基于自適應(yīng)匹配的矢量圖符號(hào)模糊識(shí)別仿真

劉 磊，張 燕

(電子科技大學(xué)成都學(xué)院，四川 成都 611731)

1 引言

隨著工程矢量圖繪制技術(shù)的迅速發(fā)展，當(dāng)前矢量工程圖紙已經(jīng)逐漸普遍，在這些圖紙中人們通過(guò)豐富多樣的特征符號(hào)描述，符號(hào)識(shí)別作為模式識(shí)別的關(guān)鍵分支，已經(jīng)成為了機(jī)器理解圖紙內(nèi)容的關(guān)鍵流程，其結(jié)果能夠廣泛使用在圖形檢索、圖紙糾錯(cuò)與三維重建等領(lǐng)域[1]。例如利用工程矢量圖符號(hào)識(shí)別技術(shù)將工程電路圖有效的讀取到數(shù)據(jù)庫(kù)中，并通過(guò)對(duì)電路圖進(jìn)行數(shù)據(jù)抽取、數(shù)據(jù)變化和數(shù)據(jù)重構(gòu)等操作完成電路圖的信息重構(gòu)，以方便對(duì)維修人員進(jìn)行維修指導(dǎo)和快速培訓(xùn)等任務(wù)。

現(xiàn)實(shí)中的工程矢量圖紙內(nèi)符號(hào)的描述存在多樣性，代表同一種類、同一語(yǔ)義甚至同一符號(hào)時(shí)，具有視覺(jué)表達(dá)或圖元組成上相似但不完全一致現(xiàn)象。這會(huì)導(dǎo)致同一種符號(hào)在不同的排列上有著不同的語(yǔ)義，或不同的矢量圖符號(hào)在相同的排放順序下，存在視覺(jué)表達(dá)類似的情況，這種情況就會(huì)影響到在觀察或使用矢量圖進(jìn)行繪制或比照時(shí)產(chǎn)生誤差，因此需要一種能夠精確識(shí)別矢量符號(hào)的方法，來(lái)獲取符號(hào)的位置與形狀。

針對(duì)上述問(wèn)題，提出基于自適應(yīng)匹配的矢量圖符號(hào)模糊識(shí)別。引入自適應(yīng)匹配算法，獲取符號(hào)特征，并轉(zhuǎn)換特征空間，將符號(hào)特征與模板進(jìn)行匹配，獲得符號(hào)的尺寸，優(yōu)化符號(hào)匹配精度，最后根據(jù)自適應(yīng)匹配方法模糊識(shí)別矢量圖中的符號(hào)。

2 基于自適應(yīng)匹配的矢量圖符號(hào)模糊識(shí)別

2.1 特征模糊提取

矢量圖內(nèi)的符號(hào)模糊性主要來(lái)源與符號(hào)的多樣性描述，現(xiàn)實(shí)使用中不同的繪制準(zhǔn)則、繪制習(xí)慣以及統(tǒng)一繪圖者在多次繪制同一種圖形時(shí)的細(xì)節(jié)差別，都會(huì)使符號(hào)最后的視覺(jué)表示或圖元構(gòu)成出現(xiàn)差異，本文把這樣的現(xiàn)象描述成符號(hào)的模糊性。在符號(hào)目標(biāo)與其背景回波的矢量圖像內(nèi)，雜波的出現(xiàn)會(huì)導(dǎo)致符號(hào)目標(biāo)距離產(chǎn)生模糊，同時(shí)最終干擾對(duì)目標(biāo)符號(hào)的識(shí)別能力，必須對(duì)模糊進(jìn)行有效的抑制。

擬定{X(n)|n=0，1，…，N-1}代表目標(biāo)和背景回波組成的矢量圖像，在圖內(nèi)擬定一種坐標(biāo)和寬度都能夠產(chǎn)生變化的滑動(dòng)窗口θ，并通過(guò)以往的算法對(duì)目標(biāo)的徑向長(zhǎng)度與坐標(biāo)進(jìn)行計(jì)算，在窗口θ與目標(biāo)符號(hào)重疊[2-4]時(shí)，使用M來(lái)表示其寬度，可以得到雜波水平和度量目標(biāo)能量的三個(gè)量，即雜波平均電平δt，符號(hào)平均電平δi與觀察窗口平均電平δc，其分別通過(guò)以下方程進(jìn)行計(jì)算

(1)

(2)

(3)

式中，只有符號(hào)目標(biāo)和δt的回波能量[3-4]不具有關(guān)聯(lián)，目標(biāo)特征在進(jìn)行模糊提取時(shí)對(duì)信號(hào)的預(yù)處理需要和符號(hào)種類不存在關(guān)聯(lián)，所以能夠通過(guò)以下公式抑制雜波

(4)

以此，來(lái)剔除因符號(hào)目標(biāo)距離模糊導(dǎo)致的異常目標(biāo)，引起的相關(guān)匹配結(jié)果出現(xiàn)誤差，博里葉轉(zhuǎn)換的輸入信號(hào)與幅度在線性位移中不具有任何關(guān)聯(lián)，所以可以用在計(jì)算不變特征量上。因此，將{Y(n)n=0，1，…，N-1}轉(zhuǎn)變至頻域內(nèi)完成特征模糊提取，即

(n)=FFT{Y(n)}，n=0，1，…，N-1

(5)

2.2 基于離散度準(zhǔn)則的特征空間轉(zhuǎn)換

特征空間轉(zhuǎn)換是符號(hào)識(shí)別中的重要步驟，即將原始描述空間映射到低維的特征空間里，實(shí)現(xiàn)對(duì)空間的維數(shù)壓縮，隨后把所有統(tǒng)計(jì)內(nèi)存在關(guān)鍵特征[5-6]的符號(hào)儲(chǔ)存起來(lái)，實(shí)現(xiàn)高速、高效的分類。基于離散度準(zhǔn)則的特征空間轉(zhuǎn)換，將初始的N維空間轉(zhuǎn)換成C-1維空間，完成特征維數(shù)的大幅度壓縮。

擬定存在一組已知種類的N維空間樣本x1，x2，…，xm，共m種，其中m1種屬于第1類樣本，擬定成X(1)，mc種屬于第C類樣本，擬定成X(c)；變換矩陣是W=(wij)N·(C-1)，變換完成之后的特征矢量是

y=WT·x

(6)

其中，y代表C-1維的特征矢量，x為N維矢量，為了搜索變換矩陣W，能夠?qū)⒛繕?biāo)函數(shù)J(W)進(jìn)行最大化處理即

(7)

其中，Sw代表類內(nèi)離散度，映射了所有類符號(hào)目標(biāo)樣本之間的離散度[7]，Sn代表類間離散度，映射所有類樣本間的離散度。J(W)的最大化就代表類樣本經(jīng)過(guò)一種線性變化，將類間樣本距離最大化，同時(shí)使類內(nèi)樣本距離最小化。類內(nèi)離散度Sw擬定成：

(8)

式中

(9)

其中，Mt代表所有類符號(hào)目標(biāo)樣本的均值[8]矢量

(10)

類間離散度Sn擬定成：

(11)

式中

(12)

2.3 基于小樣本學(xué)習(xí)的矢量圖符號(hào)模板匹配

模板匹配算法適合于矢量圖符號(hào)這種小樣本的匹配，其把目前待分類的符號(hào)樣本和模板庫(kù)內(nèi)的模板進(jìn)行匹配，獲得待分類符號(hào)樣本和模板之間的距離，為了確保分類器組合的需求，需要把匹配的距離轉(zhuǎn)變成識(shí)別可信度。

1)在線模板匹配距離與離線模板匹配距離

因?yàn)榉?hào)對(duì)應(yīng)點(diǎn)之間的模式距離和模板之間的相似度具有較好的識(shí)別效果，本文使用這兩種距離用作在線模板匹配與離線模板匹配上，式(15)擬定了兩種符號(hào)A，B對(duì)應(yīng)點(diǎn)之間的平均歐式距離[9]定義

(13)

式中，A，B代表存在N種采樣點(diǎn)xAi-xBi與yAi-yBi，其分別是A與B內(nèi)的第i種點(diǎn)的位置。

由于符號(hào)的距離矩陣?yán)锎嬖诜?hào)的隨機(jī)一像素點(diǎn)距離和矢量圖黑色像素點(diǎn)最近距離，運(yùn)算一幅矢量圖中某一點(diǎn)至另外一幅矢量圖上黑色像素點(diǎn)[10]的最小距離，能夠從疊加一幅矢量圖至另一幅矢量圖的距離矩陣上直接獲得，能夠加快相似度的運(yùn)算效率。

2)匹配距離到識(shí)別可信度的轉(zhuǎn)換

為了便于模板匹配算法與之后構(gòu)建的分類器能夠順利融合，把模板匹配獲得的距離轉(zhuǎn)化成識(shí)別可信度，擬定d1(A，B)=ds(A，B)，d2(A，B)=H(A，B)，首先把匹配距離進(jìn)行歸一化處理即

(14)

式中，dMaxi代表第i種模板匹配[11]算法相應(yīng)的最大匹配距離，dMini代表第i種模板匹配算法相應(yīng)的最小匹配距離。

2.4 基于自適應(yīng)匹配的矢量圖符號(hào)模糊識(shí)別

基于上述的符號(hào)分類與模板匹配后，本文給出了基于自適應(yīng)匹配的矢量圖符號(hào)識(shí)別算法，首先通過(guò)匹配交互學(xué)習(xí)符號(hào)樣列組建符號(hào)庫(kù)，隨后通過(guò)匹配到的符號(hào)在復(fù)雜的圖紙內(nèi)搜索與之相同或類似的符號(hào)[11-12]實(shí)例，大致流程如下所示：

步驟1：針對(duì)原型符號(hào)B與待識(shí)別圖G，對(duì)其中的所有基元結(jié)構(gòu)進(jìn)行提取，組成B與G的集合LSB與LSG。

LSB={lsB，i，i=1，2，…}

LSG={lsG，j，j=1，2，…}

(15)

步驟2：對(duì)隨機(jī)lsB，i∈LSB，計(jì)算LSG內(nèi)的所有局部鄰域結(jié)構(gòu)lsB，i和lsG，j的距離D(lsG，j，lsB，i)。

(16)

(17)

式中，rlsB，k代表符號(hào)內(nèi)核lsi距離最近的結(jié)構(gòu)的主基元，縮放因子初始化成該主基元尺寸和整體原型符號(hào)包圍盒半徑尺寸的比值。

(18)

(19)

假如，在計(jì)算完成之后，匹配的結(jié)果并沒(méi)有被合并，那么直接將其作為第i步結(jié)果內(nèi)的一類。

3)迭代2)，直至前后兩次的匹配結(jié)果不會(huì)出現(xiàn)變化。

步驟5：挑選候選結(jié)果，在步驟4內(nèi)，匹配結(jié)果是C1，C2，…的類通過(guò)圖內(nèi)的若干架構(gòu)形成，通過(guò)步驟4與步驟3能夠看出，在前Ci內(nèi)的所有元素都和符號(hào)內(nèi)的某種局部結(jié)構(gòu)相同，并且這些元素空間的距離是非常近的，這就能夠認(rèn)為其代表另一種候選結(jié)果，這一步評(píng)測(cè)該結(jié)合在多大幾率上覆蓋了待識(shí)別符號(hào)的局部結(jié)構(gòu)，本文經(jīng)過(guò)合并和Ci內(nèi)各元素相似的待識(shí)別符號(hào)內(nèi)的結(jié)構(gòu)得到該類在符號(hào)結(jié)構(gòu)集合內(nèi)的相似子集BCi?LSB，即

(20)

假如BCi的元素總量不超過(guò)待識(shí)別符號(hào)的結(jié)構(gòu)集合元素總量的一般，那么評(píng)定類Ci只和符號(hào)的很小一部分類似，剔除該類，通過(guò)挑選后，剩下的所有類就是符號(hào)識(shí)別的結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

本次實(shí)驗(yàn)以電路圖為實(shí)驗(yàn)樣本，樣本來(lái)源于矢量電路圖在線編輯器(https：//fangyong2006.iteye.comblog728058)，為全面驗(yàn)證所提方法的矢量圖符號(hào)識(shí)別性能，利用電路圖在線編輯器設(shè)計(jì)兩種電路圖，分別為帶有矩形外框的矢量電路圖和無(wú)矩形外框的矢量電路圖。利用本研究提出的基于自適應(yīng)匹配的矢量圖符號(hào)模糊識(shí)別方法分別對(duì)兩個(gè)實(shí)驗(yàn)樣本進(jìn)行符號(hào)識(shí)別。

3.1 帶有矩形外框的矢量圖字符識(shí)別效果

本節(jié)實(shí)驗(yàn)的目的為測(cè)試所提方法能否準(zhǔn)確識(shí)別帶有矩形外框的矢量電力圖內(nèi)的字符。由于實(shí)驗(yàn)樣本矢量電路圖內(nèi)的個(gè)別字符存在兩層矩形框，增大了識(shí)別難度，增強(qiáng)實(shí)驗(yàn)結(jié)果的可靠性。

圖1 帶矩形外框電路圖字符識(shí)別結(jié)果

通過(guò)圖2能夠看出，本文方法能夠較為完成的識(shí)別出大量矩形塊中的字符。這是因?yàn)楸疚姆椒ㄏ韧ㄟ^(guò)提取特征后依靠模板與符號(hào)樣本的坐標(biāo)位置進(jìn)行匹配分類，不會(huì)因?yàn)榉?hào)種類多而產(chǎn)生識(shí)別缺失問(wèn)題。

3.2 無(wú)矩形外框的矢量圖字符識(shí)別效果

為進(jìn)一步測(cè)試所提方法的應(yīng)用有效性，以無(wú)矩形外框電路圖為實(shí)驗(yàn)樣本(如圖2(b))，具體實(shí)驗(yàn)結(jié)果如下：

圖2 所提方法矢量圖電路符號(hào)識(shí)別結(jié)果

通過(guò)圖2可以看出，在無(wú)矩形框的矢量電路圖的符號(hào)識(shí)別中，本文方法能夠較為完整的識(shí)別出矢量圖內(nèi)的符號(hào)。這是因?yàn)楸疚姆椒ㄔ谶M(jìn)行模糊識(shí)別之前，會(huì)對(duì)整體的矢量圖進(jìn)行模板匹配，通過(guò)這種匹配后的矢量圖不會(huì)因?yàn)檫吙虻奶蕹绊懙阶R(shí)別結(jié)果的精確性。

4 結(jié)束語(yǔ)

1)為提高矢量圖的實(shí)用性與利用率，本文提出基于自適應(yīng)匹配算法的矢量圖符號(hào)模糊識(shí)別方法。將已知特征待分類符號(hào)樣本與模板庫(kù)內(nèi)模板匹配，并獲取樣本與模板間的距離，完成矢量圖符號(hào)識(shí)別。且通過(guò)實(shí)驗(yàn)證明了所提方法識(shí)別效果較為理想。

2)但研究方法仍存在以下弊端：在識(shí)別矢量圖符號(hào)時(shí)，矢量圖內(nèi)會(huì)存在部分冗余痕跡，例如繪圖人員無(wú)意間的筆畫，而該方法并不能識(shí)別出這種冗余痕跡，這就導(dǎo)致在觀看整體矢量圖時(shí)，會(huì)因?yàn)槿哂嗪圹E的影響，導(dǎo)致整體的視覺(jué)效果降低。因此下一步需要研究的課題即：在該方法內(nèi)添加濾波器，對(duì)冗余痕跡進(jìn)行剔除。