CN110288622A - 基于线密度的不规则轮廓匹配算法 - Google Patents
基于线密度的不规则轮廓匹配算法 Download PDFInfo
- Publication number
- CN110288622A CN110288622A CN201910417306.XA CN201910417306A CN110288622A CN 110288622 A CN110288622 A CN 110288622A CN 201910417306 A CN201910417306 A CN 201910417306A CN 110288622 A CN110288622 A CN 110288622A
- Authority
- CN
- China
- Prior art keywords
- shredded paper
- paper image
- matched
- contour curve
- image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,公开一种基于线密度的不规则轮廓匹配算法,包括:获取碎纸的图像信息,从碎纸的图像信息中检测出目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线;对待匹配碎纸图像的边缘轮廓曲线进行匹配预处理;利用线密度算法对目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行处理,获得目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线的线密度;通过目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离衡量待匹配碎纸图像的边缘轮廓曲线与目标碎纸图像的边缘轮廓曲线之间的匹配程度,距离越大,轮廓匹配程度越小,距离越小,轮廓匹配程度越大。本发明达到了较好的轮廓匹配效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于线密度的不规则轮廓匹配算法。
背景技术
碎纸拼接是图像处理领域中的一个典型分支,它被广泛应用于军事情报获取、司法取证和考古文物修复等领域。对于考古文物的碎片数量较大时,若采用人工拼接的方法不仅会使拼接工作较为繁琐复杂,消耗大量的人力、物力,还可能对出土文物造成二次损坏。因此采用计算机辅助完成碎片拼接是非常必要的。
碎纸拼接技术是通过运用图像处理技术和计算机辅助技术,将原本破碎的目标经过图像获取、图像预处理、轮廓匹配、图像拼接几个步骤恢复出它的原貌。其中,轮廓匹配技术是匹配拼接技术中最关键的步骤之一,其核心技术是轮廓特征描述和相似性度量。特征描述的方法有很多,总的来说可分为基于空间域和基于变换域两种。目前,基于空间域的研究方法包括链码、多边形逼近、样条等;基于变换域的研究方法包括傅里叶变换描述符、小波变换描述符等,其基本思想是对物体边缘点作傅里叶变换或者小波变换,将变换系数作为形状的描述符。相似性度量方法主要有欧氏距离、闵可夫斯基距离、汉明距离等。最常用的相似性度量方法是欧式距离,其优点是物理意义清晰,计算简单,适用范围比较广,缺点是与人的视觉感知有较大差异。现有的轮廓匹配技术匹配准确度和速度较低,且计算量比较大。
发明内容
本发明针对现有的轮廓匹配技术匹配准确度和速度较低,且计算量较大的问题,提出基于线密度的不规则轮廓匹配算法。
为了实现上述目的,本发明采用以下技术方案:
一种基于线密度的不规则轮廓匹配算法,包括:
步骤1:获取碎纸的图像信息,从所述碎纸的图像信息中检测出目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线;
步骤2:对所述待匹配碎纸图像的边缘轮廓曲线进行匹配预处理;
步骤3:利用线密度算法对所述目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行处理,获得目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线的线密度;
步骤4:通过目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离衡量所述待匹配碎纸图像的边缘轮廓曲线与所述目标碎纸图像的边缘轮廓曲线之间的匹配程度,距离越大,轮廓匹配程度越小,距离越小,轮廓匹配程度越大。
进一步地,所述步骤1包括:
步骤1.1:获取碎纸的图像信息,所述碎纸的图像信息包括目标碎纸图像信息及待匹配碎纸图像信息;
步骤1.2:对所述目标碎纸图像信息及待匹配碎纸图像信息进行图像去噪处理;
步骤1.3:对图像去噪处理后的所述目标碎纸图像信息及待匹配碎纸图像信息进行图像灰度化处理;
步骤1.4:对图像灰度化处理后的所述目标碎纸图像信息及待匹配碎纸图像信息进行图像二值化处理,得到目标碎纸及待匹配碎纸的二值化图像;
步骤1.5:对所述二值化图像进行二值形态学法轮廓的提取,提取出的目标碎纸图像或待匹配碎纸图像的边缘轮廓曲线为:
C=I-IθS′ (1)
其中,C为目标碎纸图像或待匹配碎纸图像的边缘轮廓曲线,I为目标碎纸或待匹配碎纸的二值化图像,S′为结构元素,IθS′为S′对I的腐蚀。
进一步地,所述步骤2包括:
步骤2.1:保证每一张待匹配碎纸图像与目标碎纸图像像素尺寸大小相同的情况下,获取待匹配碎纸图像;
步骤2.2:通过公式(1)得出各待匹配碎纸图像的边缘轮廓曲线的像素点,通过MATLAB对待匹配碎纸图像进行细化并提取骨架,生成待匹配碎纸图像的边缘轮廓曲线;
步骤2.3:比对待匹配碎纸图像的边缘轮廓曲线的像素点数,设置阈值,以获取的所有碎片像素点尽可能相等为原则,筛选出在阈值范围内出现的待匹配碎纸图像的边缘轮廓曲线,得到符合阈值筛选的待匹配碎纸图像的边缘轮廓曲线数n。
进一步地,所述步骤3包括:
步骤3.1:将目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线划分为多个包含X个像素点数的曲线段;
步骤3.2:将目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行数学建模,得出所述线密度的求取公式为:
Linedensityj=Lj/U (2)
其中,Linedensityj为第j个包含X个像素点数的曲线段的线密度,Lj为第j个包含X个像素点数的曲线段的长度,U为单位弧长;
步骤3.3:通过公式(2)得出目标碎纸图像的边缘轮廓曲线的线密度W及第i个待匹配碎纸图像的边缘轮廓曲线的线密度Di,其中,W和Di为一维数组,数组的长度等于目标碎纸图像的边缘轮廓曲线或待匹配碎纸图像的边缘轮廓曲线包含X个像素点数的曲线段的个数。
进一步地,所述步骤4包括:
步骤4.1:通过所述W及所述Di得出目标碎纸图像与第i个待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离Zi:
Zi=|W-Di| (3)
步骤4.2:通过所述Zi求取目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离的均值M和方差S:
步骤4.3:为所述均值M和方差S分别设定门限值threshold1、threshold2,若M小于threshold1且S小于threshold2,则第i个待匹配碎纸图像的边缘轮廓曲线与目标碎纸图像的边缘轮廓曲线相匹配,否则匹配失败。
与现有技术相比,本发明具有的有益效果:
本发明利用二值形态学法对二维碎纸图像进行边缘检测,提取出的轮廓曲线较为完整,连续性很好;通过匹配预处理,缩小匹配目标的待匹配范围;运用线密度算法,将碎纸轮廓的匹配与曲线的相似性联系起来,达到了较好的匹配效果;充分利用轮廓的几何特征,大大减少了运行时间,提高了运行结果的准确率。
附图说明
图1为本发明实施例一种基于线密度的不规则轮廓匹配算法的基本流程图;
图2为本发明实施例另一种基于线密度的不规则轮廓匹配算法的基本流程图;
图3为本发明实施例一种基于线密度的不规则轮廓匹配算法的轮廓曲线检测流程图;
图4为本发明实施例一种基于线密度的不规则轮廓匹配算法的匹配预处理流程图;
图5为本发明实施例一种基于线密度的不规则轮廓匹配算法的待匹配碎纸图像的边缘轮廓曲线示意图;
图6为本发明实施例一种基于线密度的不规则轮廓匹配算法的线密度得出流程图;
图7为本发明实施例一种基于线密度的不规则轮廓匹配算法的构造控制器初始位置流程图;
图8为本发明实施例一种基于线密度的不规则轮廓匹配算法的缘轮廓曲线匹配流程图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
实施例一:
如图1所示,一种基于线密度的不规则轮廓匹配算法,包括以下步骤:
步骤S101:获取碎纸的图像信息,从所述碎纸的图像信息中检测出目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线;
步骤S102:对所述待匹配碎纸图像的边缘轮廓曲线进行匹配预处理;
步骤S103:利用线密度算法对所述目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行处理,获得目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线的线密度;
步骤S104:通过目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离衡量所述待匹配碎纸图像的边缘轮廓曲线与所述目标碎纸图像的边缘轮廓曲线之间的匹配程度,距离越大,轮廓匹配程度越小,距离越小,轮廓匹配程度越大。
本发明利用二值形态学法对二维碎纸图像进行边缘检测,提取出的轮廓曲线较为完整,连续性很好;通过匹配预处理,缩小匹配目标的待匹配范围;运用线密度算法,将碎纸轮廓的匹配与曲线的相似性联系起来,达到了较好的匹配效果;充分利用轮廓的几何特征,大大减少了运行时间,提高了运行结果的准确率。
实施例二:
如图2所示,另一种基于线密度的不规则轮廓匹配算法,包括以下步骤:
步骤S201:获取碎纸的图像信息,采用二值形态学方法从所述碎纸的图像信息中检测出目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线;
具体地,如图3所示,所述步骤S201包括:
步骤S2011:获取碎纸的图像信息,所述碎纸的图像信息包括目标碎纸图像信息及待匹配碎纸图像信息;
步骤S2012:对所述目标碎纸图像信息及待匹配碎纸图像信息进行图像去噪处理;
步骤S2013:对图像去噪处理后的所述目标碎纸图像信息及待匹配碎纸图像信息进行图像灰度化处理;
步骤S2014:对图像灰度化处理后的所述目标碎纸图像信息及待匹配碎纸图像信息进行图像二值化处理,得到目标碎纸及待匹配碎纸的二值化图像;
步骤S2015:对所述二值化图像进行二值形态学法轮廓的提取,提取出的目标碎纸图像或待匹配碎纸图像的边缘轮廓曲线为:
C=I-IθS′ (1)
其中,C为目标碎纸图像或待匹配碎纸图像的边缘轮廓曲线,I为目标碎纸或待匹配碎纸的二值化图像,S′为结构元素,IθS′为S′对I的腐蚀。
二值形态学法轮廓提取的思想是用具有一定形态的结构元素腐蚀碎纸的二值化图像,并用碎纸的二值化图像减去腐蚀后的图像,得到的结果即为此碎纸图像的边缘轮廓曲线,此方法虽对噪声不是很敏感,但提取出的轮廓曲线较为完整,连续性很好。
步骤S202:对所述待匹配碎纸图像的边缘轮廓曲线进行匹配预处理;在大批量进行匹配之前,以获取的所有碎片像素点尽可能相等为原则,通过匹配预处理的方法,在待匹配轮廓中筛选出一部分,进而缩小匹配目标的待匹配范围。
具体地,如图4所示,所述步骤S202包括:
步骤S2021:保证每一张待匹配碎纸图像与目标碎纸图像像素尺寸大小相同的情况下,获取待匹配碎纸图像;
步骤S2022:通过公式(1)得出各待匹配碎纸图像的边缘轮廓曲线的像素点,通过MATLAB对待匹配碎纸图像进行细化并提取骨架,生成待匹配碎纸图像的边缘轮廓曲线;
步骤S2023:比对待匹配碎纸图像的边缘轮廓曲线的像素点数,设置阈值,以获取的所有碎片像素点尽可能相等为原则,筛选出在阈值范围内出现的待匹配碎纸图像的边缘轮廓曲线,得到符合阈值筛选的待匹配碎纸图像的边缘轮廓曲线数n。作为一种可实施方式,本实施例中,匹配预处理之前共得出6条待匹配碎纸图像的边缘轮廓曲线,匹配预处理之后,得出4条待匹配碎纸图像的边缘轮廓曲线,如图5所示,匹配预处理之前共得出轮廓曲线1至轮廓曲线6共6条待匹配碎纸图像的边缘轮廓曲线,因为轮廓曲线3及轮廓曲线6与其他轮廓曲线的长度(像素点数)相差较大,故通过匹配预处理对其进行删除,即匹配预处理之后,得出轮廓曲线1、轮廓曲线2、轮廓曲线4及轮廓曲线5共4条待匹配碎纸图像的边缘轮廓曲线,即n为4。
步骤S203:利用线密度算法对所述目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行处理,获得目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线的线密度;线密度(Linedensity)是指在提取出的碎纸片边缘曲线上,求出每隔相同的X个像素点数的弧长L所包含的单位弧长(根据实验求得的最佳单位弧长)U的数量。通过计算分析轮廓曲线的线密度,从而获取碎纸边缘用于区分彼此的关键参数。该算法中最核心的步骤是求出轮廓曲线的线密度,在此可将轮廓曲线建模成数学中的函数曲线。
具体地,如图6所示,所述步骤S203包括:
步骤S2031:将目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线划分为多个包含X个像素点数的曲线段;
步骤S2032:将目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行数学建模,得出所述线密度的求取公式为:
Linedensity=L/U (2)
其中,Linedensityj为第j个包含X个像素点数的曲线段的线密度,Lj为第j个包含X个像素点数的曲线段的长度,U为单位弧长;
步骤S2033:通过公式(2)得出目标碎纸图像的边缘轮廓曲线的线密度W及第i个待匹配碎纸图像的边缘轮廓曲线的线密度Di,其中,W和Di为一维数组,数组的长度等于目标碎纸图像的边缘轮廓曲线或待匹配碎纸图像的边缘轮廓曲线包含X个像素点数的曲线段的个数。具体地,轮廓曲线1、轮廓曲线2、轮廓曲线4及轮廓曲线5共4条待匹配碎纸图像的边缘轮廓曲线的线密度图如图7所示。
步骤S204:通过目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离衡量所述待匹配碎纸图像的边缘轮廓曲线与所述目标碎纸图像的边缘轮廓曲线之间的匹配程度,距离越大,轮廓匹配程度越小,距离越小,轮廓匹配程度越大。
具体地,如图8所示,所述步骤S204包括:
步骤S2041:通过所述W及所述Di得出目标碎纸图像与第i个待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离Zi:
Zi=|W-Di| (3)
步骤S2042:通过所述Zi求取目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离的均值M和方差S:
步骤S2043:将均值M和方差S称为轮廓匹配度的参数,并用M和S表示两个曲线的匹配度,为所述均值M和方差S分别设定门限值threshold1、threshold2,若M小于threshold1且S小于threshold2,则第i个待匹配碎纸图像的边缘轮廓曲线与目标碎纸图像的边缘轮廓曲线相匹配,否则匹配失败。具体地,threshold1和threshold2的值通过实验得出,从而实现精准匹配,针对不同批次的碎纸的图像,均值M和方差S的门限值thresho1d1和threshold2也将发生改变。作为一种可实施方式,本实施例中,轮廓曲线5为最终的目标碎纸图像的边缘轮廓曲线匹配结果。通过大量实验可以得出,本发明匹配的准确率可达到90%。
本发明利用二值形态学法对二维碎纸图像进行边缘检测,提取出的轮廓曲线较为完整,连续性很好;通过匹配预处理,缩小匹配目标的待匹配范围;运用线密度算法,将碎纸轮廓的匹配与曲线的相似性联系起来,达到了较好的匹配效果;充分利用轮廓的几何特征,大大减少了运行时间,提高了运行结果的准确率。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于线密度的不规则轮廓匹配算法,其特征在于,包括:
步骤1:获取碎纸的图像信息,从所述碎纸的图像信息中检测出目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线;
步骤2:对所述待匹配碎纸图像的边缘轮廓曲线进行匹配预处理;
步骤3:利用线密度算法对所述目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行处理,获得目标碎纸图像及待匹配碎纸图像的边缘轮廓曲线的线密度;
步骤4:通过目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离衡量所述待匹配碎纸图像的边缘轮廓曲线与所述目标碎纸图像的边缘轮廓曲线之间的匹配程度,距离越大,轮廓匹配程度越小,距离越小,轮廓匹配程度越大。
2.根据权利要求1所述的基于线密度的不规则轮廓匹配算法,其特征在于,所述步骤1包括:
步骤1.1:获取碎纸的图像信息,所述碎纸的图像信息包括目标碎纸图像信息及待匹配碎纸图像信息;
步骤1.2:对所述目标碎纸图像信息及待匹配碎纸图像信息进行图像去噪处理;
步骤1.3:对图像去噪处理后的所述目标碎纸图像信息及待匹配碎纸图像信息进行图像灰度化处理;
步骤1.4:对图像灰度化处理后的所述目标碎纸图像信息及待匹配碎纸图像信息进行图像二值化处理,得到目标碎纸及待匹配碎纸的二值化图像;
步骤1.5:对所述二值化图像进行二值形态学法轮廓的提取,提取出的目标碎纸图像或待匹配碎纸图像的边缘轮廓曲线为:
C=I-IθS′ (1)
其中,C为目标碎纸图像或待匹配碎纸图像的边缘轮廓曲线,I为目标碎纸或待匹配碎纸的二值化图像,S′为结构元素,IθS′为S′对I的腐蚀。
3.根据权利要求2所述的基于线密度的不规则轮廓匹配算法,其特征在于,所述步骤2包括:
步骤2.1:保证每一张待匹配碎纸图像与目标碎纸图像像素尺寸大小相同的情况下,获取待匹配碎纸图像;
步骤2.2:通过公式(1)得出各待匹配碎纸图像的边缘轮廓曲线的像素点,通过MATLAB对待匹配碎纸图像进行细化并提取骨架,生成待匹配碎纸图像的边缘轮廓曲线;
步骤2.3:比对待匹配碎纸图像的边缘轮廓曲线的像素点数,设置阈值,以获取的所有碎片像素点尽可能相等为原则,筛选出在阈值范围内出现的待匹配碎纸图像的边缘轮廓曲线,得到符合阈值筛选的待匹配碎纸图像的边缘轮廓曲线数n。
4.根据权利要求1所述的基于线密度的不规则轮廓匹配算法,其特征在于,所述步骤3包括:
步骤3.1:将目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线划分为多个包含X个像素点数的曲线段;
步骤3.2:将目标碎纸图像的边缘轮廓曲线及匹配预处理后的待匹配碎纸图像的边缘轮廓曲线进行数学建模,得出所述线密度的求取公式为:
Linedensityj=Lj/U (2)
其中,Linedensityj为第j个包含X个像素点数的曲线段的线密度,Lj为第j个包含X个像素点数的曲线段的长度,U为单位弧长;
步骤3.3:通过公式(2)得出目标碎纸图像的边缘轮廓曲线的线密度W及第i个待匹配碎纸图像的边缘轮廓曲线的线密度Di,其中,W和Di为一维数组,数组的长度等于目标碎纸图像的边缘轮廓曲线或待匹配碎纸图像的边缘轮廓曲线包含X个像素点数的曲线段的个数。
5.根据权利要求4所述的基于线密度的不规则轮廓匹配算法,其特征在于,所述步骤4包括:
步骤4.1:通过所述W及所述Di得出目标碎纸图像与第i个待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离Zi:
Zi=|W-Di| (3)
步骤4.2:通过所述Zi求取目标碎纸图像与待匹配碎纸图像的边缘轮廓曲线的线密度之间的距离的均值M和方差S:
步骤4.3:为所述均值M和方差S分别设定门限值threshold1、threshold2,若M小于threshold1且S小于threshold2,则第i个待匹配碎纸图像的边缘轮廓曲线与目标碎纸图像的边缘轮廓曲线相匹配,否则匹配失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417306.XA CN110288622B (zh) | 2019-05-18 | 2019-05-18 | 基于线密度的不规则轮廓匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910417306.XA CN110288622B (zh) | 2019-05-18 | 2019-05-18 | 基于线密度的不规则轮廓匹配算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288622A true CN110288622A (zh) | 2019-09-27 |
CN110288622B CN110288622B (zh) | 2022-10-11 |
Family
ID=68002467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910417306.XA Active CN110288622B (zh) | 2019-05-18 | 2019-05-18 | 基于线密度的不规则轮廓匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288622B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136520A (zh) * | 2013-03-25 | 2013-06-05 | 苏州大学 | 基于pca-sc算法的形状匹配和目标识别方法 |
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 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
-
2019
- 2019-05-18 CN CN201910417306.XA patent/CN110288622B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136520A (zh) * | 2013-03-25 | 2013-06-05 | 苏州大学 | 基于pca-sc算法的形状匹配和目标识别方法 |
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 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
Non-Patent Citations (2)
Title |
---|
姬周强等: "一种新的二维碎片的轮廓匹配方法", 《计算机应用研究》 * |
贾海燕等: "一种碎纸自动拼接中的形状匹配方法", 《计算机仿真》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110288622B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160070968A1 (en) | Image-based liveness detection for ultrasonic fingerprints | |
Liu et al. | Latent fingerprint enhancement via multi-scale patch based sparse representation | |
Shi et al. | A chaincode based scheme for fingerprint feature extraction | |
CN108009472B (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
Sutthiwichaiporn et al. | Adaptive boosted spectral filtering for progressive fingerprint enhancement | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
Choudhary et al. | Signature Recognition & Verification System Using Back Propagation Neural Network | |
Liu et al. | Sparse coding based orientation estimation for latent fingerprints | |
Liu et al. | Latent fingerprint segmentation based on linear density | |
Liu et al. | Latent fingerprint segmentation based on ridge density and orientation consistency | |
Yang et al. | Improved method for extraction of fingerprint features | |
Mali et al. | Fingerprint recognition using global and local structures | |
CN116665258A (zh) | 一种手掌图像指缝分割方法 | |
CN110288622A (zh) | 基于线密度的不规则轮廓匹配算法 | |
Sisodia et al. | A conglomerate technique for finger print recognition using phone camera captured images | |
Huang et al. | A study of automatic separation and recognition for overlapped fingerprints | |
CN114565841A (zh) | 一种基于图像处理的车型识别方法 | |
Wang et al. | Automatic segmentation of touching rice kernels with an active contour model | |
Pokhriyal et al. | MERIT: Minutiae Extraction using Rotation Invariant Thinning | |
Weina et al. | Fingerprint verification based on wavelet and edge detection | |
Zhang et al. | Fingerprint Image Segmentation Algorithm Based on Contourlet Transform Technology | |
Arora et al. | CP-Net: Multi-Scale Core Point Localization in Fingerprints Using Hourglass Network | |
Xu et al. | An algorithm for fingerprint identification based on wavelet transform and Gabor feature | |
Tatar | Fingerprint recognition algorithm | |
Rajan et al. | OF estimation based on curved Gabor Filter for fingerprint image enhancement |
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 |