基于拟Laplace谱的形状表示与聚类

基于谱图理论的形状表示与聚类是计算机视觉和模式识别领域的重要研究方向。针对不同形状的结构特征,通过对形状骨架点所构完全图的拟Laplace矩阵进行奇异值分解,将得到的高维数据投影至低维空间中,进而分析该数据在低维空间中的分布情况实现聚类。针对公共数据集的对比实验验证了该算法的有效性。

基于Delaunay三角化的形状表示与相似性衡量(英文)

在计算机视觉中,形状的表示和相似性衡量是重要且复杂的问题,提出了一种改进的SUSAN(最小一致性区域)拐点检测算法并用于形状表示,同时基于Delaunay三角化给出了一个用于形状相似性衡量的有效算法。首先,对形状的拐点进行Delaunay三角形构造,然后从Delaunay三角网中获得Delaunay图矩阵,最后使用矩阵的谱对拐点进行匹配。在含有1 400幅图像的MPEG-7 CE-Shape-1数据库中的检索实验进一步验证了算法的有效性。

基于谱图理论的形状聚类仿真(英文)

谱图理论已经广泛的应用于形状表示、匹配和聚类。主要研究两个方面的问题:1、通过提取形状的骨架特征点和图谱分析,建立形状的数学模型;2、通过分析模型的数学特征,将形状投影到低维空间中。利用上述方法实现了形状的聚类仿真。针对公共数据集的仿真实验证明了该聚类算法能有效的实现形状聚类。