主权项 |
一种基于拓扑知觉组织理论的形状图像分类方法,包括步骤:S1:提取形状图像的边缘点;S2:构建拓扑空间,计算提取的边缘点在拓扑空间中的表达,所述拓扑空间由下式定义:d*=G(d′)其中,G是计算测地距离的算法,d′采用如下公式计算: <mrow> <mi>d</mi> <mo>′</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mtd> <mtd> <mi>ifd</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo><</mo> <mi>ξ</mi> </mtd> </mtr> <mtr> <mtd> <mo>∞</mo> <mo>,</mo> </mtd> <mtd> <mi>otherwise</mi> </mtd> </mtr> </mtable> </mfenced> </mrow>其中,ξ在拓扑知觉组织理论中指容忍度,d(i,j)表示点i和点j的欧式距离;S3:根据边缘点在拓扑空间中的表达来提取全局特征,其中,按下式提取全局特征: <mrow> <mi>h</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>Σ</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mi>Σ</mi> <mrow> <mi>j</mi> <mo>=</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>θ</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>ifL</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>≤</mo> <mi>θ</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo><</mo> <mi>U</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow>θ(i,j)=d*(i,j)/d(i,j)其中n是边缘点的个数,L(k)和U(k)是直方图第k个方格的上界和下界;S4:根据边缘点在欧氏空间中的表达来提取局部特征;S5:融合全局特征和局部特征,根据全局特征的匹配程度来调节局部特征在融合过程中的权重,包括:计算全局特征的匹配分数并归一化,其中,所述全局特征的匹配分数是指形状图形之间全局特征直方图距离的倒数;采用归一化后的全局特征的匹配分数的倒数作为局部特征的权重;S6:根据全局特征和局部特征融合后的结果来分类形状图像,其中,采用下式计算最终两张形状图像之间的距离: <mrow> <msub> <mi>dis</mi> <mi>final</mi> </msub> <mo>=</mo> <munder> <mi>Σ</mi> <mi>t</mi> </munder> <mrow> <mo>(</mo> <msub> <mi>dis</mi> <mi>global</mi> </msub> <mo>+</mo> <mi>α</mi> <mo>×</mo> <msub> <mi>dis</mi> <mi>local</mi> </msub> <mo>)</mo> </mrow> </mrow>其中,disglobal是形状图像之间全局特征直方图距离,反映全局的匹配程度,dislocal是形状图像之间的局部特征直方图距离,反映局部的匹配程度,α是局部特征的权衡,与全局特征直方图距离呈正比,其中,根据最终两张形状图像之间的距离,采用K‑means算法把同类型图像聚在一起,把不同类型图像分开。 |