CN106203424A - 一种基于网络的图像形状轮廓识别方法 - Google Patents

Abstract

本发明公开了一种基于网络的图像形状轮廓识别方法，将复杂网络方法应用于图像目标识别领域，针对形状轮廓识别和灰度图像识别等应用环境，提出一类基于复杂网络的图像目标识别方法。通过将基于轮廓的图像识别方法与复杂网络方法优点相融合，该方法既保留基于轮廓的识别方法所具有的过程简单、识别效率高等特点，又充分发挥复杂网络方法仅考虑网络拓扑结构，与节点位置、顺序无关等特点，克服了图像轮廓轻微变化、光照强度小幅度变化以及局部遮挡等因素对识别方法的影响，使得识别方法具有平面旋转不变性、平移不变性、缩放不变性以及一定程度的容噪性。

Description

一种基于网络的图像形状轮廓识别方法

技术领域

本发明属于网络方法领域，更具体地说，本发明涉及一种基于网络的图像形状轮廓识别方法。

背景技术

人类主要通过视觉、听觉、触觉、噴觉等系统感知周边环境，获取各类信息。其中，结构最复杂的视觉系统，在人类与外部环境形成互动过程中，发挥着重要作用。为了让计算机更好地替代人类从事各项活动，越来越多的研究人员致力于对人类视觉感知高效性的研究’通过用计算机模拟生理视觉系统的视觉功能，开展视觉分析的研究，探索赋予计算机感知周边视觉环境，认知空间结构，识别图像中物体，解析变化规律能力的方法，帮助计算机主动地理解静态图片以及动态视频中包含的海量信息。对特定环境和特定对象，提出了许多基于目标特征的方法，取得了许多研究成果，但是该类方法没有充分考虑检测目标的几何特征，在特定环境下存在计算量大、采样粒子多样性丧失等问题。

发明内容

本发明所要解决的问题是提供一种基于网络的图像形状轮廓识别方法。

为了实现上述目的，本发明采取的技术方案为：

一种基于网络的图像形状轮廓识别方法，包括如下步骤：

(1)像素点转化为轮廓点

对于二值化处理后的形状轮廓图，每一个像素点被赋值0和1分别表示黑色点和白色点，其中，黑色点为轮廓点，白色点则为非轮廓点，利用复杂网络对形状轮廓进行建模，首先要对轮廓中的像素点进行重新表示，使其符合下一步建模的要求；

(2)轮廓点集转化为规则网络

接着对轮廓点集进行网络建模，将集合P以图G＝(V,E)的形式表现，在轮廓点映射为顶点的基础上，对图中每一对顶点之间添加一条连接边，得到全耦合网络；

(3)规则网络转化为复杂网络

引入一个距离阈值，在阈值范围内产生一组新的连接边集合，忽略间隔距离较大的节点间连接关系，将规则网络转化为复杂网络；

(4)网络建模

对特定的形状轮廓i，抽象化为对应的图Gi，选定距离阈值集合R中的所有值r^j，顺序作用在节点集合中，分别建立相应的网络模型；

(5)单组参数提取

针对每一个生成的网络模型，分别计算每一个节点的度，对应得到该络的最大度Kk(r^j)和Ku(r^j)；

(6)汇集识别参数

将针对Gi产生的所有网络模型计算所得的参数合并成一个一维数组，就得到最终的识别参数θ；

(7)形状识别

根据上述步骤得到每一个形状轮廓的识别参数后，可以对不同形状轮廓进行分类识别。

优选的，所述步骤(1)中像素点转化为轮廓点的具体算法为

①在图像所处平面中选取一个坐标原点，并在此基础上建立平面直角坐标系，将图像上的形状轮廓点表示为该点在坐标系中的坐标值,图像中的所有像素点都被映射到一个点集合V₀；

②对于V₀中的任意点V₀ ¹，其表示形式为V₀ ¹＝(P₀ ¹,W₀ ¹)，其中，1是该点的序号，P₀ ¹代表该点在所建立平面坐标系中的坐标值，记为P₀ ¹＝(x₀ ¹,y₀ ¹)∈P₀，P₀是所有像素点的坐标值集合，W₀ ¹∈W₀，W₀是所有像素点的颜色值集合，在灰度图像中，W₀ ¹代表该点的灰度值，对二值化的形状轮廓图建模时，W₀ ¹取值为0或1，分别对应轮廓点和非轮廓点；

③通过对P₀中的点进行筛选，排除非轮廓点，得到P₀的一个子集合P，P中的元素是用于复杂网络建模的轮廊点集合。

优选的，所述步骤(3)规则网络转化为复杂网络的具体做法为给定距离阈值r，如果两顶点间的欧氏距离大于等于r，则去除顶点间的连接边，否则保留顶点间的连接边。

优选的，所述欧氏距离的计算公式为

$dist(p^i,p^j)=\sqrt{{(x^i-x^j)}^2+{(y^i-y^j)}^2}.$

优选的，所述步骤(6)中识别参数θ的定义形式为

θ(Gi)＝[Kκ(r⁰)，Kμ(r⁰)，Kκ(r¹)，Kμ(r¹)，…，Kκ(r^m)，Kμ(r^m)]。

优选的，所述步骤(7)中形状识别的具体步骤为：

①建立识别分组，分别建立形状轮廓的样本组和测试组；

②计算识别结果，形状轮廓的样本组和测试组对应记为Gs和G1。对于Gt中的每一个轮廓，计算其识别参数θ(Gt)与Gs中每一个轮廓识别参数θ(Gs)之间的二阶范数；

③划分轮廓分组，根据计算结果，将测试分组的轮廓划分入已知分组中。

有益效果：本发明提供了一种基于网络的图像形状轮廓识别方法，将复杂网络方法应用于图像目标识别领域，针对形状轮廓识别和灰度图像识别等应用环境，提出一类基于复杂网络的图像目标识别方法。通过将基于轮廓的图像识别方法与复杂网络方法优点相融合，该方法既保留基于轮廓的识别方法所具有的过程简单、识别效率高等特点，又充分发挥复杂网络方法仅考虑网络拓扑结构，与节点位置、顺序无关等特点，克服了图像轮廓轻微变化、光照强度小幅度变化以及局部遮挡等因素对识别方法的影响，使得识别方法具有平面旋转不变性、平移不变性、缩放不变性以及一定程度的容噪性。

具体实施方式

一种基于网络的图像形状轮廓识别方法，包括如下步骤：

(1)像素点转化为轮廓点

对于二值化处理后的形状轮廓图，每一个像素点被赋值0和1分别表示黑色点和白色点，其中，黑色点为轮廓点，白色点则为非轮廓点，利用复杂网络对形状轮廓进行建模，首先要对轮廓中的像素点进行重新表示，使其符合下一步建模的要求，所述像素点转化为轮廓点的具体算法为

①在图像所处平面中选取一个坐标原点，并在此基础上建立平面直角坐标系，将图像上的形状轮廓点表示为该点在坐标系中的坐标值,图像中的所有像素点都被映射到一个点集合V₀；

②对于V₀中的任意点V₀ ¹，其表示形式为V₀ ¹＝(P₀ ¹,W₀ ¹)，其中，1是该点的序号，P₀ ¹代表该点在所建立平面坐标系中的坐标值，记为P₀ ¹＝(x₀ ¹,y₀ ¹)∈P₀，P₀是所有像素点的坐标值集合，W₀ ¹∈W₀，W₀是所有像素点的颜色值集合，在灰度图像中，W₀ ¹代表该点的灰度值，对二值化的形状轮廓图建模时，W₀ ¹取值为0或1，分别对应轮廓点和非轮廓点；

③通过对P₀中的点进行筛选，排除非轮廓点，得到P₀的一个子集合P，P中的元素是用于复杂网络建模的轮廊点集合；

(2)轮廓点集转化为规则网络

接着对轮廓点集进行网络建模，将集合P以图G＝(V,E)的形式表现，在轮廓点映射为顶点的基础上，对图中每一对顶点之间添加一条连接边，得到全耦合网络；

(3)规则网络转化为复杂网络

引入一个距离阈值，在阈值范围内产生一组新的连接边集合，忽略间隔距离较大的节点间连接关系，将规则网络转化为复杂网络，所述规则网络转化为复杂网络的具体做法为给定距离阈值r，如果两顶点间的欧氏距离大于等于r，则去除顶点间的连接边，否则保留顶点间的连接边，所述欧氏距离的计算公式为

$dist(p^i,p^j)=\sqrt{{(x^i-x^j)}^2+{(y^i-y^j)}^2};$

(4)网络建模

对特定的形状轮廓i，抽象化为对应的图Gi，选定距离阈值集合R中的所有值r^j，顺序作用在节点集合中，分别建立相应的网络模型；

(5)单组参数提取

针对每一个生成的网络模型，分别计算每一个节点的度，对应得到该络的最大度Kk(r^j)和Ku(r^j)；

(6)汇集识别参数

将针对Gi产生的所有网络模型计算所得的参数合并成一个一维数组，就得到最终的识别参数θ，识别参数θ的定义形式为

θ(Gi)＝[Kκ(r⁰)，Kμ(r⁰)，Kκ(r¹)，Kμ(r¹)，…，Kκ(r^m)，Kμ(r^m)]；

(7)形状识别

根据上述步骤得到每一个形状轮廓的识别参数后，可以对不同形状轮廓进行分类识别，所述形状识别的具体步骤为：

①建立识别分组，分别建立形状轮廓的样本组和测试组；

②计算识别结果，形状轮廓的样本组和测试组对应记为Gs和G1。对于Gt中的每一个轮廓，计算其识别参数θ(Gt)与Gs中每一个轮廓识别参数θ(Gs)之间的二阶范数；

③划分轮廓分组，根据计算结果，将测试分组的轮廓划分入已知分组中。

本发明提供了一种基于网络的图像形状轮廓识别方法，将复杂网络方法应用于图像目标识别领域，针对形状轮廓识别和灰度图像识别等应用环境，提出一类基于复杂网络的图像目标识别方法。通过将基于轮廓的图像识别方法与复杂网络方法优点相融合，该方法既保留基于轮廓的识别方法所具有的过程简单、识别效率高等特点，又充分发挥复杂网络方法仅考虑网络拓扑结构，与节点位置、顺序无关等特点，克服了图像轮廓轻微变化、光照强度小幅度变化以及局部遮挡等因素对识别方法的影响，使得识别方法具有平面旋转不变性、平移不变性、缩放不变性以及一定程度的容噪性。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种基于网络的图像形状轮廓识别方法，其特征在于，包括如下步骤：

(1)像素点转化为轮廓点

对于二值化处理后的形状轮廓图，每一个像素点被赋值0和1分别表示黑色点和白色点，其中，黑色点为轮廓点，白色点则为非轮廓点，利用复杂网络对形状轮廓进行建模，首先要对轮廓中的像素点进行重新表示，使其符合下一步建模的要求；

(2)轮廓点集转化为规则网络

接着对轮廓点集进行网络建模，将集合P以图G＝(V,E)的形式表现，在轮廓点映射为顶点的基础上，对图中每一对顶点之间添加一条连接边，得到全耦合网络；

(3)规则网络转化为复杂网络

引入一个距离阈值，在阈值范围内产生一组新的连接边集合，忽略间隔距离较大的节点间连接关系，将规则网络转化为复杂网络；

(4)网络建模

对特定的形状轮廓i，抽象化为对应的图Gi，选定距离阈值集合R中的所有值r^j，顺序作用在节点集合中，分别建立相应的网络模型；

(5)单组参数提取

针对每一个生成的网络模型，分别计算每一个节点的度，对应得到该络的最大度Kk(r^j)和Ku(r^j)；

(6)汇集识别参数

将针对Gi产生的所有网络模型计算所得的参数合并成一个一维数组，就得到最终的识别参数_θ；

(7)形状识别

根据上述步骤得到每一个形状轮廓的识别参数后，可以对不同形状轮廓进行分类识别。

2.按照权利要求1所述的一种基于网络的图像形状轮廓识别方法，其特征在于：所述步骤(1)中像素点转化为轮廓点的具体算法为

①在图像所处平面中选取一个坐标原点，并在此基础上建立平面直角坐标系，将图像上的形状轮廓点表示为该点在坐标系中的坐标值,图像中的所有像素点都被映射到一个点集合V₀；

②对于V₀中的任意点V₀ ¹，其表示形式为V₀ ¹＝(P₀ ¹,W₀ ¹)，其中，1是该点的序号，P₀ ¹代表该点在所建立平面坐标系中的坐标值，记为P₀ ¹＝(x₀ ¹,y₀ ¹)∈P₀，P₀是所有像素点的坐标值集合，W₀ ¹∈W₀，W₀是所有像素点的颜色值集合，在灰度图像中，W₀ ¹代表该点的灰度值，对二值化的形状轮廓图建模时，W₀ ¹取值为0或1，分别对应轮廓点和非轮廓点；

③通过对P₀中的点进行筛选，排除非轮廓点，得到P₀的一个子集合P，P中的元素是用于复杂网络建模的轮廊点集合。

3.按照权利要求1所述的一种基于网络的图像形状轮廓识别方法，其特征在于：所述步骤(3)规则网络转化为复杂网络的具体做法为给定距离阈值r，如果两顶点间的欧氏距离大于等于r，则去除顶点间的连接边，否则保留顶点间的连接边。

4.按照权利要求3所述的一种基于网络的图像形状轮廓识别方法，其特征在于：所述欧氏距离的计算公式为

$dist(p^i,p^j)=\sqrt{{(x^i-x^j)}^2+{(y^i-y^j)}^2}.$

5.按照权利要求1所述的一种基于网络的图像形状轮廓识别方法，其特征在于：所述步骤(6)中识别参数θ的定义形式为

θ(Gi)＝[Kκ(r⁰)，Kμ(r⁰)，Kκ(r¹)，Kμ(r¹)，...，Kκ(r^m)，Kμ(r^m)]。

6.按照权利要求1所述的一种基于网络的图像形状轮廓识别方法，其特征在于：所述步骤(7)中形状识别的具体步骤为：

①建立识别分组，分别建立形状轮廓的样本组和测试组；

②计算识别结果，形状轮廓的样本组和测试组对应记为Gs和G1。对于Gt中的每一个轮廓，计算其识别参数θ(Gt)与Gs中每一个轮廓识别参数θ(Gs)之间的二阶范数；

③划分轮廓分组，根据计算结果，将测试分组的轮廓划分入已知分组中。