基于L_1范数的形状快速匹配算法

针对内距离形状上下文(inner-distance shape context,IDSC)和轮廓点分布直方图(contours points distribution histogram,CPDH)在形状相似性度量中直方图匹配耗时长、工程应用性不佳的问题,提出了一种用EMD-L_1测量轮廓特征直方图距离的方法。EMD-L_1在原始EMD(earth mover’s distance)的基础上融合了L_1范数,通过替换地面距离计算方法,减少了目标函数的变量,加快了直方图匹配的速度,能够快速实现形状匹配并保持较好的检索性能。对形状数据集进行仿真实验的结果证明,该方法能够有效地进行数据集的形状识别和检索,并且在MNIST数据集下的匹配速度优于其他算法。

基于协同传递机制的形状匹配算法

轮廓点分布直方图CPDH(Contours Points Distribution Histogram)是一种形状描述子,但它对微小形变比较敏感且在大数据集下的检索效果不佳。提出基于协同传递机制的半监督学习框架Co-transduction与CPDH相结合的算法。通过给定CPDH的相似度度量和另一种描述符的度量结果,对一幅查询图像,利用其中一种度量准则迭代检索出与查询图像最相似的目标形状将其标记。用另一种相似性度量重新检索并排序已标记的形状,反之亦然。该改进算法较原始CPDH在大数据集下(MPEG-7)的检索性能更优,检索精确率达到86%,比原算法提高约10%。

利用CPDH和动态规划算法的形状检索

用形状轮廓上点的坐标位置相对于形状重心位置的分布关系描述形状,提出一种极坐标下形状轮廓点分布直方图描述符(contour points distribution histogram),该描述符不仅符合人眼的视觉直观感受、计算简单,而且其本质上具有缩放和平移不变性。用动态规划算法(dynamic programming algorithm)来度量轮廓点分布直方图之间的距离,部分解决了轮廓点分布直方图对于旋转不变性的要求。在多个形状图像数据库中的实验结果表明,该方法在单目标封闭轮廓的形状图像检索中取得了良好效果。