CN112966138A - 一种基于轮廓特征点匹配的二维形状检索方法及系统 - Google Patents
一种基于轮廓特征点匹配的二维形状检索方法及系统 Download PDFInfo
- Publication number
- CN112966138A CN112966138A CN202110197548.XA CN202110197548A CN112966138A CN 112966138 A CN112966138 A CN 112966138A CN 202110197548 A CN202110197548 A CN 202110197548A CN 112966138 A CN112966138 A CN 112966138A
- Authority
- CN
- China
- Prior art keywords
- feature point
- point set
- contour
- matrix
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims abstract description 214
- 239000002131 composite material Substances 0.000 claims description 40
- 230000004927 fusion Effects 0.000 claims description 36
- 238000005192 partition Methods 0.000 claims description 36
- 230000005484 gravity Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 10
- 238000005295 random walk Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于轮廓特征点匹配的二维形状检索方法及系统,均能实现如下步骤:提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;分别基于上述特征点集V1和V2,并通过边兼容性矩阵及面积兼容性矩阵的使用,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度;比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果。本发明用于实现对二维形状检索问题的优化。
Description
技术领域
本发明涉及计算机视觉和模式识别领域,具体涉及一种基于轮廓特征点匹配的二维形状检索方法及系统。
背景技术
随着当今世界信息化程度的提高,数字图像被广泛应用于很多领域。从图像的视觉特征来说,图像的形状特征信息是一种高级的视觉信息包含着图像丰富的语义信息,是图像极为重要的特征之一。通过对图像的形状特征的研究,可将其应用于二维形状检索。
二维形状检索过程为在一个大型数据库中识别与待检索形状的图像相似的图像的过程。二维形状检索已成为计算机视觉和模式识别领域的研究热点。
二维形状检索的关键点在于二维形状表示。在目前的二维形状检索策略中,其二维形状表示主要分为两类:基于轮廓的形状表示和基于区域的形状表示。
其中,基于轮廓的形状表示考虑的是边界特征,在现实应用中有出色表现。基于轮廓的形状表示这个问题研究至今,已有很多形状表示方法被提出。其中,早期基于轮廓的二维形状表示方法,主要利用面积、圆度等特征作为二维形状表示,但是不同的形状,其面积及圆度也可能相似或相等,致使二维形状检索的鲁棒性相对差,从而导致应用效果不理想。后来为了克服上述问题,Wang等人提出了高度函数方法(height function),该方法是在图像轮廓上取点,构成样本集合,该样本集合上的点到其他所有样本点切线距离的有序排列构成一个向量,所有样本点构成的向量形成一个矩阵,作为二维形状表示,虽然该形状表示具有一定的健壮性,但是它要求轮廓样本点在轮廓上的顺序性,这增加了构建形状表示的复杂度。
为此,本发明提供一种基于轮廓特征点匹配的二维形状检索方法及系统,用于解决上述问题。
发明内容
针对现有技术的上述不足,本发明提供一种基于轮廓特征点匹配的二维形状检索方法及系统,用于实现对二维形状检索的优化。
本发明提供一种基于轮廓特征点匹配的二维形状检索方法,包括步骤:
S1:提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;目标二维图像为待检索形状的二维图像;
S2:分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度;
S3:比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果;
其中,步骤S2的实现方法为:遍历所述数据集中的每一个二维图像,并对遍历到的每一个二维图像,分别执行如下步骤S21-S29:
步骤S21、提取目标图像的轮廓特征点,采用与组建上述两个特征点集V1和V2相同的方法,利用所提取到的目标图像的轮廓特征点组建两个特征点集V3和V4;其中,所述目标图像为当前遍历到的二维图像,特征点集V1和V3中的轮廓特征点属于同一类轮廓特征点,特征点集V2和V4中的轮廓特征点属于同一类轮廓特征点;
步骤S22、将获取到的两个特征点集V3和V4,与特征点集V1和V2形成两个匹配点集对(V1,V3)和(V2,V4);
步骤S23、分别计算匹配点集对(V1,V3)和(V2,V4)的边兼容性矩阵,依次为medge1和medge2;
步骤S24、分别计算匹配点集对(V1,V3)和(V2,V4)的面积兼容性矩阵,依次为marea1和marea2;
步骤S25、将medge1和marea1按照第一融合公式进行矩阵融合,得到第一复合兼容性矩阵mmultiple1;将medge2和marea2按照第二融合公式进行矩阵融合,得到第二复合兼容性矩阵mmultiple2;其中,第一融合公式为mmultiple1=σ1×medge1+σ2×marea1,第二融合公式为mmultiple2=σ3×medge2+σ4×marea2,式中σ1和σ3的取值范围均为0.6~0.9,σ1+σ2=1,σ3+σ4=1;
步骤S26、基于第一复合兼容性矩阵mmultiple1,通过重加权随机游走算法得到第一松弛解,然后基于第一松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V1和V3的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V1和V3中的有效轮廓特征点对;
步骤S27、用特征点集V2和V4依次替换特征点集V1和V3以及用第二复合兼容性矩阵mmultiple2替换第一复合兼容性矩阵mmultiple1后,转而继续执行步骤S26,确定出特征点集V2和V4的有效轮廓特征点对;
步骤S28、基于上述确定出的特征点集V1和V3的有效轮廓特征点对,确定出待匹配图像对的第一相似度similarity1;基于上述确定出的特征点集V2和V4的有效轮廓特征点对,确定出待匹配图像对的第二相似度similarity2;
步骤S29、基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity。
进一步地,步骤S1的实现方法为:
采用四种拉普拉斯-贝尔特拉米特征函数,对应提取目标二维图像的轮廓上的轮廓特征点,并将采用每一种拉普拉斯-贝尔特拉米特征函数各自提取到的轮廓特征点的集合分别记为原始特征点集;
将各原始特征点集中所有的轮廓特征点形成特征点集V1,其中对于在所有原始特征点集中重复出现的轮廓特征点,只取一个用于形成特征点集V1;将在所有原始特征点集中总计出现三次的所有的轮廓特征点,形成特征点集V2。
进一步地,步骤S23的实现方法为:
利用每一个特征点集Vx中各自的轮廓特征点,构建对应特征点集Vx的边矩阵Medge-x,其中x=1,2,3,4,Medge-x=(aij)p×p,式中:aij为特征点集Vx中第i+1个特征点和第j+1个特征点之间的欧氏距离,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1;
利用所构建的边矩阵Medge-1和边矩阵Medge-3,计算得到匹配点集对(V1,V3)的边兼容性矩阵medge1;
利用所构建的边矩阵Medge-2和边矩阵Medge-4,计算得到匹配点集对(V2,V4)的边兼容性矩阵medge2。
进一步地,步骤S24的实现方法为:
获取特征点集V3和V4的面积矩阵,依次为Marea-3和Marea-4;
利用已得到的特征点集V1的面积矩阵Marea-1以及利用上述获取到的面积矩阵Marea-3,计算得到匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理;
利用已得到的特征点集V2的面积矩阵Marea-2以及利用上述获取到的面积矩阵Marea-4,计算得到匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理;
其中,每一个特征点集Vx的面积矩阵Marea-x的获取方法均为:
将对应图像进行三角网格划分,得到一组三角形区域;所述对应图像,为当前待获取面积矩阵的特征点集Vx中的轮廓特征点所在的图像;
计算每一个三角形区域的重心到特征点集Vx中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点;
分别将归属于特征点集Vx中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集Vx中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集Vx中每一个轮廓特征点各自对应的图像分区,计算特征点集Vx的面积矩阵Marea-x,其中,x=1,2,3,4,Marea-x=(bij)p×p,式中:bij为特征点集Vx中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。
进一步地,步骤S29中确定出相似度similarity所采用的计算公式为:
similarity=k1×similarity1+k2×similarity2,k1、k2为预先设定的权值。
进一步地,k1=0.8,k2=0.2。
进一步地,步骤S28的实现方法为:
步骤S281、记特征点集V1和V3的有效轮廓特征点对对应的点对集合为集合p1,集合p1中所有有效轮廓特征点对的数量为m1;
步骤S282、获取集合p1中各有效轮廓特征点对对应的有效边对的集合其中和依次为特征点集V1中的第a个轮廓特征点和第b个轮廓特征点,和依次为特征点集V3中的第i个轮廓特征点和第j个轮廓特征点,为特征点集V1中第a个轮廓特征点和第b个轮廓特征点之间的边,为特征点集V3中第i个轮廓特征点和第j个轮廓特征点之间的边,a=1,2,…,n,j=1,2,…,m,b=1,2,…,n,i=1,2,…,m,a≠b,i≠j,n为特征点集V1中所有轮廓特征点的总数量,m为特征点集V3中所有轮廓特征点的总数量,m1≤m,m1≤n;
步骤S283、在第一复合兼容性矩阵mmultiple1上分别找出集合Q中每一个有效边对各自对应的元素,求和之后再进行平均,即得到所述第一相似度similarity1;
步骤S284、使用特征点集V2替换特征点集V1并使用特征点集V4替换特征点集V3,之后转而继续执行步骤S281-步骤S282,之后继续执行步骤S285;
步骤S285、在第二复合兼容性矩阵mmultiple2上分别找出集合Q中每一个有效边对所对应的元素,求和之后再进行平均,即得到所述第二相似度similarity2。
第二方面,本发明提供一种基于轮廓特征点匹配的二维形状检索系统,包括:
第一单元,用于提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;目标二维图像为待检索形状的二维图像;
第二单元,用于分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度;
第三单元,用于比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果;
其中,第二单元分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度的实现方法为:
遍历所述数据集中的每一个二维图像,并对遍历到的每一个二维图像,分别执行如下步骤S21-S29:
步骤S21、提取目标图像的轮廓特征点,采用与组建上述两个特征点集V1和V2相同的方法,利用所提取到的目标图像的轮廓特征点组建两个特征点集V3和V4;其中,所述目标图像为当前遍历到的二维图像,特征点集V1和V3中的轮廓特征点属于同一类轮廓特征点,特征点集V2和V4中的轮廓特征点属于同一类轮廓特征点;
步骤S22、将获取到的两个特征点集V3和V4,与特征点集V1和V2形成两个匹配点集对(V1,V3)和(V2,V4);
步骤S23、分别计算匹配点集对(V1,V3)和(V2,V4)的边兼容性矩阵,依次为medge1和medge2;
步骤S24、分别计算匹配点集对(V1,V3)和(V2,V4)的面积兼容性矩阵,依次为marea1和marea2;
步骤S25、将medge1和marea1按照第一融合公式进行矩阵融合,得到第一复合兼容性矩阵mmultiple1;将medge2和marea2按照第二融合公式进行矩阵融合,得到第二复合兼容性矩阵mmultiple2;其中,第一融合公式为mmultiple1=σ1×medge1+σ2×marea1,第二融合公式为mmultiple2=σ3×medge2+σ4×marea2,式中σ1和σ3的取值范围均为0.6~0.9,σ1+σ2=1,σ3+σ4=1;
步骤S26、基于第一复合兼容性矩阵mmultiple1,通过重加权随机游走算法得到第一松弛解,然后基于第一松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V1和V3的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V1和V3中的有效轮廓特征点对;
步骤S27、用特征点集V2和V4依次替换特征点集V1和V3以及用第二复合兼容性矩阵mmultiple2替换第一复合兼容性矩阵mmultiple1后,转而继续执行步骤S26,确定出特征点集V2和V4的有效轮廓特征点对;
步骤S28、基于上述确定出的特征点集V1和V3的有效轮廓特征点对,确定出待匹配图像对的第一相似度similarity1;基于上述确定出的特征点集V2和V4的有效轮廓特征点对,确定出待匹配图像对的第二相似度similarity2;
步骤S29、基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity。
进一步地,第一单元提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2的实现方法为:
采用四种拉普拉斯-贝尔特拉米特征函数,对应提取目标二维图像的轮廓上的轮廓特征点,并将采用每一种拉普拉斯-贝尔特拉米特征函数各自提取到的轮廓特征点的集合分别记为原始特征点集;
将各原始特征点集中所有的轮廓特征点形成特征点集V1,其中对于在所有原始特征点集中重复出现的轮廓特征点,只取一个用于形成特征点集V1;将在所有原始特征点集中总计出现三次的所有的轮廓特征点,形成特征点集V2。
进一步地,步骤S23的实现方法为:
利用每一个特征点集Vx中各自的轮廓特征点,构建对应特征点集Vx的边矩阵Medge-x,其中x=1,2,3,4,Medge-x=(aij)p×p,式中:aij为特征点集Vx中第i+1个特征点和第j+1个特征点之间的欧氏距离,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1;
利用所构建的边矩阵Medge-1和边矩阵Medge-3,计算得到匹配点集对(V1,V3)的边兼容性矩阵medge1;
利用所构建的边矩阵Medge-2和边矩阵Medge-4,计算得到匹配点集对(V2,V4)的边兼容性矩阵medge2;
步骤S24的实现方法为:
获取特征点集V3和V4的面积矩阵,依次为Marea-3和Marea-4;
利用已得到的特征点集V1的面积矩阵Marea-1以及利用上述获取到的面积矩阵Marea-3,计算得到匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理;
利用已得到的特征点集V2的面积矩阵Marea-2以及利用上述获取到的面积矩阵Marea-4,计算得到匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理;
其中,每一个特征点集Vx的面积矩阵Marea-x的获取方法均为:
将对应图像进行三角网格划分,得到一组三角形区域;所述对应图像,为当前待获取面积矩阵的特征点集Vx中的轮廓特征点所在的图像;
计算每一个三角形区域的重心到特征点集Vx中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点;
分别将归属于特征点集Vx中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集Vx中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集Vx中每一个轮廓特征点各自对应的图像分区,计算特征点集Vx的面积矩阵Marea-x,其中,x=1,2,3,4,Marea-x=(bij)p×p,式中:bij为特征点集Vx中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。
本发明的有益效果在于,
(1)本发明所述的基于轮廓特征点匹配的二维形状检索方法及系统,提供了一种使用边矩阵和面积矩阵共同组成形状表示的二维形状检索策略,在构建形状表示时无需考虑轮廓特征点在轮廓上的顺序问题,一定程度上有助于简化构建形状表示的复杂度,从而在一定程度上有助于实现对二维形状检索的优化。
(2)本发明所述的基于轮廓特征点匹配的二维形状检索方法及系统,使用边矩阵和面积矩阵共同组成形状表示,且采用四种拉普拉斯-贝尔特拉米特征函数分别提取各相关图像的轮廓上的轮廓特征点以获取多个原始特征点集,并将各原始特征点集中所有的轮廓特征点形成一类特征点集(对于重复出现的轮廓特征点,只取一个用于形成该特征点集)、且将在所有原始特征点集中总计出现三次的所有的轮廓特征点形成另一类特征点集,并基于这两类特征点集形成用于二维形状检索的形状表示,一定程度上有助于增加用于二维形状的检索的样本点,可见本发明还有助于提高检索结果的准确性。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。
如图1所示,该方法100包括:
步骤S1:提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;目标二维图像为待检索形状的二维图像。
在本实施例中,步骤S1的实现方法为:
采用四种拉普拉斯-贝尔特拉米特征函数,对应提取目标二维图像的轮廓上的轮廓特征点,并将采用每一种拉普拉斯-贝尔特拉米特征函数各自提取到的轮廓特征点的集合分别记为原始特征点集;
将各原始特征点集中所有的轮廓特征点形成特征点集V1,其中对于在所有原始特征点集中重复出现的轮廓特征点,只取一个用于形成特征点集V1;将在所有原始特征点集中总计出现三次的所有的轮廓特征点,形成特征点集V2。
比如,所采用的四种拉普拉斯-贝尔特拉米特征函数为函数1、函数2、函数3和函数4,采用函数1、函数2、函数3和函数4各自提取到的轮廓特征点的集合依次为原始特征点集1、原始特征点集2、原始特征点集3和原始特征点集4,即将采用函数1提取到的目标二维图像的轮廓特征点的集合记为原始特征点集1,将采用函数2、函数3和函数4各自提取到的目标二维图像的轮廓特征点的集合依次记为原始特征点集2、原始特征点集3和原始特征点集4,其中原始特征点集1中的特征点为d1、d2、d3、d4、d5,原始特征点集2中的特征点为d1、d3、d4、d6,原始特征点集3中的特征点为d1、d3、d5、d6、d7,原始特征点集4中的特征点为d1、d5、d6,其中,特征点d1、d3等在原始特征点集1、原始特征点集2、原始特征点集3和原始特征点集4中重复出现的特征点,特征点d3、d5和d6各自在原始特征点集1、原始特征点集2、原始特征点集3和原始特征点集4中分别出现了三次,由此,通过步骤S1所得到的特征点集V1中的轮廓特征点为d1、d2、d3、d4、d5和d6,通过步骤S1所得到的特征点集V2中的轮廓特征点为d3、d5和d6。
在本实施例中,特征点集V1中的轮廓特征点属于同一类轮廓特征点,即特征点集V1中涵盖了在原始特征点集出现过(至少出现在其中的一个原始特征点集中)的所有的轮廓特征点,且确保了特征点集V1中的各轮廓特征点全不相同。另外,特征点集V2中轮廓特征点的取点方式与特征点集V1中轮廓特征点的取点方式不同,特征点集V2中的每一个轮廓特征点,均在所有原始特征点集中总计出现三次。
步骤S2:基于上述特征点集V1和V2,分别获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度。
具体地,该步骤S2的实现方法为:遍历所述数据集中的每一个二维图像,并对遍历到的每一个二维图像,分别执行如下步骤S21-S29:
步骤S21、提取目标图像的轮廓特征点,采用与组建上述两个特征点集V1和V2相同的方法,利用所提取到的目标图像的轮廓特征点组建两个特征点集V3和V4。
其中,所述目标图像为当前遍历到的二维图像。
特征点集V3和V4的组建过程,可参照步骤S1进行实现。其中,特征点集V1和V3中的轮廓特征点属于同一类轮廓特征点;特征点集V2和V4中的轮廓特征点属于同一类轮廓特征点。
步骤S22、将获取到的两个特征点集V3和V4,与特征点集V1和V2形成两个匹配点集对(V1,V3)和(V2,V4)。
步骤S23、分别计算匹配点集对(V1,V3)和(V2,V4)的边兼容性矩阵,依次为medge1和medge2。
作为优选,该步骤S23的实现方法包括:
步骤S231、利用每一个特征点集Vx中各自的轮廓特征点,构建对应特征点集Vx的边矩阵Medge-x,其中x=1,2,3,4,Medge-x=(aij)p×p,式中:aij为特征点集Vx中第i+1个特征点和第j+1个特征点之间的欧氏距离,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1;
步骤S232、利用所构建的边矩阵Medge-1和边矩阵Medge-3,计算匹配点集对(V1,V3)的边兼容性矩阵medge1;
步骤S233、利用所构建的边矩阵Medge-2和边矩阵Medge-4,计算匹配点集对(V2,V4)的边兼容性矩阵medge2。
通过上述步骤S231:在x取1时,可得到特征点集V1的边矩阵Medge-1;在x取2时,可得到特征点集V2的边矩阵Medge-2;在x取3时,可得到特征点集V3的边矩阵Medge-3;在x取4时,可得到特征点集V4的边矩阵Medge-4。
在本实施例中,上述步骤S232利用所构建的边矩阵Medee-1和边矩阵Medge-3,计算匹配点集对(V1,V3)的边兼容性矩阵medge1,具体实现方法为:
根据边矩阵Medge-1和边矩阵Medge-3,计算每一边对的边兼容性,表示特征点集V1中的第a个轮廓特征点和第b个轮廓特征点之间的边,表示特征点集V3中的第i个轮廓特征点和第j个轮廓特征点之间的边,a=1,2,…,n,j=1,2,…,m,b=1,2,…,n,i=1,2,…,m,其中m为特征点集V3中所有轮廓特征点的总数量,n为特征点集V1中所有轮廓特征点的总数量;所述边对的边兼容性,为边矩阵Medge-1中存储的特征点集V1中的第a个轮廓特征点和第b个轮廓特征点之间的欧式距离,与边矩阵Medge-3中存储的特征点集V3中的第i个轮廓特征点和第j个轮廓特征点之间的欧式距离的差值的绝对值,差值的绝对值越小兼容性越高;
利用上述计算得到的各边兼容性,构建匹配点集对(V1,V3)的边兼容性矩阵medge1并归一化处理。
在本实施例中,所述边兼容性矩阵medge1为一个nm×nm的矩阵,n为特征点集V1中所有轮廓特征点的总数量,m为特征点集V3中所有轮廓特征点的总数量,比如m=2,n=3,则边兼容性矩阵medge1为一个6×6的矩阵。具体地,以边矩阵边矩阵为例,则有
步骤S233可参照步骤S232进行实现,得到匹配点集对(V2,V4)的边兼容性矩阵medge2并归一化处理。
步骤S24、分别计算匹配点集对(V1,V3)和(V2,V4)的面积兼容性矩阵,依次为marea1和marea2。
作为优选,步骤S24的实现方法为:
获取特征点集V3和V4的面积矩阵,依次为Marea-3和Marea-4;
利用已得到的特征点集V1的面积矩阵Marea-1以及利用上述面积矩阵Marea-3,计算匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理;
利用已得到的特征点集V2的面积矩阵Marea-2以及利用上述面积矩阵Marea-4,计算匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理。
其中,每一个特征点集Vx的面积矩阵Marea-x的获取方法均为:
将对应图像进行三角网格划分,得到一组三角形区域;所述对应图像,为当前待获取面积矩阵的特征点集中轮廓特征点所在的图像;
计算每一个三角形区域的重心到特征点集Vx中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点;
分别将归属于特征点集Vx中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集Vx中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集Vx中每一个轮廓特征点各自对应的图像分区,计算特征点集Vx的面积矩阵Marea-x,其中,x=1,2,3,4,Marea-x=(bij)p×p,式中:bij为特征点集Vx中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。
比如,具体地,特征点集V1的面积矩阵Marea-1的获取方法为:
将目标图像(该目标图像为所述目标二维图像)进行三角网格划分,得到一组三角形区域;
计算每一个三角形区域的重心到特征点集V1中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点(比如三角形区域1所对应的重心距离有重心距离1、重心距离2、...、重心距离99,重心距离1、重心距离2、...、重心距离99中值最小的一个距离是重心距离99,则该三角形区域1归属于重心距离99);
分别将归属于特征点集V1中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集V1中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集V1每一个轮廓特征点各自对应的图像分区,计算特征点集V1的面积矩阵Marea-1,其中,Marea-1=(bij)p×p,式中:bij为特征点集V1中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集V1中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。在特征点集V1中所有轮廓特征点的总数量为n时,此处p=n。
同理可得到特征点集V2、V3和V4各自对应的面积矩阵Marea-2、Marea-3和Marea-4。
在本实施例中,利用特征点集V1的面积矩阵Marea-1以及利用特征点集V3的面积矩阵Marea-3,计算出匹配点集对(V1,V3)的面积兼容性矩阵marea1的方法为:
根据面积矩阵Marea-1、Marea-3计算每一个面积属性对的面积兼容性,表示特征点集V1中的第a个轮廓特征点和第b个轮廓特征点所对应的所有图像分区的面积之和(即为特征点集V1中第a个轮廓特征点所对应的图像分区和特征点集V1中第b个轮廓特征点所对应的图像分区的面积之和,即为特征点集V1中第a个轮廓特征点与第b个轮廓特征点所构成的点对的面积属性),表示特征点集V3中的第i个轮廓特征点和第j个轮廓特征点所对应的所有图像分区的面积之和(即特征点集V3中第i个轮廓特征点所对应的图像分区和特征点集V3中第j个轮廓特征点所对应的图像分区的面积之和,即为特征点集V3中第i个轮廓特征点和第j个轮廓特征点所构成的点对的面积属性),其中,所述的面积属性对的面积兼容性,为面积矩阵Marea-1中存储的特征点集V1中的第a个轮廓特征点和第b个轮廓特征点所对应的所有图像分区的面积之和,与面积矩阵Marea-3中存储的特征点集V3中的第i个轮廓特征点和第j个轮廓特征点所对应的所有图像分区的面积之和的差值的绝对值,a=1,2,…,n,j=1,2,…,m,b=1,2,…,n,i=1,2,…,m,其中m为特征点集V3中所有轮廓特征点的总数量,n为特征点集V1中所有轮廓特征点的总数量;
利用上述计算得到的各面积兼容性,构建得到匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理。
同理(参照面积兼容性矩阵marea1的计算方法)可得到匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理。
在本实施例中,面积兼容性矩阵marea1为一个nm×nm的矩阵,其中n为特征点集V1中所有轮廓特征点的总数量,m为特征点集V3中所有轮廓特征点的总数量。面积兼容性矩阵marea2可参照面积兼容性矩阵marea1进行实现。以面积矩阵面积矩阵为例,则有面积兼容性矩阵
面积属性对的面积兼容性,即为面积属性对中两个面积属性的差值的绝对值,差值的绝对值越小表示兼容性越高。
步骤S25、将medge1和marea1按照第一融合公式进行矩阵融合,得到第一复合兼容性矩阵mmultiple1;将medge2和marea2按照第二融合公式进行矩阵融合,得到第二复合兼容性矩阵mmultiple2。
作为优选,第一融合公式为mmultiple1=σ1×medge1+σ2×marea1,第二融合公式为mmultiple2=σ3×medge2+σ4×marea2,式中σ1和σ3的取值范围均为0.6~0.9,σ1+σ2=1,σ3+σ4=1。在本实施例中,σ1=σ3=0.7,σ3=σ4=0.3。
各复合兼容性矩阵中的每一个元素,均对应一个边対,并且均是其对应的边対的一个兼容性(是一个具体数值)。
步骤S26、基于第一复合兼容性矩阵mmultiple1,通过重加权随机游走算法得到第一松弛解,然后基于第一松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V1和V3的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V1和V3中的有效轮廓特征点对。
步骤S27、用特征点集V2和V4依次替换特征点集V1和V3以及用第二复合兼容性矩阵mmultip1e2替换第一复合兼容性矩阵mmultiple1后,转而继续执行步骤S26,确定出特征点集V2和V4的有效轮廓特征点对。
具体地,该步骤S27在实现时,基于第二复合兼容性矩阵mmultiple2,通过重加权随机游走算法得到第二松弛解,然后基于第二松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V2和V4的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V2和V4中的有效轮廓特征点对。
步骤S28、基于上述确定出的特征点集V1和V3的有效轮廓特征点对,确定出待匹配图像对的第一相似度similarity1;基于上述确定出的特征点集V2和V4的有效轮廓特征点对,确定出待匹配图像对的第二相似度similarity2。
在本实施例中,步骤S28的实现方法,包括步骤:
步骤S281、记特征点集V1和V3的有效轮廓特征点对对应的点对集合为集合p1,集合p1中所有有效轮廓特征点对的数量为m1;
步骤S282、获取集合p1中各有效轮廓特征点对对应的有效边对的集合其中和依次为特征点集V1中的第a个轮廓特征点和第b个轮廓特征点,和依次为特征点集V3中的第i个轮廓特征点和第j个轮廓特征点,为特征点集V1中第a个轮廓特征点和第b个轮廓特征点之间的边,为特征点集V3中第i个轮廓特征点和第j个轮廓特征点之间的边,a=1,2,…,n,j=1,2,…,m,b=1,2,…,n,i=1,2,…,m,a≠b,i≠j,n为特征点集V1中所有轮廓特征点的总数量,m为特征点集V3中所有轮廓特征点的总数量,m1≤m,m1≤n;
步骤S283、在第一复合兼容性矩阵mmultiple1上分别找出集合Q中每一个有效边对各自所对应的元素,求和之后再进行平均,即得到所述第一相似度similarity1;
步骤S284、使用特征点集V2替换特征点集V1并使用特征点集V4替换特征点集V3,之后转而继续执行步骤S281-步骤S282,之后继续执行步骤S285;
步骤S285、在第二复合兼容性矩阵mmultiple2上分别找出集合Q中每一个有效边对所对应的元素,求和之后再进行平均,即得到所述第二相似度similarity2。
步骤S29、基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity。
作为优选,步骤S29中基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity,所采用的计算公式为:
similarity=k1×similarity1+k2×similarity2,k1、k2为预先设定的权值。
在本实施例中,k1=0.8,k2=0.2。
步骤S3:比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果。
该检测结果即为从所述数据集中检索出的与目标二维图像相似的图像。
图2为本发明提供的基于轮廓特征点匹配的二维形状检索系统的一个实施例。
如图2所示,该系统200包括:
第一单元201,用于提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;目标二维图像为待检索形状的二维图像;
第二单元202,用于分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度;
第三单元203,用于比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果;
其中,第二单元202分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度的实现方法为:
遍历所述数据集中的每一个二维图像,并对遍历到的每一个二维图像,分别执行如下步骤S21-S29:
步骤S21、提取目标图像的轮廓特征点,采用与组建上述两个特征点集V1和V2相同的方法,利用所提取到的目标图像的轮廓特征点组建两个特征点集V3和V4;其中,所述目标图像为当前遍历到的二维图像,特征点集V1和V3中的轮廓特征点属于同一类轮廓特征点,特征点集V2和V4中的轮廓特征点属于同一类轮廓特征点;
步骤S22、将获取到的两个特征点集V3和V4,与特征点集V1和V2形成两个匹配点集对(V1,V3)和(V2,V4);
步骤S23、分别计算匹配点集对(V1,V3)和(V2,V4)的边兼容性矩阵,依次为medge1和medge2;
步骤S24、分别计算匹配点集对(V1,V3)和(V2,V4)的面积兼容性矩阵,依次为marea1和marea2;
步骤S25、将medge1和marea1按照第一融合公式进行矩阵融合,得到第一复合兼容性矩阵mmultiple1;将medge2和marea2按照第二融合公式进行矩阵融合,得到第二复合兼容性矩阵mmultiple2;其中,第一融合公式为mmultiple1=σ1×medge1+σ2×marea1,第二融合公式为mmultiple2=σ3×medge2+σ4×marea2,式中σ1和σ3的取值范围均为0.6~0.9,σ1+σ2=1,σ3+σ4=1;
步骤S26、基于第一复合兼容性矩阵mmultiple1,通过重加权随机游走算法得到第一松弛解,然后基于第一松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V1和V3的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V1和V3中的有效轮廓特征点对;
步骤S27、用特征点集V2和V4依次替换特征点集V1和V3以及用第二复合兼容性矩阵mmultiple2替换第一复合兼容性矩阵mmultiple1后,转而继续执行步骤S26,确定出特征点集V2和V4的有效轮廓特征点对;
步骤S28、基于上述确定出的特征点集V1和V3的有效轮廓特征点对,确定出待匹配图像对的第一相似度similarity1;基于上述确定出的特征点集V2和V4的有效轮廓特征点对,确定出待匹配图像对的第二相似度similarity2;
步骤S29、基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity。
可选地,作为本发明的一个实施例,第一单元201提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2的实现方法为:
采用四种拉普拉斯-贝尔特拉米特征函数,对应提取目标二维图像的轮廓上的轮廓特征点,并将采用每一种拉普拉斯-贝尔特拉米特征函数各自提取到的轮廓特征点的集合分别记为原始特征点集;
将各原始特征点集中所有的轮廓特征点形成特征点集V1,其中对于在所有原始特征点集中重复出现的轮廓特征点,只取一个用于形成特征点集V1;将在所有原始特征点集中总计出现三次的所有的轮廓特征点,形成特征点集V2。
可选地,作为本发明的一个实施例,步骤S23的实现方法为:
利用每一个特征点集Vx中各自的轮廓特征点,构建对应特征点集Vx的边矩阵Medge-x,其中x=1,2,3,4,Medge-x=(aij)p×p,式中:aij为特征点集Vx中第i+1个特征点和第j+1个特征点之间的欧氏距离,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1;
利用所构建的边矩阵Medge-1和边矩阵Medge-3,计算得到匹配点集对(V1,V3)的边兼容性矩阵medge1;
利用所构建的边矩阵Medge-2和边矩阵Medge-4,计算得到匹配点集对(V2,V4)的边兼容性矩阵medge2。
可选地,作为本发明的一个实施例,步骤S24的实现方法为:
获取特征点集V3和V4的面积矩阵,依次为Marea-3和Marea-4;
利用已得到的特征点集V1的面积矩阵Marea-1以及利用上述获取到的面积矩阵Marea-3,计算得到匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理;
利用已得到的特征点集V2的面积矩阵Marea-2以及利用上述获取到的面积矩阵Marea-4,计算得到匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理;
其中,每一个特征点集Vx的面积矩阵Marea-x的获取方法均为:
将对应图像进行三角网格划分,得到一组三角形区域;所述对应图像,为当前待获取面积矩阵的特征点集Vx中的轮廓特征点所在的图像;
计算每一个三角形区域的重心到特征点集Vx中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点;
分别将归属于特征点集Vx中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集Vx中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集Vx中每一个轮廓特征点各自对应的图像分区,计算特征点集Vx的面积矩阵Marea-x,其中,x=1,2,3,4,Marea-x=(bij)p×p,式中:bij为特征点集Vx中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。
可选地,作为本发明的一个实施例,步骤S29中基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity,所采用的计算公式为:similarity=k1×similarity1+k2×similarity2,k1、k2为预先设定的权值。作为优选,k1=0.8,k2=0.2。
可选地,作为本发明的一个实施例,步骤S28的实现方法为:
步骤S281、记特征点集V1和V3的有效轮廓特征点对对应的点对集合为集合p1,集合p1中所有有效轮廓特征点对的数量为m1;
步骤S282、获取集合p1中各有效轮廓特征点对对应的有效边对的集合其中和依次为特征点集V1中的第a个轮廓特征点和第b个轮廓特征点,和依次为特征点集V3中的第i个轮廓特征点和第j个轮廓特征点,为特征点集V1中第a个轮廓特征点和第b个轮廓特征点之间的边,为特征点集V3中第i个轮廓特征点和第j个轮廓特征点之间的边,a=1,2,…,n,j=1,2,…,m,b=1,2,…,n,i=1,2,…,m,a≠b,i≠j,n为特征点集V1中所有轮廓特征点的总数量,m为特征点集V3中所有轮廓特征点的总数量,m1≤m,m1≤n;
步骤S283、在第一复合兼容性矩阵mmultiple1上分别找出集合Q中每一个有效边对各自所对应的元素(即所对应的兼容性),求和之后再进行平均,即得到所述第一相似度similarity1;
步骤S284、使用特征点集V2替换特征点集V1并使用特征点集V4替换特征点集V3,之后转而继续执行步骤S281-步骤S282,之后继续执行步骤S285;
步骤S285、在第二复合兼容性矩阵mmultiple2上分别找出集合Q中每一个有效边对所对应的元素(即所对应的兼容性),求和之后再进行平均,即得到所述第二相似度similarity2。
本发明在图像轮廓上取样本点采用了拉普拉斯-贝尔特拉米特征函数,使得在完成对图像形状的本质特征的捕捉需求的前提下,有助于减少所提取的样本点数量。
本发明提供了一种使用边矩阵和面积矩阵共同组成形状表示的二维形状检索策略,在构建形状表示时无需考虑轮廓特征点在轮廓上的顺序问题,一定程度上有助于简化构建形状表示的复杂度,从而在一定程度上有助于实现对二维形状检索的优化。
另外,本发明构建的形状表示,不会随图像平移、旋转的改变而改变,具有较强的健壮性,进一步可见本发明有助于实现对二维形状检索的优化。
需要说明的是,本说明书中所涉及的每一个特征点集均可采用数组形式进行存储。另外需要说明的是,本说明书中所涉及的各轮廓特征点之间的边,均为抽象出来的虚边,且本说明书中所涉及的任意两轮廓特征点之间的边均具有唯一性,比如具体实现时,可在每得到一个特征点集Vx后,分别将所得到的特征点集Vx对应抽象成关系图Gx,关系图Gx的边集记为Ex,Ex中的每一条边均为抽象出来的边,其中,边代表点对中两个特征点和之间的边,此处i≠j,i=1,2,…,p,j=1,2,…,p,p为特征点集Vx中所有的轮廓特征点的数量,其中x=1,2,3,4。比如,在得到特征点集V1后,此时x=1,将所得到的特征点集V1对应抽象成关系图G1,关系图G1的边集对应为E1,E1中的每一条边对应为边代表点对中两个特征点和之间的边。同理可将本发明中所涉及的其他各相关特征点集,分别抽象成对应的关系图。
本说明书中所涉及的各重加权随机游走算法,均为图匹配的重加权随机游走算法。本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于轮廓特征点匹配的二维形状检索方法,其特征在于,包括步骤:
S1:提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;目标二维图像为待检索形状的二维图像;
S2:分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度;
S3:比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果;
其中,步骤S2的实现方法为:遍历所述数据集中的每一个二维图像,并对遍历到的每一个二维图像,分别执行如下步骤S21-S29:
步骤S21、提取目标图像的轮廓特征点,采用与组建上述两个特征点集V1和V2相同的方法,利用所提取到的目标图像的轮廓特征点组建两个特征点集V3和V4;其中,所述目标图像为当前遍历到的二维图像,特征点集V1和V3中的轮廓特征点属于同一类轮廓特征点,特征点集V2和V4中的轮廓特征点属于同一类轮廓特征点;
步骤S22、将获取到的两个特征点集V3和V4,与特征点集V1和V2形成两个匹配点集对(V1,V3)和(V2,V4);
步骤S23、分别计算匹配点集对(V1,V3)和(V2,V4)的边兼容性矩阵,依次为medge1和medge2;
步骤S24、分别计算匹配点集对(V1,V3)和(V2,V4)的面积兼容性矩阵,依次为marea1和marea2;
步骤S25、将medge1和marea1按照第一融合公式进行矩阵融合,得到第一复合兼容性矩阵mmultiple1;将medge2和marea2按照第二融合公式进行矩阵融合,得到第二复合兼容性矩阵mmultiple2;其中,第一融合公式为mmultiple1=σ1×medge1+σ2×marea1,第二融合公式为mmultiple2=σ3×medge2+σ4×marea2,式中σ1和σ3的取值范围均为0.6~0.9,σ1+σ2=1,σ3+σ4=1;
步骤S26、基于第一复合兼容性矩阵mmultiple1,通过重加权随机游走算法得到第一松弛解,然后基于第一松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V1和V3的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V1和V3中的有效轮廓特征点对;
步骤S27、用特征点集V2和V4依次替换特征点集V1和V3以及用第二复合兼容性矩阵mmultiple2替换第一复合兼容性矩阵mmultiple1后,转而继续执行步骤S26,确定出特征点集V2和V4的有效轮廓特征点对;
步骤S28、基于上述确定出的特征点集V1和V3的有效轮廓特征点对,确定出待匹配图像对的第一相似度similarity1;基于上述确定出的特征点集V2和V4的有效轮廓特征点对,确定出待匹配图像对的第二相似度similarity2;
步骤S29、基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity。
2.根据权利要求1所述的基于轮廓特征点匹配的二维形状检索方法,其特征在于,步骤S1的实现方法为:
采用四种拉普拉斯-贝尔特拉米特征函数,对应提取目标二维图像的轮廓上的轮廓特征点,并将采用每一种拉普拉斯-贝尔特拉米特征函数各自提取到的轮廓特征点的集合分别记为原始特征点集;
将各原始特征点集中所有的轮廓特征点形成特征点集V1,其中对于在所有原始特征点集中重复出现的轮廓特征点,只取一个用于形成特征点集V1;将在所有原始特征点集中总计出现三次的所有的轮廓特征点,形成特征点集V2。
3.根据权利要求1所述的基于轮廓特征点匹配的二维形状检索方法,其特征在于,步骤S23的实现方法为:
利用每一个特征点集Vx中各自的轮廓特征点,构建对应特征点集Vx的边矩阵Medge-x,其中x=1,2,3,4,Medge-x=(aij)p×p,式中:aij为特征点集Vx中第i+1个特征点和第j+1个特征点之间的欧氏距离,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1;
利用所构建的边矩阵Medge-1和边矩阵Medge-3,计算得到匹配点集对(V1,V3)的边兼容性矩阵medge1;
利用所构建的边矩阵Medge-2和边矩阵Medge-4,计算得到匹配点集对(V2,V4)的边兼容性矩阵medge2。
4.根据权利要求1所述的基于轮廓特征点匹配的二维形状检索方法,其特征在于,步骤S24的实现方法为:
获取特征点集V3和V4的面积矩阵,依次为Marea-3和Marea-4;
利用已得到的特征点集V1的面积矩阵Marea-1以及利用上述获取到的面积矩阵Marea-3,计算得到匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理;
利用已得到的特征点集V2的面积矩阵Marea-2以及利用上述获取到的面积矩阵Marea-4,计算得到匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理;
其中,每一个特征点集Vx的面积矩阵Marea-x的获取方法均为:
将对应图像进行三角网格划分,得到一组三角形区域;所述对应图像,为当前待获取面积矩阵的特征点集Vx中的轮廓特征点所在的图像;
计算每一个三角形区域的重心到特征点集Vx中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点;
分别将归属于特征点集Vx中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集Vx中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集Vx中每一个轮廓特征点各自对应的图像分区,计算特征点集Vx的面积矩阵Marea-x,其中,x=1,2,3,4,Marea-x=(bij)p×p,式中:bij为特征点集Vx中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。
5.根据权利要求1所述的基于轮廓特征点匹配的二维形状检索方法,其特征在于,步骤S29中确定出相似度similarity所采用的计算公式为:
similarity=k1×similarity1+k2×similarity2,k1、k2为预先设定的权值。
6.根据权利要求5所述的基于轮廓特征点匹配的二维形状检索方法,其特征在于,k1=0.8,k2=0.2。
7.根据权利要求1所述的基于轮廓特征点匹配的二维形状检索方法,其特征在于,步骤S28的实现方法为:
步骤S281、记特征点集V1和V3的有效轮廓特征点对对应的点对集合为集合p1,集合p1中所有有效轮廓特征点对的数量为m1;
步骤S282、获取集合p1中各有效轮廓特征点对对应的有效边对的集合其中和依次为特征点集V1中的第a个轮廓特征点和第b个轮廓特征点,和依次为特征点集V3中的第i个轮廓特征点和第j个轮廓特征点,为特征点集V1中第a个轮廓特征点和第b个轮廓特征点之间的边,为特征点集V3中第i个轮廓特征点和第j个轮廓特征点之间的边,a=1,2,…,n,j=1,2,…,m,b=1,2,…,n,i=1,2,…,m,a≠b,i≠j,n为特征点集V1中所有轮廓特征点的总数量,m为特征点集V3中所有轮廓特征点的总数量,m1≤m,m1≤n;
步骤S283、在第一复合兼容性矩阵mmultiple1上分别找出集合Q中每一个有效边对各自对应的元素,求和之后再进行平均,即得到所述第一相似度similarity1;
步骤S284、使用特征点集V2替换特征点集V1并使用特征点集V4替换特征点集V3,之后转而继续执行步骤S281-步骤S282,之后继续执行步骤S285;
步骤S285、在第二复合兼容性矩阵mmultiple2上分别找出集合Q中每一个有效边对所对应的元素,求和之后再进行平均,即得到所述第二相似度similarity2。
8.一种基于轮廓特征点匹配的二维形状检索系统,其特征在于,包括:
第一单元,用于提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2;目标二维图像为待检索形状的二维图像;
第二单元,用于分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度;
第三单元,用于比较所获取到的各相似度的大小,获取其中最大的相似度所对应的数据集中的二维图像,该获取到的数据集中的二维图像即为检索结果;
其中,第二单元分别基于上述特征点集V1和V2,获取目标二维图像与用于形状检索的数据集中的每一个二维图像之间的相似度的实现方法为:
遍历所述数据集中的每一个二维图像,并对遍历到的每一个二维图像,分别执行如下步骤S21-S29:
步骤S21、提取目标图像的轮廓特征点,采用与组建上述两个特征点集V1和V2相同的方法,利用所提取到的目标图像的轮廓特征点组建两个特征点集V3和V4;其中,所述目标图像为当前遍历到的二维图像,特征点集V1和V3中的轮廓特征点属于同一类轮廓特征点,特征点集V2和V4中的轮廓特征点属于同一类轮廓特征点;
步骤S22、将获取到的两个特征点集V3和V4,与特征点集V1和V2形成两个匹配点集对(V1,V3)和(V2,V4);
步骤S23、分别计算匹配点集对(V1,V3)和(V2,V4)的边兼容性矩阵,依次为medge1和medge2;
步骤S24、分别计算匹配点集对(V1,V3)和(V2,V4)的面积兼容性矩阵,依次为marea1和marea2;
步骤S25、将medge1和marea1按照第一融合公式进行矩阵融合,得到第一复合兼容性矩阵mmultiple1;将medge2和marea2按照第二融合公式进行矩阵融合,得到第二复合兼容性矩阵mmultiple2;其中,第一融合公式为mmultiple1=σ1×medge1+σ2×marea1,第二融合公式为mmultiple2=σ3×medge2+σ4×marea2,式中σ1和σ3的取值范围均为0.6~0.9,σ1+σ2=1,σ3+σ4=1;
步骤S26、基于第一复合兼容性矩阵mmultiple1,通过重加权随机游走算法得到第一松弛解,然后基于第一松弛解,通过匈牙利算法和一对一约束关系确定出特征点集V1和V3的最佳匹配关系,然后依据该确定出的最佳匹配关系,对应确定出特征点集V1和V3中的有效轮廓特征点对;
步骤S27、用特征点集V2和V4依次替换特征点集V1和V3以及用第二复合兼容性矩阵mmultiple2替换第一复合兼容性矩阵mmultiple1后,转而继续执行步骤S26,确定出特征点集V2和l4的有效轮廓特征点对;
步骤S28、基于上述确定出的特征点集V1和V3的有效轮廓特征点对,确定出待匹配图像对的第一相似度similarity1;基于上述确定出的特征点集V2和V4的有效轮廓特征点对,确定出待匹配图像对的第二相似度similarity2;
步骤S29、基于所述第一相似度similarity1和第二相似度similarity2,确定出待匹配图像对的相似度similarity。
9.根据权利要求8所述的基于轮廓特征点匹配的二维形状检索系统,其特征在于,第一单元提取目标二维图像的轮廓特征点,并利用所提取到的轮廓特征点组建两个特征点集V1和V2的实现方法为:
采用四种拉普拉斯-贝尔特拉米特征函数,对应提取目标二维图像的轮廓上的轮廓特征点,并将采用每一种拉普拉斯-贝尔特拉米特征函数各自提取到的轮廓特征点的集合分别记为原始特征点集;
将各原始特征点集中所有的轮廓特征点形成特征点集V1,其中对于在所有原始特征点集中重复出现的轮廓特征点,只取一个用于形成特征点集V1;将在所有原始特征点集中总计出现三次的所有的轮廓特征点,形成特征点集V2。
10.根据权利要求8所述的基于轮廓特征点匹配的二维形状检索系统,其特征在于,步骤S23的实现方法为:
利用每一个特征点集Vx中各自的轮廓特征点,构建对应特征点集Vx的边矩阵Medge-x,其中x=1,2,3,4,Medge-x=(aij)p×p,式中:aij为特征点集Vx中第i+1个特征点和第j+1个特征点之间的欧氏距离,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1;
利用所构建的边矩阵Medge-1和边矩阵Medge-3,计算得到匹配点集对(V1,V3)的边兼容性矩阵medge1;
利用所构建的边矩阵Medge-2和边矩阵Medge-4,计算得到匹配点集对(V2,V4)的边兼容性矩阵medge2;
步骤S24的实现方法为:
获取特征点集V3和V4的面积矩阵,依次为Marea-3和Marea-4;
利用已得到的特征点集V1的面积矩阵Marea-1以及利用上述获取到的面积矩阵Marea-3,计算得到匹配点集对(V1,V3)的面积兼容性矩阵marea1并归一化处理;
利用已得到的特征点集V2的面积矩阵Marea-2以及利用上述获取到的面积矩阵Marea-4,计算得到匹配点集对(V2,V4)的面积兼容性矩阵marea2并归一化处理;
其中,每一个特征点集Vx的面积矩阵Marea-x的获取方法均为:
将对应图像进行三角网格划分,得到一组三角形区域;所述对应图像,为当前待获取面积矩阵的特征点集Vx中的轮廓特征点所在的图像;
计算每一个三角形区域的重心到特征点集Vx中每一个轮廓特征点的距离,分别记为重心距离;
分别将每一个三角形区域归属于其所对应的重心距离中的最小距离所对应的轮廓特征点;
分别将归属于特征点集Vx中同一个轮廓特征点的所有三角形区域记为一个图像分区,得到特征点集Vx中每一个轮廓特征点各自对应的图像分区;
利用所得到的特征点集Vx中每一个轮廓特征点各自对应的图像分区,计算特征点集Vx的面积矩阵Marea-x,其中,x=1,2,3,4,Marea-x=(bij)p×p,式中:bij为特征点集Vx中第i+1个特征点和第j+1个特征点所对应的所有图像分区的面积之和,p为特征点集Vx中所有轮廓特征点的数量,i=0,1,2,…,p-1,j=0,1,2,…,p-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197548.XA CN112966138B (zh) | 2021-02-22 | 2021-02-22 | 一种基于轮廓特征点匹配的二维形状检索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197548.XA CN112966138B (zh) | 2021-02-22 | 2021-02-22 | 一种基于轮廓特征点匹配的二维形状检索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966138A true CN112966138A (zh) | 2021-06-15 |
CN112966138B CN112966138B (zh) | 2022-04-12 |
Family
ID=76285503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197548.XA Expired - Fee Related CN112966138B (zh) | 2021-02-22 | 2021-02-22 | 一种基于轮廓特征点匹配的二维形状检索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966138B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
CN103489169A (zh) * | 2013-08-14 | 2014-01-01 | 西北工业大学 | 一种改进的基于最小二乘法的深度数据拼接方法 |
CN104298990A (zh) * | 2014-09-15 | 2015-01-21 | 西安电子科技大学 | 一种基于骨架图的快速图形匹配与识别的方法 |
CN104850633A (zh) * | 2015-05-22 | 2015-08-19 | 中山大学 | 一种基于手绘草图部件分割的三维模型检索系统及方法 |
CN104866854A (zh) * | 2015-05-06 | 2015-08-26 | 苏州大学 | 基于同底三角形面积描述的目标识别和形状检索方法 |
CN104978582A (zh) * | 2015-05-15 | 2015-10-14 | 苏州大学 | 基于轮廓弦角特征的遮挡目标识别方法 |
CN109784353A (zh) * | 2017-11-14 | 2019-05-21 | 北京三星通信技术研究有限公司 | 一种无向图匹配的方法、设备和存储介质 |
CN110097596A (zh) * | 2019-04-30 | 2019-08-06 | 湖北大学 | 一种基于opencv的目标检测系统 |
CN110111248A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 |
CN112037241A (zh) * | 2020-08-28 | 2020-12-04 | 北京农业智能装备技术研究中心 | 一种基于多光谱数据的作物混种区实时识别方法及系统 |
-
2021
- 2021-02-22 CN CN202110197548.XA patent/CN112966138B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
CN103489169A (zh) * | 2013-08-14 | 2014-01-01 | 西北工业大学 | 一种改进的基于最小二乘法的深度数据拼接方法 |
CN104298990A (zh) * | 2014-09-15 | 2015-01-21 | 西安电子科技大学 | 一种基于骨架图的快速图形匹配与识别的方法 |
CN104866854A (zh) * | 2015-05-06 | 2015-08-26 | 苏州大学 | 基于同底三角形面积描述的目标识别和形状检索方法 |
CN104978582A (zh) * | 2015-05-15 | 2015-10-14 | 苏州大学 | 基于轮廓弦角特征的遮挡目标识别方法 |
CN104850633A (zh) * | 2015-05-22 | 2015-08-19 | 中山大学 | 一种基于手绘草图部件分割的三维模型检索系统及方法 |
CN109784353A (zh) * | 2017-11-14 | 2019-05-21 | 北京三星通信技术研究有限公司 | 一种无向图匹配的方法、设备和存储介质 |
CN110111248A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 |
CN110097596A (zh) * | 2019-04-30 | 2019-08-06 | 湖北大学 | 一种基于opencv的目标检测系统 |
CN112037241A (zh) * | 2020-08-28 | 2020-12-04 | 北京农业智能装备技术研究中心 | 一种基于多光谱数据的作物混种区实时识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
ZHAN YR等: "Graph matching based on local and global information of the graph nodes", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112966138B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Su et al. | Fingerprint indexing with pose constraint | |
Gupta et al. | Fingerprint indexing schemes–a survey | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN109902585A (zh) | 一种基于图模型的手指三模态融合识别方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
Tong et al. | Cross-view gait recognition based on a restrictive triplet network | |
Berretti et al. | Distinguishing facial features for ethnicity-based 3D face recognition | |
Lin et al. | Local feature tensor based deep learning for 3d face recognition | |
Sahbi et al. | Robust face recognition using dynamic space warping | |
Lim et al. | Learning discriminability-preserving histogram representation from unordered features for multibiometric feature-fused-template protection | |
Mliki et al. | Human action recognition based on discriminant body regions selection | |
Alghamdi et al. | Automated person identification framework based on fingernails and dorsal knuckle patterns | |
CN112966138B (zh) | 一种基于轮廓特征点匹配的二维形状检索方法及系统 | |
Qv et al. | LG: A clustering framework supported by point proximity relations | |
Liu et al. | GDMN: Group decision-making network for person re-identification | |
Chang et al. | Effective and generalizable graph-based clustering for faces in the wild | |
Nagthane | Image mining techniques and applications | |
Karpagam et al. | Improved content-based classification and retrieval of images using support vector machine | |
Ahmadyfard et al. | Using relaxation technique for region-based object recognition | |
Hu et al. | Part relational mean model for group re-identification | |
Chahal et al. | Depth estimation from single image using machine learning techniques | |
Mortezaie et al. | Re-identification in video surveillance systems considering appearance changes | |
Di Ruberto et al. | Decomposition of two-dimensional shapes for efficient retrieval | |
Luo et al. | Robust and adaptive region of interest extraction for unconstrained palmprint recognition | |
Caputo | A new kernel method for object recognition: spin glass-Markov random fields |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220412 |