CN109829489A - 一种基于多层特征的文物碎片重组方法及装置 - Google Patents
一种基于多层特征的文物碎片重组方法及装置 Download PDFInfo
- Publication number
- CN109829489A CN109829489A CN201910056462.8A CN201910056462A CN109829489A CN 109829489 A CN109829489 A CN 109829489A CN 201910056462 A CN201910056462 A CN 201910056462A CN 109829489 A CN109829489 A CN 109829489A
- Authority
- CN
- China
- Prior art keywords
- cultural relic
- relic fragments
- angle point
- profile
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多层特征的文物碎片重组方法及装置，涉及计算机应用、考古学技术领域，其中，基于多层特征的文物碎片重组方法，包括：提取文物碎片轮廓角点；根据文物碎片轮廓角点，获取文物碎片轮廓凹凸特征；对文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段；计算匹配段的差异度，根据得到的计算结果重组文物碎片。通过选取磨损轮廓上不易丢失的角点凹凸特征，采用按位异或运算快速找到凹凸吻合的有效碎片及相应凹凸匹配段，快速、大幅度降低碎片规模，缩短了碎片匹配时所占用的时间，再通过旋转函数量化凹凸形态，计算出两个凹凸匹配段的差异度，获得属于预设阈值范围内的所有可重组碎片，进行重组，保障碎片重组的准确性。
Description
技术领域
本发明实施例涉及计算机应用、考古学技术领域，具体涉及一种基于多层特征的文物碎片重组方法及装置。
背景技术
碎片重组在考古学领域有重要的应用意义，当碎片规模庞大、轮廓磨损且存在缺失时，人工重组则需要大量时间成本甚至涉及很多专业知识，比如甲骨文碎片，从1899年首次发掘至今共约15万片，对重组算法的效率及准确率要求都极高，虽然河南安阳师范学院的王爱民等人提出使用计算机图形图像学进行甲骨文缀合的方法，但是该方法效率极低，只停留在理论阶段，无法完成15万个碎片的重组工作，因此目前甲骨文重组只能靠专家人工重组。自1970s起就有学者研究使用计算机做文物碎片重组辅助工作，如今碎片重组已成为模式识别领域的热点问题。
需要计算机进行辅助重组的文物碎片往往具有规模庞大、轮廓磨损、数量存在缺失和纹理模糊的特点，因此在实际应用中，对算法的效率及准确率都有很大要求。
本发明人发现，现有技术在对大规模碎片直接进行特征精细匹配，且一个或多个特征均在一次匹配时同时使用，导致算法时间长、复杂度过高。
发明内容
为此，本发明实施例提供一种基于多层特征的文物碎片重组方法及装置，以解决现有技术中的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
在本发明的实施方式的第一方面中，提供了一种基于多层特征的文物碎片重组方法，包括：
提取文物碎片轮廓角点；
根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征；
对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段；
计算所述匹配段的差异度，根据得到的计算结果重组文物碎片。
在本发明的另一实施例中，所述提取文物碎片轮廓角点，包括：对文物碎片通过轮廓提取及角点检测算法，如RJ角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点。
在本发明的另一实施例中，所述根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征，包括：连接所述文物碎片轮廓角点，使文物碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
在本发明的另一实施例中，所述获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征，包括：
从所述文物碎片的任意一个角点出发，根据多边形凹凸性标定算法，得到角点的凹凸性，将所述文物碎片轮廓凹凸特征描述为一个二进制数，得到文物碎片轮廓所有角点的凹凸性组成的二进制凹凸序列。
在本发明的另一实施例中，所述对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段，包括：
对两个文物碎片的二进制凹凸序列中的任意一个序列逆转，然后再进行按位异或运算，根据得到的运算结果得到两个文物碎片全部的凹凸匹配段。
在本发明的另一实施例中，所述计算所述匹配段的差异度，根据得到的计算结果重组文物碎片，包括：
获取匹配段整体差异度在预设阈值范围内，并且匹配段中每一分段差异度在预设阈值范围内的文物碎片，进行重组文物碎片。
在本发明的第二方面，提供一种基于多层特征的文物碎片重组装置，包括：
角点提取模块，用于提取文物碎片轮廓角点，触发特征提取模块；
特征提取模块，用于根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征，触发匹配模块；
匹配模块，用于对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段，触发重组模块；
重组模块，用于计算所述匹配段的差异度，根据得到的计算结果重组文物碎片。
在本发明的另一实施例中，所述角点提取模块，用于对文物碎片通过轮廓提取及角点检测算法，如RJ角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点。
在本发明的另一实施例中，所述特征提取模块，用于连接所述文物碎片轮廓角点，使文物碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
在本发明的第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序用于实现如上所述的基于多层特征的文物碎片重组方法。
根据本发明的实施方式，具有如下优点：通过选取磨损轮廓上最不易丢失的角点凹凸特征定性描述碎片，以0、1分别代表凹、凸，组成二进制数，用按位异或运算快速找到凹凸吻合的有效碎片及相应凹凸匹配段，快速、大幅度降低碎片规模，有效的缩短了碎片匹配时所占用的时间，再通过旋转函数量化凹凸形态，计算出两个凹凸匹配段的差异度，获得属于预先设定的预设阈值范围内的所有可重组碎片进行重组，从而保障碎片重组的准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明的一实施例提供的一种基于多层特征的文物碎片重组方法流程图；
图2为本发明的另一实施例提供的一种基于多层特征的文物碎片重组装置结构示意图。
图中：401为角点提取模块、402为特征提取模块、403为匹配模块、404为重组模块。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的第一方面，提供一种基于多层特征的文物碎片重组方法，如图1所示，包括：
步骤201：提取文物碎片轮廓角点；
在本发明实施例中，对碎片通过轮廓提取及角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点，碎片轮廓角点，以下简称碎片角点。其中，角点检测算法，包括但不限于RJ角点检测算法、Harris或改进的Harris角点检测算法，改进的RJ角点检测算法，基于神经网络的角点检测算法。
步骤202：根据文物碎片轮廓角点获取文物碎片轮廓凹凸特征；
连接文物碎片轮廓角点可以使碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
在本发明实施例中，凹凸特征是一个碎片最明显的特征，并且即使碎片侵蚀再严重，凹凸特征也基本不会丢失，因此基于凹凸特征进行文物碎片的粗匹配特征更为直接有效。
对凹凸特征二值化，将凹凸特征描述为″0”和″1”，从文物碎片的任意一个角点出发，根据多边形凹凸性标定算法，得到角点的凹凸，设凹为″0”，凸为″1”，使得文物碎片轮廓凹凸特征可以描述为一个二进制数，进而，碎片轮廓所有角点的凹凸性组成二进制凹凸序列。
步骤203：对文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段；
在本发明实施例中，对两个文物碎片的二进制凹凸序列进行按位异或运算，运算结果为1则表示匹配，运算结果为0则表示不匹配，以此快速找到凹凸吻合的匹配段。
更进一步地，在对两个碎片的二进制凹凸序列进行按位异或运算时，将其中任意序列逆转，是因为凹凸特征生成时均为顺时针，因此在匹配段处方向相反，需通过逆转使匹配段上的点一一对应。最终得到的匹配段集合M即为两个碎片全部的凹凸匹配段。
在本发明实施例中，在凹凸匹配段查找阶段，算法复杂度为O(N2C)，其中N为碎片数，C为每个碎片的平均角点数。尽管N的基数非常大，但是碎片角点数C较小，且计算机做位运算速度很快，因此凹凸匹配段查找算法可以快速从大规模碎片中排除大量凹凸不匹配的碎片，减小N值，为提高后续精细匹配的效率奠定基础。采用复杂度低的按位异或运算，在大规模数据上查找有效匹配段，降低数据规模，达到初步筛选的目的。
步骤204：计算匹配段的差异度，根据得到的计算结果重组文物碎片；
在本发明实施例中，计算匹配段差异度包括，判断匹配段整体差异度是否在预设阈值范围内，以及判断匹配段中每一分段差异度是否在预设阈值范围内。获取差异度在预设阈值范围内的文物碎片，进行重组文物碎片。
将集合M中的凹凸匹配段生成各自的旋转函数，以得到凹凸形态特征。凹凸特征仅仅是碎片轮廓线变化的一个定性描述，通过得到凹凸形态特征，量化凹凸形态，以确保重组算法的准确性。计算两个旋转函数每一分段中较短段占较长段的百分比，以及该分段纵坐标的较小值占较大值的百分比，求和，以得到旋转函数的差异度。对旋转函数的差异度与预设阈值比较，其中，预设阈值包括：横坐标差异度阈值σs，纵坐标差异度阈值σθ。任意一分段的横纵坐标差异超出预设阈值，则认为两旋转函数的差异度为∞，否则记为各分段差异度中的极大值。
在本发明实施例中，在匹配段差异度计算阶段，算法复杂度为O(N′2M)，其中N′为碎片数，M为所有匹配段数，虽然匹配段数可能多于角点数C，但是此时的N′值已远小于查找凹凸匹配段时的N值，因此精细匹配阶段的算法效率也很高。
综上所述，在凹凸匹配段查找和匹配段差异度计算两个阶段，总时间复杂度为O(N2C+N′2M)，当前最快的重组算法时间复杂度为O(N2LlogL)，L为每个碎片平均采样点数，L远大于C和M，因此相比之下，算法的时间复杂度大幅降低。
本发明实施例中，提出基于轮廓角点的凹凸特征及凹凸形态特征的多层特征选取方式，结合位运算与旋转函数，进行碎片重组，通过选取磨损轮廓上最不易丢失的角点凹凸特征定性描述碎片，使方法鲁棒性较高，通过实验证明，在60片真实甲骨文碎片上进行实验，全部重组正确，在2.5GHz的Intel Core i7只需0.3秒。
在本发明的第二方面，提供一种基于多层特征的文物碎片重组装置，如图2所示，包括：
角点提取模块401，用于提取文物碎片轮廓角点，触发特征提取模块402；
在本发明实施例中，角点提取模块401，用于对文物碎片通过轮廓提取及RJ角点检测算法，或其他任何角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点。
特征提取模块402，用于根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征，触发匹配模块403；
在本发明实施例中，特征提取模块402，用于连接所述文物碎片轮廓角点，使文物碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
在本发明实施例中，凹凸特征是一个碎片最明显的特征，并且即使碎片侵蚀再严重，凹凸特征也基本不会丢失，因此基于凹凸特征进行文物碎片的粗匹配特征更为直接有效。
对凹凸特征二值化，将凹凸特征描述为″0”和″1”，从文物碎片的任意一个角点出发，根据多边形凹凸性标定算法，得到角点的凹凸，设凹为″0”，凸为″1”，使得文物碎片轮廓凹凸特征可以描述为一个二进制数，进而，碎片轮廓所有的凹凸特征组成二进制凹凸序列。
匹配模块403，用于对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段，触发重组模块404；
在本发明实施例中，匹配模块403，用于对两个文物碎片的二进制凹凸序列中的任意一个序列逆转，然后再进行按位异或运算，根据得到的运算结果得到两个文物碎片全部的凹凸匹配段。
对两个文物碎片的二进制凹凸序列进行按位异或运算，运算结果为1则表示匹配，运算结果为0则表示不匹配，以此快速找到凹凸吻合的匹配段。
更进一步地，在对两个碎片的二进制凹凸序列进行按位异或运算时，将其中任意序列逆转，是因为凹凸特征生成时均为顺时针，因此在匹配段处方向相反，需通过逆转使匹配段上的点一一对应。最终得到的匹配段集合M即为两个碎片全部的凹凸匹配段。
在本发明实施例中，在凹凸匹配段查找阶段，算法复杂度为O(N2C)，其中N为碎片数，C为每个碎片的平均角点数。尽管N的基数非常大，但是碎片角点数C较小，且计算机做位运算速度很快，因此凹凸匹配段查找算法可以快速从大规模碎片中排除大量凹凸不匹配的碎片，减小N值，为提高后续精细匹配的效率奠定基础。采用复杂度低的按位异或运算，在大规模数据上查找有效匹配段，降低数据规模，达到初步筛选的目的。
重组模块405，用于计算所述匹配段的差异度，根据得到的计算结果重组文物碎片。
在本发明实施例中，重组模块405，用于获取匹配段整体差异度在预设阈值范围内，或者匹配段中每一分段差异度在预设阈值范围内的文物碎片，进行重组文物碎片。
具体地，重组模块405，用于将集合M中的凹凸匹配段生成各自的旋转函数。计算两个旋转函数每一分段中较短段占较长段的百分比，以及该分段纵坐标的较小值占较大值的百分比，求和，以得到旋转函数的差异度。对旋转函数的差异度与预设阈值比较，其中，预设阈值包括：横坐标差异度阈值σs，纵坐标差异度阈值σθ。任意一分段的横纵坐标差异超出预设阈值，则认为两旋转函数的差异度为∞，否则记为各分段差异度中的极大值。
在本发明实施例中，在匹配段差异度计算阶段，算法复杂度为O(N′2M)，其中N′为碎片数，M为所有匹配段数，虽然匹配段数可能多于角点数C，但是此时的N′值已远小于查找凹凸匹配段时的N值，因此精细匹配阶段的算法效率也很高。
综上所述，在凹凸匹配段查找和匹配段差异度计算两个阶段，总时间复杂度为O(N2C+N′2M)，当前最快的重组算法时间复杂度为O(N2LlogL)，L为每个碎片平均采样点数，L远大于C和M，因此相比之下，算法的时间复杂度大幅降低。
在本发明的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序用于实现基于多层特征的文物碎片重组方法，该方法包括：
提取文物碎片轮廓角点，根据文物碎片轮廓角点获取文物碎片轮廓凹凸特征；
在本发明实施例中，对碎片通过轮廓提取及RJ角点检测算法，或任何角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点。连接文物碎片轮廓角点可以使碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
在本发明实施例中，凹凸特征是一个碎片最明显的特征，并且即使碎片侵蚀再严重，凹凸特征也基本不会丢失，因此基于凹凸特征进行文物碎片的粗匹配特征更为直接有效。
对凹凸特征二值化，将凹凸特征描述为″0”和″1”，从文物碎片的任意一个角点出发，根据多边形凹凸性标定算法，得到角点的凹凸，设凹为″0”，凸为″1”，使得文物碎片轮廓凹凸特征可以描述为一个二进制数，进而，碎片轮廓所有的凹凸特征组成二进制凹凸序列。
对文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段；
在本发明实施例中，对两个文物碎片的二进制凹凸序列进行按位异或运算，运算结果为1则表示匹配，运算结果为0则表示不匹配，以此快速找到凹凸吻合的匹配段。
更进一步地，在对两个碎片的二进制凹凸序列进行按位异或运算时，将其中任意序列逆转，是因为凹凸特征生成时均为顺时针，因此在匹配段处方向相反，需通过逆转使匹配段上的点一一对应。最终得到的匹配段集合M即为两个碎片全部的凹凸匹配段。
在本发明实施例中，在凹凸匹配段查找阶段，算法复杂度为O(N2C)，其中N为碎片数，C为每个碎片的平均角点数。尽管N的基数非常大，但是碎片角点数C较小，且计算机做位运算速度很快，因此凹凸匹配段查找算法可以快速从大规模碎片中排除大量凹凸不匹配的碎片，减小N值，为提高后续精细匹配的效率奠定基础。采用复杂度低的按位异或运算，在大规模数据上查找有效匹配段，降低数据规模，达到初步筛选的目的。
计算匹配段的差异度，根据得到的计算结果重组文物碎片；
在本发明实施例中，计算匹配段差异度包括，判断匹配段整体差异度是否在预设阈值范围内，以及判断匹配段中每一分段差异度是否在预设阈值范围内。获取差异度在预设阈值范围内的文物碎片，进行重组文物碎片。
将集合M中的凹凸匹配段生成各自的旋转函数，以得到凹凸形态特征。凹凸特征仅仅是碎片轮廓线变化的一个定性描述，通过得到凹凸形态特征，量化凹凸形态，以确保重组算法的准确性。计算两个旋转函数每一分段中较短段占较长段的百分比，以及该分段纵坐标的较小值占较大值的百分比，求和，以得到旋转函数的差异度。对旋转函数的差异度与预设阈值比较，任意一分段的横纵坐标差异超出预设阈值，则认为两旋转函数的差异度为∞，否则记为各分段差异度中的极大值。
在本发明实施例中，针对匹配段，提出一种基于旋转函数的差异度计算方式。根据数据集设置预设阈值，预设阈值包括：横坐标差异度阈值σs，纵坐标差异度阈值σθ。
在本发明实施例中，在匹配段差异度计算阶段，算法复杂度为O(N′2M)，其中N′为碎片数，M为所有匹配段数，虽然匹配段数可能多于角点数C，但是此时的N′值已远小于查找凹凸匹配段时的N值，因此精细匹配阶段的算法效率也很高。
综上所述，在凹凸匹配段查找和匹配段差异度计算两个阶段，总时间复杂度为O(N2C+N′2M)，当前最快的重组算法时间复杂度为O(N2LlogL)，L为每个碎片平均采样点数，L远大于C和M，因此相比之下，算法的时间复杂度大幅降低。
综上所述，在本发明实施例中，通过选取磨损轮廓上最不易丢失的角点凹凸特征定性描述碎片，以0、1分别代表凹、凸，组成二进制数，用按位异或运算快速找到凹凸吻合的有效碎片及相应凹凸匹配段，大幅降低碎片规模，有效的缩短了碎片匹配时所占用的时间，再通过旋转函数量化凹凸形态，计算出两个凹凸匹配段的差异度，获得属于预先设定的预设阈值范围内的所有可重组碎片进行重组，从而保障碎片重组的准确性。解决了规模庞大、轮廓磨损、纹理模糊且数量存在缺失的二维文物碎片的重组问题。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种基于多层特征的文物碎片重组方法，其特征在于，包括：
提取文物碎片轮廓角点；
根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征；
对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段；
计算所述匹配段的差异度，根据得到的计算结果重组文物碎片。
2.如权利要求1所述的方法，其特征在于，
所述提取文物碎片轮廓角点，包括：对文物碎片通过轮廓提取及角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点。
3.如权利要求1所述的方法，其特征在于，
所述根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征，包括：连接所述文物碎片轮廓角点，使文物碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
4.如权利要求3所述的方法，其特征在于，
所述获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征，包括：
从所述文物碎片的任意一个角点出发，根据多边形凹凸性标定算法，得到角点的凹凸性，将所述文物碎片轮廓凹凸特征描述为一个二进制数，得到文物碎片轮廓所有角点的凹凸性组成的二进制凹凸特征序列。
5.如权利要求1-4任一项所述的方法，其特征在于，
所述对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段，包括：
对两个文物碎片的二进制凹凸序列中的任意一个序列逆转，然后再进行按位异或运算，根据得到的运算结果得到两个文物碎片全部的凹凸匹配段。
6.如权利要求1-4任一项所述的方法，其特征在于，
所述计算所述匹配段的差异度，根据得到的计算结果重组文物碎片，包括：
获取匹配段整体差异度在预设阈值范围内，并且匹配段中每一分段差异度在预设阈值范围内的文物碎片，进行重组文物碎片。
7.一种基于多层特征的文物碎片重组装置，其特征在于，包括：
角点提取模块，用于提取文物碎片轮廓角点；
特征提取模块，用于根据所述文物碎片轮廓角点，获取文物碎片轮廓凹凸特征；
匹配模块，用于对所述文物碎片轮廓凹凸特征做异或运算，根据运算结果得到匹配段；
重组模块，用于计算所述匹配段的差异度，根据得到的计算结果重组文物碎片。
8.如权利要求7所述的装置，其特征在于，
所述角点提取模块，用于对文物碎片通过轮廓提取及角点检测算法，得到合适粒度的角点，记做文物碎片轮廓角点。
9.如权利要求7所述的装置，其特征在于，
所述特征提取模块，用于连接所述文物碎片轮廓角点，使文物碎片多边形化，获取多边形化后角点的凹凸性，将其作为文物碎片轮廓凹凸特征。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，所述程序用于实现如权利要求1至4任意一项所述的基于多层特征的文物碎片重组方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910056462.8A CN109829489A (zh) | 2019-01-18 | 2019-01-18 | 一种基于多层特征的文物碎片重组方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910056462.8A CN109829489A (zh) | 2019-01-18 | 2019-01-18 | 一种基于多层特征的文物碎片重组方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829489A true CN109829489A (zh) | 2019-05-31 |
Family
ID=66861089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910056462.8A Pending CN109829489A (zh) | 2019-01-18 | 2019-01-18 | 一种基于多层特征的文物碎片重组方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829489A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462147A (zh) * | 2020-04-30 | 2020-07-28 | 柳州智视科技有限公司 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
| CN112549553A (zh) * | 2020-10-27 | 2021-03-26 | 共享智能铸造产业创新中心有限公司 | 3d打印方法及3d打印机 |
| CN112669360A (zh) * | 2020-11-30 | 2021-04-16 | 西安电子科技大学 | 一种基于非封闭多维轮廓特征序列的多源图像配准方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150197A (zh) * | 2013-02-07 | 2013-06-12 | 浙江大学 | 基于静态划分的代码Cache管理方法 |
| CN103679671A (zh) * | 2014-01-12 | 2014-03-26 | 王浩 | 融入fft的综合评价法的碎纸片纵横切拼接复原算法 |
| CN103679193A (zh) * | 2013-11-12 | 2014-03-26 | 华南理工大学 | 一种基于freak的高速高密度封装元器件快速定位方法 |
| CN103942757A (zh) * | 2014-03-19 | 2014-07-23 | 王斌君 | 基于内容特征的图像碎片匹配方法和系统 |
| CN104025010A (zh) * | 2011-09-30 | 2014-09-03 | 净睿存储股份有限公司 | 存储系统中的可变长度编码 |
| CN104200204A (zh) * | 2014-09-02 | 2014-12-10 | 福建富士通信息软件有限公司 | 一种图片处理装置及方法 |
| US20150040078A1 (en) * | 2013-07-30 | 2015-02-05 | GlobalFoundries, Inc. | Methods and systems for designing and manufacturing optical lithography masks |
| 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 |
| CN105809625A (zh) * | 2016-03-07 | 2016-07-27 | 哈尔滨中研普瑞电子工程技术中心有限公司 | 基于局部纹理模式的碎片重构方法 |
| CN106127849A (zh) * | 2016-05-10 | 2016-11-16 | 中南大学 | 三维精细血管重建方法及其系统 |
| CN106414503A (zh) * | 2014-03-11 | 2017-02-15 | 分子模板公司 | 包含邻近氨基酸端的志贺毒素a亚基效应子区和细胞靶向性免疫球蛋白型结合区的蛋白 |
| CN106447605A (zh) * | 2016-10-13 | 2017-02-22 | 中北大学 | 基于pca和fft的青铜器三维碎片虚拟拼接方法 |
| CN106991082A (zh) * | 2017-03-31 | 2017-07-28 | 西安理工大学 | 多页同类文档碎片的分组方法 |
| 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 |
| CN107590772A (zh) * | 2017-07-18 | 2018-01-16 | 西北大学 | 一种基于自适应邻域匹配的文物碎片自动拼接方法 |
| CN108009986A (zh) * | 2017-11-27 | 2018-05-08 | 山东师范大学 | 基于边缘信息的碎片拼接方法和装置 |
| CN108027297A (zh) * | 2015-07-10 | 2018-05-11 | 阿德莱德大学 | 用于产生压力信号的系统和方法 |
| CN108376385A (zh) * | 2018-01-26 | 2018-08-07 | 江南大学 | 一种融合形状特征和颜色的智能拼图算法及其系统 |
-
2019
- 2019-01-18 CN CN201910056462.8A patent/CN109829489A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104025010A (zh) * | 2011-09-30 | 2014-09-03 | 净睿存储股份有限公司 | 存储系统中的可变长度编码 |
| CN103150197A (zh) * | 2013-02-07 | 2013-06-12 | 浙江大学 | 基于静态划分的代码Cache管理方法 |
| US20150040078A1 (en) * | 2013-07-30 | 2015-02-05 | GlobalFoundries, Inc. | Methods and systems for designing and manufacturing optical lithography masks |
| CN103679193A (zh) * | 2013-11-12 | 2014-03-26 | 华南理工大学 | 一种基于freak的高速高密度封装元器件快速定位方法 |
| CN103679671A (zh) * | 2014-01-12 | 2014-03-26 | 王浩 | 融入fft的综合评价法的碎纸片纵横切拼接复原算法 |
| CN106414503A (zh) * | 2014-03-11 | 2017-02-15 | 分子模板公司 | 包含邻近氨基酸端的志贺毒素a亚基效应子区和细胞靶向性免疫球蛋白型结合区的蛋白 |
| CN103942757A (zh) * | 2014-03-19 | 2014-07-23 | 王斌君 | 基于内容特征的图像碎片匹配方法和系统 |
| CN104200204A (zh) * | 2014-09-02 | 2014-12-10 | 福建富士通信息软件有限公司 | 一种图片处理装置及方法 |
| 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 |
| CN108027297A (zh) * | 2015-07-10 | 2018-05-11 | 阿德莱德大学 | 用于产生压力信号的系统和方法 |
| CN105809625A (zh) * | 2016-03-07 | 2016-07-27 | 哈尔滨中研普瑞电子工程技术中心有限公司 | 基于局部纹理模式的碎片重构方法 |
| CN106127849A (zh) * | 2016-05-10 | 2016-11-16 | 中南大学 | 三维精细血管重建方法及其系统 |
| CN106447605A (zh) * | 2016-10-13 | 2017-02-22 | 中北大学 | 基于pca和fft的青铜器三维碎片虚拟拼接方法 |
| CN106991082A (zh) * | 2017-03-31 | 2017-07-28 | 西安理工大学 | 多页同类文档碎片的分组方法 |
| 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 |
| CN107590772A (zh) * | 2017-07-18 | 2018-01-16 | 西北大学 | 一种基于自适应邻域匹配的文物碎片自动拼接方法 |
| CN108009986A (zh) * | 2017-11-27 | 2018-05-08 | 山东师范大学 | 基于边缘信息的碎片拼接方法和装置 |
| CN108376385A (zh) * | 2018-01-26 | 2018-08-07 | 江南大学 | 一种融合形状特征和颜色的智能拼图算法及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| MICHAEL CALONDER .ETC: ""BRIEF：Binary Robust Independent Elementary Features"", 《ECCV 2010：COMPUTER VISION-ECCV2010》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462147A (zh) * | 2020-04-30 | 2020-07-28 | 柳州智视科技有限公司 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
| CN111462147B (zh) * | 2020-04-30 | 2022-07-05 | 柳州智视科技有限公司 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
| CN112549553A (zh) * | 2020-10-27 | 2021-03-26 | 共享智能铸造产业创新中心有限公司 | 3d打印方法及3d打印机 |
| CN112549553B (zh) * | 2020-10-27 | 2023-03-10 | 共享智能装备有限公司 | 3d打印方法及3d打印机 |
| CN112669360A (zh) * | 2020-11-30 | 2021-04-16 | 西安电子科技大学 | 一种基于非封闭多维轮廓特征序列的多源图像配准方法 |
| CN112669360B (zh) * | 2020-11-30 | 2023-03-10 | 西安电子科技大学 | 一种基于非封闭多维轮廓特征序列的多源图像配准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104318570B (zh) | 一种基于背景的自适应迷彩伪装设计方法 | |
| Zhang et al. | Point cloud normal estimation via low-rank subspace clustering | |
| CN109829489A (zh) | 一种基于多层特征的文物碎片重组方法及装置 | |
| CN103983334B (zh) | 一种信息处理的方法及电子设备 | |
| CN109389562A (zh) | 图像修复方法及装置 | |
| Herdiyeni et al. | Combination of morphological, local binary pattern variance and color moments features for indonesian medicinal plants identification | |
| Zhao et al. | Local quantization code histogram for texture classification | |
| CN105224937A (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
| CN106023098B (zh) | 基于张量结构多字典学习与稀疏编码的图像修补方法 | |
| CN109147040A (zh) | 基于模板的人体点云孔洞修补方法 | |
| CN106991380A (zh) | 一种基于掌静脉图像的预处理方法 | |
| Sthapak et al. | Artificial neural network based signature recognition & verification | |
| CN109308689A (zh) | 基于掩码生成对抗网络迁移学习的无监督图像修复方法 | |
| CN112686191B (zh) | 基于人脸三维信息的活体防伪方法、系统、终端及介质 | |
| CN111507206A (zh) | 一种基于多尺度局部特征融合的手指静脉识别方法 | |
| CN114596290A (zh) | 缺陷检测方法及其装置、存储介质、程序产品 | |
| Liang et al. | An algorithm for concrete crack extraction and identification based on machine vision | |
| Ribas et al. | Distance transform network for shape analysis | |
| CN109816618A (zh) | 一种基于自适应阈值的区域能量光子计数图像融合算法 | |
| CN104376312B (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
| CN116665258B (zh) | 一种手掌图像指缝分割方法 | |
| Huang et al. | Signature verification using fractal transformation | |
| CN109766924A (zh) | 基于图像信息熵与自适应阈值daisy特征点的图像检测方法 | |
| Wei-Chao et al. | Occluded fingerprint recognition algorithm based on multi association features match | |
| Chica | Visibility-based feature extraction from discrete models |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |