基于相对形状上下文与概率松弛标记法的点模式匹配算法

合集下载

F R E A K 特征点匹配算法介绍 ( 2 0 2 0 )

图像特征描述子之FREAK?在前【给力追-女生资-源】面的博文中，介绍的BRIEF、ORB、BRISK 算法都是基于特征点周围邻域像素点对之间的比较，形成二进制编码串作为特征【ＱＱ】描述子，这种描述方法计算速度快，且占用内存小，满足一些实时【⒈】应用场景的需求。

对于这类特征描述子，关键是确定邻域哪些像【０】素点对进行比较，以及如何匹配。

BRIEF算法中特征点邻域的像素【１】点对是随机采样生成的，ORB算法是通过贪婪穷举的方法，在所有【６】可能的像素点对中选取相关性较小的若干点对，BRISK则是采用平【9】均采样的方法生成若干采样点。

特征匹配方法通常都是采样Ham【⒌】ming距离来进行度量，由于是二进制编码方式，可通过异或操作快速计【２】算。

特征点检【б】测?FAST算法可实现快速检测图像特征点，而且对应有一个加速版本AGAST，因此在诸多特征描述子中，都是首先通过FAST算法搜索定位特征点，再加以描述。

FREAK同BRISK算法类似，也是建立多尺度空间，在不同尺度的图像上使用FAST算法检测特征点。

采样模式?FREAK算法中采样模式接近于人眼视网膜接收图像信息的采样模型，如下图所示，人眼视网膜中，Fovea区域主要对高精度的图像信息进行处理，而Para区域则主要对低精度的图像信息进行处理。

在FREAK的采样模式中，图中每一个黑点代表一个采样点，每个圆圈代表一个感受野，每个采样点需进行高斯模糊处理，以降低噪声影响，感受野的半径表示高斯模糊的标准差。

这种采样模式与BRISK的不同之处在于，感受野之间存在重叠的区域；与BRIEF和ORB算法的不同之处在于，FREAK的采样点根据与特征点的距离远近，采用了不同大小的高斯核函数进行平滑处理。

不同大小的感受野在人眼视网膜中也存在类似的结构，通过重叠的感受野，可以获得更多的信息，使最终的描述符更具独特性和可区分性。

最终FREAK算法的采样结构为6、6、6、6、6、6、6、1，6代表每层中有6个采样点并且这6个采样点在一个同心圆上，一共有7个同心圆，最后的1表示特征点。

点模式的概率松弛匹配法

维普资讯
第３Ｏ卷第工业大学学报（自然科学版）
ＪＯＵＲＮＡＬＯＦＨＥＦＥＩＵＮＩＶＥＲＳＴＹＴＥＣＨＮＯＬＩ０ＦＯＧＹ
Ｖｏ．ＯＮｏ９１３．
Ｓｐ．２０ｅｔ０７
的仿射和射影变换也具有较好的匹配效果。以上这些研究工作，是基于图的谱算法，都即通过特征值的分布来刻画图的结构，从图的结再构相似性人手，而实现匹配。这些算法能够较从好的体现图的全局结构，它仅利用了点与点之但
ＡｂｔａｔＴｈｓｐｐｒｐｅｅｔｎａｇｒｔｍｆｐｉｔｃｒｅｐｎｅｃｎｗｈｃｈｐｃｒｌｔｅｒｓｒｃ￣ｉａｅｒｓｎｓａｌｏｉｈｏｏｎｏｒｓｏｄｎｅｉｉｈｔｅｓｅｔａｈｏｙ，ｐｒａ—
点模式的概率松弛匹配法
潘鸿飞，梁
摘
栋，王
年，程志友
２０３）３０９
（安徽大学计算智能与信号处理教育部重点实验室，安徽合肥
要：文章提出了一种将谱图理论、特征点的局部特征和概率松弛法相结合的特征点匹配算法。该算法通
过谱方法，出特征点匹配的初始概率；用特征点的结构特征和灰度特征，求利求得初始支持度；将初始概率、初
Ａｏｎｔｐａｔｒａｃｎｌｏｉｈａｅｎｐｒｂｂｌｓｉｅａａｉｎｐｉｔｅｎｍｔｈｉｇａｇｒｔｍｂｓｄｏｏａｉｉｔｃｒｌｘｔｏ

基于相对形状上下文和谱匹配方法的点模式匹配算法

中图分类号：Ｔ３１Ｐ９
ＤＯ：０３２／ＰＪ１４．１．０５Ｉ１．７４Ｓ．．１６２００６５０
文献标识码：Ａ
文章编号：１０—８６２１）０２７７０９９（０１，８— ５０２０
ＰｏｎｔｅｎＭａｃｉｇＡｌｏｉｈｍｓｄｏｉｔＰａｔｒｔｈｎｇｒｔＢａｅｎＲｅａｉｅＳｐｅＣｏｔｘｎｄＳｃｒｌＭａｃｉｅｈｏｌｔｖｈａｎｅｔａｐｅｔａｔｈｎｇＭｔｄ
不变特征一相对形状上下文，然后利用点集间相对形状上下文的统计检验匹配测度来定义新的相容性度量，并以
此为基础构造分配图及其亲近矩阵。最后利用分配图亲近矩阵的主特征向量以及匹配约束条件来实现点模式匹配问题的求解。模拟仿真与真实数据实验验证了该文算法的有效性和鲁棒性。关键词：点模式匹配；相对形状上下文；分配图；谱匹配方法
ＮｔｎｌｎｖｒｉｅｎｅＴｃｎｌｙＣａｇｈ１０３ＣｉａａｏａＵｉｓｙｆｆｓｅｏｇ，ｈｎｓａ０７，ｈ）ｉｅｔｏＤｅｈｏ４ｎ
ＡｂｔａｔＴｈｓｐｐｒｐｅｅｔｏｅｎｏｕｔｐｉｔｐｔｅｎｍａｃｉｇａｇｒｔｍｎｗｈｃｈｎａｉｎｅｔｒｓｒｃ：ｉａｅｒｓｎｓａｎｖｌｄｒｂｓｏｎａｔｒｔｈｎｌｏｉｈｉｉｈｔｅｉｖｒａｔｆａｕｅａａｄｔｅｍｅｈｄｏｐｃｒｌｍａｃｉｇａｅｃｍｂｎｄｎｈｔｏｆｓｅｔａｔｈｎｒｏｉｅ．Ａｅｐｉｔｓｔｂｓｄｉｖｒａｔｆａｕｅｎｗｏｎ — ｅａｅｎａｉｎｅｔｒ，ＲｅａｉｅＳａｅｌｔｖｈｐ

基于形状上下文的形状匹配和目标识别--大学毕业设计论文

基于形状上下文的形状匹配和目标识别摘要：我们提出了一种测量图形间相似性的新方法，并开发它来做目标识别。

在我们的架构下，相似性的度量之前：1）解决两种形式下点与点的对应性2）利用这种对应性来估计一个对齐变换。

为了解决对应问题，我们为每一个点附上一个形状上下文的描述。

一个参考点的形状上下文能捕捉剩下与之相关的点的分布情况，从而提供全面的可识别的描述。

两个相似图形上的对应点会有相似的形状语境，使我们将解决对应问题看做最优分配问题。

给出点与点的对应，我们估计最佳匹配两种形状的变换，为这个用途，正则化薄板样条函数提供了灵活的图类转换。

两个形状间的不同通过对应点间的匹配误差总和与测量对齐变换的大小项一起来计算。

我们把最近邻分类架构下的识别当作在图像上查找最大限度相似的存储原型问题，结果是轮廓线、商标、手写数字和线圈数据集。

关键词:形状，目标识别，数字识别，对应性问题，MPEG7标准，图像配准，变形模板1 绪论考虑图1中的两个手写体数字。

视为像素亮度值的向量使用二级规范相比，他们有很大的不同。

但是，视为形状，它们显得和人类的观察员类似。

我们在本文的目的是实施形状相似这一概念，其最终目的是用它作为概念层次识别的基础。

我们通过一个三阶段的过程来实现：1、解决这两个图形间的对应问题2、使用对应关系来估算对齐变换3、用对应点之间的匹配误差的总和，加上测量对齐变换的大小，来计算两个形状之间的距离我们的做法的关键是传统的形状匹配变形，可至少追溯到达西汤普森。

在他的经典作品中，对增长和形式[55]，汤普森指出，相关但不相同的形状，往往可以使用简单的坐标变换对齐，如图2所示的变形。

在计算机视觉文献，费什勒和Elschlager[15]实施了在质量弹簧模型中使用mini-mization能源这一想法。

Grenander等[21]在概率设置中发展了这个想法，Yuille[61]通过使用梯度下降的图像域下的手工制作的拟合参数化模型，如眼睛，来发展变形模板概念的另一变体。

shape matching and object recognition using shape contexts

基于形状上下文的图像形状匹配1 引言形状匹配是计算机视觉和模式识别领域的一个基本问题，在基于内容的图像检索、数字识别、医疗诊断等领域中有广泛应用。

在计算机视觉和模式识别中，形状是对目标范围的二值图像表示，可以看成是目标的轮廓，它是用于目标识别的重要特征之一。

在过去的几十年中，人们研究和实现了多种不同的形状匹配算法，每种算法各有其优点和缺陷。

在经典的几何理论中，面积、周长、长轴、短轴、主轴方向、凹凸面积、紧密度、实心度、偏心率等几何特征得到了广泛的应用。

其中，紧密度、实心度、偏心率具有较为重要的意义。

为了方便有效地分析问题，有时需要将信号转换到另外的空间进行分析。

其中，基于矩的方法、Fourier描述子以及小波描述子是常用的几种方法。

但是上述方法大多采用一个数值或一个特征向量来表示，它们对于图像的平移、伸缩和旋转等非常敏感，因而具有很大的局限性。

2. Shape Context算法的提出若一幅图中有N个点，某点P与其余N-1个点均存在关系，即产生N-1个向量。

这N-1个向量描述了丰富的信息，决定了目标的形状特征。

如果N越大，信息量越大，描述就越准确。

在边界提取之后，进行对数极坐标变换，求出对数极坐标直方图。

对数极坐标直方图代表此基准点与其他离散轮廓点之间的空间位置关系。

所以，Shape Context算法关注的是每个点对应于其他所有离散轮廓点的全局的空间分布信息，这个有助于查找两副图像的对应点。

如图2.1，(a)是原始的二值图像；(b)是均匀地选取边缘轮廓上的若干点，一般选取100~200个边缘信息点；(c)和(d)是对于边缘的上的任意点P，构造类似雷达扫描系统的极坐标系，它将整个区域划分成5*12=60个区域，统计落入每个区域中边界点的个数r；(e)以为横坐标，log r为纵坐标建立的形状直方图；(f)根据二分图最大匹配算法（最大流和匈牙利算法）找出对应点的最佳匹配。

（a）（b）（c）（d ）（e ）（f ）图2.1 Shape Context 的主要步骤3. Shape Context 的核心思想及关键技术3.1 边缘信息点的提取与选择优化一个物体的轮廓线是物体形状最直接的描述，因而轮廓线上一定数量的离散点可以表示该物体的形状信息。

二维坐标点形状匹配算法

二维坐标点形状匹配算法1.引言1.1 概述概述二维坐标点形状匹配算法是指在给定一组二维坐标点的情况下，根据其位置、形状和特征等属性进行匹配和比较的算法。

这种算法广泛应用于图像处理、模式识别、计算机视觉和机器学习等领域。

随着科技的进步和应用领域的不断拓展，对数据的处理和分析需求也越来越多样化和复杂化。

在二维坐标点数据中，我们往往需要寻找相似的形状或者对不同形状进行匹配、对比和识别，以满足特定的分析目的。

在点形状匹配算法中，我们需要考虑一些重要的方面，如点的位置关系、形状的特征提取和相似性度量等。

算法的设计和选择对于匹配的准确性和性能有着关键的影响。

本篇文章将介绍两种常用的二维坐标点形状匹配算法，并逐步展开讨论其具体实现和应用场景。

在这两种算法中，我们将聚焦于要点1和要点2等关键问题，并探讨其原理和优缺点。

最后，我们将通过对比实验和收集的数据来总结所提出的算法的优势和不足之处，并展望未来的研究方向和可能的改进方法。

通过本文的阅读，读者将能够了解到二维坐标点形状匹配算法的基本原理和应用场景，理解其中的关键问题和挑战，并能够在实际的数据处理和分析中应用这些算法，提高匹配的准确性和效率。

文章结构部分的内容可以从以下几个方面进行展开:1.2 文章结构本文将分为引言、正文和结论三个部分来介绍二维坐标点形状匹配算法。

- 引言部分将对本文的主题进行概述，简要介绍二维坐标点形状匹配算法的背景、意义和应用领域。

- 正文部分将详细介绍两种点形状匹配算法。

其中，2.1节将介绍点形状匹配算法1，包括该算法的原理、流程和关键要点。

2.2节将介绍点形状匹配算法2，同样包括该算法的原理、流程和关键要点。

每个算法的要点将在子节中进行详细解释，并给出示意图和实例来帮助读者更好地理解。

- 2.1.1节将重点介绍点形状匹配算法1的要点1，解释该要点在算法中的作用和意义。

- 2.1.2节将重点介绍点形状匹配算法1的要点2，进一步深入探讨该要点的具体实现方法和应用场景。

结合局部形状信息的SIFT匹配算法

一种结合局部形状信息的SIFT匹配算法摘要：尺度不变特征算子SIFT具有良好的尺度、旋转、光照不变特性，在图像匹配领域有着广泛的应用。

当一幅图像有许多局部相似的区域时，使用SIFT匹配算法会产生大量的误匹配点的问题，为此，本文提出了一种结合局部形状信息的SIFT匹配算法。

该算法采用椭圆邻域再结合特征点邻域的形状信息对特征点进行描述，采用欧氏距离和2χ统计检验函数进行特征点的匹配。

实验表明，本算法在增强了算子的防射不变性的基础上，降低了由于局部信息相似而造成的误匹配的概率，从而较为显著地改善了匹配效果。

关键字：特征匹配，局部形状信息，椭圆邻域，SIFT算法SIFT feature matching algorithm with local shape context Abstract:SIFT (Scale Invariant Feature Transform) is one of the most effective local feature of scale, rotation and illumination invariant, which is widely used in the field of image matching. While there will be a lot mismatches when an image has many similar regions. An improved SIFT feature matching algorithm with local shape context is put forward. The feature vectors are computed by dominant orientation assignment to each feature point based on elliptical neighboring region and with local shape context, then the feature vectors are matched by using Euclidean distance and the2χdistance. The experiment indicates that the improved algorithm can reducemismatch probability and acquire good performance on affine invariance, improves matching results greatly.Key Words: feature matching, local shape context, elliptical neighboring region, SIFT algorithm1．引言图像匹配[1]是计算机视觉、图像重建、模式识别等领域的关键技术之一。

基于形状上下文的形状匹配

6’/ 71584 ! 8?=L- K=MS?,@FA 8?=L- S)@M-XMA 9=@WP+,MM-@ W,F,M +-S)F@,M,)@
!
引言
当观察周围环境时 ! 人们首先注意到的是物体
量来表示目标 ! 因而具有一定的局限性 $ 基于此考虑 ! 本文方法利用一组边界点表示目标 ! 在此基础上进行形状匹配 $
!"! 相似性度量
利用上述方法得到每个目标的形状直方图之后 " 接下来需要计算这两个形状直方图的相似度 " 从而得到相似与否的结论 $ 形状直方图之间的相似度计算方法叙述如下 $ 首先 " 计算一个目标的形状直方图与另一目标的形状直方图之间的匹配代价 "代价函数如下 %
$ " $#’$$(% & & # & !% ’ (% ’ $ $" % &!& & #%% " ’$$(% & & $ $ "% &!& $(& % & %#’$$(% & & #(% $ $" " % &!& "% ’ ’ & #%% & " ’$$(% & $ $ " % &!& ’ 上式中 "& 表示待计算的目标 "’$$( % & 表示目标的
点集 * ’**("*+"///"*), 中的每一个点 " 按照公式
$+&" 依次计算与剩下的 ) )( 个点构成的形状直方图 " 最终得到 ) 个形状直方图 " 以 )#$) )(& 大小的矩阵存储 $ 这样 "对于任一目标 "可用 )#$))(&大小的矩

基于SURF和形状上下文的人脸匹配算法

基于SURF和形状上下文的人脸匹配算法师硕;于洋;杨志坚;于明【期刊名称】《计算机应用研究》【年(卷),期】2018(035)010【摘要】针对人脸匹配在光照、姿态、表情等背景因素影响下匹配正确率低的问题,提出一种基于SURF和形状上下文(SC)的人脸图像匹配算法.在对图像进行人脸区域检测和重构积分图预处理的基础上,利用两次SURF算法提取人脸特征点并匹配,第一次用SURF进行粗匹配得到初始匹配集,并据此计算待匹配人脸图像间的尺度差和角度差,以此作为约束条件第二次进行SURF精匹配,以获得更多的匹配点对.最后采用不依赖位置信息的形状上下文算法剔除误匹配点对.在IMM和Georgia 人脸数据库上与目前流行的人脸匹配方法进行实验对比,实验结果显示该算法有效增加了匹配点对数目,并提高了人脸图像匹配正确率,具有更好的稳定性和鲁棒性.【总页数】4页(P3197-3200)【作者】师硕;于洋;杨志坚;于明【作者单位】河北工业大学计算机科学与软件学院,天津300401;河北工业大学计算机科学与软件学院,天津300401;河北工业大学计算机科学与软件学院,天津300401;北方自动控制技术研究所,太原030006;河北工业大学计算机科学与软件学院,天津300401【正文语种】中文【中图分类】TP391.41【相关文献】1.基于局部相对形状上下文与Q-谱的点模式匹配算法 [J], 梁栋;朱明;唐俊;范益政;颜普2.基于相对形状上下文和谱匹配方法的点模式匹配算法 [J], 赵键;孙即祥;李智勇;陈明生3.基于相对形状上下文与概率松弛标记法的点模式匹配算法 [J], 赵键;孙即祥;李智勇;陈明生4.基于形状上下文的人脸匹配算法 [J], 陈慧静;夏小玲5.基于SURF算法和改进RANSAC算法的无人机影像匹配 [J], 孙灏;高俊强;许苏苏因版权原因，仅展示原文概要，查看原文内容请购买。

融合饱和梯度和Laplace谱的概率松弛匹配算法

融合饱和梯度和Laplace谱的概率松弛匹配算法董瑞，韩微（解放军电子工程学院401教研室，安徽合肥230031）摘要：文章将彩色图像的色彩信息和邻域信息引入谱匹配算法中，运用更能反映图的结构信息的Laplace谱，提出了一种融合彩色图像特征点的饱和梯度和Laplace谱的概率松弛匹配算法。

先根据特征点点集的Laplace谱的相关性作为初始匹配，再利用概率松弛迭代寻找点之间匹配关系。

实验结果表明该算法可获取较高的匹配精度。

关键词：饱和梯度；概率松弛；图谱；Laplace中图分类号：TP391.41文献标识码：A文章编号：1673-1131（2016）08-0052-03Matching Algorithm Based onProbabilistic Relaxationof Laplace Spectrum with SaturationGradientAbstract:An algorithm based on probabilistic relaxation of Laplace spectrum with saturation gradient for image features match-ing is proposed in this paper,which makes good use of both neighbor information of the color image and the structure informa-tion of the graph.Firstly,the initial correspondence probabilities are obtained from the Laplace spectral correlation of the tow point sets.Then,the final matching of the two point sets is implemented by using the method of probabilistic relaxation.Experi-mental results indicate that the method possesses comparatively high accuracy.Keywords:saturation gradient；probabilistic relaxation；Graph spectrum,；Laplace0引言图像匹配是计算机视觉、模式识别等研究领域中首要解决但至今尚未得到充分解决的重要课题，它广泛应用于航空航天遥感测量、运动目标跟踪、虚拟现实场景生成、无人机的自动导航与定位等领域。

基于图谱理论的图像匹配算法研究

3、提出了一种基于最小生成树和概率松弛的谱图像匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树，通过最小生成树构造 Laplace 矩阵，由 SVD 分解该矩阵得到的特征值和特征向量，计算出特征点匹配的初始
I
安徽大学硕士学位论文
基于图谱理论的图像匹配算法研究
概率，利用概率松弛迭代法，获得最终匹配结果。通过大量的真实图像对比实验，验证了该算法的有效性和准确性。
本论文对基于图谱理论的图像匹配算法进行了较为系统的研究，主要包括：基于递增权值函数的谱图像匹配算法、基于最小生成树的谱图像匹配算法、基于最小生成树与概率松弛的谱图像匹配算法。主要研究内容和成果如下：
1、提出了一种基于递增权值函数的谱图像匹配算法。首先，利用递增权值函数，分别对两幅待匹配图像的特征点集构造 Laplace 矩阵，其次进行 SVD 分解，然后通过分解后的矩阵特征值和特征向量，寻找匹配矩阵，最后根据匹配矩阵的特征信息，从而实现两幅图像特征点之间的匹配。通过对 Laplace 矩阵和邻接矩阵比较实验，不仅证明了 Laplace 谱能使发生刚体变换前后的图像获得更高的匹配精度，还证明了递增权值函数的 Laplace 谱比欧式距离的 Laplace 谱匹配精度要高。
Finally, a spectral image matching algorithm is put forward, which is based on minimum spanning tree combined with probabilistic relaxation. Firstly, minimum spanning tree is constructed according to the feature points of two related images respectively. Secondly, we construct a Laplace matrix for minimum spanning tree respectively. The original probability of point correspondence is gained by using the results of the SVD decomposition. Finally, the final matching results are acquired by using the method of probabilistic relaxation. We have done the massive comparable experiments. The results show that our method has the validity and accuracy.

Aho-Corasick算法

Aho-Corasick算法2018-03-15 10:25:02在计算机科学中，Aho–Corasick算法是由Alfred V. Aho和Margaret J.Corasick 发明的字符串搜索算法，⽤于在输⼊的⼀串字符串中匹配有限组“字典”中的⼦串。

它与普通字符串匹配的不同点在于同时与所有字典串进⾏匹配。

算法均摊情况下具有近似于线性的时间复杂度，约为字符串的长度加所有匹配的数量。

AC⾃动机主要依靠构造⼀个有限状态机（类似于在⼀个trie树中添加失配指针）来实现。

这些额外的失配指针允许在查找字符串失败时进⾏回退（例如设Trie树的单词cat匹配失败，但是在Trie树中存在另⼀个单词cart，失配指针就会指向前缀ca），转向某前缀的其他分⽀，免于重复匹配前缀，提⾼算法效率。

当⼀个字典串集合是已知的(例如⼀个计算机病毒库), 就可以以离线⽅式先将⾃动机求出并储存以供⽇后使⽤，在这种情况下，算法的时间复杂度为输⼊字符串长度和匹配数量之和。

UNIX系统中的⼀个命令fgrep就是以AC⾃动机算法作为基础实现的。

⼀、⾃动机⾃动机是计算理论的⼀个概念，其实是⼀张“图”，每个点是⼀个“状态”，⽽边则是状态之间的转移，根据条件能指导从⼀个状态⾛向另⼀个状态。

很多字符串匹配算法都是基于⾃动机模型的，⽐如被⼴泛使⽤的正则表达式。

⼆、AC⾃动机AC⾃动机可以看成是对KMP算法的推⼴，KMP算法是⼀种单模字符串匹配算法，AC⾃动机是多模字符串匹配算法，可以⼀次对多个pattern进⾏匹配。

AC⾃动机的建⽴流程也很简单，主要分为以下⼏步：1.建Trie树2.在Trie树上建⽴失配指针，成为AC⾃动机3.⾃动机上匹配字符串下⾯以模式串he/ she/ his /hers为例，待检测⽂本为“ushers”。

1、建⽴Trie树建⽴Trie树可以说是⾮常模板了。

class TrieNode {TrieNode[] children;TrieNode fail;boolean isWord;TrieNode() {children = new TrieNode[26];fail = null;isWord = false;}}TrieNode root;void bulidTrie(String[] patterns) {root = new TrieNode();for (String pattern : patterns) {TrieNode cur = root;for (int i = 0; i < pattern.length(); i++) {if (cur.children[pattern.charAt(i) - 'a'] == null)cur.children[pattern.charAt(i) - 'a'] = new TrieNode();cur = cur.children[pattern.charAt(i) - 'a'];}cur.isWord = true;}}2、建⽴失配指针AC⾃动机的核⼼就是建⽴失配指针，其思路和KMP算法⾮常类似，在KMP中如果⽂本的text[i...j] 和 pattern[0...j - i]在text[j]出失配，KMP采取的思路是计算pattern[0...j - i - 1]的最长公共前后缀，然后将pattern向后滑动数位，从最长公共前后缀之后继续⽐较，如果依然失配，则重复上述的流程，直到到⾸位，如果依然失配，则text下移。

信息检索的概率模式匹配

信息检索的概率模式匹配
孙岩岩;陈飞;丛喜慧
【期刊名称】《计算机工程与设计》
【年(卷),期】2008(29)17
【摘要】为解决不同的计算机平台、数据存储格式、文档模型以及结构文档模式的异构性,以及联邦数字图书馆和信息检索等应用环境中将一种模式下的数据结构转换成另一种模式下数据结构的需求.提出一个基于概率的模式匹配映射框架,称作PMap,使用概率论的方法,给出候选预测权值的概率学解释,从而选择一个最优的匹配方式.模式匹配就是寻找异构模式之间一致性,将主要应用在数据交换和联邦数字图书馆中的分布式信息检索领域中,使得异构文档获得统一的检索格式.
【总页数】3页(P4626-4628)
【作者】孙岩岩;陈飞;丛喜慧
【作者单位】中国环境管理干部学院,河北,秦皇岛,066004;燕山大学,河北,秦皇岛,066004;燕山大学,河北,秦皇岛,066004
【正文语种】中文
【中图分类】TP302.1
【相关文献】
1.信息检索中模式匹配算法的分析 [J], 田华;鄢喜爱
2.概率算法求解模式匹配问题 [J], 林淑飞;
3.概率算法求解模式匹配问题 [J], 林淑飞
4.基于相对形状上下文与概率松弛标记法的点模式匹配算法 [J], 赵键;孙即祥;李智勇;陈明生
5.概率在信息检索中的应用 [J], 杨芳;张明亮
因版权原因，仅展示原文概要，查看原文内容请购买。

基于形状上下文特征的植物叶图像匹配方法

第27卷　第3期2009年9月广西师范大学学报:自然科学版Journal of GuangxiN or m al U niversity:N atural Science Editi on V ol .27　N o .3Sep t .2009收稿日期:2009206205基金项目:国家自然科学基金资助项目(60805021,60705007);中国博士后科学基金资助项目(20060390180,200801231);福建省自然科学基金资助项目(A 0740001,A 0810010)通讯联系人:杜吉祥(1977—),男,山东高唐人,华侨大学讲师,博士。

E 2m ail :jxdu @hqu .edu .cn基于形状上下文特征的植物叶图像匹配方法翟传敏1,杜吉祥1,2(1.华侨大学计算机科学与技术学院,福建泉州362021;2.中国科学技术大学自动化系,安徽合肥230027)摘　要:提出一种将形状上下文特征应用于植物叶片图像自动识别的方法。

该方法首先根据叶片形状自适应确定边界点数目,然后计算叶片的形状直方图,最后利用形状直方图计算不同目标之间的匹配相似度。

实验结果验证了该方法的有效性。

关键词:形状上下文;植物识别;形状匹配中图分类号:T P 391141 文献标识码:A 文章编号:100126600(2009)0320171204传统植物分类学一般需要对标本进行人工测量、获取数据,再通过对这些数据进行分析,确定植物间的亲缘关系并进行分类。

这种方法工作效率低、工作量大,并且数据存在一定的主观性。

建立基于数字图像的计算机植物识别系统有可能是将来植物分类与识别的主流方式。

本研究中,只采用叶片图像进行识别,因为相对于其他部分,叶片基本上处于平面状态,适合于进行二维图像处理。

但叶片图像由于受光照、位置以及本身尺寸等因素的影响使得对其进行正确识别有一定的难度,其关键在于获取有效的图像特征。

目前国内外大部分相关的研究就是集中于叶片图像的形状分析与识别,如几何特征、傅立叶描述子、多尺度曲率空间方法,以及“本征形状(E igenShape )”[1～8]等。

利用DAISY和概率松弛的近景影像密集匹配

利用DAISY和概率松弛的近景影像密集匹配王春林;钱海明;孙金彦;黄祚继【期刊名称】《遥感信息》【年(卷),期】2017(032)003【摘要】For the problem of weak texture and shade in the close range image,a new dense matching algorithm based on improved DAISY descriptor and probability relaxation is proposed.First of all,the initial parallax figure was built by the seed point extracted using SURF algorithm,the main direction of DAISY descriptor was improved by the image of epipolar direction,and the feature descriptor was masked by image epipolar direction in the opposite direction,in order to obtain the character description point of interest.Then through the relaxation iteration of candidate screening strategy to gradually get dominant characteristics of the correct matching points.Experimental results show that compared with traditional probabilistic relaxation matching algorithm,this algorithm overcomes the weakness in overcoming the blurring image texture and the shade problem caused by false matching,where,the matching point number increases 2 times,which has a high degree of dense matching point.%针对近景影像存在的弱纹理、遮挡问题,提出一种基于改进的DAISY描述子和概率松弛的近景影像密集匹配方法.首先,利用SURF提取种子点构建初始视差图,根据影像核线方向改进DAISY描述子的主方向,以影像核线方向的反方向对特征描述子进行掩膜处理,进而对兴趣点进行特征描述.随后,通过松弛迭代的候选点筛选策略渐进地获取正确率占优的特征匹配点.实验表明,相对于传统概率松弛匹配算法,该算法克服了近景影像中弱纹理及遮挡问题导致的误匹配,匹配点数目提高了2倍左右,具有较高的匹配点密集程度和可靠性.【总页数】5页(P123-127)【作者】王春林;钱海明;孙金彦;黄祚继【作者单位】安徽省(水利部淮河水利委员会)水利科学研究院,合肥230000;安徽省(水利部淮河水利委员会)水利科学研究院,合肥230000;安徽省(水利部淮河水利委员会)水利科学研究院,合肥230000;安徽省(水利部淮河水利委员会)水利科学研究院,合肥230000【正文语种】中文【中图分类】P237【相关文献】1.利用概率松弛法的城市路网自动匹配 [J], 张云菲;杨必胜;栾学晨2.迭代三角网约束的近景影像密集匹配 [J], 王竞雪;张晶;张雪3.一种适用于近景数码影像的概率松弛匹配方法 [J], 常津;李浩;杨彪4.BRISK-DAISY无人机影像匹配算法研究 [J], 曹留霞; 王晓红; 李闯; 何志伟; 邓仕雄5.基于KAZE-DAISY算法的山区无人机正射影像匹配算法研究 [J], 张莞玲;赵莲莲因版权原因，仅展示原文概要，查看原文内容请购买。

基于Laplace谱的点模式匹配方法研究

基于Laplace谱的点模式匹配方法研究鲍新雪;王晓红【摘要】点模式匹配涉及诸多研究应用领域，是一个重要而基础的问题，对点模式匹配问题研究的技术方法也多种多样。

利用特征点的空间信息，研究基于Laplace谱的点模式匹配方法，首先对特征点构建的图进行Laplace矩阵构建，通过对L aplace矩阵进行的奇异值分解获取匹配矩阵，实现图像匹配。

实验研究表明，该匹配算法能够减轻计算负担，缓解传统的基于图像局部灰度信息匹配速度慢、效果不理想的问题，具有很好的匹配效果。

%Point pattern matching is a basic and important problem involving many applied research fields . The methods which focus on the problem of point pattern matching remain various .This paper uses the spatial information of feature points , and studies the point pattern match method based on Laplacespectrum .First ,it constructs the Laplace matrix of the figure constructedby feature points ,then ,does the singular value decomposition of Laplace matrix to obtain the matching matrix ,and achieves the imagematching .The experiment results show , the matching method not only can reduce the computational burden ,but alleviate the problems of slow speed and the ineffective image matching based on local gray level information ,w hich has good matching effect .【期刊名称】《黑龙江工程学院学报（自然科学版）》【年(卷),期】2015(000)006【总页数】5页(P5-9)【关键词】点模式匹配;谱图理论;L aplace矩阵;奇异值分解【作者】鲍新雪;王晓红【作者单位】贵州大学矿业学院，贵州贵阳 550025;贵州大学林学院，贵州贵阳 550025【正文语种】中文【中图分类】P227图像匹配就是指通过一定的匹配算法在两幅或多幅图像之间识别同名点。