形状比较装置和方法制造方法及图纸

本发明专利技术公开了一种基于轮廓分解与对应的形状比较装置和形状比较方法。所述装置包括：多边形近似单元，将图像对象轮廓近似为一个多边形，即将所述图像对象轮廓表达为有序的轮廓基元序列；属性生成单元，为轮廓基元以及轮廓基元组合计算属性值；比较单元，建立多边形的对应关系，并由此计算轮廓间的相似度。优选地，还包括：图像对象轮廓提取单元，在输入所述装置的是图像对象而不是图像对象轮廓时，提取输入所述装置的图像对象的图像对象轮廓。

【技术实现步骤摘要】

该专利技术涉及一种形状比较装置和形状比较方法，尤其涉及基于轮廓分解与对应的形状识别和比较的装置和方法。
技术介绍
在许多应用领域如娱乐、商业、艺术以及工程
，图像的应用变得越来越重要，而且，图像的数目也日益增大，因此，图像识别和基于内容的图像检索在近年来已成为一个重要的研究领域。在图像识别和检索中，其根本问题就是图像比较技术。目前，人们通常采用三种特征对图像进行识别和检索，即形状、颜色和纹理。近来，一个关于图像检索认知方面的调查显示，人们更倾向于采用形状而不是颜色和纹理对图像进行检索。尽管目标对象的形状信息能够对图像检索和识别提供强有力的支持，然而，目前我们却无法理解人类是如何轻而易举的获取图像对象的内容并基于此进行识别的，所以，依据人类的认知方法进行自动化的检索和识别尚不可行。因此，如何充分有效的描述图像对象的形状特征仍是一个亟待解决的课题。在许多视频信息处理系统中，如计算机视觉、模式识别及机器人系统，形状匹配都属于核心的问题。形状匹配的应用领域包括工业制品监测、指纹匹配、图像识别以及基于内容的图像检索等。为解决形状匹配中的难题，许多学者已经提出了一些不同的方法。作为现有的一种形状特征，傅立叶描述子基于频域特征来表达形状轮廓，参见。该方法对图像对象的轮廓作傅立叶变换，并利用变换系数来描述图像对象。然而，傅立叶描述子本身不具有仿射不变的特性。因此，常用的策略是通过抛弃变换结果中的相位信息来达到旋转和起点不变的目的，尺度不变形则通过对变换系数的幅值进行归一化来实现。在相似度计算时，一般通过欧式距离测度来实现。最为另一种形状特征，Farzin Mokhtarian(参见)提出了曲率尺度空间法(Curvature Scale Space，简称CSS)来提取形状特征，该方法在不同的尺度下计算轮廓线的曲率，并根据这些曲率信息来构建形状特征，从而实现了仿射不变性和较好的抗噪性。然而，该方法仅以图像的轮廓作为处理对象，没有考虑轮廓所包含的内容，因此，得到的特征不全面，用这种特征来匹配图像，往往不能得到满意的效果。在中，利用检测到的感兴趣片断的形状属性来表达图像的内容。该方法通过分析图像中的每个片段自动检出一个或者多个从认知上来说比较重要的单元，并利用傅立叶描述子来表达这些单元。通过重复上述过程，图像被转化成一个特性片断集合。基于这些片断的形状特征，该技术可以用于对图像进行存档和检索。在中，为解决姿态旋转下的模式匹配问题，提出了基于顶点区域的匹配方法。首先，用多边形来近似对象模式的内外轮廓，并从中确定具有代表性的多边形顶点来描述模式的姿态旋转。匹配时，通过多边性的顶点而不是基于像素的方式来确定两个多边形的共同区域，从而，得到两个形状的相似度。在中，提出了多尺度空间的方法来描述对象的形状。为了识别一个轮廓曲线，该方法采用一种循环的参数和变换过程来生成一组相互独立的傅立叶描述集，并基于这个描述集空间来表达目标对象的轮廓。据称，基于傅立叶描述集的这种方法能实现有效的识别和压缩。上述的这些基于全局属性的方法往往不能有效地表达形状的感知特性。近年来，人们把更多的研究重心转移到了基于局部属性的方法，例如边缘、角点等。这些方法的基本思路为首先从目标对象中提取出从视觉上来说比较重要的部分，接下来，找出与两个目标对象对应的重要部分的对应关系，并基于此计算相似度。参见，Milios和Petrakis根据轮廓上的折点将输入的轮廓形状分割为有序的凹/凸曲线段，并通过建立这些凹/凸曲线段的对应关系计算两个轮廓的相似度。相邻曲线段的合并操作在匹配过程中占有重要的地位，然而，在该方法中，合并操作只能在预先定义的规则下进行。除此之外，各曲线段的几何描述特征也并非十分有效。H.Kauppinen，T.Seppanen，and M.Pietikainen，“An Experimental Comparison of Autoregressive and Fourier-basedDescriptors in 2-D Shape Classification，”IEEE Transaction onPattern Analysis and Machine Intelligence，vol.17，pp.201-207，1995. F.Mokhlarian，”Silhouette-Based IsolatedObject Recognition through Curvature Scale Space，”IEEETransaction on Pattern Analysis and Machine Intelligence，vol.17，pp.539-544，1995. E.Milios，E.Petrakis，“Shape RetrievalBased on Dynamic Programming，”IEEE Transaction on PatternAnalysis and Machine Intelligence，vol.9，pp.141-147，2000Patent NumberUS 6,801,661 B1Patent Number4,783,829Patent Number6,044,171
技术实现思路
该专利技术旨在提供一种形状比较装置，该装置能根据两个目标对象的轮廓信息来计算其相似度。利用该装置，可以实现基于形状特征的图像识别和检索功能。为了实现本专利技术的目的，本专利技术的形状比较装置以图像对象或者图像对象的轮廓作为输入。在以图像对象作为输入的情况下，本装置首先从输入的图像对象中提取其轮廓。这样，输入被归一化为有序的边缘像素坐标序列。根据该专利技术，首先将轮廓近似为一个多边形，接下来，为每个多边形顶点赋予属性值，从而，将多边形转化为一个属性串。匹配时，利用串匹配技术来建立多边形间的对应关系，并由此计算它们的相似度。根据本专利技术，所述的形状比较装置包括多边形近似单元，将图像对象轮廓近似为一个多边形，即将所述图像对象轮廓表达为有序的轮廓基元序列；属性生成单元，为轮廓基元以及轮廓基元组合计算属性值；比较单元，建立多边形的对应关系，并由此计算轮廓间的相似度。根据本专利技术，一种形状比较方法，包括多边形近似步骤，将图像对象轮廓近似为一个多边形，即将所述图像对象轮廓表达为有序的轮廓基元序列；属性生成步骤，为轮廓基元以及轮廓基元组合计算属性值；比较步骤，建立多边形的对应关系，并由此计算轮廓间的相似度。多边形近似单元用以将输入的图像对象的轮廓转化为多边形。一些现有的、优化的多边形近似方法都可以应用于该单元。然而，这些方法大都比较费时，尽管如此，由于噪声和图像扭曲所带来的分割不一致性问题依然没有得到彻底解决。由于分解-合并方法具有简单快速的特性，本专利技术采用了分解-合并方法对图像轮廓进行多边形近似。为了提高该方法的鲁棒性，采用轮廓中曲率值较高的点作为分解-合并方法的初始位置。通过多边形近似操作，输入轮廓被简化为多边形，而这个多边形可以通过其有序顶点来完全表达。在多边形中，每一个顶点都对应着两个相交的直线段，本专利技术将一个顶点以及与其对应的两个边定义为一个轮廓基元。在这种方式下，无论一个轮廓基元还是几个相邻的轮廓基元的组合事实上都是折线段。属性生成单元的目的就本文档来自技高网...

【技术保护点】
一种形状比较装置，包括：多边形近似单元，将图像对象轮廓近似为一个多边形，即将所述图像对象轮廓表达为有序的轮廓基元序列；属性生成单元，为轮廓基元以及轮廓基元组合计算属性值；比较单元，建立多边形的对应关系，并由此计算轮廓间的相似度。

【技术特征摘要】

【专利技术属性】
技术研发人员：刘汝杰，马场孝之，远藤进，椎谷秀一，上原祐介，增本大器，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：JP[日本]