CN111862017A - 一种基于骨架提取的人体非线性变换算法 - Google Patents
一种基于骨架提取的人体非线性变换算法 Download PDFInfo
- Publication number
- CN111862017A CN111862017A CN202010657264.XA CN202010657264A CN111862017A CN 111862017 A CN111862017 A CN 111862017A CN 202010657264 A CN202010657264 A CN 202010657264A CN 111862017 A CN111862017 A CN 111862017A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- image
- skeleton
- human body
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于骨架提取的人体非线性变换算法,包括以下步骤:S1、提取图像多边形轮廓;S2、获取曲线上的轮廓控制点;S3、提取出人体图像的骨架;S4、确定控制点相对于骨架的位置信息;S5、对控制点进行非线性变换;S6、对变换后的控制点进行拟合。本发明的算法将骨架应用到图像变形上,不仅可以很好的保留图形的原始风貌,同时也能描述图形的变化过程。
Description
技术领域
本发明涉及计算机图像处理及图像变形技术领域,特别涉及一种基于骨架提取的人体非线性变换算法。
背景技术
随着近些年来电脑技术的快速发展,图像处理技术的研发与应用已经走过了几十年的前期摸索阶段,技术的成熟度、完善度、易用性、人性化、经济性等,都已经取得了巨大的突破。图形变换变形也是计算机图像处理中一个重要的部分。目前,大多数的图形变换都是基于线性的变换,比如平移,旋转,缩放等,但现实生活中物体发生的变化并不全是线性变化的,比如人体的某个部位的体型在一段时间内的变化。
图象变形技术是图形学中的一个重要问题,也是一个较为成熟的问题,坐标变换和图象内插是最关键的两项技术,其中,图象坐标变换是指如何通过图象上有限的控制点的坐标变化来界定整幅图象的坐标点变化,以便在原始图象和变形图象之间建立起坐标映射关系;而图象内插是指如何确定变形图象中每一像素的颜色取值,通常这由原始图象和目标图象综合坐标映射内插得到。变形的过渡控制虽然对变形结果产生很大的影响,但它更多地体现为操作人员的意愿。骨架作为一种能够使图像降维的有力手段,能够保持与原图像相同的拓扑结构,存于对称轴上,减少冗余干扰信息。
发明内容
本发明的目的是提供一种基于骨架提取的人体非线性变换算法,该算法不仅可以很好的保留图形的原始风貌,同时也能描述图形的变化过程。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于骨架提取的人体非线性变换算法,所述算法包括以下步骤:
S1、提取图像多边形轮廓;
S2、获取曲线上的轮廓控制点;
S3、提取出人体图像的骨架;
S4、确定控制点相对于骨架的位置信息;
S5、对控制点进行非线性变换;
S6、对变换后的控制点进行拟合。
进一步地,所述步骤S1具体包括以下步骤:
S1.1、使用高斯滤波器平滑处理原图像;
S1.2、用一阶偏导的有限差分进行计算梯度的幅值和方向;
S1.3、对梯度幅值进行非极大值抑制;
S1.4、用双阈值算法检测和连接边缘。
进一步地,所述步骤S2具体包括以下步骤:
S2.1、过步骤S1提取得到的轮廓数据中相邻的三点作出圆,得到该圆的圆心,从相邻三点的中间点向圆心作向量;每一个轮廓数据点得到一个对应的向量值;
S2.2、根据向量间的关系去掉误差点,得到图形的轮廓控制点;也可以使用CAD软件直接对轮廓图像进行轮廓控制点的提取。
进一步地,所述步骤S3具体包括以下步骤:
S3.1、采用迭代腐蚀的算法,将二值化后的目标图像,从边界处开始“燃烧”,目标图像就会逐渐细化,最后剩下单像素宽的图像为图像的骨架;
S3.2、标记图像边界,如果该点的邻域中有三个非零点相邻则删除该点;
S3.3、如果该点邻域有3或4个点相邻则删除该点;
S3.4、如果该点邻域有3,4,5个点相邻则删除该点;
S3.5、如果该点邻域有3,4,5,6个点相邻则删除该点;
S3.6、如果该点邻域有3,4,5,6,7个点相邻则删除该点;
S3.7、取消剩余边界点的标记,如果步骤S3.6中没有点被修改,则停止迭代,否则返回至步骤S3.2;
S3.8、所得到的细化为单像素的骨架之后,设改进后的骨架图像为A,对于目标像素点,
即Ai=1,计算点的8邻域模板中的目标像素和Si;对所有像素进行此操作;
S3.9、若Si>3,说明该点至少有三个方向,则该点视为分支点;
S3.10、去掉所有分支点的像素,得到多个不连通的区域,标记为B;
S3.11、计算所有区域的像素和Mi;
S3.12、设置阈值T,若Mi≤T,则删除该区域;
S3.13、恢复删除的分支点,使图像变成连通区域,得到细化去除毛刺的骨架图。
进一步地,所述步骤S4具体包括以下步骤:
S4.1、将提取出的骨架处理后输入到步骤S2.2中的轮廓控制点图中;
S4.2、以骨架作为特殊坐标系;
S4.3、计算各个控制点到骨架的距离,重新建立一个控制点相对于骨架的位置信息集;
S4.4、得到所有控制点相对与骨架坐标系的坐标信息。
进一步地,所述步骤S5具体包括以下步骤:
S5.1、设初始图像上一控制点A(xa,ya),目标图像上B(xb,yb);
S5.2、从A到B变化过程中任意一点C的坐标为:
其中i≤n=(1,2,3,...);
S5.3、可以看出图像上一点的坐标变换是遵循着线性变换的规律;
S5.4、进一步推算假设初始图像控制点坐标信息为M,目标图像控制点坐标信息为N;
S5.5、变换过程中的某一幅图像控制点坐标信息Ti,则有:
其中i≤n=(1,2,3,...);
进一步地,所述步骤S6具体包括以下步骤:
S6.1、使用三阶bezier函数对控制点进行拟合;
S6.2、在变换后的控制点图中取p0,p1,p2,p3四个点;
S6.3、曲线起始于p0走向p1,并从p2的方向来到p3;
S6.4、三阶bezier曲线拟合公式为:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2(1-t)+P3t3,t∈[0,1]。
与现有技术相比,本发明具有以下有益效果:
其一、对于图像本身来说,本发明的算法可以使得图像的整体框架和边界信息能够被保存下来,为识别保留了最关键的部分。
其二、本发明的算法将骨架应用到图像变形上,不仅可以很好的保留图形的原始风貌,同时也能描述图形的变化过程。
附图说明
图1是本发明的算法的流程图;
图2是步骤S2.2中所提取的轮廓控制点;
图3是步骤S3.13中所提取的人体图像骨架;
图4、图5、图6及图7主要用于展示拟合之后的人体的变化过程。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例:
如图1-图7所示,一种基于骨架提取的人体非线性变换算法,所述算法包括以下步骤:
S1、提取图像多边形轮廓;
S2、获取曲线上的轮廓控制点;
S3、提取出人体图像的骨架;
S4、确定控制点相对于骨架的位置信息;
S5、对控制点进行非线性变换;
S6、对变换后的控制点进行拟合。
进一步地,所述步骤S1具体包括以下步骤:
S1.1、使用高斯滤波器平滑处理原图像;
S1.2、用一阶偏导的有限差分进行计算梯度的幅值和方向;
S1.3、对梯度幅值进行非极大值抑制;
S1.4、用双阈值算法检测和连接边缘。
进一步地,所述步骤S2具体包括以下步骤:
S2.1、过步骤S1提取得到的轮廓数据中相邻的三点作出圆,得到该圆的圆心,从相邻三点的中间点向圆心作向量;每一个轮廓数据点得到一个对应的向量值;
S2.2、根据向量间的关系去掉误差点,得到图形的轮廓控制点;也可以使用CAD软件直接对轮廓图像进行轮廓控制点的提取。
进一步地,所述步骤S3具体包括以下步骤:
S3.1、采用迭代腐蚀的算法,将二值化后的目标图像,从边界处开始“燃烧”,目标图像就会逐渐细化,最后剩下单像素宽的图像为图像的骨架;
S3.2、标记图像边界,如果该点的邻域中有三个非零点相邻则删除该点;
S3.3、如果该点邻域有3或4个点相邻则删除该点;
S3.4、如果该点邻域有3,4,5个点相邻则删除该点;
S3.5、如果该点邻域有3,4,5,6个点相邻则删除该点;
S3.6、如果该点邻域有3,4,5,6,7个点相邻则删除该点;
S3.7、取消剩余边界点的标记,如果步骤S3.6中没有点被修改,则停止迭代,否则返回至步骤S3.2;
S3.8、所得到的细化为单像素的骨架之后,设改进后的骨架图像为A,对于目标像素点,
即Ai=1,计算点的8邻域模板中的目标像素和Si;对所有像素进行此操作;
S3.9、若Si>3,说明该点至少有三个方向,则该点视为分支点;
S3.10、去掉所有分支点的像素,得到多个不连通的区域,标记为B;
S3.11、计算所有区域的像素和Mi;
S3.12、设置阈值T,若Mi≤T,则删除该区域;
S3.13、恢复删除的分支点,使图像变成连通区域,得到细化去除毛刺的骨架图。
进一步地,所述步骤S4具体包括以下步骤:
S4.1、将提取出的骨架处理后输入到步骤S2.2中的轮廓控制点图中;
S4.2、以骨架作为特殊坐标系;
S4.3、计算各个控制点到骨架的距离,重新建立一个控制点相对于骨架的位置信息集;
S4.4、得到所有控制点相对与骨架坐标系的坐标信息。
进一步地,所述步骤S5具体包括以下步骤:
S5.1、设初始图像上一控制点A(xa,ya),目标图像上B(xb,yb);
S5.2、从A到B变化过程中任意一点C的坐标为:
其中i≤n=(1,2,3,...);
S5.3、可以看出图像上一点的坐标变换是遵循着线性变换的规律;
S5.4、进一步推算假设初始图像控制点坐标信息为M,目标图像控制点坐标信息为N;
S5.5、变换过程中的某一幅图像控制点坐标信息Ti,则有:
其中i≤n=(1,2,3,...);
进一步地,所述步骤S6具体包括以下步骤:
S6.1、使用三阶bezier函数对控制点进行拟合;
S6.2、在变换后的控制点图中取p0,p1,p2,p3四个点;
S6.3、曲线起始于p0走向p1,并从p2的方向来到p3;
S6.4、三阶bezier曲线拟合公式为:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2(1-t)+P3t3,t∈[0,1]。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (7)
1.一种基于骨架提取的人体非线性变换算法,其特征在于,所述算法包括以下步骤:
S1、提取图像多边形轮廓;
S2、获取曲线上的轮廓控制点;
S3、提取出人体图像的骨架;
S4、确定控制点相对于骨架的位置信息;
S5、对控制点进行非线性变换;
S6、对变换后的控制点进行拟合。
2.根据权利要求1所述的基于骨架提取的人体非线性变换算法,其特征在于,所述步骤S1具体包括以下步骤:
S1.1、使用高斯滤波器平滑处理原图像;
S1.2、用一阶偏导的有限差分进行计算梯度的幅值和方向;
S1.3、对梯度幅值进行非极大值抑制;
S1.4、用双阈值算法检测和连接边缘。
3.根据权利要求2所述的基于骨架提取的人体非线性变换算法,其特征在于,所述步骤S2具体包括以下步骤:
S2.1、过步骤S1提取得到的轮廓数据中相邻的三点作出圆,得到该圆的圆心,从相邻三点的中间点向圆心作向量;每一个轮廓数据点得到一个对应的向量值;
S2.2、根据向量间的关系去掉误差点,得到图形的轮廓控制点;也可以使用CAD软件直接对轮廓图像进行轮廓控制点的提取。
4.根据权利要求3所述的基于骨架提取的人体非线性变换算法,其特征在于,所述步骤S3具体包括以下步骤:
S3.1、采用迭代腐蚀的算法,将二值化后的目标图像,从边界处开始“燃烧”,目标图像就会逐渐细化,最后剩下单像素宽的图像为图像的骨架;
S3.2、标记图像边界,如果该点的邻域中有三个非零点相邻则删除该点;
S3.3、如果该点邻域有3或4个点相邻则删除该点;
S3.4、如果该点邻域有3,4,5个点相邻则删除该点;
S3.5、如果该点邻域有3,4,5,6个点相邻则删除该点;
S3.6、如果该点邻域有3,4,5,6,7个点相邻则删除该点;
S3.7、取消剩余边界点的标记,如果步骤S3.6中没有点被修改,则停止迭代,否则返回至步骤S3.2;
S3.8、所得到的细化为单像素的骨架之后,设改进后的骨架图像为A,对于目标像素点,
即Ai=1,计算点的8邻域模板中的目标像素和Si;对所有像素进行此操作;
S3.9、若Si>3,说明该点至少有三个方向,则该点视为分支点;
S3.10、去掉所有分支点的像素,得到多个不连通的区域,标记为B;
S3.11、计算所有区域的像素和Mi;
S3.12、设置阈值T,若Mi≤T,则删除该区域;
S3.13、恢复删除的分支点,使图像变成连通区域,得到细化去除毛刺的骨架图。
5.根据权利要求4所述的基于骨架提取的人体非线性变换算法,其特征在于,所述步骤S4具体包括以下步骤:
S4.1、将提取出的骨架处理后输入到步骤S2.2中的轮廓控制点图中;
S4.2、以骨架作为特殊坐标系;
S4.3、计算各个控制点到骨架的距离,重新建立一个控制点相对于骨架的位置信息集;
S4.4、得到所有控制点相对与骨架坐标系的坐标信息。
6.根据权利要求5所述的基于骨架提取的人体非线性变换算法,其特征在于,所述步骤S5具体包括以下步骤:
S5.1、设初始图像上一控制点A(xa,ya),目标图像上B(xb,yb);
S5.2、从A到B变化过程中任意一点C的坐标为:
其中i≤n=(1,2,3,...);
S5.3、可以看出图像上一点的坐标变换是遵循着线性变换的规律;
S5.4、进一步推算假设初始图像控制点坐标信息为M,目标图像控制点坐标信息为N;
S5.5、变换过程中的某一幅图像控制点坐标信息Ti,则有:
其中i≤n=(1,2,3,...);
7.根据权利要求6所述的基于骨架提取的人体非线性变换算法,其特征在于,所述步骤S6具体包括以下步骤:
S6.1、使用三阶bezier函数对控制点进行拟合;
S6.2、在变换后的控制点图中取p0,p1,p2,p3四个点;
S6.3、曲线起始于p0走向p1,并从p2的方向来到p3;
S6.4、三阶bezier曲线拟合公式为:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2(1-t)+P3t3,t∈[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657264.XA CN111862017A (zh) | 2020-07-09 | 2020-07-09 | 一种基于骨架提取的人体非线性变换算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657264.XA CN111862017A (zh) | 2020-07-09 | 2020-07-09 | 一种基于骨架提取的人体非线性变换算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862017A true CN111862017A (zh) | 2020-10-30 |
Family
ID=73153348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010657264.XA Pending CN111862017A (zh) | 2020-07-09 | 2020-07-09 | 一种基于骨架提取的人体非线性变换算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862017A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627127A (zh) * | 2022-05-17 | 2022-06-14 | 南京工业大学 | 一种干涉图像的骨架提取后去毛刺优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001251500A (ja) * | 2000-02-25 | 2001-09-14 | Internatl Business Mach Corp <Ibm> | 画像変換方法、画像処理装置、および画像表示装置 |
US20120140996A1 (en) * | 2009-08-25 | 2012-06-07 | Nec Soft, Ltd. | Striped pattern image examination support device, striped pattern image examination support method and program |
CN102496140A (zh) * | 2011-12-06 | 2012-06-13 | 中国科学院自动化研究所 | 一种基于多层嵌套笼体的实时交互式图像变形方法 |
-
2020
- 2020-07-09 CN CN202010657264.XA patent/CN111862017A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001251500A (ja) * | 2000-02-25 | 2001-09-14 | Internatl Business Mach Corp <Ibm> | 画像変換方法、画像処理装置、および画像表示装置 |
US20120140996A1 (en) * | 2009-08-25 | 2012-06-07 | Nec Soft, Ltd. | Striped pattern image examination support device, striped pattern image examination support method and program |
CN102496140A (zh) * | 2011-12-06 | 2012-06-13 | 中国科学院自动化研究所 | 一种基于多层嵌套笼体的实时交互式图像变形方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627127A (zh) * | 2022-05-17 | 2022-06-14 | 南京工业大学 | 一种干涉图像的骨架提取后去毛刺优化方法 |
CN114627127B (zh) * | 2022-05-17 | 2022-07-15 | 南京工业大学 | 一种干涉图像的骨架提取后去毛刺优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Min et al. | Fast global image smoothing based on weighted least squares | |
Yang et al. | Segmentation of measured point data using a parametric quadric surface approximation | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
Liu et al. | Exemplar-based image inpainting using multiscale graph cuts | |
JP4392886B2 (ja) | 画像抽出方法及び装置 | |
Fan et al. | Robust feature-preserving mesh denoising based on consistent subneighborhoods | |
US20020097912A1 (en) | Method of computing sub-pixel euclidean distance maps | |
CN110930334B (zh) | 一种基于神经网络的网格去噪方法 | |
CN105184766B (zh) | 一种频域边界能量模型的水平集图像分割方法 | |
CN111260694B (zh) | 卫星遥感视频目标跟踪方法及装置 | |
CN112837331A (zh) | 一种基于自适应形态重建模糊三维sar图像目标提取方法 | |
CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
CN110688440B (zh) | 一种适用于子地图重叠部分较少的地图融合方法 | |
Lai et al. | Video super-resolution via pre-frame constrained and deep-feature enhanced sparse reconstruction | |
CN114782645B (zh) | 虚拟数字人制作方法、相关设备及可读存储介质 | |
CN111862017A (zh) | 一种基于骨架提取的人体非线性变换算法 | |
CN111260564A (zh) | 一种图像处理方法和装置及计算机存储介质 | |
Tek et al. | Curve Evolution, Wave Propogation, and Mathematical Morphology | |
Spira et al. | Efficient Beltrami flow using a short time kernel | |
CN108876711B (zh) | 一种基于图像特征点的草图生成方法、服务器及系统 | |
CN108876922B (zh) | 一种基于内二面角补角正则化的网格修补方法 | |
CN116645278A (zh) | 一种三维网格模型去噪方法、装置、设备及存储介质 | |
CN116468761A (zh) | 基于概率分布距离特征描述的配准方法、设备及存储介质 | |
CN111932566B (zh) | 一种模型轮廓图生成方法、装置和系统 | |
Senawongsa et al. | An approach to Thai decorative pattern recognition using Bézier curve representation with progressive iterative approximation |
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 |