CN107766562B - 复杂面状带洞实体场景相似性的分层次度量方法 - Google Patents
复杂面状带洞实体场景相似性的分层次度量方法 Download PDFInfo
- Publication number
- CN107766562B CN107766562B CN201711081229.2A CN201711081229A CN107766562B CN 107766562 B CN107766562 B CN 107766562B CN 201711081229 A CN201711081229 A CN 201711081229A CN 107766562 B CN107766562 B CN 107766562B
- Authority
- CN
- China
- Prior art keywords
- similarity
- scene
- micro
- entity
- scenes
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了复杂面状带洞实体场景相似性的分层次度量方法,将复杂面状带洞实体场景分为复合场景层、微场景层和简单实体层;将临近的层级间关系视为集合关系,每一层级的相似性度量互相嵌套,自顶向下进行实体匹配,从局部到整体进行相似性计算,进而得到复杂面状带洞实体场景相似性度量结果。本发明适于研究更为复杂的复杂面状带洞实体场景。
Description
技术领域
本发明涉及地理信息科学领域,尤其涉及一种复杂面状带洞实体场景相似性的分层次度量方法。
背景技术
在地理信息系统中,复杂面状带洞实体场景具有普适性与复杂性。对复杂面状带洞实体场景的相似性判断和检索无疑是空间数据库及地理信息科学研究的热点和难点问题。空间数据库系统、检索条件、地理信息系统中普遍存在着复杂面状带洞实体场景如:多个带岛湖泊场景、带洞建筑集群等(任意多个面状带洞实体的集合)。由于面实体内包含的洞的数量随机,两个复杂场景内包含的面实体的数量也极有可能不同,使得两个复杂场景内面实体之间、洞与洞之间的匹配关系极为复杂,许多现有的空间场景相似性度量模型受限于复杂的匹配关系而不再适用。不仅如此,目前国内外对于空间相似性的研究仅发展到多洞面实体的相似性度量,尚未有更为复杂的复杂面状带洞实体场景相似性的计算模型。
发明内容
有鉴于此,本发明的实施例提供了一种基于“分层”的思想对复杂面状带洞实体场景相似性的分层次度量方法。
本发明的实施例提供复杂面状带洞实体场景相似性的分层次度量方法,将复杂面状带洞实体场景分为复合场景层、微场景层和简单实体层;将临近的层级间关系视为集合关系,每一层级的相似性度量互相嵌套,自顶向下进行实体匹配,从局部到整体进行相似性计算,进而复杂面状带洞实体场景相似性度量结果。
进一步,所述复合场景层为复杂面状带洞实体场景,复杂面状带洞实体场景内的面状带洞实体视为简单的微场景,微场景在复杂面状带洞实体场景内有其固定的位置分布,将复杂面状带洞实体场景分解成为一个个微场景,所述复合场景层的相似性是其包含的若干个微场景的相似性、微场景的形状相似性、分布相似性与匹配相似性的整体概括;
所述微场景层为将不关心面状带洞实体在复杂面状带洞实体场景内的位置分布、匹配情况与外轮廓的微场景,微场景内的“洞”视为简单的面实体,面实体在微场景内有其固定的位置分布,微场景为面实体的组合,所述微场景层的相似性为其包含的面实体的形状相似性、方向相似性与面实体匹配完整度的整体概括;
所述简单实体层为将不关心“洞”在微场景内的匹配情况的层级,所述简单实体层的相似性包含面实体的形状相似性和方向相似性。
进一步,所述形状相似性的具体描述方法为:
其中,与为多边形A、B的形状描述矩阵,矩阵中的每一行为at=[|at(0)||at(1)|…|at(N’-1)|,每一个分量为第t级弦长的快速傅里叶描述子函数Lt(Cj)表示几何实体中某一有序点Pi的第t级弦的弦长。
进一步,所述方向相似性的具体描述方法为:
其中,二元组Distance计算匹配的微场景内面实体的方向特征矩阵之间的距离,表示为在4-D晶格中的最短路径,每一个分量FM为同一微场景内两个面实体的最小包边矩形A、B在同一欧式空间下的方向特征矩阵:
函数C(P1,P2)表示矩形A、B的边投影至x轴及y轴上形成的端点间的排序关系,满足
P1<P2意为P2在P1的上方或者右方,P1=P2意为两端点投影重合,P1>P2意为P2在P1的下方或左方。
进一步,所述微场景的匹配相似性利用缓冲分析的方法对微场景进行成对匹配确定匹配集,并引入匈牙利算法确定匹配集内匹配度最高的匹配实体,进而得到微场景的匹配相似性;
具体描述为:
其中,n是微场景的匹配对数量,di为微场景的几何中心与另一复杂面状带洞实体场景中的几何中心的欧氏距离;
所述面实体匹配完整度视为约束满足问题,参考微场景的洞轮廓及方向关系作为约束,以匹配关联图来描述微场景的限制满足问题,关联图中每一个节点的值代表着轮廓的形状限制条件,即几何相似性,每一条边的值代表着面实体与面实体之间的方向关系限制条件,即方向相似性,通过计算,得出带权重的面实体的匹配关系图。
进一步,所述微场景层相似性的具体描述方法为:
假设存在两个微场景RHn与RHm,分别包含n与m个洞,其中有t对匹配的洞,则RHn与RHm的相似度为:
SMSCi=SRhn,Rhm=S'Rhn,Rhm×(WComp×(S'Comp-1)+1)
其中,Wcomp表示完整性权重,S’Comp(Rhn,Rhm)表示RHn与RHm的匹配完整性,
α与β分别为RHn与RHm中未匹配的洞的权重,计算微场景的相似性时将不能成功匹配的洞作为惩罚计算在内,两个场景中未匹配洞同等重要,即α=β=1;
S’Rhn,Rhm表示两个微场景内的洞完全匹配时的相似度:
Wshp与Wdir分别为洞的形状相似性S’shape及方向相似性S’direction的总权重;
进一步,所述微场景利用两个复杂面状带洞实体场景的中心点分布图、最近点分布图、最远点分布图、最近切点分布图来描述微场景的位置分布,计算位置分布相似性,并对位置分布进行几何变化相似性度量,进而得到微场景的分布相似性。
进一步,所述微场景分布相似性的具体描述方法为:
位置分布的相似性:
其中,为分布图P1与P2间的最小平均误差,由于多边形的每一条边都能由两个大小相同、方向相反的拉力形成,因此分布图之间的相似性可以以投影区间的匹配程度进行度量,拉力的投影区间函数为F(α)=Fx(α)/Fy(α),α为力图旋转角,F1(i)与F2(i-l)则分别为分布图P1与P2边的拉力投影区间函数,0≤l≤N-1,l为两个函数的偏差,N是离散采样点的数量;
所述位置分布的几何变换相似性包括旋转相似性、自转相似性、平移相似性和缩放相似性。
进一步,所述旋转相似性的具体描述为:
其中,β角为中心角,定义为从复杂面状带洞实体场景中心到复杂面状带洞实体场景的最小包边矩形的最近顶点的向量与从复杂面状带洞实体场景中心到中心点分布图的中心的向量之间的夹角;
所述自转相似性的具体描述为:
其中,α角为相对方向角,α表示为复杂面状带洞实体场景最小包边矩形的方向向量与中心点分布图的的方向向量之间的夹角;
所述平移相似性的具体描述为:
其中,l(RCD)为两个复杂面状带洞实体场景的相对中心距离,R为复杂面状带洞实体场景的平均半径,(X(O),Y(O))与(X(O1),Y(O1))分别为复杂面状带洞实体场景中心坐标与中心点分布图中心坐标;
所述缩放相似性的具体描述为:
进一步,所述复合场景层相似性的具体描述方法为:
假设存在复杂面状带洞实体场景S与S’,S与S’中有t对匹配的微场景,则S与S’的相似度为:
Sim=Wp_g×S'p_g+Wr1×S'r1+Wr2×S'r2+Wm×S'm+Ws×S's+WR_S×S'R_S+Wexshape×S'exshape+WMSC×S'MSC
其中,S’p_g表示复杂面状带洞实体场景中位置的位置分布相似性,Wp_g为分布图相似性权重;
S’r1、S’r2、S’m、S’s分别表示位置分布图的旋转、自转、平移、缩放相似性,Wr1、Wr2、Wm、Ws分别为相应的权重;
S’R_S表示微场景的匹配相似度,WR_S为其权重;
S’MSC表示S与S’内匹配的微场景的集合的相似性:
SMSCi为第i对匹配微场景的相似性,WRi为对应的面实体的权重,WMSC为匹配微场景集合的权重;
S’exshape表示匹配的微场景外轮廓的形状相似性:
SRi为第i对微场景外轮廓的形状相似性,WRi为对应的面实体的权重,Wexshape为匹配微场景集合外轮廓相似度权重。
与现有技术相比,本发明具有以下有益效果:本发明将面实体内洞的分布情况被认为是一个限制满足问题(CSP),其中洞的形状描述特征与方位关系组成限制条件,同时,位置分布图描述了带洞面实体在场景内的位置分布,此外,本发明借助多级弦长函数描述实体轮廓,通过傅里叶描述符对形状相似性进行度量,引用匈牙利算法来解决不同的复合场景下带洞面实体的匹配问题,最后,本发明对各类相似性度量指标的权重进行探讨,引用了层次分析法计算相似性指标权重,使得该相似性度量模型更为可靠,适于研究更为复杂的复杂面状带洞实体场景。
附图说明
图1为本发明复杂面状带洞实体场景分为三个层级的示意图。
图2为实施例中采用的北美五大湖湖区实验数据。
图3为实施例中2015年五大湖影像的位置分布图。
图4为实施例中场景A、B的中心角及相对方向角。
图5为方向相似性计算中特征矩阵的4-D晶格概念空间。
图6为实施例中场景A、B的缓冲区分析示意图。
图7为实施例中一对匹配微场景内洞的投影区间示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明的实施例提供了复杂面状带洞实体场景相似性的分层次度量方法,将复杂面状带洞实体场景分为复合场景层、微场景层和简单实体层。
复合场景层为复杂面状带洞实体场景,微场景层为将不关心面状带洞实体在复杂面状带洞实体场景内的位置分布、匹配情况与外轮廓的微场景,简单实体层为将不关心“洞”在微场景内的匹配情况的层级,将临近的层级间关系视为集合关系,每一层级的相似性度量互相嵌套,自顶向下进行实体匹配,从局部到整体进行相似性计算,进而复杂面状带洞实体场景相似性度量结果,根据相似性度量结果即可进行分层。
复杂面状带洞实体场景内的面状带洞实体视为简单的微场景,微场景在复杂面状带洞实体场景内有其固定的位置分布,将复杂面状带洞实体场景分解成为一个个微场景,所述复合场景层的相似性是其包含的若干个微场景的相似性、微场景的形状相似性、分布相似性与匹配相似性的整体概括。
微场景内的“洞”视为简单的面实体,面实体在微场景内有其固定的位置分布,微场景为面实体的组合,所述微场景层的相似性为其包含的面实体的形状相似性、方向相似性与面实体匹配完整度的整体概括。
简单实体层的相似性包含面实体的形状相似性和方向相似性。
形状相似性的具体描述方法为:
其中,与为多边形A、B的形状描述矩阵,矩阵中的每一行为at=[|at(0)||at(1)|…|at(N’-1)|,每一个分量为第t级弦长的快速傅里叶描述子函数Lt(Cj)表示几何实体中某一有序点Pi的第t级弦的弦长。
方向相似性的具体描述方法为:
其中,二元组Distance计算匹配的微场景内面实体的方向特征矩阵之间的距离,表示为在4-D晶格中的最短路径,每一个分量FM为同一微场景内两个面实体的最小包边矩形A、B在同一欧式空间下的方向特征矩阵:
函数C(P1,P2)表示矩形A、B的边投影至x轴及y轴上形成的端点间的排序关系,满足
P1<P2意为P2在P1的上方或者右方,P1=P2意为两端点投影重合,P1>P2意为P2在P1的下方或左方。
微场景的匹配相似性利用缓冲分析的方法对微场景进行成对匹配确定匹配集,并引入匈牙利算法确定匹配集内匹配度最高的匹配实体,进而得到微场景的匹配相似性;
具体描述为:
其中,n是微场景的匹配对数量,di为微场景的几何中心与另一复杂面状带洞实体场景中的几何中心的欧氏距离;
面实体匹配完整度视为约束满足问题,参考微场景的洞轮廓及方向关系作为约束,以匹配关联图来描述微场景的限制满足问题,关联图中每一个节点的值代表着轮廓的形状限制条件,即几何相似性,每一条边的值代表着面实体与面实体之间的方向关系限制条件,即方向相似性,通过计算,得出带权重的面实体的匹配关系图。
微场景层相似性的具体描述方法为:
假设存在两个微场景RHn与RHm,分别包含n与m个洞,其中有t对匹配的洞,则RHn与RHm的相似度为:
SMSCi=SRhn,Rhm=S'Rhn,Rhm×(WComp×(S'Comp-1)+1)
其中,Wcomp表示完整性权重,S’Comp(Rhn,Rhm)表示RHn与RHm的匹配完整性,
α与β分别为RHn与RHm中未匹配的洞的权重,计算微场景的相似性时将不能成功匹配的洞作为惩罚计算在内,两个场景中未匹配洞同等重要,即α=β=1;
S’Rhn,Rhm表示两个微场景内的洞完全匹配时的相似度:
Wshp与Wdir分别为洞的形状相似性S’shape及方向相似性S’direction的总权重;
SHi为第i对洞的形状相似性,WHi为第i对洞的权重;
SDi为第i对方向关系的相似性,WDi为对应的洞的权重。
微场景利用两个复杂面状带洞实体场景的中心点分布图、最近点分布图、最远点分布图、最近切点分布图来描述微场景的位置分布,计算位置分布相似性,并对位置分布进行几何变化相似性度量,进而得到微场景的分布相似性。
微场景分布相似性的具体描述方法为:
位置分布的相似性:
其中,为分布图P1与P2间的最小平均误差,由于多边形的每一条边都能由两个大小相同、方向相反的拉力形成,因此分布图之间的相似性可以以投影区间的匹配程度进行度量,拉力的投影区间函数为F(α)=Fx(α)/Fy(α),α为力图旋转角,F1(i)与F2(i-l)则分别为分布图P1与P2边的拉力投影区间函数,0≤l≤N-1,l为两个函数的偏差,N是离散采样点的数量;
所述位置分布的几何变换相似性包括旋转相似性、自转相似性、平移相似性和缩放相似性。
旋转相似性的具体描述为:
其中,β角为中心角,定义为从复杂面状带洞实体场景中心到复杂面状带洞实体场景的最小包边矩形的最近顶点的向量与从复杂面状带洞实体场景中心到中心点分布图的中心的向量之间的夹角;
自转相似性的具体描述为:
其中,α角为相对方向角,α表示为复杂面状带洞实体场景最小包边矩形的方向向量与中心点分布图的的方向向量之间的夹角;
平移相似性的具体描述为:
其中,l(RCD)为两个复杂面状带洞实体场景的相对中心距离,R为复杂面状带洞实体场景的平均半径,(X(O),Y(O))与(X(O1),Y(O1))分别为复杂面状带洞实体场景中心坐标与中心点分布图中心坐标;
缩放相似性的具体描述为:
复合场景层相似性的具体描述方法为:
假设存在复杂面状带洞实体场景S与S’,S与S’中有t对匹配的微场景,则S与S’的相似度为:
Sim=Wp_g×S'p_g+Wr1×S'r1+Wr2×S'r2+Wm×S'm+Ws×S's+WR_S×S'R_S+Wexshape×S'exshape+WMSC×S'MSC
其中,S’p_g表示复杂面状带洞实体场景中位置的位置分布相似性,Wp_g为分布图相似性权重;
S’r1、S’r2、S’m、S’s分别表示位置分布图的旋转、自转、平移、缩放相似性,Wr1、Wr2、Wm、Ws分别为相应的权重;
S’R_S表示微场景的匹配相似度,WR_S为其权重;
S’MSC表示S与S’内匹配的微场景的集合的相似性:
SMSCi为第i对匹配微场景的相似性,WRi为对应的面实体的权重,WMSC为匹配微场景集合的权重;
S’exshape表示匹配的微场景外轮廓的形状相似性:
SRi为第i对微场景外轮廓的形状相似性,WRi为对应的面实体的权重,Wexshape为匹配微场景集合外轮廓相似度权重。
请参考图2-7,以1986年与2015年的北美洲五大湖遥感影像作为实验数据按照本发明的方法进行以下操作:
五大湖位置分布图的构建与相似性度量:为了比较1986年与2015年五大湖湖区的相似性,将五大湖视为带洞面实体,湖内的岛视为带洞面实体的“洞”,五大湖区的集合为复杂面状带洞实体场景,并将1986年与2015年的五大湖场景分别记为场景A、场景B,构建两个场景的CPPG、NTPPG、NPPG、FPPG位置分布图。
选取180个样本点分布在180°的范围内,由于每一个波形图都对应唯一的投影区间函数,每一个投影区间函数都对应唯一的分布图,因此两个波形图的匹配程度即代表着两个分布图的相似性。
利用波形图的最小平均误差及最大值来度量两个波形图的相似性,根据公式可得场景A、B的分布图的相似性,并依此计算得出两个场景的中心点分布图、最近点分布图、最远点分布图、最近切点分布图的相似性,结果得到场景A与场景B的位置分布相似性为97.12185%。
五大湖的位置分布几何变换相似性度量:在现实中,两个场景的面实体可能会发生位置偏移、大小的变化,因此在度量过程中需要考虑分布图的几何变换相似性。
(1)场景A的场景中心与分布图中心的连线为OOA,场景中心至场景最小包边矩形最近点连线为OMA;场景B的场景中心与分布图中心的连线为OOB,场景中心至最小包边矩形最近点连线为OMB,可依此计算得出场景A和B的中心角,并根据公式计算得出场景A、B的旋转变换相似性。
(4)鉴于场景内实体存在着面积大小发生变化的可能,还需对两个场景的缩放相似性进行度量,在确定场景中心后通过计算得出场景A、B的拓展的豪斯道夫距离,再将场景A、B的拓展的豪斯道夫距离带入公式中,可得到两个场景的缩放相似性。
根据以上计算得出的CPPG几何变换相似性结果如表1所示:
表1 CPPG几何变换相似性结果
五大湖的匹配及轮廓相似性:场景B被理解为参考场景,场景A作为匹配场景。微场景的匹配过程共分为两步:
(1)缓冲区分析过滤面实体
首先在场景A内找到与场景B中的每一个面实体的中心点对应的点Qi。以Qi为缓冲区圆心,Hi的最大弦长的一半为缓冲区半径ri,在场景A上构建圆形缓冲区,包含在⊙Qi内或与其有交集的面实体为Hi的匹配面实体。
(2)利用决策矩阵计算最小欧氏距离,确定面实体匹配结果
通过缓冲区过滤,我们得到场景B内的每一个面实体的匹配集。根据形状相似性公式可以得到每一对可能的匹配结果的轮廓相似度。在过滤后,我们需要得到确定的匹配集,使得匹配集内每一个场景B的面实体都有唯一对应的场景A内的面实体。通过计算得出场景B的每一个面实体与其匹配集内的面实体的欧式空间距离,再根据公式可计算得出场景A与场景B的匹配相似度S’R_S=0.9759,场景A、B的面实体的外轮廓相似度S’exshape=0.9447。
匹配湖泊的内轮廓相似性度量:面状带洞实体可视为一个微场景,实体内的洞可视为普通面实体,为得到两个对应的微场景内的洞的匹配关系,需要创建两个微场景的关联图Gn与Gm,来描述两个微场景内洞的限制满足条件。关联图的节点值为洞的形状相似性,边的值为两组洞的方向关系。
(1)由公式可得到每一对匹配微场景内的洞的形状相似性。利用关联图对微场景内的洞进行匹配分析,本实施例中,把所有洞的权重都设为同等值,而不同的优先匹配顺序会导致不同的匹配结果,消除冗余后,可以得到湖泊内轮廓的形状匹配结果。
(2)为考量两个微场景内洞之间方向关系的一致性,通过使用特征矩阵来特征化空间实体的最小包边矩形的方向关系。特征矩阵内的值由两个洞在同一欧式空间下的投影区间决定。并代入公式可算出每对洞的形状相似性。最后通过比较可得到所有匹配湖泊的匹配方案相似性结果。
(3)在本实施例中,我们认为每一个微场景内的洞都同等重要,因此每个洞都有相同权重,每一对洞之间的方向关系也有相同权重,且 将上述计算结果代入公式SMSCi=SRhn,Rhm=S'Rhn,Rhm×(WComp×(S'Comp-1)+1)可分别计算出所有匹配面实体作为一对微场景时的形状相似性S’shape、方向相似性S’direction、匹配完整度S’comp。假设形状、方向关系、匹配度有相同的权重,且Wshp+Wdir+Wcomp=1,则根据微场景的相似性计算公式可得一对匹配微场景的相似性SMSCi。场景A、B内所有匹配微场景的相似度如表2所示:
表2场景A、B内所有匹配微场景的相似度
五大湖场景的相似性度量:根据描述的分层方法可得,两个复合场景层的相似性是其包含的微场景的相似性及其分布相似性的整体结合;微场景的相似性被认为是其包含的洞的形状相似性及其在内的分布相似性的总体概括。因此,两个复杂面状带洞实体场景的相似性被认为是微场景的相似性、微场景的外轮廓相似性(即形状相似性)及其分布相似性及其CPPG的几何变换相似性的综合。
根据层次分析法可计算得出相似性度量指标的一级权重分别为WMSC=0.3822,Wexshape=0.1387,Wp_g=0.1991,Wr1=0.0471,Wr2=0.0471,Wm=0.0471,Ws=0.0471,WR_S=0.0916,并由此计算出场景A与场景B的总相似性:
Sim=Wp_g×S'p_g+Wr1×S'r1+Wr2×S'r2+Wm×S'm+Ws×S's+WR_S×S'R_S+Wexshape×S'exshape+WMSC×S'MSC
=0.9713×19.91%+0.9960×4.71%+0.9960×4.71%+0.8991×4.71%+0.9944×4.71%+0.9759×9.16%+0.9447×13.87%+0.9087×38.22%
=93.48%
根据相似性确定分层,即完成对复杂面状带洞实体场景相似性的分层次度量。
本发明将面实体内洞的分布情况被认为是一个限制满足问题(CSP),其中洞的形状描述特征与方位关系组成限制条件,同时,位置分布图描述了带洞面实体在场景内的位置分布,此外,本发明借助多级弦长函数描述实体轮廓,通过傅里叶描述符对形状相似性进行度量,引用匈牙利算法来解决不同的复合场景下带洞面实体的匹配问题,最后,本发明对各类相似性度量指标的权重进行探讨,引用了层次分析法计算相似性指标权重,使得该相似性度量模型更为可靠,适于研究更为复杂的复杂面状带洞实体场景。
在本文中,所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
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.复杂面状带洞实体场景相似性的分层次度量方法,所述方法用于场景的相似性判断和检索,其特征在于,将复杂面状带洞实体场景分为复合场景层、微场景层和简单实体层;将临近的层级间关系视为集合关系,每一层级的相似性度量互相嵌套,自顶向下进行实体匹配,从局部到整体进行相似性计算,进而得到复杂面状带洞实体场景相似性度量结果,其中,所述复合场景层为复杂面状带洞实体场景,复杂面状带洞实体场景内的面状带洞实体视为简单的微场景,微场景在复杂面状带洞实体场景内有其固定的位置分布,将复杂面状带洞实体场景分解成为一个个微场景,所述复合场景层的相似性是其包含的若干个微场景的相似性、微场景的形状相似性、分布相似性与匹配相似性的整体概括;
所述微场景层为不关心面状带洞实体在复杂面状带洞实体场景内的位置分布、匹配情况与外轮廓的微场景,微场景内的“洞”视为简单的面实体,面实体在微场景内有其固定的位置分布,微场景为面实体的组合,所述微场景层的相似性为其包含的面实体的形状相似性、方向相似性与面实体匹配完整度的整体概括;
所述简单实体层为不关心“洞”在微场景内的匹配情况的层级,所述简单实体层的相似性包含面实体的形状相似性和方向相似性。
4.根据权利要求1所述的复杂面状带洞实体场景相似性的分层次度量方法,其特征在于,所述微场景的匹配相似性利用缓冲分析的方法对微场景进行成对匹配确定匹配集,并引入匈牙利算法确定匹配集内匹配度最高的匹配实体,进而得到微场景的匹配相似性;
具体描述为:
其中,n是微场景的匹配对数量,di为微场景的几何中心与另一复杂面状带洞实体场景中的几何中心的欧氏距离;
所述面实体匹配完整度视为约束满足问题,参考微场景的洞轮廓及方向关系作为约束,以匹配关联图来描述微场景的限制满足问题,关联图中每一个节点的值代表着轮廓的形状限制条件,即几何相似性,每一条边的值代表着面实体与面实体之间的方向关系限制条件,即方向相似性,通过计算,得出带权重的面实体的匹配关联图。
5.根据权利要求1所述的复杂面状带洞实体场景相似性的分层次度量方法,其特征在于,所述微场景层相似性的具体描述方法为:
假设存在两个微场景RHn与RHm,分别包含n与m个洞,其中有t对匹配的洞,则RHn与RHm的相似度为:
SMSCi=SRhn,Rhm=S'Rhn,Rhm×(WComp×(S'Comp-1)+1)
其中,Wcomp表示完整性权重,S’Comp表示Rhn与Rhm的匹配完整性,
α与β分别为Rhn与Rhm中未匹配的洞的权重,计算微场景的相似性时将不能成功匹配的洞作为惩罚计算在内,两个场景中未匹配洞同等重要,即α=β=1;
S’Rhn,Rhm表示两个微场景内的洞完全匹配时的相似度:
Wshp与Wdir分别为洞的形状相似性S’shape及方向相似性S’direction的总权重;
SHi为第i对洞的形状相似性,WHi为第i对洞的权重;
SDi为第i对方向关系的相似性,WDi为对应的洞的权重。
6.根据权利要求1所述的复杂面状带洞实体场景相似性的分层次度量方法,其特征在于,所述微场景利用两个复杂面状带洞实体场景的中心点分布图、最近点分布图、最远点分布图、最近切点分布图来描述微场景的位置分布,计算位置分布相似性,并对位置分布进行几何变化相似性度量,进而得到微场景的分布相似性。
8.根据权利要求7所述的复杂面状带洞实体场景相似性的分层次度量方法,其特征在于,所述旋转相似性的具体描述为:
其中,β角为中心角,定义为从复杂面状带洞实体场景中心到复杂面状带洞实体场景的最小包边矩形的最近顶点的向量与从复杂面状带洞实体场景中心到中心点分布图的中心的向量之间的夹角;
所述自转相似性的具体描述为:
其中,α角为相对方向角,α表示为复杂面状带洞实体场景最小包边矩形的方向向量与中心点分布图的方向向量之间的夹角;
所述平移相似性的具体描述为:
所述缩放相似性的具体描述为:
9.根据权利要求1所述的复杂面状带洞实体场景相似性的分层次度量方法,其特征在于,所述复合场景层相似性的具体描述方法为:
假设存在复杂面状带洞实体场景S与S’,S与S’中有t对匹配的微场景,则S与S’的相似度为:
Sim=Wp_g×S'p_g+Wr1×S'r1+Wr2×S'r2+Wm×S'm+Ws×S's+WR_S×S'R_S+Wexshape×S'exshape+WMSC×S'MSC
其中,S’p_g表示复杂面状带洞实体场景中位置的位置分布相似性,Wp_g为分布图相似性权重;
S’r1、S’r2、S’m、S’s分别表示位置分布图的旋转、自转、平移、缩放相似性,Wr1、Wr2、Wm、Ws分别为相应的权重;
S’R_S表示微场景的匹配相似度,WR_S为其权重;
S’MSC表示S与S’内匹配的微场景的集合的相似性:
SMSCi为第i对匹配微场景的相似性,WRi为对应的面实体的权重,WMSC为匹配微场景集合的权重;
S’exshape表示匹配的微场景集合外轮廓的形状相似性:
SRi为第i对微场景外轮廓的形状相似性,WRi为对应的面实体的权重,Wexshape为匹配微场景集合外轮廓的形状相似性权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081229.2A CN107766562B (zh) | 2017-11-06 | 2017-11-06 | 复杂面状带洞实体场景相似性的分层次度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081229.2A CN107766562B (zh) | 2017-11-06 | 2017-11-06 | 复杂面状带洞实体场景相似性的分层次度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107766562A CN107766562A (zh) | 2018-03-06 |
CN107766562B true CN107766562B (zh) | 2020-03-31 |
Family
ID=61273637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711081229.2A Active CN107766562B (zh) | 2017-11-06 | 2017-11-06 | 复杂面状带洞实体场景相似性的分层次度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766562B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4180209A1 (en) * | 2020-08-19 | 2023-05-17 | Siemens Aktiengesellschaft | Method and device for formulating printing process in additive manufacturing |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901489A (zh) * | 2010-07-20 | 2010-12-01 | 南京大学 | 一种面向混合型复杂目标的距离图制图方法 |
CN106446000A (zh) * | 2016-07-27 | 2017-02-22 | 中国地质大学(武汉) | 基于边界交互的区组合拓扑相似性度量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10242126B2 (en) * | 2012-01-06 | 2019-03-26 | Technoimaging, Llc | Method of simultaneous imaging of different physical properties using joint inversion of multiple datasets |
-
2017
- 2017-11-06 CN CN201711081229.2A patent/CN107766562B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901489A (zh) * | 2010-07-20 | 2010-12-01 | 南京大学 | 一种面向混合型复杂目标的距离图制图方法 |
CN106446000A (zh) * | 2016-07-27 | 2017-02-22 | 中国地质大学(武汉) | 基于边界交互的区组合拓扑相似性度量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107766562A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102024036B (zh) | 基于超图的三维对象检索方法和装置 | |
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
Assfalg et al. | Content-based retrieval of 3-D objects using spin image signatures | |
US8233742B2 (en) | Method and program for registration of three-dimensional shape | |
Ji et al. | A novel simplification method for 3D geometric point cloud based on the importance of point | |
Fang et al. | Temperature distribution descriptor for robust 3D shape retrieval | |
CN111044041B (zh) | 基于重力场三维特征的重力辅助惯性导航适配区选取方法 | |
CN100504875C (zh) | 模型检索装置及方法 | |
EP2927827B1 (en) | Program, apparatus, and method for managing structure data | |
Li et al. | Improved algorithm for point cloud registration based on fast point feature histograms | |
Cheung et al. | Measurement and characterization of ultra-precision freeform surfaces using an intrinsic surface feature-based method | |
CN108537887A (zh) | 基于3d打印的草图与模型库三维视图匹配方法 | |
CN107766562B (zh) | 复杂面状带洞实体场景相似性的分层次度量方法 | |
CN101350035A (zh) | 基于内容的三维模型检索方法试验平台 | |
CN115082716A (zh) | 一种面向道路精细重建的多源点云粗匹配算法 | |
CN113902779B (zh) | 一种基于张量投票方法的点云配准方法 | |
CN110580497B (zh) | 一种基于旋转不变性的空间场景匹配方法 | |
CN104616302A (zh) | 一种目标实时识别方法 | |
Lu et al. | Simple and efficient improvement of spin image for three-dimensional object recognition | |
Ma et al. | Vision-based indoor positioning method by joint using 2d images and 3d point cloud map | |
CN109658489B (zh) | 一种基于神经网络的立体网格数据处理方法和系统 | |
Liu et al. | Comparison of several different registration algorithms | |
CN104615988A (zh) | 一种图像识别方法 | |
CN113592926B (zh) | 一种3d激光雷达点云数据预测点的快速选取配准方法 | |
CN110222239B (zh) | 一种结构可变的图案生成和利用图案生成浏览界面的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |