(大连)科技有限公司 | 一种单通道的图片相似判定方法 |
CN109829489A (zh) * | 2019-01-18 | 2019-05-31 | 刘凯欣 | 一种基于多层特征的文物碎片重组方法及装置 |
CN109948644A (zh) * | 2019-01-21 | 2019-06-28 | 深圳壹账通智能科技有限公司 | 一种相似房源数据检测方法、装置及终端设备 |
CN112802045A (zh) * | 2021-02-24 | 2021-05-14 | 燕山大学 | 一种同步检测图像中平行直线和平行曲线特征的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120294535A1 (en) * | 2010-02-05 | 2012-11-22 | S1 Corporation | Face detection method and apparatus |
CN104835116A (zh) * | 2015-04-10 | 2015-08-12 | 山东师范大学 | 一种基于轮廓的二维碎片拼接方法 |
-
2016
- 2016-03-07 CN CN201610127557.0A patent/CN105809625B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120294535A1 (en) * | 2010-02-05 | 2012-11-22 | S1 Corporation | Face detection method and apparatus |
CN104835116A (zh) * | 2015-04-10 | 2015-08-12 | 山东师范大学 | 一种基于轮廓的二维碎片拼接方法 |
Non-Patent Citations (3)
Title |
---|
毋小省等: "基于局部方向纹理谱描述符的图像检索", 《计算机工程与应用》 * |
毋小省等: "基于改进方向纹理谱特征的图像检索", 《光电子激光》 * |
王轩: "碎片拼接", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971453A (zh) * | 2017-04-06 | 2017-07-21 | 深圳怡化电脑股份有限公司 | 纸币碎片拼接的方法及装置 |
CN106971453B (zh) * | 2017-04-06 | 2020-01-14 | 深圳怡化电脑股份有限公司 | 纸币碎片拼接的方法及装置 |
CN107886475A (zh) * | 2017-12-11 | 2018-04-06 | 奕响(大连)科技有限公司 | 一种单通道的图片相似判定方法 |
CN109829489A (zh) * | 2019-01-18 | 2019-05-31 | 刘凯欣 | 一种基于多层特征的文物碎片重组方法及装置 |
CN109948644A (zh) * | 2019-01-21 | 2019-06-28 | 深圳壹账通智能科技有限公司 | 一种相似房源数据检测方法、装置及终端设备 |
CN112802045A (zh) * | 2021-02-24 | 2021-05-14 | 燕山大学 | 一种同步检测图像中平行直线和平行曲线特征的方法 |
CN112802045B (zh) * | 2021-02-24 | 2022-05-13 | 燕山大学 | 一种同步检测图像中平行直线和平行曲线特征的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105809625B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809625A (zh) | 基于局部纹理模式的碎片重构方法 | |
Pintus et al. | A survey of geometric analysis in cultural heritage | |
CN102855495B (zh) | 电子版标准答案的实现方法及其应用系统 | |
CN101142584B (zh) | 面部特征检测的方法 | |
CN107491730A (zh) | 一种基于图像处理的化验单识别方法 | |
CN101630363A (zh) | 复杂背景下彩色图像人脸的快速检测方法 | |
Chen et al. | Shadow-based Building Detection and Segmentation in High-resolution Remote Sensing Image. | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
CN101739546A (zh) | 基于图像交叉重建的单样本注册图像人脸识别方法 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN102176208A (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
CN105844278A (zh) | 一种多特征融合的织物扫描图案识别方法 | |
CN104657964A (zh) | 一种碎片图像计算机自动拼接方法 | |
Karunarathne et al. | Recognizing ancient sinhala inscription characters using neural network technologies | |
Saroja et al. | Texture analysis of non-uniform images using GLCM | |
Xu et al. | License plate recognition system based on deep learning | |
Han et al. | A combined approach for the binarization of historical Tibetan document images | |
CN109766850A (zh) | 基于特征融合的指纹图像匹配方法 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Chowdhury et al. | Scene text detection using sparse stroke information and MLP | |
Choi et al. | Relief extraction from a rough stele surface using svm-based relief segment selection | |
Ueda et al. | Automatic verification system for seal imprints on Japanese bankchecks | |
Debroutelle et al. | Automatic classification of ceramic sherds with relief motifs | |
Aznaveh et al. | A new color based method for skin detection using RGB vector space |
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 |