WO2015043063A1 - 图像特征曲线提取方法及系统 - Google Patents

图像特征曲线提取方法及系统 Download PDF

Info

Publication number
WO2015043063A1
WO2015043063A1 PCT/CN2013/088530 CN2013088530W WO2015043063A1 WO 2015043063 A1 WO2015043063 A1 WO 2015043063A1 CN 2013088530 W CN2013088530 W CN 2013088530W WO 2015043063 A1 WO2015043063 A1 WO 2015043063A1
Authority
WO
WIPO (PCT)
Prior art keywords
curve
image
vector field
short edge
module
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.)
Ceased
Application number
PCT/CN2013/088530
Other languages
English (en)
French (fr)
Inventor
尹康学
黄惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to US14/902,332 priority Critical patent/US9710725B2/en
Publication of WO2015043063A1 publication Critical patent/WO2015043063A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/248—Aligning, centring, orientation detection or correction of the image by interactive preprocessing or interactive shape modelling, e.g. feature points assigned by a user
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/471—Contour-based spatial representations, e.g. vector-coding using approximation functions

Definitions

  • the curve drawn by the user is used as an initial value, and the characteristic curve is defined as the following objective function:
  • the input module is configured to receive a curve drawn along an edge of the feature on the image on which the feature curve is to be extracted. Specifically, the user manually draws a 3 ⁇ 4 line along the feature edge on the image using software developed by a library such as opener MFC. QT, which receives the curve drawn by the user.
  • the calculation module is configured to calculate a harmonic vector field by using a curve drawn by the user as a boundary condition.
  • the harmonic vector field is a spin-free vector field, that is, the rotation of the vector field is zero.
  • the reserved short edge should be as long as possible; the reserved short edge record should be as consistent as possible with the harmonic vector field; the retained short edge curvature should be small; the reserved short edge should be close to the user's drawing Curve.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

提供一种图像特征曲线提取方法，包括如下步骤：在要提取特征曲线的图像上沿其特征边缘画一条近似曲线；得到所述图像中的短边缘；以上述所画的曲线为边界条件计算得到一个调和向量场；利用所述调和向量场过滤上述图像中的短边缘；用上述图像中剩下的短边缘为边界条件更新向量场；及通过极小化样条曲线在该向量场中的能量得到所述图像最优的特征曲线。还提供一种图像特征曲线提取系统。所得图像特征曲线能够既保证光滑又保证弯曲特征。

Description

图像特征曲线提取方法及系统 技术领域
本发明涉及一种图像特征曲线提取方法及系统。 背景技术
图像特征曲线提取是图像处理领域中重要的研究方向。目前已有的交互式 图像特征曲线提取的方法主要有： 动态蛇 （dynamic snakes ) , 智能剪刀 ( intelligent scissors) 等。
动态蛇是一种重要的基于边緣的交 S式图像特征曲线提取方法。 在 Kass 等人于 1987年首次提出 Snake模型之后， 人们对该模型的能量函数和求解方 法不断地进行改进，提出了许多新的 Snake模型及改进。动态蛇方法的基本思 想很筒单，它以由一些控制点生成的样条曲线为模板，通过模板自身的弹性形 变， 与圏像局部特征相匹配达到调和， 即某种能量函数极小化， 完成对图像特 征曲线的提取。 然而， 动态蛇方法存在如下不足： 对初始曲线位置要求严格, 初始曲线必须非常接近目标真实轮廓，否则将得不到好的收敛结果；对凹陷的 目标轮廓得不到好的收敛效果； 迭代速度慢且收敛效果不好。
智能剪刀是一种非常经典的半自动图像特征曲线提取方法。用户只要沿着 图片上的边缘粗略的移动鼠标， 智能前刀方法就能估计出较精确的边缘曲线。 它使用拉普拉斯过零特征函数、梯度大小和梯度方向给像素点赋予权值，使用 动态规划求解最优路径的方法求解两点间的目标边缘。随着鼠标的移动，智能 剪刀能比较准确、快速地提取目标的边缘。 当鼠标移动到目标边缘附近时， 智 能剪刀能自动地吸險到目标边錄上。智能剪刀方法亦存在如下缺点： 不能识别 用户的错误输入； 所得曲线不够光滑。 发明内容
有鉴于此， 有必要提供一种图像特征曲线提取方法及系统。
本发明提供一种图像特征曲线提取方法，该方法包括如下步骤： a.在要提 取特征曲线的图像上沿其特征边缘画一条曲线； b.得到所述图像中的短边缘; c以上述所画的曲线为边界条件计算得到一个调和向量场； d.利用所述调和向 量场过滤上述图像中的短边缘； e.用上述图像中剩下的短边缘为边界条件更新 向量场； 及 f.通过极小化样条曲线在该向量场中的能量得到所述图像最优的 特征曲线。
其中，所述的歩骤 b中得到图像中的短边缘可以釆用 canny算法、 Prewi tt 算法、 Sobel算法或者 Ki rsch算法。
所述的步骤 c具偉包括： 以步骤 a中所画的曲线作为二维流形的边界，将 边界处曲线的切向量作为边界值，求解 Δΐ! = 0 ( u为向量场）得到调和向量场。
所述的步骤 d包括： 给每条短边缘定义一个分值： Score α ΐ*自身长度 ― α 2*与调和向量场的平均夹角 ― ci 3*平均曲率 ― α 4*与用户所画的曲 线的平均距离。 其中， a l a 2, a 3 , α 4分别为各项权重。
所述的特征曲线为如下目标函数- f(C
Figure imgf000004_0001
E¥ector (C Es oot (C 其中， C为三次 B样条曲线， Ed lsl , (C定义短边錄上所有像素到 C的距 离之和， Evcctor(C为沿 C对 C的切线和向量场的夹角的积分， Es oot (C为 C 的光滑程度可以用曲率来衡量。
本发明提供一种图像特征曲钱提取系统， 包括相互电性连接》输入模块、 短边緣获取模块、计算模块、过滤模块、更新模块及特征曲线获取模块，其中- 所述输入模块用于接收在要提取特征曲线的图像上沿其特征边缘所画的一条 曲线；所述短边缘获取模块用于得到所述图像中的短边緣；所述计算模块用于 以用户所画的曲线为边界条件计算得到一个调和向量场；所述过滤模块用于利 用调和向量场过滤上述图像中的短边缘；所述更新模块用于用上述图像中剩下 的短边缘作为边界条件更新向量场；所述特征曲线获取模块用于通过极小化样 条曲线在该向量场中的能量得到所述图像最优的特征曲线。
其中， 所述的得到图像中的短边綠可以采用 canny算法、 Prewitt算法、 Sobel算法或者 Kirsch算法。
所述的计算模块用于以上述输入模块接收的曲续作为二维流形的边界，将 边界处曲线的切向量作为边界值，求解 = 0 ( u为向量场）得到调和向量场。
所述的所述过滤模块用于： 给每条短边缘定义一个分值： Score - α 1* 自身长度 - α 2*与调和向量场的平均夹角 - 0 3*平均曲率 ― α #与用户 所画的曲线的平均距离。 其中， α 1， α 2， α 3， α 4分别为各项权重。
所述的特征曲线为如下目标函数- f(C = E{j S -ance (C E vector (C Es O0t (C 其中， C为三次 B样条曲线， Edistanee(C定义短边缘上所有像素到 C的距 离之和， EveetOT(C为沿 C对 C的切线和向量场的夹角的积分， Es Q。t (C为 C 的光滑程度可以用曲率来衡量。
本发明所提供的图像特征曲线提取方法及系统，通过引入调和向量场，将 用户的交互和图像本身的信息自然的结合到一起； 综合考虐多种信息， 因而对 用户的错误输入不敏感， 对于有弯曲凹陷的目标曲线也可以获得很好的结果； 求解特征曲线时，同时考虑与向量场的一致性、到短边缘的距离、光滑性三项， 从而使结果更加稳定，容易快速收敛到最优解，并 i所得图像特征曲 II能够即 保证光滑又保证弯曲特征。 图说明
图 1为本发明图像特征曲线提取方法的流程图；
图 2为本发明图像特征曲线提取系统的硬件架构图。 具体实施方式 下面结合贈圏及具体实施例对本发明作进一步详细的说明。
参阅图 1所示,是本发明图像特征曲线提取方法较佳实施例的作业流程图。 步骤 S401 , 在要提取特征曲线的图像上沿其特征边缘画一条曲线。 具体 而言， 用户可以使用如 opein MFC. Q'T等程序库开发的软件手动在所述图像 上沿其特征边缘近似地画一 c条曲线。
步骤 S402, 得到所述图像中的短边綠。 在本实施例中使用 Canny算法得 到所述图像中的短边缘， 也可使用其他边缘检测算法代替 canny算法， 比如 Prewitt算法、 Sobel算法、 Kirsch算法等。
具体步骤如下：
1 ) 使用高斯滤波器对所述图像进行滤波， 以消除噪声；
2) 针对所述圉像中每一个像素， 计算其横向与纵向两方向的微分近似， 以得到像素的梯度大小和方向；
3)对上述得到的像素的梯度进行"非极大抑制"： 如果该像素的梯度不是 局部最大值，则将其置为 0;如果该像素的梯度是局部最大值，则保持其不变。 其中，所述局部是指以该像素为中心的一个小邻域，该邻域的半径可以根据用 户的需求设置。
4) 对上述像素通过其梯度进行过滤以得到潜在的边缘像素。 也即， 将上 述像素的梯度使用一个高阈值和一个低阈值进行过滤，剩下的像素为潜在的边 像素。 所述边緣像素， 其梯度介于高阈值和低阐值之间。
5) 对上述边緣像素进行连接得到所述图像中的短边缘。
步骤 S403, 以用户所画的曲线为边界条件计算得到一个调和向量场。 所 述调和向量场为无旋向量场， 即向量场各处旋度为零。具体而言， 以用户在步 骤 S401中所画的曲线作为二维流形的边界， 将边界处曲线的切向量作为边界 值， 求解 Δΐ! = 0 (u为向量场） 即得到调和向量场。
求解时， 将 u的 X、 y分量分开来分别求解， 这样就将该问题转化为两个 狄利克雷约束条件下的偏徵分方程。 argmin Διι s. t, u = b
其中 为向量场 u的拉普拉斯算子， U为求解后向量场的边界值， b为由 用户定义的曲线确定的边界值。
步骤 S404, 利用调和向量场过滤上述图像中的短边缘。 具体步骤如下- 给每条短边缘定义一个分值： Score二 α ΐ*自身长度 ― α 2*与调和向量场的 平均夹角 - α 3*平均曲率 - α 4*与用户所画的曲线的平均距离。其中， a l， α 2， α 3, α 4分别为各项权重。 通过组合 。1， α 2， α 3, α 4这四项， 就 可以根据如下规则保留短边缘：保留的短边缘要尽可能长；保留的短边缘切向 要尽可能与调和向量场一致；保留的短边錄曲率要小；保留的短边缘要靠近用 户所画的曲线。
步骤 S405 , 用上述图像中剩下的短边缘作为边界条件更新向量场。 具体 而言， 以上述图像中剩下的短边缘作为二维流形的边界，将边界处曲线的切向 量作为边界值， 求解 Διι = 0 (u为向量场） 即更新调和向量场。 具体方法可参 照步骤 S403。
步骤 S406, 通过极小化样条曲线在该向量场中的能量得到所述图像最优 的特征曲线。 具律步骤如下：
在本实施例中使用三次 B样条来表示特征曲线，也可使用其他自由曲线代 替三次 B样条曲线， 比如贝塞尔曲线、 非均匀有理 B样条等。
本实施例使用用户所画的曲线作为初始值，并定义特征曲线为如下目标函 数：
f(C
其中， C为三次 B样条曲线， Edistance(C定义短边缘上所有像素到 C的距 离之和， EvertOT(C为沿 C对 C的切线和向量场的夹角的积分， Es 。。t (C为 C 的光滑程度可以用曲率来衡量。
最小化 f(C是一个无约束优化问 S, 本实施倒使用 BFGS算法来求解所述 特征曲线。 也可使用其他优化算法代替 BFGS算法， 比如最速下降法， 牛顿法 等。
参阅图 2所示， 是本发明图像特征曲线提取系统的硬件架构图。该系统包 括相互电性连接的输入模块、 短边缘获取模块、计算模块、 过滤模块、 更新模 ±夬及特征曲线获取模块。
所述输入模块用于接收在要提取特征曲续的图像上沿其特征边緣所画的 一条曲线。 具体而言， 用户使用如 opener MFC. QT等程序库开发的软件手动 在所述图像上沿其特征边缘近似地画一条 ¾线，所述输入模块接收上述用户所 画的曲线。
所述短边缘获取模块用于得到所述图像中的短边缘。在本实施例中所述短 边緣获取使用 Canny算法得到所述图像中的短边缘,也可使用其他边缘检测算 法代替 canny算法， 比如 Prewitt算法、 Sobel算法、 Kirsch算法等。
具体如下-
1 ) 使用高斯滤波器对所述图像进行滤波， 以消除噪声；
2) 针对所述图像中每一个像素， 计算其横向与纵向两方向的徵分近似， 以得到像素的梯度大小和方向；
3)对上述得到的像素的梯度进行"非极大抑制"： 如果该像素的梯度不是 局部最大值，则将其置为 0;如果该像素的梯度是局部最大值，则保持其不变。 其中，所述局部是指以该像素为中心的一个小邻域，该邻域的半径可以根据用 户的需求设置。
4) 对上述像素通过其梯度进行过滤以得到潜在的边缘像素。 也即， 将上 述像素的梯度使用一个髙阈值和一个低阈值进行过滤，剩下的像素为潜在的边 緣像素。 所述边缘像素， 其梯度介于高阈值和低阈值之间。
5) 对上述边缘像素进行连接得到所述图像中的短边缘。
所述计算模块用于以用户所画的曲线为边界条件计算得到一个调和向量 场。 所述调和向量场为无旋向量场， 即向量场各处旋度为零。 具体而言， 以用 户在输入模块中所画的曲线作为二维流形的边界，将边界处曲线的切向量作为 边界值， 求解 Δΐ! = 0 (u为向量场） 即得到调和向量场。
求解时， 将 u的X、 y分量分幵来分别求解， 这样就将该问题转化为两个 狄利克雷约束条件下的偏徵分方程。
argmin Au s, t, u = b
其中 Διι为向量场 u的拉普拉斯算子， u为求解后向量场的边界值， b为由 用户定义的曲线确定的边界值。
所述过滤模块用于利用调和向量场过滤上述图像中的短边缘。具体步骤如 下：所述过滤模块给每条短边缘定义一个分值： Score二 ct i*自身长度 - （1 2* 与调和向量场的平均夹角 - α 3*平均曲率 - （1 4*与用户所画的 ft线的平均 距离。其中， α ΐ , α 2 , α 3, α 4分别为各项权重。通过组合 α 1， α 2， α 3， α 4这四项， 就可以根据如下规则保留短边缘： 保留的短边緣要尽可能长； 保 留的短边錄切向要尽可能与调和向量场一致；保留的短边緣曲率要小；保留的 短边缘要靠近用户所画的曲线。
所述更新模块用于用上述图像中剩下的短边缘作为边界条件更新向量场。 具体而言，所述更新模块以上述图像中剩下的短边缘作为二维流形的边界，将 边界处曲线的切向量作为边界值， 求解 Διι = 0 (u为向量场） 即更新调和向量 场。
所述特征曲线获取模块用于通过极小化样条曲线在该向量场中的能量得 到所述图像最优的特征曲线。 具体如下- 在本实施例中使用三次 Β样条来表示特征曲线，也可使用其他自由曲续代 替三次 Β样条曲线， 比如贝塞尔曲钱、 非均勾有理 Β样条等。
本实施例使用用户所画的曲线作为它的初始值，并定义特征曲线为如下目 标函数：
f(C 一 Edistance (C E vector (C Es Got (fi 其中， C为三次 B样条曲线， Edistance(C定义短边缘上所有像素到 C的距 离之和， EveetOT(C为沿 C对 C的切线和向量场的夹角的积分， Es TOt (C为 C 的光滑程度可以用曲率来衡量。
最小化 f(C是一个无约束优化问题， 本实施例使用 BFGS算法来求解所述 特征曲线。 也可使用其他优化算法代替 BFGS算法， 比如最速下降法， 牛顿法 等。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应 能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范 围， 任何在本发明的精神和原则范围之内， 所做的任何修饰、 等效替换、 改进 等， 均应包含在本发明的权利保护范围之内。

Claims

权 利 要 求
1.一种图像特征曲线提取方法， 其特征在于， 该方法包括如下步骤： a.在要提取特征曲线的图像上沿其特征边缘画一条曲线；
b.符到所述图像屮的短边缘；
c.以上述所画的曲线为边界条件计算符到一个调和向量场；
d.利用所述调和向量场过滤上述图像屮的短边缘；
e.用上述图像' I '剩下的短边缘为边界条件更新向量场； 及
f.通过极小化样条曲线在该向量场' I '的能量符到所述图像 优的特征曲 线。
2.如权利要求 1所述的方法， 其特征在于， 所述的步骤 b ' | '符到图像屮的 短边缘可以¾用 canny算法、 Prewitt算法、 Sobel算法或者 Kirsch算法。
3.如权利要求 1所述的方法， 其特征在于， 所述的步骤 C具体包括： 以步 骤 a屮所画的曲线作为二维流形的边界， 将边界处曲线的切向量作为边界值， 求解 Au = o (u为向量场）符到调和向量场。
4.如权利要求 1所述的方法， 其特征在于， 所述的步骤 d包括： 给每条短 边缘定义一个分值： Score = αΐ *自身长度 - α2*与调和向量场的平均夹角 - α3*平均曲率 - α4*与用户所画的曲线的平均距离。 其' | '， al， al, α3， α4分 别为各项权 ffi。
5.如权利要求 1所述的方法， 其特征在于， 所述的特征曲线为如下目标函 数：
f(C ― Edistance(C Evector(C Esm00t-j1(C 其屮， C为三次 B样条曲线， Edistanee(C定义短边缘上所有像素到 C的 距离之和， Evector(C为沿 C对 C的切线和向量场的夹角的积分， Esmooth(C为 C的光滑程度可以用曲率来衡量。
6.—种图像特征曲线提取系统， 其特征在于， 该系统包括相丌电性迮接的 输入模块、 短边缘获取模块、 计算模块、 过滤模块、更新模块及特征曲线获取 模块， 其屮：
所述输入模块用于接收在要提取特征曲线的图像上沿其特征边缘所画的 一条曲线；
所述短边缘获取模块用于符到所述图像' I '的短边缘；
所述计算模块用于以用户所画的曲线为边界条件计算符到一个调和向量 场；
所述过滤模块用于利用调和向量场过滤上述图像 11 '的短边缘； 所述更新模块用于用上述图像 11 '剩下的短边缘作为边界条件更新向量场； 所述特征曲线获取模块用于通过极小化样条曲线在该向量场小的能量符 到所述图像 优的特征曲线。
7.如权利要求 6所述的系统， 其特征在于， 所述的符到图像 1 '的短边缘可 以¾用 canny算法、 Prewitt算法、 Sobel算法或者 Kirsch算法。
8.如权利要求 6所述的系统， 其特征在于， 所述的计算模块用于以所述输 入模块接收的曲线作为二维流形的边界， 将边界处曲线的切向量作为边界值， 求解 Au = o (u为向量场）符到调和向量场。
9.如权利要求 6所述的系统， 其特征在于， 所述的所述过滤模块用于： 给 每条短边缘定义一个分值： SCOre = al *自身长度 - a2*与调和向量场的平均夹 角 - a3*平均曲率 - a4*与用户所画的曲线的平均距离。 其' | '， al， al, a3， a4分别为各项权重。
10.如权利要求 6所述的系统， 其特征在于， 所述的特征曲线为如下目标 函数：
f(C ― Edistance(C Evector(C Esm00t-j1(C 其屮， C为三次 B样条曲线， Edistanee(C定义短边缘上所有像素到 C的 距离之和， Evector(C为沿 C对 C的切线和向量场的夹角的积分， Esmooth(C为
C的光滑程度可以用曲率来衡量。
PCT/CN2013/088530 2013-09-26 2013-12-04 图像特征曲线提取方法及系统 Ceased WO2015043063A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/902,332 US9710725B2 (en) 2013-09-26 2013-12-04 Method and system for extracting image salient curve

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310444485.9A CN103489190B (zh) 2013-09-26 2013-09-26 图像特征曲线提取方法及系统
CN201310444485.9 2013-09-26

Publications (1)

Publication Number Publication Date
WO2015043063A1 true WO2015043063A1 (zh) 2015-04-02

Family

ID=49829388

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2013/088530 Ceased WO2015043063A1 (zh) 2013-09-26 2013-12-04 图像特征曲线提取方法及系统

Country Status (3)

Country Link
US (1) US9710725B2 (zh)
CN (1) CN103489190B (zh)
WO (1) WO2015043063A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119068076A (zh) * 2024-04-25 2024-12-03 浙江凌迪数字科技有限公司 一种线状图生成方法、装置、电子设备、介质及产品

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9741133B2 (en) * 2015-09-29 2017-08-22 Adobe Systems Incorporated Identifying shapes in an image by comparing Bézier curves
US9934578B2 (en) * 2016-08-15 2018-04-03 Macau University Of Science And Technology Method for edge detection
CN108492372B (zh) * 2018-01-15 2020-04-03 哈尔滨工业大学（威海） 一种b样条曲面的形状编辑方法
CN108257138B (zh) * 2018-01-26 2021-07-30 西安工程大学 一种基于边缘检测的瓷质绝缘子裂缝特征检测方法
CN110674463A (zh) * 2019-08-27 2020-01-10 中国石油天然气股份有限公司大港油田分公司 一种确定油水两相相对渗透率曲线的方法和装置
CN112233152B (zh) * 2020-09-24 2024-11-22 科吉思石油技术咨询(北京)有限公司 一种矿物图像对齐方法、装置及存储介质
CN112837334B (zh) * 2021-04-02 2022-07-05 河南大学 一种汉简图像的自动缀合方法
CN113313724B (zh) * 2021-05-27 2022-04-08 深圳企业云科技股份有限公司 一种用于对抗手机摄像头重采样的线条检测处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065333A (zh) * 2012-12-11 2013-04-24 华中科技大学 一种基于四元数的彩色snake图像分割方法
US8488845B1 (en) * 2006-05-02 2013-07-16 Geoeye Solutions Inc. Semi-automatic extraction of linear features from image data

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1320070B1 (en) * 1999-06-11 2010-10-27 Altera Corporation Method and apparatus for digital image segmentation
WO2006054201A1 (en) * 2004-11-16 2006-05-26 Koninklijke Philips Electronics N.V. Video data enhancement
EP2431943B1 (en) * 2007-05-30 2015-04-01 The Cleveland Clinic Foundation Automated centerline extraction method and generation of corresponding analytical expression and use
US8520004B2 (en) * 2007-06-04 2013-08-27 Daedal Doodle, LLC Interactive labyrinth curve generation and applications thereof
US20090027396A1 (en) * 2007-07-26 2009-01-29 Tufts University Method for fitting a parametric representation to a set of objects
US8521484B2 (en) * 2010-06-02 2013-08-27 Livermore Software Technology Corp. Curve matching for parameter identification
JP2012238099A (ja) * 2011-05-10 2012-12-06 Sony Corp 画像処理装置、画像処理方法、およびプログラム
US8917284B2 (en) * 2011-06-20 2014-12-23 Microsoft Corporation Vector graphics with controlled thin-plate splines
US9525859B2 (en) * 2012-08-09 2016-12-20 Sony Corporation Refinement of user interaction
US9405994B2 (en) * 2013-05-08 2016-08-02 The University Of British Columbia Methods and systems for characterizing concept drawings and estimating three-dimensional information therefrom

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8488845B1 (en) * 2006-05-02 2013-07-16 Geoeye Solutions Inc. Semi-automatic extraction of linear features from image data
CN103065333A (zh) * 2012-12-11 2013-04-24 华中科技大学 一种基于四元数的彩色snake图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GAO, XIANGJUN ET AL.: "Improved VFC Snake model.", APPLICATION RESEARCH OF COMPUTERS., vol. 27, no. 4, 15 April 2013 (2013-04-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119068076A (zh) * 2024-04-25 2024-12-03 浙江凌迪数字科技有限公司 一种线状图生成方法、装置、电子设备、介质及产品

Also Published As

Publication number Publication date
CN103489190B (zh) 2016-05-11
CN103489190A (zh) 2014-01-01
US9710725B2 (en) 2017-07-18
US20160189005A1 (en) 2016-06-30

Similar Documents

Publication Publication Date Title
WO2015043063A1 (zh) 图像特征曲线提取方法及系统
CN104021568B (zh) 基于轮廓多边形拟合的可见光与红外图像的自动配准方法
CN102542556B (zh) 超声图像乳腺肿瘤自动提取方法
CN111681274A (zh) 基于深度相机点云数据的3d人体骨骼识别和提取方法
US8073227B2 (en) System and method for geometric modeling of tubular structures
US7953266B2 (en) Robust vessel tree modeling
CN107146228B (zh) 一种基于先验知识的大脑磁共振图像超体素生成方法
CN109272512B (zh) 一种自动分割左心室内外膜的方法
CN108471995A (zh) 确定医学图像中乳房区域的系统和方法
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN103400376B (zh) 一种乳腺动态增强磁共振图像序列的配准方法
CN105761274B (zh) 结合边缘和区域信息的医学图像分割方法
CN106169186A (zh) 基于水平集运动目标检测中获取初始轮廓的方法
Liu et al. An active contour model with local variance force term and its efficient minimization solver for multiphase image segmentation
CN106340014B (zh) 二值化曲线处理方法
Pang et al. A modified scheme for liver tumor segmentation based on cascaded FCNs
Zhao et al. 3D object tracking via boundary constrained region-based model
CN107240114A (zh) 一种基于点距离函数形状约束的半自动医学图像分割方法
Schneider et al. Automatic global vessel segmentation and catheter removal using local geometry information and vector field integration
Fang et al. Cell segmentation in fluorescence microscopy images based on multi-scale histogram thresholding
CN108717699A (zh) 一种基于连续最小割的超声波图像分割方法
CN110246125A (zh) 基于abus冠状面图像的乳头位置自动检测方法
CN108537802A (zh) 一种血管分割方法及装置
Skibbe et al. Efficient Monte Carlo image analysis for the location of vascular entity
CN109636827A (zh) 一种自适应提取宫颈肿瘤mr图像的方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13894610

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14902332

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 21.07.2016)

122 Ep: pct application non-entry in european phase

Ref document number: 13894610

Country of ref document: EP

Kind code of ref document: A1