[发明专利]一种基于SIFT的书法防倒挂方法

说明书

技术领域

本发明属于图像匹配方法技术领域，具体涉及一种基于SIFT的书法防倒挂方法。

背景技术

中国书法作品是中国传统文化中的一个重要的组成部分，具有独特的艺术形式，在世界领域中自成体系，独树一帜，所以也深受外国友人的喜爱。在很多外国人的家庭中都能看到中国的书法作品，但是由于中国汉字的特殊性，大多数国外的友人并不认识汉字的组成，书法作品被挂倒的情况能时而见到。究其原因，很有可能在装裱的时候就因为不懂中国字而被放置反了。如：一幅书法作品被挂倒或旋转90°、180°、270°或者卷轴上下被挂倒等等，令人啼笑皆非，非常有必要提供一个方法来识别书法挂倒的情况，从而防止中国的书法作品在国外被倒挂的现象。

发明内容

本发明的目的是提供一种基于SIFT的书法防倒挂方法，解决了现有技术中存在的国外友人由于不懂汉字将汉字倒置的问题。

本发明所采用的技术方案是，一种基于SIFT的书法防倒挂方法，具体按照以下步骤实施：

步骤1、将书法字体图像进行预处理，得到书法字体的二值图像；

步骤2、经步骤1得到二值图像I(x,y)之后，取像素点与高斯滤波器进行卷积运算：

将二值图像I(x,y)在不同尺度下的尺度空间表示为L(x,y,σ)，L(x,y,σ)由图像I(x,y)与高斯核G(x,y,σ)的卷积得到；

步骤3、经步骤2后，引入高斯差分尺度空间DOG算子，生成DOG尺度空间；

步骤4、经步骤3后，检测出书法字体图像的极值点；

步骤5、经步骤4后，对于检测出的书法字体图像的极值点消除边界效应，进行合理的筛选作为特征点为后续检测识别所用；

步骤6、经步骤5后，为得到的特征点指定方向参数，利用特征点的邻域像素梯度分布特性，书法字体特征点最终运算成为Sift特征描述子，与现有偏旁部首库中的偏旁部首进行匹配，匹配出最接近的结果；

步骤7、先采用迭代自组织聚类算法整理得到的旋转角度数据，然后选取样本的均值作为字体样本的最终旋转角度，最后根据特征点匹配和最邻近方法，由正常的偏旁部首情况判断原有书法字体是否发生了旋转或倒挂。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤(1.1)、将书法作品进行人工取像，得到书法字体图像；

步骤(1.2)、利用书法字切割技术对经步骤(1.1)得到的书法字体图像进行处理，得到单一的一个汉字的图像；

步骤(1.3)、经步骤(1.2)后，将获得的图像处理得到书法字体的二值图像I(x,y)。

步骤3具体为：

将步骤2得到的运算结果建立图像的DOG金字塔，在DOG尺度空间中的26个领域中检测极值，同时在图像二维平面空间DOG尺度空间中检测局部极值，并将检测到的局部极值点作为特征点，特征点具备良好的独特性和稳定性，将局部极值点的像素用叉号标记。

步骤4具体为：将步骤3检测的DOG尺度空间局部及标记为叉号的局部极值点像素，跟同一尺度的周围邻域8个像素以及相邻尺度对应位置的周围邻域9×2个像素进行比较，确保在尺度空间和二维图像空间都检测到局部极值，比较过程如下：

D(x,y,σ)为两个相邻尺度图像之差，即：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)(1)

上式中：为二维高斯函数，x，y表示点的坐标，σ表示高斯正态分布的方差，L(x,y,σ)＝G(x,y,σ)*I(x,y)表示尺度空间，

一个像素点若与周围8个像素点以及上下层的18个邻域像素点共26个邻域像素点相比是最大值或最小值，确定该点是图像在该尺度下的一个极值点。

步骤5具体为：

步骤(5.1)、在精确定位出极值点的位置后，先排除无法满足含有18个邻域像素的极值点，将剩余的极值点作为特征点，计算这些特征点邻域像素的梯度分布，并建立这些特征点的梯度直方图；

步骤(5.2)、利用特征点邻域像素的梯度分布特性，为每个特征点指定方向参数，使特征点具备旋转不变性，具体如下：

θ(x,y)＝arctan{[L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}(3)

上式中：m(x,y)为(x,y)处梯度的模值，θ(x,y)为(x,y)处梯度的方向，L所用的尺度为每个特征点各自所在的尺度；