CN109902718B - 一种二维形状匹配方法 - Google Patents
一种二维形状匹配方法 Download PDFInfo
- Publication number
- CN109902718B CN109902718B CN201910068820.7A CN201910068820A CN109902718B CN 109902718 B CN109902718 B CN 109902718B CN 201910068820 A CN201910068820 A CN 201910068820A CN 109902718 B CN109902718 B CN 109902718B
- Authority
- CN
- China
- Prior art keywords
- point
- dimensional shape
- points
- sampling
- straight line
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种二维形状匹配方法,属于计算机图形学领域。本发明的方法包括将每个待匹配二维形状的轮廓线划分为多个曲线段后计算每个二维形状轮廓曲线上各采样点的特征向量;同一曲线段上所有采样点的特征向量构成该曲线段的描述子,属于同一二维形状的多个曲线段的描述子构成该二维形状的描述子;根据两个二维形状的描述子的差值判断两者之间的匹配度,差值越小匹配度越高。本发明二维形状匹配方法,简单易编码实现,能够有效搜索二维形状匹配对,且对于二维形状的平移、旋转及缩放变换鲁棒,具有自动化程度高和结果准确度高的优点。
Description
技术领域
本发明属于计算机图形学领域,涉及一种二维形状匹配方法。
背景技术
随着信息技术的蓬勃发展,产生了大量的多媒体信息,其中,图像成为最为直观和充分的表示方式之一。如何从这些纷繁复杂的图像信息中找到所需要的信息也就成为了当今计算机图形图像处理领域的研究热点。相较于图像中的颜色和纹理特征,图像中物体的形状特征更能反映图像内容的语义信息,是人类识别物体最主要的信息,因此形状特征在图像描述和相似度计算过程中起到了尤为重要的作用,使得二维形状匹配这一问题受到越来越多的重视。二维形状匹配是计算机视觉和计算机图形学等领域的一个热点问题及底层技术,在形状检索、图像检索、目标识别、对称检测等应用中起着重要的作用,二维形状匹配的结果和质量直接影响后续处理技术的效果。
二维形状匹配的核心问题包括形状描述和相似度计算两个方面。在形状描述中主要有基于轮廓的形状描述和基于区域的形状描述两种方法,基于这两种方法,生成二维形状的描述子;在相似度计算中按照一定的准则计算两个形状描述子之间的相似度,从而确定二维形状匹配对。目前,针对二维形状的描述,主要有以下几类方法:(1)单变量描述;(2)矩特征;(3)基于区域骨架的方法;(4)基于变换域的方法;(5)基于轮廓采样点的方法。
通过轮廓采样点的特征作为形状的描述子,然后将形状匹配问题转为轮廓点集之间的匹配问题能够获得更为丰富的形状信息,在形状匹配中取得了令人满意的匹配结果。在进行相似性度量时,现有方法则主要集中于计算形状描述子之间的距离或计算采样点的相似度矩阵,判断二维形状的匹配关系或识别相匹配的子曲线段。
传统基于轮廓采样点的方法通常需要计算采样点的几何不变量,几何不变量的计算往往会受到噪声的影响,且计算量较大,另外,采样点几何不变量的相似性度量存在多次调参的问题,因此针对受到噪声扰动、或轮廓线(轮廓线是由采样点构成)较不平滑的形状时,不易获得令人满意的效果。
参考文献:
[1]Haim J Wolfson.1990.On curve matching.IEEE Transactions on PatternAnalysis&Machine Intelligence 12,5(1990),483–489
发明内容
针对上述现有技术中存在的问题,本发明的目的在于,提供一种二维形状匹配方法。
为了实现上述目的,本发明的二维形状匹配方法包括:
步骤一,将每个待匹配二维形状的轮廓线划分为多个曲线段后计算每个二维形状轮廓曲线上各采样点的特征向量;同一曲线段上所有采样点的特征向量构成该曲线段的描述子,属于同一二维形状的多个曲线段的描述子构成该二维形状的描述子;
所述将每个待匹配二维形状轮廓线划分为多个曲线段包括:
重复执行Step1和Step2将当前二维形状轮廓线划分为多个曲线段:
Step2,采样点p及采样点p的k个近邻点中满足生长条件的点构成当前曲线段,所述生长条件为近邻点在当前直线lp上的投影点不与其他近邻点在当前直线lp上的投影点重叠,初始投影点为采样点p在当前直线lp上的投影点;对于没有被划分到当前曲线段上的采样点执行Step1;
所述计算每个二维形状轮廓曲线上各采样点的特征向量包括:
步骤二,根据两个二维形状的描述子的差值判断两者之间的匹配度,差值越小匹配度越高。
优选的:
其中:点xi、xi-j和xi+j属于同一曲线段,x′i-j为点xi-j在直线lp′上的投影点,x′i+j为点xi+j在直线lp′上的投影点,点xi-j和xi+j为点xi的k个近邻点,k≥1,j=1,2,...,k,直线lp′为xi-j和xi+j所在曲线段对应的直线lp;
进一步,本发明所述切向量为p的k个近邻点决定的切向量包括:计算距离当前曲率最大点p最近的k个近邻点构成点p的k近邻,然后利用主成分分析法对k近邻进行分析,得到点p及其k个近邻点所构成的协方差矩阵的特征值和特征向量,选取最大特征值对应的特征向量作为点p的切向量
进一步,本发明的方法包括:
步骤(1),对待匹配二维形状的轮廓线进行采样得到离散的采样点;
步骤(2),计算每个采样点的曲率;
步骤(3),计算距离当前曲率最大点p最近的k个近邻点构成点p的k近邻,然后利用主成分分析法对k近邻进行分析,得到点p及其k个近邻点所构成的协方差矩阵的特征值和特征向量,选取最大特征值对应的特征向量作为点p的切向量采样点p和切向量构成直线lp;
步骤(4),将点p作为种子点,进行区域生长,直到不存在满足区域生长条件的点,区域生长结束,得到曲线段cp,所述区域生长条件为:
以点p为种子点,其最近的两个反向邻域点分别为pi+1和pi-1,如果这两个点未被划分到其他的曲线段中,则将该两个点被划分到曲线段cp中并作为新的种子点继续区域生长,此时用pl和pr表示点pi+1和pi-1;
然后继续选取点pl和pr的最近邻点pl+1和pr+1,若存在该两点未被划分到其他的曲线段中,且满足式(1),则该两点被划分到曲线段cp中并作为新的种子点pl和pr继续区域生长;
若不存在满足式(1)且未被划分的点pl+1和pr+1,区域生长结束,得到曲线段cp,
步骤(5),重复执行步骤(3)和(4),直到待匹配二维形状轮廓线被划分成多个曲线段;
步骤(6),计算每个曲线段上所有采样点的特征向量:
同一曲线段,x′i-j为点xi-j在直线lp′上的投影点,x′i+j为点xi+j在直线lp′上的投影点,点xi-j和xi+j为点xi的k个近邻点,k≥1,j=1,2,...,k,直线lp′为xi-j和xi+j所在曲线段对应的直线lp;
步骤(7),同一曲线段上所有采样点的特征向量构成该曲线段的描述子,属于同一二维形状的多个曲线段的描述子构成该二维形状的描述子;
步骤(8),计算待匹配二维形状描述子之间的差值,差值最小的两个二维形状则认为匹配。
与现有技术相比,本发明具有以下技术效果:
通过对二维形状的轮廓曲线进行划分得到曲线段,再计算采样点的局部特征值构造二维形状的描述子,并对该描述子进行相似性度量从而确定二维形状的匹配关系,能够融合二维形状轮廓曲线上的多种特征,进而为采样点匹配关系的判定提供更多约束,以此完成二维形状的匹配。采用本发明,能够快速有效地实现二维形状的匹配,为后续处理提供可靠的基础。
附图说明
图1是区域生长过程示意图;
图2是图1的曲线划分结果;
图3是二维钟图形的匹配结果,其中,(a)和(b)分别为两个具有不同旋转角度、平移位置及缩放尺度的钟图形;
图4是二维汽车图形的匹配结果,其中,(a)和(b)分别为两个具有不同旋转角度、平移位置及缩放尺度的汽车图形;
图5是二维骨头图形的匹配结果,其中,(a)和(b)分别为两个具有不同旋转角度、平移位置及缩放尺度的骨头图形;
图6是二维人造喷泉图形的匹配结果,其中,(a)和(b)分别为两个具有不同旋转角度、平移位置及缩放尺度的人造喷泉图形;
图7是二维飞机图形的匹配结果,其中,(a)和(b)分别为两个具有不同旋转角度、平移位置及缩放尺度的飞机#1图形;
图8是二维飞机图形的匹配结果,其中,(a)和(b)分别为两个具有不同旋转角度、平移位置及缩放尺度的飞机#2图形;
图中:星号标示的是当前曲线中曲率最大的点,直线为点的切向量。
下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。
具体实施方式
本发明的二维形状匹配方法,采用曲线划分及局部特征计算的匹配框架,确定二维形状的匹配关系。该方法通过对二维形状的轮廓曲线进行划分得到曲线段,再计算采样点的局部特征值构造二维形状的描述子,并对该描述子进行相似性度量从而确定二维形状的匹配关系。该方法能够融合二维形状轮廓曲线上的多种特征,进而为采样点匹配关系的判定提供更多约束,以此完成二维形状的匹配。
本发明所述的近邻点均指k近邻点,k≥1。
本发明所述切向量为p的k个近邻点决定的切向量是指采用其kK个近邻点求取的切向量,具体计算方法可以采用主成分分析法:选取曲率最大的点p,计算距离点p最近的k个近邻点构成点p的k近邻,然后利用主成分分析法对k近邻进行分析,得到点p及其k个近邻点所构成的协方差矩阵的特征值和特征向量,选取最大特征值对应的特征向量作为点p的切向量
本发明所述采样点xi的梯度信息是指采样点xi的左右梯度信息。优选的利用公式(2)计算曲线段上采样点xi的左右梯度信息,式(2)中,
实施例1:
该实施例的二维形状匹配方法的步骤如下:
步骤一:对每个二维形状的轮廓线进行均匀采样,得到离散的采样点;
步骤二:计算每个采样点的曲率;
步骤三:选取曲率最大的点p,计算距离点p最近的k个近邻点构成点p的k近邻,然后利用主成分分析法(Principle Component Analysis,PCA)对k近邻进行分析,选取最大特征值对应的特征向量作为点p的切向量
步骤四,将点p作为种子点,进行区域生长,直到不存在满足区域生长条件的点,区域生长结束,得到曲线段cp;
该步骤的一种具体实施方式如下:
步骤4.1:以点p为种子点,其最近的两个反向邻域点分别为pi+1和pi-1,如图2所示。如果这两个点未被划分到其他的曲线段中,则将该两个点被划分到曲线段cp中,并作为新的种子点继续区域生长,此时分别用pl和pr表示点pi+1和pi-1;
步骤4.2:继续选取点pl和pr的最近邻点pl+1和pr+1(如图1所示),若该两点未被划分到其他的曲线段中,且满足式(1),则该两点被划分到曲线段cp中并作为新的种子点pl和pr继续区域生长;
若不存在满足式(1)且未被划分的点pl+1和pr+1,区域生长结束,得到曲线段cp。
步骤五,如果还有未被划分到曲线段cp上的点,则转向步骤三,直到给定的二维形状轮廓线被划分成不同的曲线段,曲线段划分结果如图2所示。
步骤六,计算每个曲线段上所有采样点的特征值构成曲线段的描述子,所有曲线段的描述子共同构成该二维形状的描述子;
该步骤的一种具体实施方式如下:
步骤6.2:利用公式(2)计算曲线段上所有采样点xi的左右梯度信息,
步骤6.6:所有曲线段的描述子所构成的矩阵即为二维形状S的描述子;如式(3)所示,该式中的下标表示不同列、行。
步骤七,计算待匹配二维形状描述子之间的相似度,相似度最大的两个二维形状则认为匹配:
该步骤的一种具体实施方式如下:
步骤7.1:记待匹配二维形状分别为S1,S2,…Sn,其描述子分别为VDTC(S1),VDTC(S2),…VDTC(Sn);
步骤7.2:利用式(4)计算二维形状描述子的相似度。
式(4)中,j为行标号,i为列标号。
实施例2:
采用本发明的方法对图3-图8(a)、(b)所示二维形状进行匹配。图4-图8所示二维形状均来自于MPEG-7数据集。
其中,图3-图6所示的模型形状较简单,划分得到的曲线段数目较少,图7-图8所示的模型形状较复杂,划分得到的曲线段数目较多。并且,每组待匹配二维形状的缩放尺度、旋转角度及平移位置均不相同,该结果验证了本发明的方法针对二维形状的匹配具有较好的效果,且针对旋转、平移和缩放鲁棒。
Claims (3)
1.一种二维形状匹配方法,其特征在于,方法包括:
步骤一,将每个待匹配二维形状的轮廓线划分为多个曲线段后计算每个二维形状轮廓曲线上各采样点的特征向量;同一曲线段上所有采样点的特征向量构成该曲线段的描述子,属于同一二维形状的多个曲线段的描述子构成该二维形状的描述子;
所述将每个待匹配二维形状轮廓线划分为多个曲线段包括:
重复执行Step1和Step2将当前二维形状轮廓线划分为多个曲线段:
Step2,采样点p及采样点p的k个近邻点中满足生长条件的点构成当前曲线段,所述生长条件为近邻点在当前直线lp上的投影点不与其他近邻点在当前直线lp上的投影点重叠,初始投影点为采样点p在当前直线lp上的投影点;对于没有被划分到当前曲线段上的采样点执行Step1;
所述计算每个二维形状轮廓曲线上各采样点的特征向量包括:
l为采样点xi所在曲线段的两个端点在直线lp′上的两个投影点间的距离;x′i为采样点xi在直线lp′上的投影点,直线lp′为xi-j和xi+j所在曲线段对应的直线lp;xi-j和xi+j分别为采样点xi的前、后采样点,1≤i-j<i<i+j,j>1;
其中:点xi、xi-j和xi+j属于同一曲线段,x′i-j为点xi-j在直线lp′上的投影点,x′i+j为点xi+j在直线lp′上的投影点,点xi-j和xi+j为点xi的k个近邻点,k≥1,j=1,2,...,k,直线lp′为xi-j和xi+j所在曲线段对应的直线lp;
步骤二,根据两个二维形状的描述子的差值判断两者之间的匹配度,差值越小匹配度越高。
3.如权利要求1所述的二维形状匹配方法,其特征在于,方法包括:
所述步骤一包括:
步骤(1),对待匹配二维形状的轮廓线进行采样得到离散的采样点;
步骤(2),计算每个采样点的曲率;
Step1,计算距离当前曲率最大点p最近的k个近邻点构成点p的k近邻,然后利用主成分分析法对k近邻进行分析,得到点p及其k个近邻点所构成的协方差矩阵的特征值和特征向量,选取最大特征值对应的特征向量作为点p的切向量采样点p和切向量构成直线lp;
Step2,将点p作为种子点,进行区域生长,直到不存在满足区域生长条件的点,区域生长结束,得到曲线段cp,所述区域生长条件为:
以点p为种子点,其最近的两个反向邻域点分别为pi+1和pi-1,如果这两个点未被划分到其他的曲线段中,则将该两个点被划分到曲线段cp中并作为新的种子点继续区域生长,此时用pl和pr表示点pi+1和pi-1;
然后继续选取点pl和pr的最近邻点pl+1和pr+1,若存在该两点未被划分到其他的曲线段中,且满足式(1),则该两点被划分到曲线段cp中并作为新的种子点pl和pr继续区域生长;
若不存在满足式(1)且未被划分的点pl+1和pr+1,区域生长结束,得到曲线段cp,
步骤(3),重复执行步骤Step1和Step2,直到待匹配二维形状轮廓线被划分成多个曲线段;
步骤(4),计算每个曲线段上所有采样点的特征向量:
其中:点xi、xi-j和xi+j属于同一曲线段,x′i-j为点xi-j在直线lp′上的投影点,x′i+j为点xi+j在直线lp′上的投影点,点xi-j和xi+j为点xi的k个近邻点,k≥1,j=1,2,...,k,直线lp′为xi-j和xi+j所在曲线段对应的直线lp;
步骤(5),同一曲线段上所有采样点的特征向量构成该曲线段的描述子,属于同一二维形状的多个曲线段的描述子构成该二维形状的描述子;
步骤二,计算待匹配二维形状描述子之间的差值,差值最小的两个二维形状则认为匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068820.7A CN109902718B (zh) | 2019-01-24 | 2019-01-24 | 一种二维形状匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068820.7A CN109902718B (zh) | 2019-01-24 | 2019-01-24 | 一种二维形状匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902718A CN109902718A (zh) | 2019-06-18 |
CN109902718B true CN109902718B (zh) | 2023-04-07 |
Family
ID=66944078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910068820.7A Active CN109902718B (zh) | 2019-01-24 | 2019-01-24 | 一种二维形状匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902718B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256545A (zh) * | 2017-11-29 | 2018-07-06 | 西北大学 | 一种曲线匹配方法及目标物体的形状匹配方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720284B2 (en) * | 2006-09-08 | 2010-05-18 | Omron Corporation | Method for outlining and aligning a face in face processing of an image |
CN100423695C (zh) * | 2006-11-08 | 2008-10-08 | 沈阳东软医疗系统有限公司 | 一种确定感兴趣区域的装置及方法 |
CN101488223B (zh) * | 2008-01-16 | 2012-03-28 | 中国科学院自动化研究所 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
CN102663733B (zh) * | 2012-03-05 | 2014-08-13 | 河南理工大学 | 基于特征组对的特征点匹配方法 |
CN105719278B (zh) * | 2016-01-13 | 2018-11-16 | 西北大学 | 一种基于统计形变模型的医学图像分割方法 |
CN105825203B (zh) * | 2016-03-30 | 2018-12-18 | 大连理工大学 | 基于点对匹配和几何结构匹配的地面箭头标志检测与识别方法 |
CN106203263A (zh) * | 2016-06-27 | 2016-12-07 | 辽宁工程技术大学 | 一种基于局部特征的脸型分类方法 |
CN106780294B (zh) * | 2016-11-15 | 2020-04-28 | 青岛科技大学 | 一种基于特征描述符的圆弧匹配方法 |
US10492723B2 (en) * | 2017-02-27 | 2019-12-03 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
-
2019
- 2019-01-24 CN CN201910068820.7A patent/CN109902718B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256545A (zh) * | 2017-11-29 | 2018-07-06 | 西北大学 | 一种曲线匹配方法及目标物体的形状匹配方法 |
Non-Patent Citations (1)
Title |
---|
谷睿宇 等.结合轮廓与形状特征的仿射形状匹配.中国图象图形学报.2018,(第10期),1530-1539. * |
Also Published As
Publication number | Publication date |
---|---|
CN109902718A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106469316B (zh) | 基于超像素级信息融合的高光谱图像的分类方法及系统 | |
CN108846358B (zh) | 一种基于孪生网络进行特征融合的目标跟踪方法 | |
CN101847163B (zh) | 一种多特征融合的外观设计专利图像检索方法 | |
CN104200240B (zh) | 一种基于内容自适应哈希编码的草图检索方法 | |
CN107085708B (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN108596951A (zh) | 一种融合特征的目标跟踪方法 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN108509925B (zh) | 一种基于视觉词袋模型的行人重识别方法 | |
CN112270286B (zh) | 一种抗阴影干扰的单色视频目标跟踪方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN105551012B (zh) | 计算机图像配准中降低错误匹配对的方法及其系统 | |
CN106919950B (zh) | 概率密度加权测地距离的脑部mr图像分割方法 | |
CN111460966B (zh) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN103761736B (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
CN110930413A (zh) | 一种基于弱监督多核分类优化合并的图像分割方法 | |
CN107527348B (zh) | 基于多尺度分割的显著性检测方法 | |
CN107067037A (zh) | 一种使用llc准则定位图像前景的方法 | |
CN106447662A (zh) | 一种基于组合距离的fcm图像分割算法 | |
CN102081740B (zh) | 一种基于尺度不变特征的三维图像分类方法 | |
CN108256518A (zh) | 文字区域检测方法及装置 | |
CN113516123A (zh) | 一种针对轮胎压印字符的检测识别方法 | |
CN109902718B (zh) | 一种二维形状匹配方法 |
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 |