[发明专利]一种基于度量信息的形状匹配方法

权利要求书

1.一种基于度量信息的形状匹配方法，其特征包括以下步骤，

步骤1.对原始图像利用边缘检测的方法提取轮廓；

步骤2.在轮廓上进行均匀采样，采样点数为N；N个轮廓采样点表示为X={x₁,x₂,...,x_N}；

步骤3.计算任一轮廓采样点x_i(i＝1,2,...,N)的度量信息；

步骤3-1以x_i为起始点，逆时针扫描其他轮廓采样点，计算x_i到其它所有轮廓采样点的欧式距离（Euclidean Distance，ED）；

步骤3-2从x_i点做轮廓的切线，当其它轮廓采样点在切线左侧，则距离为正，在切线右侧则距离为负；

步骤3-3将上面计算得到的x_i点到其他轮廓采样点的距离形成如下特征向量D_i；

D_i=(d_i，i,d_i，i+1,...,d_i,N,d_i，1,...,d_i，i-1)               （1）

其中，d_i，j表示x_i到x_j的距离，d_i，i值为0；

步骤4.生成分段形状特征描述符；

步骤4-1指定一个局部平均的宽度S，然后将步骤3得到的特征向量D_i分成段，每一段的长度都是S，各段的轮廓采样点序号分别为：[1,S],[S+1,2S]，...,[N-S+1,N]；

步骤4-2对每一段内的特征值计算加权平均值，其中表示S内每个轮廓点的权重，j=1,2,...,M表示轮廓点的分段数；

dSij=1SΣt=(j-1)S+1jSαitdit---(2)]]>

步骤4-3轮廓采样点x_i的新的特征向量可以表示为

步骤5.对轮廓上所有的采样点x_i(i＝1,2,...,N)重复使用步骤4的操作计算其距离特征向量DS_i，构成距离特征矩阵DS(X)=(DS₁,DS₂,...,DS_N)；

步骤6.对于特征矩阵DS(X)的每一行，采用行最大值进行规一化，规一化后的特征值在[-1,1]之间；

dSij=dSijmaxt=1,2...N{|dStj|}---(3)]]>

步骤7.计算形状之间的相似度；

步骤7-1X和Y分别表示形状A和B的轮廓采样点集合。轮廓上任一采样点可表示为：x_i∈X(i=1,2,...,N)，y_j∈Y(j=1,2,...,L)，其中N和L为采样点个数；

步骤7-2利用L₁度量公式进行特征向量比较：

c(xi,yj)=Σt=1Mwt|dSxit-dSyjt|---(4)]]>

w_t表示各个局部特征值的权重，计算方式为

步骤7-3对于轮廓X={x_i}和Y={y_j}，通过步骤7-2公式的计算，可以得到相似性矩阵W：

W=c(x1,y1).........c(xi,yj).........c(xN,yL)]]>

步骤7-4寻找X和Y之间的对应关系g(x):X→Y，当轮廓点一一对应时最小；

步骤7-5形状A和B之间的相似性表示为：

2.根据权利要求1所述的形状匹配方法，其特征在于，对于步骤3中对度量信息的计算可以用三角形半径作为度量信息，即用以下步骤替换步骤3：

步骤3-1.对于轮廓上的采样点x_i，点x_i-1和x_i+1分别是它的左右相邻点，轮廓上其它任一轮廓点x_j都能够和x_i-1及x_i+1构成一个三角形；设d₁表示x_i-1和x_j之间的欧式距离，d₂表示x_i+1和x_j之间的距离，d₃表示x_i-1和x_i+1之间的距离；

步骤3-2.用如下公式计算三角形的半周长L_i，j，面积H_i,j和半径R_i，j：

Li,j=12(d1+d2+d3)---(5)]]>

Hi,j=Li,j(Li,j-d1)(Li,j-d2)(Li,j-d3)---(6)]]>

Ri,j=Hi,jLi,j---(7)]]>

步骤3-3.将半径信息组合起来作为该点的特征向量D_i=(R_i，i，R_i，i+1,...,R_i，N,R_i，1,...,R_i，i-1)。