一種基於網絡的圖像形狀輪廓識別方法與流程
2023-05-07 01:21:16 3
本發明屬於網絡方法領域，更具體地說，本發明涉及一種基於網絡的圖像形狀輪廓識別方法。
背景技術：
人類主要通過視覺、聽覺、觸覺、噴覺等系統感知周邊環境，獲取各類信息。其中，結構最複雜的視覺系統，在人類與外部環境形成互動過程中，發揮著重要作用。為了讓計算機更好地替代人類從事各項活動，越來越多的研究人員致力於對人類視覺感知高效性的研究』通過用計算機模擬生理視覺系統的視覺功能，開展視覺分析的研究，探索賦予計算機感知周邊視覺環境，認知空間結構，識別圖像中物體，解析變化規律能力的方法，幫助計算機主動地理解靜態圖片以及動態視頻中包含的海量信息。對特定環境和特定對象，提出了許多基於目標特徵的方法，取得了許多研究成果，但是該類方法沒有充分考慮檢測目標的幾何特徵，在特定環境下存在計算量大、採樣粒子多樣性喪失等問題。
技術實現要素：
本發明所要解決的問題是提供一種基於網絡的圖像形狀輪廓識別方法。
為了實現上述目的，本發明採取的技術方案為：
一種基於網絡的圖像形狀輪廓識別方法，包括如下步驟：
(1)像素點轉化為輪廓點
對於二值化處理後的形狀輪廓圖，每一個像素點被賦值0和1分別表示黑色點和白色點，其中，黑色點為輪廓點，白色點則為非輪廓點，利用複雜網絡對形狀輪廓進行建模，首先要對輪廓中的像素點進行重新表示，使其符合下一步建模的要求；
(2)輪廓點集轉化為規則網絡
接著對輪廓點集進行網絡建模，將集合P以圖G＝(V,E)的形式表現，在輪廓點映射為頂點的基礎上，對圖中每一對頂點之間添加一條連接邊，得到全耦合網絡；
(3)規則網絡轉化為複雜網絡
引入一個距離閾值，在閾值範圍內產生一組新的連接邊集合，忽略間隔距離較大的節點間連接關係，將規則網絡轉化為複雜網絡；
(4)網絡建模
對特定的形狀輪廓i，抽象化為對應的圖Gi，選定距離閾值集合R中的所有值rj，順序作用在節點集合中，分別建立相應的網絡模型；
(5)單組參數提取
針對每一個生成的網絡模型，分別計算每一個節點的度，對應得到該絡的最大度Kk(rj)和Ku(rj)；
(6)匯集識別參數
將針對Gi產生的所有網絡模型計算所得的參數合併成一個一維數組，就得到最終的識別參數θ；
(7)形狀識別
根據上述步驟得到每一個形狀輪廓的識別參數後，可以對不同形狀輪廓進行分類識別。
優選的，所述步驟(1)中像素點轉化為輪廓點的具體算法為
①在圖像所處平面中選取一個坐標原點，並在此基礎上建立平面直角坐標系，將圖像上的形狀輪廓點表示為該點在坐標系中的坐標值,圖像中的所有像素點都被映射到一個點集合V0；
②對於V0中的任意點V01，其表示形式為V01＝(P01,W01)，其中，1是該點的序號，P01代表該點在所建立平面坐標系中的坐標值，記為P01＝(x01,y01)∈P0，P0是所有像素點的坐標值集合，W01∈W0，W0是所有像素點的顏色值集合，在灰度圖像中，W01代表該點的灰度值，對二值化的形狀輪廓圖建模時，W01取值為0或1，分別對應輪廓點和非輪廓點；
③通過對P0中的點進行篩選，排除非輪廓點，得到P0的一個子集合P，P中的元素是用於複雜網絡建模的輪廊點集合。
優選的，所述步驟(3)規則網絡轉化為複雜網絡的具體做法為給定距離閾值r，如果兩頂點間的歐氏距離大於等於r，則去除頂點間的連接邊，否則保留頂點間的連接邊。
優選的，所述歐氏距離的計算公式為
優選的，所述步驟(6)中識別參數θ的定義形式為
θ(Gi)＝[Kκ(r0)，Kμ(r0)，Kκ(r1)，Kμ(r1)，…，Kκ(rm)，Kμ(rm)]。
優選的，所述步驟(7)中形狀識別的具體步驟為：
①建立識別分組，分別建立形狀輪廓的樣本組和測試組；
②計算識別結果，形狀輪廓的樣本組和測試組對應記為Gs和G1。對於Gt中的每一個輪廓，計算其識別參數θ(Gt)與Gs中每一個輪廓識別參數θ(Gs)之間的二階範數；
③劃分輪廓分組，根據計算結果，將測試分組的輪廓劃分入已知分組中。
有益效果：本發明提供了一種基於網絡的圖像形狀輪廓識別方法，將複雜網絡方法應用於圖像目標識別領域，針對形狀輪廓識別和灰度圖像識別等應用環境，提出一類基於複雜網絡的圖像目標識別方法。通過將基於輪廓的圖像識別方法與複雜網絡方法優點相融合，該方法既保留基於輪廓的識別方法所具有的過程簡單、識別效率高等特點，又充分發揮複雜網絡方法僅考慮網絡拓撲結構，與節點位置、順序無關等特點，克服了圖像輪廓輕微變化、光照強度小幅度變化以及局部遮擋等因素對識別方法的影響，使得識別方法具有平面旋轉不變性、平移不變性、縮放不變性以及一定程度的容噪性。
具體實施方式
一種基於網絡的圖像形狀輪廓識別方法，包括如下步驟：
(1)像素點轉化為輪廓點
對於二值化處理後的形狀輪廓圖，每一個像素點被賦值0和1分別表示黑色點和白色點，其中，黑色點為輪廓點，白色點則為非輪廓點，利用複雜網絡對形狀輪廓進行建模，首先要對輪廓中的像素點進行重新表示，使其符合下一步建模的要求，所述像素點轉化為輪廓點的具體算法為
①在圖像所處平面中選取一個坐標原點，並在此基礎上建立平面直角坐標系，將圖像上的形狀輪廓點表示為該點在坐標系中的坐標值,圖像中的所有像素點都被映射到一個點集合V0；
②對於V0中的任意點V01，其表示形式為V01＝(P01,W01)，其中，1是該點的序號，P01代表該點在所建立平面坐標系中的坐標值，記為P01＝(x01,y01)∈P0，P0是所有像素點的坐標值集合，W01∈W0，W0是所有像素點的顏色值集合，在灰度圖像中，W01代表該點的灰度值，對二值化的形狀輪廓圖建模時，W01取值為0或1，分別對應輪廓點和非輪廓點；
③通過對P0中的點進行篩選，排除非輪廓點，得到P0的一個子集合P，P中的元素是用於複雜網絡建模的輪廊點集合；
(2)輪廓點集轉化為規則網絡
接著對輪廓點集進行網絡建模，將集合P以圖G＝(V,E)的形式表現，在輪廓點映射為頂點的基礎上，對圖中每一對頂點之間添加一條連接邊，得到全耦合網絡；
(3)規則網絡轉化為複雜網絡
引入一個距離閾值，在閾值範圍內產生一組新的連接邊集合，忽略間隔距離較大的節點間連接關係，將規則網絡轉化為複雜網絡，所述規則網絡轉化為複雜網絡的具體做法為給定距離閾值r，如果兩頂點間的歐氏距離大於等於r，則去除頂點間的連接邊，否則保留頂點間的連接邊，所述歐氏距離的計算公式為
(4)網絡建模
對特定的形狀輪廓i，抽象化為對應的圖Gi，選定距離閾值集合R中的所有值rj，順序作用在節點集合中，分別建立相應的網絡模型；
(5)單組參數提取
針對每一個生成的網絡模型，分別計算每一個節點的度，對應得到該絡的最大度Kk(rj)和Ku(rj)；
(6)匯集識別參數
將針對Gi產生的所有網絡模型計算所得的參數合併成一個一維數組，就得到最終的識別參數θ，識別參數θ的定義形式為
θ(Gi)＝[Kκ(r0)，Kμ(r0)，Kκ(r1)，Kμ(r1)，…，Kκ(rm)，Kμ(rm)]；
(7)形狀識別
根據上述步驟得到每一個形狀輪廓的識別參數後，可以對不同形狀輪廓進行分類識別，所述形狀識別的具體步驟為：
①建立識別分組，分別建立形狀輪廓的樣本組和測試組；
②計算識別結果，形狀輪廓的樣本組和測試組對應記為Gs和G1。對於Gt中的每一個輪廓，計算其識別參數θ(Gt)與Gs中每一個輪廓識別參數θ(Gs)之間的二階範數；
③劃分輪廓分組，根據計算結果，將測試分組的輪廓劃分入已知分組中。
本發明提供了一種基於網絡的圖像形狀輪廓識別方法，將複雜網絡方法應用於圖像目標識別領域，針對形狀輪廓識別和灰度圖像識別等應用環境，提出一類基於複雜網絡的圖像目標識別方法。通過將基於輪廓的圖像識別方法與複雜網絡方法優點相融合，該方法既保留基於輪廓的識別方法所具有的過程簡單、識別效率高等特點，又充分發揮複雜網絡方法僅考慮網絡拓撲結構，與節點位置、順序無關等特點，克服了圖像輪廓輕微變化、光照強度小幅度變化以及局部遮擋等因素對識別方法的影響，使得識別方法具有平面旋轉不變性、平移不變性、縮放不變性以及一定程度的容噪性。
以上所述僅為本發明的實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發明的專利保護範圍內。