[發(fā)明專利]一種基于SIFT的書法防倒掛方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710584019.9
• 申請(qǐng)日: 2017-07-18
• 公開（公告）號(hào): CN107491780A
• 公開（公告）日: 2017-12-19
• 發(fā)明（設(shè)計(jì)）人: 張九龍;趙慶;屈小娥;劉一波;馬晨喆
• 申請(qǐng)（專利權(quán)）人: 西安理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/34;G06K9/38
• 代理公司: 西安弘理專利事務(wù)所61214
• 代理人: 韓玙

技術(shù)領(lǐng)域

本發(fā)明屬于圖像匹配方法技術(shù)領(lǐng)域，具體涉及一種基于SIFT的書法防倒掛方法。

背景技術(shù)

中國(guó)書法作品是中國(guó)傳統(tǒng)文化中的一個(gè)重要的組成部分，具有獨(dú)特的藝術(shù)形式，在世界領(lǐng)域中自成體系，獨(dú)樹一幟，所以也深受外國(guó)友人的喜愛。在很多外國(guó)人的家庭中都能看到中國(guó)的書法作品，但是由于中國(guó)漢字的特殊性，大多數(shù)國(guó)外的友人并不認(rèn)識(shí)漢字的組成，書法作品被掛倒的情況能時(shí)而見到。究其原因，很有可能在裝裱的時(shí)候就因?yàn)椴欢袊?guó)字而被放置反了。如：一幅書法作品被掛倒或旋轉(zhuǎn)90°、180°、270°或者卷軸上下被掛倒等等，令人啼笑皆非，非常有必要提供一個(gè)方法來(lái)識(shí)別書法掛倒的情況，從而防止中國(guó)的書法作品在國(guó)外被倒掛的現(xiàn)象。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于SIFT的書法防倒掛方法，解決了現(xiàn)有技術(shù)中存在的國(guó)外友人由于不懂漢字將漢字倒置的問題。

本發(fā)明所采用的技術(shù)方案是，一種基于SIFT的書法防倒掛方法，具體按照以下步驟實(shí)施：

步驟1、將書法字體圖像進(jìn)行預(yù)處理，得到書法字體的二值圖像；

步驟2、經(jīng)步驟1得到二值圖像I(x,y)之后，取像素點(diǎn)與高斯濾波器進(jìn)行卷積運(yùn)算：

將二值圖像I(x,y)在不同尺度下的尺度空間表示為L(zhǎng)(x,y,σ)，L(x,y,σ)由圖像I(x,y)與高斯核G(x,y,σ)的卷積得到；

步驟3、經(jīng)步驟2后，引入高斯差分尺度空間DOG算子，生成DOG尺度空間；

步驟4、經(jīng)步驟3后，檢測(cè)出書法字體圖像的極值點(diǎn)；

步驟5、經(jīng)步驟4后，對(duì)于檢測(cè)出的書法字體圖像的極值點(diǎn)消除邊界效應(yīng)，進(jìn)行合理的篩選作為特征點(diǎn)為后續(xù)檢測(cè)識(shí)別所用；

步驟6、經(jīng)步驟5后，為得到的特征點(diǎn)指定方向參數(shù)，利用特征點(diǎn)的鄰域像素梯度分布特性，書法字體特征點(diǎn)最終運(yùn)算成為Sift特征描述子，與現(xiàn)有偏旁部首庫(kù)中的偏旁部首進(jìn)行匹配，匹配出最接近的結(jié)果；

步驟7、先采用迭代自組織聚類算法整理得到的旋轉(zhuǎn)角度數(shù)據(jù)，然后選取樣本的均值作為字體樣本的最終旋轉(zhuǎn)角度，最后根據(jù)特征點(diǎn)匹配和最鄰近方法，由正常的偏旁部首情況判斷原有書法字體是否發(fā)生了旋轉(zhuǎn)或倒掛。

本發(fā)明的特點(diǎn)還在于，

步驟1具體按照以下步驟實(shí)施：

步驟(1.1)、將書法作品進(jìn)行人工取像，得到書法字體圖像；

步驟(1.2)、利用書法字切割技術(shù)對(duì)經(jīng)步驟(1.1)得到的書法字體圖像進(jìn)行處理，得到單一的一個(gè)漢字的圖像；

步驟(1.3)、經(jīng)步驟(1.2)后，將獲得的圖像處理得到書法字體的二值圖像I(x,y)。

步驟3具體為：

將步驟2得到的運(yùn)算結(jié)果建立圖像的DOG金字塔，在DOG尺度空間中的26個(gè)領(lǐng)域中檢測(cè)極值，同時(shí)在圖像二維平面空間DOG尺度空間中檢測(cè)局部極值，并將檢測(cè)到的局部極值點(diǎn)作為特征點(diǎn)，特征點(diǎn)具備良好的獨(dú)特性和穩(wěn)定性，將局部極值點(diǎn)的像素用叉號(hào)標(biāo)記。

步驟4具體為：將步驟3檢測(cè)的DOG尺度空間局部及標(biāo)記為叉號(hào)的局部極值點(diǎn)像素，跟同一尺度的周圍鄰域8個(gè)像素以及相鄰尺度對(duì)應(yīng)位置的周圍鄰域9×2個(gè)像素進(jìn)行比較，確保在尺度空間和二維圖像空間都檢測(cè)到局部極值，比較過程如下：

D(x,y,σ)為兩個(gè)相鄰尺度圖像之差，即：

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)(1)

上式中：為二維高斯函數(shù)，x，y表示點(diǎn)的坐標(biāo)，σ表示高斯正態(tài)分布的方差，L(x,y,σ)＝G(x,y,σ)*I(x,y)表示尺度空間，

一個(gè)像素點(diǎn)若與周圍8個(gè)像素點(diǎn)以及上下層的18個(gè)鄰域像素點(diǎn)共26個(gè)鄰域像素點(diǎn)相比是最大值或最小值，確定該點(diǎn)是圖像在該尺度下的一個(gè)極值點(diǎn)。

步驟5具體為：

步驟(5.1)、在精確定位出極值點(diǎn)的位置后，先排除無(wú)法滿足含有18個(gè)鄰域像素的極值點(diǎn)，將剩余的極值點(diǎn)作為特征點(diǎn)，計(jì)算這些特征點(diǎn)鄰域像素的梯度分布，并建立這些特征點(diǎn)的梯度直方圖；

步驟(5.2)、利用特征點(diǎn)鄰域像素的梯度分布特性，為每個(gè)特征點(diǎn)指定方向參數(shù)，使特征點(diǎn)具備旋轉(zhuǎn)不變性，具體如下：

θ(x,y)＝arctan{[L(x,y+1)-L(x,y-1)]/[L(x+1,y)-L(x-1,y)]}(3)

上式中：m(x,y)為(x,y)處梯度的模值，θ(x,y)為(x,y)處梯度的方向，L所用的尺度為每個(gè)特征點(diǎn)各自所在的尺度；