CN111814856A - 一种基于形态匹配的产品仿生设计融合方法及系统 - Google Patents
一种基于形态匹配的产品仿生设计融合方法及系统 Download PDFInfo
- Publication number
- CN111814856A CN111814856A CN202010610725.8A CN202010610725A CN111814856A CN 111814856 A CN111814856 A CN 111814856A CN 202010610725 A CN202010610725 A CN 202010610725A CN 111814856 A CN111814856 A CN 111814856A
- Authority
- CN
- China
- Prior art keywords
- picture
- biological
- contour
- bionic
- matching
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于形态匹配的产品仿生设计融合方法及系统。为了解决产品形态仿生设计中目标域与源域匹配与融合的问题,将能表现生物特点的正面、侧面、背面和其它图片进行轮廓化处理,构建生物轮廓数据集;对给定的目标域产品轮廓,使用形状上下文匹配法计算其与生物轮廓数据集中所有生物轮廓之间的形状距离,找到和目标域产品相匹配的源域生物;对匹配好的目标域产品和源域生物进行特征点一一对应标注,使用图像变形技术产生仿生程度不同的仿生产品,实现目标域与源域的仿生融合;使用美观度、相似度、实用度三个指标对仿生方案进行评价。该方法实现了“仿生匹配‑融合‑评价”的一体化系统,打造了一种快速生成工具,为设计师提供参考。
Description
技术领域
本发明涉及仿生涉及领域,具体涉及一种基于形态匹配的产品仿生设计融合方法。
背景技术
类比或者类推(analogy)是指利用一个领域的知识或信息去解决另一个领域的问题,信息来源的领域被称为源域(source domain),待解决问题的领域被称为目标域(target domain)。仿生设计是一种特殊的类比设计,其源域为生物。
产品形态仿生是最为常见的仿生形式,形态仿生挖掘生物的外形特征,将其用于产品设计,提升产品的创意度、趣味性并赋予其与生物一致的联想唤醒。产品形态仿生设计的一般过程包括两种:一是问题驱动的仿生设计,即先给定要设计的产品,通过产品的目标用户、感性意象、文化定位和形态联想等去调研和搜索相对应的源域生物;二是解决方案驱动的仿生设计,即先给定需要仿生的生物形态,设计师进行发散设计,此种方法较为少见,一般应用于创意设计研究和设计教学中。
在问题驱动的仿生设计中,存在两个难点:一是通过给定的目标域产品找到匹配的源域生物,二是在确定仿生生物与产品后科学有效地进行仿生融合。
在产品设计领域,目标域与源域的匹配主要用到感性意象匹配方法。感性意象是最常见的匹配方法,用户对生物进行口头描述后,专家对词汇进行整理归并,得出生物感性意象的描述尺度,并用这些尺度对生物进行描述,构建生物意象库。在确定目标域产品后,在同一个意象尺度上对产品进行描述。最后将得到的目标域意象词汇在基因库中进行搜索,即可得到意象词汇相匹配的源域生物。
目前仿生融合的方法主要是设计师根据设计原则和审美取向的融合和借助计算机算法的融合。设计原则包括简化原则和生物的拓扑结构不变。计算机融合算法为使用遗传算法进行仿生融合,通过参数编码、生成初始种群、适应度函数评价、选择算子、交叉操作和变异操作实现产品与生物外形的融合。
综上所述,目前的产品形态仿生匹配与融合取得了一定进展,不过仍存在以下问题:
(1)目标域与源域的匹配主要集中在感性意象匹配,对于形态匹配的研究较少。设计师寻找源域时的形态考虑多是从主观认知出发,如果能借助计算机辅助方法,就能更精准和迅速的筛选出形态匹配的生物原型,进行仿生设计。
(2)目前在仿生融合主要是设计师遵从其经验、审美取向和一些设计方法的主观融合,基于计算机图形图像的融合算法研究处于起步阶段。
本方法将从生物与产品的形态入手,使用计算机图形学中的图形匹配与图像融合方法,展开仿生设计的相关研究,并提出基于形态匹配的产品仿生设计融合方法。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种基于形态匹配的产品仿生设计融合方法及系统。本发明的技术方案如下:
本发明一方面提供了一种基于形态匹配的产品仿生设计融合方法,其包括如下步骤:
1)建立生物轮廓数据集
按照生物纲,选取所需生物的生物图片,所述的生物图片包括生物的正面图片、侧面图片、背面图片、局部特征特写图片;对生物图片用贝塞尔曲线描绘出生物的勾线图,再将勾线图进行轮廓化处理得到生物轮廓图片,由生物轮廓图片构建生物轮廓数据集;
2)仿生匹配
使用形状上下文匹配法计算目标产品图片与生物轮廓数据集中每一个生物轮廓图片的形状距离;找到和目标产品图片最匹配的一个或多个生物轮廓图片;
3)仿生融合
根据步骤2)得到的生物轮廓图片,使用基于特征点的图像变形方法进行仿生融合,得到仿生融合的后的图片。
进一步的,所述的步骤2)具体为;
2.1)用形状上下文表示目标产品图片和生物轮廓图片,其中生物轮廓图片轮廓点集合D的形状上下文直方图为gi(k);目标产品图片轮廓点集合E的形状上下文为hi(k);
2.2)给定分别位于生物轮廓点集D、目标产品轮廓点集E中的p,q两点以及它们的归一化的形状上下文直方图g_norm(k)和h_norm(k);使用χ2检验来计算两直方图之间的代价Ci,j,
最终得到代价矩阵C;
2.3)根据代价矩阵C,找到最小化总代价的匹配π,即
2.5)最终形状距离Dtotal计算如下,:
Dtotal=DSC*WSC+DBE*WBE+DIA*WIA
其中,W*表示各个距离的权重,DSC表示匹配点变换后的距离和,DIA表示外观距离,DBE表示变换距离;
形状距离DSC表示匹配点变换后的距离和,
其中T(x)为x点经过T变换后的位置;N,M分别为P,Q点集的总个数;
其中,G为高斯窗口函数,IP和IQ分别为O的图像和变换后Q的图像;
DBE(P,Q)=BE
变换距离DBE表示TPS变换的弯曲能量,其衡量了两个对应点集对齐需要的变换量;
计算最终形状距离Dtotal后,根据Dtotal的值由小到大进行匹配度排序,最终Dtotal越小,目标产品图片与生物轮廓图片的匹配度越高。
作为优选的,所述的步骤2.1)中,生物轮廓图片轮廓点集合D的形状上下文gi(k)与目标产品图片轮廓点集合C的形状上下文hi(k)的提取方法相同,其中目标产品图片的提取方法为:
I)输入目标产品图片I;
II)对目标产品图片I提取轮廓点C;
C={ci},i∈[0,…,N-1],
其中N为采样数,ci=(x,y),为图像坐标系下的坐标;
III)提取轮廓点的形状上下文;
对每个ci∈C,计算形状上下文hi(k)
hi(k)=#{j≠i:(cj-ci)∈bin(k)},
其中bin(k)是以ci为原点的对数极坐标系下的第k个均匀分布区间,k=1,2,…,nlogr_bins×nθ_bins;其中nlogr_bins为对数极坐标半径维度上的分区数,nθ_bins为对数极坐标的角度维度上的分区数。
作为优选的,所述的步骤2.3)使用匈牙利算法获取最优匹配π。
作为优选的,步骤3)所述图像变形方法的步骤如下:
3.1)标注目标产品图片I和生物轮廓图片J对应的特征点P、Q,保证P、Q中的点一一对应;
3.2)以特征点和图片各边中心点以及图片角点,进行德鲁尼三角化,得到两个三角网格TP,TQ
3.3)根据仿生融合的变换程度定义参数α对TP,TQ中的每个点对Pi、Qi,求新的点位置Wi=αPi+(1-α)Qi,得到新的三角网格TW;
3.4)对于TW中和TP,TQ中的每个三角形对,求仿射变换;
对目标产品图片I中的每个三角形分别根据仿射变换进行双线性插值得到新的图片WI,即为仿生融合后的图片。
进一步的,所述的变换程度定义参数α的取值范围在0-1之间。
本发明另一方面公开了一种基于形态匹配的产品仿生设计融合系统,其包括:
生物轮廓数据集构建模块;其对输入的生物图片用贝塞尔曲线描绘出生物的勾线图,再将勾线图进行轮廓化处理得到生物轮廓,由生物轮廓构建生物轮廓数据集;
仿生匹配模块,使用形状上下文匹配法计算输入的目标产品图片与生物轮廓数据集中每一个生物轮廓的形状距离,找到和目标产品最匹配的一个或多个生物轮廓图片;
交互模块,供用户从仿生匹配模块的匹配结果中选择所需的生物轮廓图片;并供用户输入所需的仿生融合的变换程度定义参数α;
仿生融合模块,其根据用户在交互模块选择的生物轮廓图片和变换程度定义参数α,使用基于特征点的图像变形方法进行仿生融合,输出仿生融合的后的图片。
本发明与背景技术相比,具有的有益的效果是:创新性地引入计算机图形学的方法解决形态仿生设计的问题。使用形态匹配挑选出与产品形态相似的生物,保持了用户对于形态认知的一致性,在产品形态可变范围有限的情况下提升生物的可识别度;仿生融合时,设计师参与度高,可以自行选取特征点数量及仿生部位,并可以根据其喜好选取不同程度的仿生融合方案;该方法提供了一种仿生融合的快速生成工具,可以为设计师提供设计参考。
附图说明
图1为本发明的整体方法框架图;
图2为生物轮廓数据集的部分展示
图3为骆驼图片轮廓化处理展示;
图4为电水壶的轮廓化处理展示;
图5为企鹅形状上下文相似度匹配结果;
图6为企鹅与电水壶特征点标注示意图;
图7为企鹅-电水壶仿生融合结果;
图8为实施例的仿生方案评价结果。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
如图1所示为本发明的整体方法框架图,其中图1还包括了仿生评价,仿生评价不属于本发明的方法步骤,其只是表明可进一步对本发明最终展示的多个结果进行评价,并进一步对结果进展筛选。
本发明的基于形态匹配的产品仿生设计融合方法主要包括三个步骤,每个步骤的主要工作如下:
1)建立生物轮廓数据集
按照生物纲,选取所需生物的生物图片,所述的生物图片包括生物的正面图片、侧面图片、背面图片、局部特征特写图片;对生物图片用贝塞尔曲线描绘出生物的勾线图,再将勾线图进行轮廓化处理得到生物轮廓图片,由生物轮廓图片构建生物轮廓数据集;
2)仿生匹配
使用形状上下文匹配法计算目标产品图片与生物轮廓数据集中每一个生物轮廓图片的形状距离;找到和目标产品图片最匹配的一个或多个生物轮廓图片;
3)仿生融合
根据步骤2)得到的生物轮廓图片,使用基于特征点的图像变形方法进行仿生融合,得到仿生融合的后的图片。
本发明一种可选的模块化实现方式是采用4个硬件模块构成基于形态匹配的产品仿生设计融合系统,其包括:
生物轮廓数据集构建模块;其对输入的生物图片用贝塞尔曲线描绘出生物的勾线图,再将勾线图进行轮廓化处理得到生物轮廓,由生物轮廓构建生物轮廓数据集;
仿生匹配模块,使用形状上下文匹配法计算输入的目标产品图片与生物轮廓数据集中每一个生物轮廓的形状距离,找到和目标产品最匹配的一个或多个生物轮廓图片;
交互模块,供用户从仿生匹配模块的匹配结果中选择所需的生物轮廓图片;并供用户输入所需的仿生融合的变换程度定义参数α;
仿生融合模块,其根据用户在交互模块选择的生物轮廓图片和变换程度定义参数α,使用基于特征点的图像变形方法进行仿生融合,输出仿生融合的后的图片。
在本发明的一个具体实施例中,对步骤1)说明如下:
由于仿生匹配中需要有源域生物轮廓与给定的产品轮廓进行计算,因此首先需要构建生物轮廓数据集。
按照生物纲,选取常见的生物的正面图片、侧面图片、背面图片、其他局部特征特写图片等;在矢量绘图软件Adobe Illustrator或Sketch中用贝塞尔曲线描绘出生物的勾线图,再将图片进行轮廓化处理(如图3所示为骆驼图片轮廓化处理展示;),进行轮廓化处理是因为下面用到的形状上下文匹配中将用到生物外部轮廓的离散点;将轮廓化处理后的生物图片构建生物轮廓数据集。图2为生物轮廓数据集的部分展示。
步骤2)仿生匹配主要是使用形状上下文(shape context)计算目标产品与生物轮廓数据集中每一个生物轮廓的形状距离。
形状上下文匹配步骤如下:
a)提取轮廓
i.输入图片I
ii.对I提取轮廓点C
C={ci},i∈[0,…,N-1],
其中N为采样数,ci=(x,y),为图像坐标系下的坐标
采样点越多,形状表示越精确。
b)提取轮廓点的形状上下文
i.对每个ci∈C,计算形状上下文hi(k)
hi(k)=#{j≠i:(cj-ci)∈bin(k)},
其中bin(k)是以ci为原点的对数极坐标系下的均匀分布区间,k=nlogr_bins×nθ_bins
c)计算代价矩阵
i.给定p,q两点以及它们的归一化的直方图gk,hk,由于gk,hk实为概率分布,因此可以使用χ2检验来计算两点之间的代价
d)找到最小化总代价的匹配π,即
可以用匈牙利算法实现该匹配,时间复杂度为O(N3)
e)使用薄板样条函数(Thin plate Spline),下文简称TPS来对变换建模。可以用弯曲能量BE来表达对齐对应点所需变换的程度。
f)最终的形状距离可以由三项距离的加权平均来表达,
dist=DSC*WSC+DBE*WBE+DIA*WIA
其中,W*表示各个距离的权重,SCD表示匹配点变换后的距离和,BE表示变换的距离,IA表示变换后的图片之间的距离,具体计算方式如下:
其中T为估计的TPS变换
其中G为高斯窗口函数,IP和IQ分别为P的图像和变换后Q的图像;
变换距离:
DBE(P,Q)=BE
计算形状距离后,根据形状距离由小到大进行匹配度排序,选择相似度较高的生物图片进行仿生融合。
选择电水壶为设计目标域,首先用矢量绘图软件勾勒出电水壶的勾线图,如图4所示,由于电水壶的把手比较固定,不是表现电水壶形态特征的主体,因此对去掉把手的电水壶进行轮廓化处理。将电水壶轮廓图与生物轮廓数据集进行匹配,进行形状上下文匹配。匹配结果如图5所示,图5中文字不具有意义,文字主要表示生物轮廓图片的名称和编号;从匹配结果有看,匹配度最高的是企鹅轮廓图片,形状距离为0.260141,因此确定企鹅为生物源域。
步骤3)仿生融合步骤主要是使用图像变形技术(Morphing)进行仿生融合,本实施例用到的是基于特征点的Morphing技术,由于事形态仿生,只用到图像变形技术的形变部分而忽略其色彩的变化。
图像变形技术的算法步骤如下:
a)标注图片I和图片J对应的特征点P,Q,保证P,Q中的点一一对应
b)以特征点和图片各边中心点以及图片角点,进行德鲁尼三角化,得到两个三角网格TP,TQ
c)根据参数α对TP,TQ中的每个点对Pi,Qi,求新的点位置Wi=αPi+(1-α)Qi,得到新的三角网格Tw
d)3.4)对于Tw中和TP,TQ中的每个三角形对,求仿射变换;
对目标产品图片I中的每个三角形分别根据仿射变换进行双线性插值得到新的图片WI,即为仿生融合后的图片。
在一个具体实施例中,将企鹅的勾线图和电水壶的勾线图分别进行拖入融合模块。首先进行特征点标注,如图6所示,由于电水壶的把手和底座部位比较固定不宜变形,因此在标注时略过这两个位置进行标注。在选取企鹅的特征点时尽量选取所有能表现企鹅轮廓的关键点包括其不同部位分割的转折点、表现身体弧线变化的点,选取电水壶特征点时同样按照顺序选取电水壶和企鹅形态匹配的点作为特征点对。最终选择了24对特征点对产品和生物图片进行了标注,如图6。检查特征点数量一致后,进行Morphing融合。融合结果如图7所示,按从左到右以及从上到下的顺序,分别是α取值为0.1667、0.3333、0.5、0.6667、0.8883下的融合结果。
本发明为了对结果进行评价,分别采取美观度、相似度、实用度三个评价指标,使用五点里克特量表,1代表不符合,5代表非常符合,邀请20位年龄在25岁——32岁具有五年以上工业设计背景的设计师对特征点对数量为24的五个“企鹅-水壶”融合结果作出评价。方案一、二、三、四、五分别对应α取值为0.1667、0.3333、0.5、0.6667、0.8883下的融合结果。最终每个方案的三个指标取得分平均值,评价结果如8所示。
可以看出,随着仿生程度的增高,美观度和实用度评价下降,产品与生物的相似度上升。在实际仿生设计中,需要综合考量这几个指标作出选择,同时融合生成的方案美观度欠奉,可由设计师的进一步设计和优化。
本发明创新性地引入计算机图形学的方法解决形态仿生设计的问题。使用形态匹配挑选出与产品形态相似的生物,保持了用户对于形态认知的一致性,在产品形态可变范围有限的情况下提升生物的可识别度;仿生融合时,设计师参与度高,可以自行选取特征点数量及仿生部位,并可以根据其喜好选取不同程度的仿生融合方案;该方法提供了一种仿生融合的快速生成工具,可以为设计师提供设计参考。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于形态匹配的产品仿生设计融合方法,其特征在于包括如下步骤:
1)建立生物轮廓数据集
按照生物纲,选取所需生物的生物图片,所述的生物图片包括生物的正面图片、侧面图片、背面图片、局部特征特写图片;对生物图片用贝塞尔曲线描绘出生物的勾线图,再将勾线图进行轮廓化处理得到生物轮廓图片,由生物轮廓图片构建生物轮廓数据集;
2)仿生匹配
使用形状上下文匹配法计算目标产品图片与生物轮廓数据集中每一个生物轮廓图片的形状距离;找到和目标产品图片最匹配的一个或多个生物轮廓图片;
3)仿生融合
根据步骤2)得到的生物轮廓图片,使用基于特征点的图像变形方法进行仿生融合,得到仿生融合的后的图片。
2.根据权利要求1所述的基于形态匹配的产品仿生设计融合方法,其特征在于,所述的步骤2)具体为;
2.1)用形状上下文表示目标产品图片和生物轮廓图片,其中生物轮廓图片轮廓点集合D的形状上下文直方图为gi(k);目标产品图片轮廓点集合E的形状上下文为hi(k);
2.2)给定分别位于生物轮廓点集D、目标产品轮廓点集E中的p,q两点以及它们的归一化的形状上下文直方图g_norm(k)和h_norm(k);使用χ2检验来计算两直方图之间的代价Ci,j,
最终得到代价矩阵C;
2.3)根据代价矩阵C,找到最小化总代价的匹配π,即
2.5)最终形状距离Dtotal计算如下,:
Dtotal=DSC*WSC+DBE*WBE+DIA*WIA
其中,W*表示各个距离的权重,DSC表示匹配点变换后的距离和,DIA表示外观距离,DBE表示变换距离;
形状距离DSC表示匹配点变换后的距离和,
其中T(x)为x点经过T变换后的位置;N,M分别为P,Q点集的总个数;
其中,G为高斯窗口函数,IP和IQ分别为P的图像和变换后Q的图像;
DBE(P,Q)=BE
变换距离DBE表示TPS变换的弯曲能量,其衡量了两个对应点集对齐需要的变换量;
计算最终形状距离Dtotal后,根据Dtotal的值由小到大进行匹配度排序,最终Dtotal越小,目标产品图片与生物轮廓图片的匹配度越高。
3.根据权利要求2所述的基于形态匹配的产品仿生设计融合方法,其特征在于,所述的步骤2.1)中,生物轮廓图片轮廓点集合D的形状上下文gi(k)与目标产品图片轮廓点集合C的形状上下文hi(k)的提取方法相同,其中目标产品图片的提取方法为:
I)输入目标产品图片I;
II)对目标产品图片I提取轮廓点C;
C={ci},i∈[0,...,N-1],
其中N为采样数,ci=(x,y),为图像坐标系下的坐标;
III)提取轮廓点的形状上下文;
对每个ci∈C,计算形状上下文hi(k)
hi(k)=#{j≠i:(cj-ci)∈bin(k)},
其中bin(k)是以ci为原点的对数极坐标系下的第k个均匀分布区间,k=1,2,...,nlogr_bins×nθ_bins;其中nlogr_bins为对数极坐标半径维度上的分区数,nθ_bins为对数极坐标的角度维度上的分区数。
4.根据权利要求2所述的基于形态匹配的产品仿生设计融合方法,其特征在于,所述的步骤2.3)使用匈牙利算法获取最优匹配π。
5.根据权利要求1所述的基于形态匹配的产品仿生设计融合方法,其特征在于,步骤3)所述图像变形方法的步骤如下:
3.1)标注目标产品图片I和生物轮廓图片J对应的特征点P、Q,保证P、Q中的点一一对应;
3.2)以特征点和图片各边中心点以及图片角点,进行德鲁尼三角化,得到两个三角网格TP,TQ
3.3)根据仿生融合的变换程度定义参数α对TP,TQ中的每个点对Pi、Qi,求新的点位置Wi=αPi+(1-α)Qi,得到新的三角网格TW;
3.4)对于TW中和TP,TQ中的每个三角形对,求仿射变换;
对目标产品图片I中的每个三角形分别根据仿射变换进行双线性插值得到新的图片WI,即为仿生融合后的图片。
6.根据权利要求1所述的基于形态匹配的产品仿生设计融合方法,其特征在于,所述的变换程度定义参数α的取值范围在0-1之间。
7.一种基于形态匹配的产品仿生设计融合系统,其特征在于包括:
生物轮廓数据集构建模块;其对输入的生物图片用贝塞尔曲线描绘出生物的勾线图,再将勾线图进行轮廓化处理得到生物轮廓,由生物轮廓构建生物轮廓数据集;
仿生匹配模块,使用形状上下文匹配法计算输入的目标产品图片与生物轮廓数据集中每一个生物轮廓的形状距离,找到和目标产品最匹配的一个或多个生物轮廓图片;
交互模块,供用户从仿生匹配模块的匹配结果中选择所需的生物轮廓图片;并供用户输入所需的仿生融合的变换程度定义参数α;
仿生融合模块,其根据用户在交互模块选择的生物轮廓图片和变换程度定义参数α,使用基于特征点的图像变形方法进行仿生融合,输出仿生融合的后的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610725.8A CN111814856A (zh) | 2020-06-29 | 2020-06-29 | 一种基于形态匹配的产品仿生设计融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010610725.8A CN111814856A (zh) | 2020-06-29 | 2020-06-29 | 一种基于形态匹配的产品仿生设计融合方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814856A true CN111814856A (zh) | 2020-10-23 |
Family
ID=72856307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010610725.8A Pending CN111814856A (zh) | 2020-06-29 | 2020-06-29 | 一种基于形态匹配的产品仿生设计融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814856A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821494A (zh) * | 2022-06-27 | 2022-07-29 | 杭州声飞光电技术有限公司 | 船舶信息匹配方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851095A (zh) * | 2015-05-14 | 2015-08-19 | 江南大学 | 基于改进型形状上下文的工件图像稀疏立体匹配方法 |
-
2020
- 2020-06-29 CN CN202010610725.8A patent/CN111814856A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851095A (zh) * | 2015-05-14 | 2015-08-19 | 江南大学 | 基于改进型形状上下文的工件图像稀疏立体匹配方法 |
Non-Patent Citations (3)
Title |
---|
MING DENG等: "Morphing Linear Features Based on Their Entire Structures", 《TRANSACTIONS IN GIS》, pages 2 * |
孙国栋;徐威;梁永强;赵大兴;: "基于形状上下文的列车挡键丢失图像识别算法", 铁道科学与工程学报, no. 06, pages 1 - 2 * |
王晓宇等: "基于五官特征的人脸剪纸生成方法研究", 《计算机工程与应用》, pages 1 - 3 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821494A (zh) * | 2022-06-27 | 2022-07-29 | 杭州声飞光电技术有限公司 | 船舶信息匹配方法及装置 |
CN114821494B (zh) * | 2022-06-27 | 2022-10-14 | 杭州声飞光电技术有限公司 | 船舶信息匹配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Feature detection of triangular meshes based on tensor voting theory | |
Yu et al. | Semisupervised multiview distance metric learning for cartoon synthesis | |
CN101377854B (zh) | 一种计算机模仿汉字手写笔迹的方法 | |
CN101599180B (zh) | 基于字迹风格模仿的计算机书法自动生成方法 | |
CN101295371A (zh) | 一种汉字书写形态美观度的计算机评估方法 | |
Gao et al. | A data-driven robotic Chinese calligraphy system using convolutional auto-encoder and differential evolution | |
CN101393693B (zh) | 一种汉字书写计算机教学方法 | |
CN112597876A (zh) | 基于特征融合的书法汉字评判方法 | |
Zhou et al. | Refine-net: Normal refinement neural network for noisy point clouds | |
Wang et al. | Evaluation of Chinese calligraphy by using DBSC vectorization and ICP algorithm | |
Hu et al. | Design of ethnic patterns based on shape grammar and artificial neural network | |
Zhang et al. | Fast 3d indoor scene synthesis by learning spatial relation priors of objects | |
Lv et al. | 3D facial expression modeling based on facial landmarks in single image | |
Liang et al. | A robot calligraphy writing method based on style transferring algorithm and similarity evaluation | |
CN111814856A (zh) | 一种基于形态匹配的产品仿生设计融合方法及系统 | |
Tasmektepligil et al. | SplineLearner: Generative learning system of design constraints for models represented using B-spline surfaces | |
CN104252473A (zh) | 一种图像识别方法 | |
CN115661367B (zh) | 基于照片采集的动态混合变形的建模方法及系统 | |
Isnanto et al. | Fractal batik motifs generation using variations of parameters in julia set function | |
Dong et al. | The creation process of Chinese calligraphy and emulation of imagery thinking | |
Wu et al. | 3D modeling and design effect optimization of ceramics using virtual reality | |
Sun et al. | Genetic algorithms for error-bounded polygonal approximation | |
CN113469270A (zh) | 基于分解多目标差分进化超像素的半监督直觉聚类方法 | |
Kwok et al. | Genetic algorithm-based brush stroke generation for replication of Chinese calligraphic character | |
Wu et al. | Freescup: A novel platform for assisting sculpture pose design |
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 |