CN108009986B - 基于边缘信息的碎片拼接方法和装置 - Google Patents
基于边缘信息的碎片拼接方法和装置 Download PDFInfo
- Publication number
- CN108009986B CN108009986B CN201711206397.XA CN201711206397A CN108009986B CN 108009986 B CN108009986 B CN 108009986B CN 201711206397 A CN201711206397 A CN 201711206397A CN 108009986 B CN108009986 B CN 108009986B
- Authority
- CN
- China
- Prior art keywords
- fragment
- splicing
- matching
- contour
- fragments
- 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.)
- Expired - Fee Related
Links
- 239000012634 fragment Substances 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边缘信息的碎片拼接方法和装置,所述方法包括:对获取的碎片数字图像进行轮廓提取;基于所述轮廓进行特征提取,获取角点序列和相应灰度值序列;基于角点序列计算碎片轮廓边缘参数,并根据所述参数获取候选匹配对;基于灰度值序列计算碎片轮廓之间的相关性,根据所述相关性从候选匹配对中确定真实匹配对;根据真实匹配对进行碎片拼接。本发明通过对匹配对由粗到细的筛选以及最佳优先法能够准确地获取碎片的拼接结果。
Description
技术领域
本发明属于图像复原领域,尤其涉及一种基于边缘信息的碎片拼接方法和装置。
背景技术
在历朝历代发展过程中遗留下了大批文物古迹,这些具有历史价值的东西是我们宝贵的财富。经历了千百年的变故后,部分历史文物已遭到破坏,面对考古发掘出土的大量文物碎片急待修复以恢复其原貌。由于手工方法对文物碎片的拼接成本高、周期长且容易对文物造成二次损伤,因此碎片的自动拼接技术有很大的实用价值。类似的从物体碎片恢复原物体的问题也存在于司法鉴定等领域。
不规则碎片的拼接,按照碎片特征,可分为基于内容的拼接和基于轮廓的拼接。基于颜色、纹理等元素的碎片拼接就属于基于内容的碎片拼接,但是因为颜色、纹理等内容元素具有很大的局限性,所以国内外对碎片拼接的研究大部分还是基于轮廓方面的。基于轮廓的二维非规则碎片拼接主要包括三个步骤:1.预处理,即碎片轮廓的提取和表示,特征点的提取和描述等;2.碎片匹配,寻找所有碎片两两之间的匹配度,确定正确匹配,排除伪匹配;3.碎片拼接,将碎片匹配中的正确匹配拼接起来实现拼接复原。其中,碎片匹配是最关键的一步,对两碎片能否匹配的算法研究也较多。现如今对二维碎片基于轮廓的拼接研究有如下方法:
Leitao用动态规划法比较轮廓采样点的曲率串,在一种多尺度条件下分析轮廓的曲率来寻找匹配。
Edson Justino等人提出应用多边形逼近方法来减少边缘的复杂度,然后提取多边形的相关特征,进行局部的重建,这种方法用于执行匹配的特征较少,显著降低了整体的复杂度。
ZhuLiangjia提出一种新的局部曲线匹配方法来找到匹配对,即用其旋转函数表示。两个碎片轮廓的匹配部分是通过直接分析两个旋转函数的差曲线来找到。
Kimia提出一种二维碎片轮廓先后在粗尺度和精尺度表示方式下进行匹配的算法,并将这一方法推广到三维碎片的匹配中。
Biswas A为手撕文件的重建提出一种快速高效且实用的技术,该技术使用轮廓描述子实现基于形状的匹配。
上述方法所提到的基于轮廓拼接的思想可分为两种。一种是由碎片轮廓均匀采样点表示,如局部曲率。当碎片数量较大或者碎片形状较复杂时,由碎片轮廓均匀采样点表示碎片的方法计算量会增大,操作起来比较复杂。另一种是由碎片轮廓的特征点或多边形近似表示,如角点序列。相比由轮廓均匀采样点表示轮廓,这种方法大大的减小了计算量提高了效率,但有可能不能完整的描述出碎片轮廓。
碎片匹配阶段完成后,需要对碎片进行拼接处理。碎片的全局匹配拼接阶段一般应用最佳优先法进行全局重建。最佳优先法总是保留一组继续向下搜索的可选择路径,根据评价函数的计算结果总是选择代价最小的那条路径向下搜索,在搜索过程中通过不断地放弃代价较大的路径,从而最终找到代价最小的路径。首先将候选匹配中找到的一对正确匹配的两碎片拼接起来,然后将这两个已经拼合的碎片看做一个整体,即一个新的碎片,再去重复局部匹配过程找到与之匹配的碎片进行拼接,直到所有的碎片全部拼接完毕。碎片的全局重建常用的还有另外一种方法,就是全局搜索匹配。全局搜索匹配就是对所有匹配对的全局拼接可能性进行搜索,最终得到全局一致的拼接结果。对碎片拼接重建的研究如下:
Zhu Liangjia提出了一种在全局最优意义上的最大松弛法,在对弧长-累计转角的局部匹配分析的基础上寻找碎片匹配对的空间重叠关系,从而排除错误匹配,保证了全局最优匹配。
Efthymia Tsamoura等提出一种碎片无矛盾拼接方法。在碎片的局部匹配分析过程中找到碎片的匹配角度,利用所有的角度关系进行碎片的全局重建。
上述方法所提到的基于轮廓拼接的思想可分为两种:一种是最佳优先法,这种方法可能会丢失很多正确的匹配,降低拼接效率;另一种是全局搜索匹配,由于全局搜索匹配过程中碎片形状的不规则性会导致存在大量不合法匹配对,因此会降低匹配的准确率。
如何提高碎片拼接的效率和准确率,是本领域技术人员目前迫切解决的技术问题。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于边缘信息的碎片拼接方法和装置,所述方法分析碎片的轮廓信息,首先通过边缘参数获取后续匹配对,然后基于相关性从候选匹配对中获取真实匹配对,最后基于最佳优先法实现拼接。本发明通过对匹配对由粗到细的筛选以及最佳优先法能够准确地获取碎片的拼接结果。
为实现上述目的,本发明采用如下技术方案:
一种基于边缘信息的碎片拼接方法,包括以下步骤:
对获取的碎片数字图像进行轮廓提取;
基于所述轮廓进行特征提取,获取角点序列和相应灰度值序列;
基于角点序列计算碎片轮廓边缘参数,并根据所述参数获取候选匹配对;
基于灰度值序列计算碎片轮廓之间的相关性,根据所述相关性从候选匹配对中确定真实匹配对;
根据真实匹配对进行碎片拼接。
进一步地,所述轮廓提取采用内部掏空法:对于每个像素点,如果该像素点和八邻域的像素值均为0,则该点为内部点,将其删除;对于最终未删除的点像素值记为1,得到该碎片轮廓的八连通边界。
进一步地,所述角点序列基于Harris角点检测算法顺时针检测得到。
进一步地,所述轮廓的边缘参数包括边缘边长。
进一步地,所述相关性采用灰度互相关衡量,所述灰度互相关系数表示为两个碎片轮廓的灰度值序列之间平均灰度值系数和最小化均方误差的互相关系数。
进一步地,所述碎片拼接通过碎片的旋转和平移实现。
进一步地,所述方法基于最佳优先法进行遍历搜索将碎片进行全局匹配拼接,实现碎片重建。
根据本发明的第二目的,本发明还提供了一种基于边缘信息的碎片拼接方法装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于边缘信息的碎片拼接方法。
根据本发明的第三目的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述基于边缘信息的碎片拼接方法。
本发明的有益效果
1、本发明新提出的方法是基于碎片边缘轮廓的,首先提取碎片轮廓并提取所需的特征值,用一种计算较为简单快速的方法得到轮廓角点和灰度值,均以序列的形式来表示。利用角点像素的坐标计算部分轮廓长度来寻找初步匹配对,为了排除初步匹配对里的伪匹配,加入灰度运算部分,计算灰度互相关系数,来确定真实匹配,计算部分轮廓长度并进行灰度匹配,由于边长数量少从而降低了计算量提高了效率,加入的灰度部分又保证了匹配的正确率。基于最佳优先法进行遍历搜索,保证了匹配拼接过程中不漏掉任何一个碎片。
2、本发明提出了采用灰度互相关系数来衡量相关性的新方法,通过计算两边缘灰度序列的图像帧的平均灰度值系数avg_value和最小化均方误差MSE,并计算二者的互相关系数作为灰度互相关系数,相较于传统的互相关计算方法,本发明的灰度互相关系数能够更准确地确定真实匹配。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为Harris角点检测算法原理图;
图2是碎片匹配拼接步骤图;
图3是4片碎片扫描图;
图4是两片碎片匹配阶段碎片扫描图及轮廓提取图。
图5是实验碎片局部匹配拼接结果图及实际匹配拼接结果图。
图6是4片碎片匹配拼接实验过程图及实际匹配拼接结果图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于边缘信息的碎片拼接方法,包括以下步骤:
步骤一:对要研究的碎片进行扫描,获取碎片数字图像。
具体地,由于本发明采用的基于边缘信息的匹配方法对于颜色无较高要求,故采用平面扫描仪获取碎片的灰度图像,使用白色碎纸、深色背景,以增加对比度,便于完整的分割。
步骤二:对碎片数字图像进行多边形逼近得到轮廓;进行碎片轮廓的特征提取,得到需要的信息,包括角点序列和灰度值序列。
轮廓提取:进行实验仿真,得到碎片的轮廓,并进行边缘表示。
具体地,由于运用扫描仪扫描到的灰度图像对比明显,双峰效果较好,所以可以使用简单的内部掏空法来提取轮廓。先对图像进行二值化处理,运用程序依次检测每一个像素点,如果某一个像素点的像素为0,而它的相邻的八个点的像素也为0,那么这个点就可以判断为内部点,将其删除。当检测完所有的像素点之后将没有删除的点用1标记出来,从而得到了该碎片轮廓的八连通边界,碎片边缘表示为顺时针的坐标序列。
特征提取:检测碎片轮廓边缘的角点,得到每个角点的坐标位置,提取轮廓拼接边缘的灰度值,以用来计算相关参数。
具体地,运用基于灰度图像的Harris角点检测算法检测碎片轮廓的角点,顺时针检测得到角点序列和灰度值序列。计算图像方向梯度的乘积,利用高斯函数对方向梯度及乘积进行高斯加权,计算每个像素的响应值,并将其与设置的阈值对比,然后在一定的邻域内进行非最大值抑制,求出局部的最大值就是角点。
图1是Harris角点检测算法原理图。利用Harris角点检测算法检测出如图的角点,并标记出来,具体过程如下:
(1)计算图1中图像I(x,y)在X和Y两个方向的梯度Ix和Iy。
(2)计算图像两个方向梯度的乘积。
Ix 2=Ix·Ix Iy 2=Iy·Iy Ixy=Ix·Iy
(3)使用高斯函数对Ix 2、Iy 2、Ixy进行高斯加权(取σ=1),生成矩阵M的元素A、B、C。
(4)计算每个像素的Harris响应值R,并对小于某一阈值t的响应值R置为0。
R={R:det M-α(traceM)2≤t}
(5)在3*3的领域内进行非最大值抑制,局部最大值点即为图像中的角点。
增大α的值,将减小角点响应值R,降低角点检测的灵性,减少被检测角点的数量;减小α值,将增大角点响应值R,增加角点检测的灵敏性,增加被检测角点的数量。
步骤三:基于角点序列计算碎片轮廓边缘边长,寻找固定碎片的待选匹配碎片得到候选匹配对;基于灰度值序列计算灰度互相关系数,从而在候选匹配对中确定真实匹配排除伪匹配。所述灰度互相关系数定义为两个碎片轮廓的平均灰度值系数和最小化均方误差的互相关系数。
通过角点检测后得到角点的坐标,可以计算每一个边长的长度。随后,找出等长的边,并计算等长边的角度差和两线段固定点的空间距离,角度差即是移动碎片与待拼接碎片的旋转角度,固定点空间距离即是移动碎片与待拼接碎片的平移距离。找到的两等长边便是能初步匹配的两边缘,并进行两边缘灰度值序列的互相关计算,若在某个范围内则说明两边缘相似,是正确匹配。若找出若干对等长边,则通过各边缘的灰度值序列计算与待匹配边缘灰度值序列的灰度互相关,找出范围内最优的值来确定正确匹配。
具体地,基于角点序列计算碎片轮廓边缘边长:
根据角点的位置,顺时针定义每个角点的坐标,利用欧几里得距离公式计算两相邻角点之间的距离,即碎片轮廓边缘边长。计算出轮廓线段边长之后,就可以将轮廓匹配问题转化为比较线段的长度是否相等的问题,当两碎片的轮廓边缘长度差小于影响误差时,即可将两碎片视为候选匹配对。
所述欧几里得距离D:
其中,(x1,y1)(x2,y2)均为角点的位置坐标。
所述影响误差α(α>0),由于碎片边缘噪声会产生一定的误差,所以当满足|Di-Dj|≤α时,则认为碎片i和碎片j是一组待拼接匹配对。
基于灰度值序列计算碎片轮廓的灰度互相关:
读取碎片边缘轮廓的灰度值,以序列的形式表示。分别计算两轮廓边缘片段的图像帧的平均灰度值系数avg_value和最小化均方误差MSE,然后对这两个参数值进行灰度互相关计算,即计算相关系数。相关系数被定义为0-1之间的一个数,这个数和1越靠近就代表其相关程度越大。所以,值最大者为最佳匹配点。比较两组近似的边缘相关系数,灰度灰度互相关系数最大的两碎片为最佳匹配。
所述碎片轮廓的边缘灰度值序列X0、Xl:
X0={x1,x2,x3,...,xL}
Xl={x'1,x'2,x'3,...,x'L}
其中,X0是固定碎片轮廓的灰度矢量,Xl是待判定碎片轮廓的灰度矢量,xi是每个像素的灰度值。
所述两轮廓边缘片段的图像帧的平均灰度值系数avg_value:
两轮廓边缘片段的最小化均方误差MSE:
其中,I(x,y)是待匹配碎片轮廓边缘的灰度值,K(i,j)是初步匹配碎片中的灰度值,图像大小为m×n。
所述两轮廓边缘片段的灰度互相关系数ρavg_value.MSE:
其中,D(avg_value)、D(MSE)为两轮廓边缘片段的图像帧的平均灰度值系数avg_value和最小化均方误差MSE的方差,cov(avg_value,MSE)为两轮廓边缘片段的图像帧的平均灰度值系数avg_value和最小化均方误差MSE的协方差。
步骤四:将真实匹配对拼接起来:固定其中一个碎片,旋转平移另一个碎片完成拼接。
由于片段的位置是随机的,所以对于碎片拼合,片段旋转是非常重要的一步。运用步骤三得到的等长边,计算等长边的角度差。固定其中一个碎片,将另一个碎片绕中心点旋转计算得到的角度差,再平移计算得到的平移增量。
所述等长边的角度差θ:
旋转后的轮廓上所有点都平移该增量,即可实现两碎片轮廓沿匹配段的拼合。
步骤五:基于最佳优先法进行遍历搜索将碎片进行全局匹配拼接,实现碎片重建。
基于最佳优先法进行遍历搜索实现多片碎片拼接重建,具体方法为:
(1)根据碎片角点的位置坐标,计算碎片的轮廓边缘边长,找出等长边,确定候选匹配对。
(2)在候选匹配对中,固定一个碎片,然后移动另外一个碎片去对齐固定碎片一侧的一个角点,围绕对齐的角点旋转未固定的碎片轮廓,计算最优匹配的角度,然后通过分析灰度互相关计算出最佳的匹配位置。最后,旋转平移整个第二个碎片完成重组过程。
(3)将旋转平移拼合后的两碎片看做一个新的碎片,返回到(1)和(2),直到所有的碎片被重新组装。
实施例二
本实施例的目的是提供一种计算装置。
一种基于边缘信息的碎片拼接装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
对获取的碎片数字图像进行轮廓提取;
基于所述轮廓进行特征提取,获取角点序列和相应灰度值序列;
基于角点序列计算碎片轮廓边缘参数,并根据所述参数获取候选匹配对;
基于灰度值序列计算碎片轮廓之间的相关性,根据所述相关性从候选匹配对中确定真实匹配对;
根据真实匹配对进行碎片拼接。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
对获取的碎片数字图像进行轮廓提取;
基于所述轮廓进行特征提取,获取角点序列和相应灰度值序列;
基于角点序列计算碎片轮廓边缘参数,并根据所述参数获取候选匹配对;
基于灰度值序列计算碎片轮廓之间的相关性,根据所述相关性从候选匹配对中确定真实匹配对;
根据真实匹配对进行碎片拼接。
以上实施例二和三的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
实验结果
图3是4片碎片扫描图。采用平面扫描仪获取碎片的灰度图像,使用白色碎纸、深色背景,扫描分辨率为300dpi。
图4是两片碎片匹配阶段碎片扫描图及轮廓提取图。图4(a)和图4(b)分别是两对待定匹配对碎片扫描图。图4(c)和图4(d)分别是两对待定匹配对碎片的轮廓提取图,将碎片P作为初始碎片,Q、R是与之匹配拼接的待定碎片。根据角点的位置,顺时针定义每个角点的坐标,利用如下公式计算出两角点之间轮廓线段的距离(即欧几里得距离)。
计算出轮廓线段长度之后,就可以将轮廓匹配问题转化为比较线段的长度是否相等的问题,由于碎片边缘噪声会产生一定的误差,所以当满足|Di-Dj|≤α时(其中α,α>0为影响误差),则认为碎片i和碎片j是一组待拼接匹配对。
在轮廓线段P1P2中,可将角点P1、P2的坐标(166,225)、(164,331)带入欧几里得公式中计算得出两角点的距离为D1=105.9。在轮廓线段Q1Q5中,可将角点Q1、Q5的坐标(222,232)、(211,337)带入欧几里得公式中计算得出两角点的距离为D2=105.6。在轮廓线段R1R5中,可将角点R1、R5的坐标(233,213)、(242,318)带入欧几里得公式中计算得出两角点的距离为D3=105.7。计算结果表明碎片P、Q、R的待拼接边缘轮廓线大致相等,可以初步判断出碎片P和碎片Q、R为两对待定匹配对。但是正确匹配只有一个,所以Q、R中一定只有一个是可以与P匹配的正确匹配碎片,所以要进行灰度互相关计算。
假设等长边有L个像素,每个像素的灰度值是xi,所以两条边的灰色向量表示为
X0={x1,x2,x3,...,xL}
Xl={x'1,x'2,x'3,...,x'L}
X0是固定碎片轮廓的灰度矢量,Xl是待判定碎片轮廓的灰度矢量,两轮廓边缘片段的图像帧的平均灰度值系数avg_value:
计算得到PQ的图像帧平均灰度值系数为0.8914,PR的图像帧平均灰度值系数为0.6587。
两轮廓边缘片段的最小化均方误差MSE:
计算得到PQ的最小化均方误差为0.1594,PR的最小化均方误差为0.5978。
两轮廓边缘片段的灰色互相关系数ρavg_value.MSE:
计算得到PQ两碎片的灰度相关性为0.9129,PR的灰度相关性为0.0485,即PQ为真实匹配,PR为伪匹配。
图5(a)为实验返回的PQ拼接结果图,图5(b)为这两碎片的实际匹配图。
图6是4片碎片匹配拼接实验图及实际匹配拼接结果图。图6(a)是三片碎片扫描图,由上述已经得到PQ两片碎片为正确匹配并拼接起来,下面可以将PQ拼接得到的碎片看做一个整体,即一片碎片,判断它是否和第三片碎片S是真实匹配。图6(b)是三片碎片轮廓提取图。图6(c)是标明特殊角点的三片碎片轮廓提取图。在轮廓线段Q4Q5中,可将角点Q4、Q5的坐标(318,166)、(228,258)带入欧几里得公式中计算得出两角点的距离为D4=128.70。在轮廓线段S2S3中,可将角点S2、S3的坐标(220,335)、(311,426)带入欧几里得公式中计算得出两角点的距离为D5=128.69。计算结果表明两片碎片的待拼接边缘轮廓线大致相等。接下来再进行灰度参数计算进行验证,计算得到的灰色相关性系数为0.9765,因此可确定其为真实匹配。图6(d)为实验返回的PQS拼接结果图,图6(e)为这三碎片的实际匹配图。由上述已经得到PQS三片碎片为正确匹配并拼接起来,下面可以将PQS拼接得到的碎片看做一个整体,即一片碎片,判断它是否和第四片碎片T是真实匹配。图6(f)是四片碎片轮廓提取图。图6(g)是标明特殊角点的四片碎片轮廓提取图。将角点P3、P2、Q5、Q4、S2、S1、T4、T5、T1、T2、T3的坐标带入欧几里得公式中计算得出线段点P3P2的距离为:D6=75.76,线段点Q5Q4的距离为:D7=52.48,线段点S2S1的距离为:D8=69.63,线段点T5T1的距离为:D9=75.74,线段点T1T2的距离为:D10=52.49,线段点T2T3的距离为:D11=69.64。计算结果表明D6和D9大致相等,D7和D10大致相等,D8和D11大致相等,灰色相关性系数分别为0.8622、0.9514、0.9011,因此轮廓线P3P2和轮廓线T5T1相匹配,轮廓线Q5Q4和轮廓线2相匹配,轮廓线S2S1和轮廓线T2T3相匹配。图6(h)为实验返回的PQST拼接结果图,图6(i)为这四片碎片的实际匹配图。
本发明新提出的方法是基于碎片边缘轮廓的,首先提取碎片轮廓并提取所需的特征值,用一种计算较为简单快速的方法得到轮廓角点和灰度值,均以序列的形式来表示。利用角点像素的坐标计算部分轮廓长度来寻找初步匹配对,为了排除初步匹配对里的伪匹配,加入灰度运算部分,计算灰度互相关系数,来确定真实匹配,计算部分轮廓长度并进行灰度匹配,由于边长数量少从而降低了计算量提高了效率,加入的灰度部分又保证了匹配的正确率。基于最佳优先法进行遍历搜索,保证了匹配拼接过程中不漏掉任何一个碎片。本发明的碎片拼接方法能够广泛应用于考古学、刑侦取证、艺术品修复、计算机辅助设计、化学和医学等领域。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于边缘信息的碎片拼接方法,其特征在于,包括以下步骤:
对获取的碎片数字图像进行轮廓提取;
基于所述轮廓进行特征提取,获取角点序列和相应灰度值序列;
基于角点序列计算碎片轮廓边缘参数,并根据所述参数获取候选匹配对;
基于灰度值序列计算碎片轮廓之间的相关性,根据所述相关性从候选匹配对中确定真实匹配对;
根据真实匹配对进行碎片拼接;
所述轮廓提取采用内部掏空法:对于每个像素点,如果该像素点和八邻域的像素值均为0,则该点为内部点,将其删除;对于最终未删除的点像素值记为1,得到该碎片轮廓的八连通边界;
所述相关性采用灰度互相关衡量,所述灰度互相关系数表示为两个碎片轮廓的灰度值序列之间平均灰度值系数和最小化均方误差的互相关系数。
2.如权利要求1所述的一种基于边缘信息的碎片拼接方法,其特征在于,所述角点序列基于Harris角点检测算法顺时针检测得到。
3.如权利要求1所述的一种基于边缘信息的碎片拼接方法,其特征在于,所述轮廓的边缘参数包括边缘边长。
4.如权利要求1所述的一种基于边缘信息的碎片拼接方法,其特征在于,所述碎片拼接通过碎片的旋转和平移实现。
5.如权利要求1所述的一种基于边缘信息的碎片拼接方法,其特征在于,所述方法基于最佳优先法进行遍历搜索将碎片进行全局匹配拼接,实现碎片重建。
6.一种基于边缘信息的碎片拼接方法装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5任一项所述基于边缘信息的碎片拼接方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一项所述基于边缘信息的碎片拼接方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711206397.XA CN108009986B (zh) | 2017-11-27 | 2017-11-27 | 基于边缘信息的碎片拼接方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711206397.XA CN108009986B (zh) | 2017-11-27 | 2017-11-27 | 基于边缘信息的碎片拼接方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009986A CN108009986A (zh) | 2018-05-08 |
CN108009986B true CN108009986B (zh) | 2021-05-04 |
Family
ID=62053840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711206397.XA Expired - Fee Related CN108009986B (zh) | 2017-11-27 | 2017-11-27 | 基于边缘信息的碎片拼接方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009986B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898147B (zh) * | 2018-06-27 | 2021-03-02 | 清华大学 | 一种基于角点检测的二维图像边缘平直化方法、装置 |
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 |
CN110675322B (zh) * | 2019-10-06 | 2022-12-06 | 景德镇陶瓷大学 | 一种基于图像轮廓贴合误差和外圆一致性度量的陶瓷碎片二维拼接方法 |
CN111680685B (zh) * | 2020-04-14 | 2023-06-06 | 上海高仙自动化科技发展有限公司 | 一种基于图像的定位方法、装置、电子设备及存储介质 |
JP6898684B1 (ja) * | 2020-11-17 | 2021-07-07 | 株式会社シンカ・アウトフィットNq | 解析装置 |
CN112419349B (zh) * | 2020-11-19 | 2022-11-22 | 安阳师范学院 | 一种人工智能的物体碎片图像拼接方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05212171A (ja) * | 1992-02-10 | 1993-08-24 | Nakanihon Syst:Kk | 刺繍データ作成装置 |
RU2242716C2 (ru) * | 2003-01-31 | 2004-12-20 | Московский государственный университет леса | Способ идентификации типов растительности |
CN101794439A (zh) * | 2010-03-04 | 2010-08-04 | 哈尔滨工程大学 | 基于边缘分类信息的图像拼接方法 |
CN104217411A (zh) * | 2014-09-02 | 2014-12-17 | 济南大学 | 一种不规则破碎单面图像快速拼接方法 |
CN104657964A (zh) * | 2015-03-09 | 2015-05-27 | 重庆邮电大学 | 一种碎片图像计算机自动拼接方法 |
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 |
CN106530226A (zh) * | 2016-10-25 | 2017-03-22 | 中源智人科技(深圳)股份有限公司 | 获取高分辨率高清晰工业图像的实现方法 |
CN107248142A (zh) * | 2017-05-11 | 2017-10-13 | 大连理工大学 | 一种文物碎片自动拼接方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930511B (zh) * | 2012-09-25 | 2015-06-03 | 四川省人民医院 | 一种基于灰阶超声图像的心脏流场速度矢量分析方法 |
-
2017
- 2017-11-27 CN CN201711206397.XA patent/CN108009986B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05212171A (ja) * | 1992-02-10 | 1993-08-24 | Nakanihon Syst:Kk | 刺繍データ作成装置 |
RU2242716C2 (ru) * | 2003-01-31 | 2004-12-20 | Московский государственный университет леса | Способ идентификации типов растительности |
CN101794439A (zh) * | 2010-03-04 | 2010-08-04 | 哈尔滨工程大学 | 基于边缘分类信息的图像拼接方法 |
CN104217411A (zh) * | 2014-09-02 | 2014-12-17 | 济南大学 | 一种不规则破碎单面图像快速拼接方法 |
CN104657964A (zh) * | 2015-03-09 | 2015-05-27 | 重庆邮电大学 | 一种碎片图像计算机自动拼接方法 |
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 |
CN106530226A (zh) * | 2016-10-25 | 2017-03-22 | 中源智人科技(深圳)股份有限公司 | 获取高分辨率高清晰工业图像的实现方法 |
CN107248142A (zh) * | 2017-05-11 | 2017-10-13 | 大连理工大学 | 一种文物碎片自动拼接方法 |
Non-Patent Citations (3)
Title |
---|
On Solving 2D and 3D Puzzles Using Curve Matching;Weixin Kong et.al;《IEEE》;20011231;第2卷;583-590 * |
二维碎片自动拼接技术研究;房然然;《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》;20150915(第 09 期);摘要、1.2、1.3、2.2、2.3、2.4、3.4、4.1 * |
抗遮挡的运动目标跟踪算法研究;刘扬;《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》;20120715(第 07 期);I138-2502 * |
Also Published As
Publication number | Publication date |
---|---|
CN108009986A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009986B (zh) | 基于边缘信息的碎片拼接方法和装置 | |
Otero | Anatomy of the SIFT Method | |
Justino et al. | Reconstructing shredded documents through feature matching | |
JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
CN110021024B (zh) | 一种基于lbp和链码技术的图像分割方法 | |
Zhang et al. | A graph-based optimization algorithm for fragmented image reassembly | |
JP5431362B2 (ja) | 画像識別のための特徴ベースの識別特性(signature) | |
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
EP2534612B1 (en) | Efficient scale-space extraction and description of interest points | |
TW201437925A (zh) | 物體識別裝置、方法及電腦程式產品 | |
KR20110002043A (ko) | 이미지 식별을 위한 스케일 안정적 특징-기반 식별자 | |
JP2006520972A (ja) | 画像パターン認識システム及び方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
Chen et al. | Extracting contour lines from common-conditioned topographic maps | |
US20130243341A1 (en) | Frequency domain interest point descriptor | |
Berezsky et al. | Regions matching algorithms analysis to quantify the image segmentation results | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Zhang et al. | Classification of very high spatial resolution imagery based on a new pixel shape feature set | |
Cheng et al. | Power pole detection based on graph cut | |
Sidike et al. | Automatic building change detection through adaptive local textural features and sequential background removal | |
CN111199251A (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
CN115511928A (zh) | 多光谱图像的匹配方法 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 | |
CN111768436B (zh) | 一种基于Faster-RCNN改进的图像特征块配准方法 | |
Yi et al. | Entropic image thresholding segmentation based on Gabor histogram |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210504 Termination date: 20211127 |