下载文档原格式
相似形状判定方法相似形状判定方法可以基于几何特征、数学模型等多种角度进行分析。
以下是50条关于相似形状的判定方法，并附上详细描述：1. 几何特征法：通过比较图形的边长、角度等几何特征来判定形状是否相似。
2. 比例法：观察图形的各个部分之间的长度比例，从而判断形状是否相似。
3. 比较面积法：比较图形的面积大小及比例，来确定是否为相似形状。
4. 尺度不变特征变换法（SIFT）：利用图像处理技术，通过检测图形的局部特征来进行相似形状的判定。
5. 尺度空间法：对图形进行不同尺度下的变换，通过比较不同尺度下的特征来判断形状的相似性。
6. 形状上下文法：利用轮廓的全局形状信息，通过图形的局部特征来进行相似形状的判定。
7. 轮廓匹配法：通过对轮廓线进行匹配，来判断形状的相似性。
8. 特征点匹配法：利用图形的特征点进行匹配，来确定形状是否相似。
9. 直方图法：将图形的特征表示为直方图，通过比较直方图来判断形状的相似性。
10. 形态学方法：利用数学形态学的原理，通过形态学操作来判断图形的相似性。
11. 傅里叶描述子法：通过傅里叶描述子来表示图形的形状，从而进行相似性判断。
12. 信息熵法：通过图形的信息熵来判断形状的相似性。
13. 神经网络方法：利用神经网络技术来学习和判断图形的相似性。
14. 质心法：通过计算图形的质心来判断形状的相似性。
15. 中心距法：利用图形的中心距来判断形状的相似性。
16. 几何矩法：通过计算图形的几何矩来判断形状的相似性。
17. 轮廓面积法：通过比较图形的轮廓面积来判断形状的相似性。
18. 边界法：通过比较图形的边界形状及特征来判断形状的相似性。
19. 形状符号方法：通过比较图形的形状符号来判断形状的相似性。
20. 线性不变尺度空间法（LSS）：利用线性不变尺度空间特征来进行相似形状的判定。
21. 图像矩形法：通过匹配和比较图像的矩形特征来判断形状的相似性。
22. 全局特征描述法：通过提取和比较图形的全局特征来判断形状的相似性。
图像相似度算法
图像相似度算法是一种利用大量测量细节来评估两个不同图像
之间相似度的方法。
近来，在计算机视觉技术发展迅速的今天，图像相似度算法受到了投资者高度关注，被广泛应用于各个领域。
图像相似度算法是一种数据挖掘技术，可以用来检测和识别图片中的内容。
它可以从大量的图像中检测出相似的图像，从而减少人类手工标注的工作量。
图像相似度算法不仅可以应用于图像分类，搜索，还可以用来检测和跟踪图像中的对象，提取图像中的信息等等。
图像相似度算法通常使用图像处理技术和机器学习技术来计算
图像之间的相似度。
它通常会使用一系列不同的技术，例如：形状、纹理、颜色等特征，来提取图像中的关键特征，并计算图像之间的差异。
图像相似度算法可以用来提高图像识别率，从而提高系统的准确性。
图像相似度算法还具有很多优点，例如：可以进行实时处理，检测出图像中存在的变化，更为精确地找出图像相似度，更好地识别图像，提高系统的可靠性和准确性等等。
此外，它还可以与大数据，人工智能等技术结合，进行更深入的图像分析。
图像相似度算法未来应用的前景非常广阔，在无人驾驶，智能家居，医疗技术等领域都可以被广泛地应用。
它可以用于识别复杂的图像，对图像内容进行分析和提取，用来做出更准确的决策和预测，并可以为机器学习和人工智能技术提供更加准确和可靠的数据。
因此，研发图像相似度算法在当今时代具有非常重要的意义，是
计算机视觉，人工智能发展的必要投资。
图像相似度算法的应用价值越来越体现在不同的领域，扮演着更加重要的角色，将为世界各地的技术带来更多便利和收益。
相似图形的判定和计算相似图形是指具有相同形状但大小可能不同的图形。
在几何学中，判断和计算相似图形是一个重要的问题。
本文将介绍相似图形的判定和计算方法。
一、判定相似图形的条件判定两个图形是否相似，需要满足以下条件：1. 对应角相等：图形中对应角的度数相等。
2. 对应边成比例：图形中对应边的长度比相等。
根据上述条件，可以通过观察图形的角度和边长之间的关系来判断图形是否相似。
二、相似图形的计算方法计算相似图形需要确定两个图形之间的比例关系。
在几何学中，常用的计算方法包括比例尺和相似比例。
1. 比例尺：比例尺是指两个相似图形之间相应边的长度比。
比例尺可以表示为：比例尺 = 目标图形的边长 / 原图形的边长。
比例尺通常以分数或小数的形式表示。
2. 相似比例：相似比例是指相似图形之间所有对应边长的比值。
相似比例可以表示为：相似比例 = 目标图形的边长 / 原图形的边长。
相似比例通常以分数或小数的形式表示。
通过比例尺或相似比例，可以计算目标图形与原图形之间的大小关系。
三、相似三角形的特性相似三角形是一种特殊的相似图形。
相似三角形有以下特性：1. 两个三角形的对应角相等，则它们是相似的。
2. 两个三角形的两个对应角相等，则它们是相似的。
3. 两个三角形的两个对应角相等，并且两个对应边的比例相等，则它们是相似的。
相似三角形的特性可以帮助我们判断两个三角形是否相似，并进行相似比例的计算。
四、实例分析以两个三角形为例，计算它们的相似比例。
已知三角形ABC和三角形DEF，其中∠A = ∠D，∠B = ∠E，∠C = ∠F。
现求相似比例。
解：相似三角形的判定条件满足，所以两个三角形相似。
将三角形ABC和三角形DEF的对应边分别记为a,b,c和d,e,f。
根据相似三角形的特性，有以下相似比例：a/d = b/e = c/f通过测量三角形ABC和三角形DEF的各边长度，可以得到a=3cm，b=4.5cm，c=6cm，d=2cm，e=3cm，f=4cm。
图像相似度计算图像相似度计算主要用于对于两幅图像之间内容的相似程度进行打分，根据分数的高低来判断图像内容的相近程度。
可以用于计算机视觉中的检测跟踪中目标位置的获取，根据已有模板在图像中找到一个与之最接近的区域。
然后一直跟着。
已有的一些算法比如BlobTracking，Meanshift，Camshift，粒子滤波等等也都是需要这方面的理论去支撑。
还有一方面就是基于图像内容的图像检索，也就是通常说的以图检图。
比如给你某一个人在海量的图像数据库中罗列出与之最匹配的一些图像，当然这项技术可能也会这样做，将图像抽象为几个特征值，比如Trace变换，图像哈希或者Sift特征向量等等，来根据数据库中存得这些特征匹配再返回相应的图像来提高效率。
下面就一些自己看到过的算法进行一些算法原理和效果上的介绍。
(1)直方图匹配。
比如有图像A和图像B，分别计算两幅图像的直方图，HistA，HistB，然后计算两个直方图的归一化相关系数（巴氏距离，直方图相交距离）等等。
这种思想是基于简单的数学上的向量之间的差异来进行图像相似程度的度量，这种方法是目前用的比较多的一种方法，第一，直方图能够很好的归一化，比如通常的256个bin条的。
那么两幅分辨率不同的图像可以直接通过计算直方图来计算相似度很方便。
而且计算量比较小。
这种方法的缺点:1、直方图反映的是图像像素灰度值的概率分布，比如灰度值为200的像素有多少个，但是对于这些像素原来的位置在直方图中并没有体现，所以图像的骨架，也就是图像内部到底存在什么样的物体，形状是什么，每一块的灰度分布式什么样的这些在直方图信息中是被省略掉得。
那么造成的一个问题就是，比如一个上黑下白的图像和上白下黑的图像其直方图分布是一模一样的，其相似度为100%。
2、两幅图像之间的距离度量，采用的是巴氏距离或者归一化相关系数，这种用分析数学向量的方法去分析图像本身就是一个很不好的办法。
3、就信息量的道理来说，采用一个数值来判断两幅图像的相似程度本身就是一个信息压缩的过程，那么两个256个元素的向量（假定直方图有256个bin条）的距离用一个数值表示那么肯定就会存在不准确性。
基于几何不变矩的图像相似度计算方法
作者：谢逸逍汪有成肖猛黄玉柱马文奎
来源：《电子技术与软件工程》2017年第16期
摘要
提出了一种图像相似度测量方法，实现了变电站环境下模板图像和巡检图像相似性的识别。
首先，使用数字图像处理技术对采集的图像进行滤波、形态学等预处理。
其次，计算并统计模板图像和巡检图像的几何不变矩Hu矩，形成图像的特征向量。
最后，计算图像特征向量之间的余弦相似度，通过设置阈值进行图像相似程度识别。
实验结果表明，该方法能够实现图像相似度之间的判断，算法简单、速度快、正确率高。
为后续变电站异物识别提供了技术支持。
【关键词】变电站图像相似度 Hu不变矩余弦相似度
随着信息时代的到来，人类已经进入了信息化的时代，图像作为最普通的信息载体与人类的活动息息相关。
近年来，众多的学者们将研究方向转移到图像处理与计算机视觉等领域。
图像分类也逐渐成为科学研究中不可缺少的强有力的工具，其在图像检索、智能机器人场景识别等多个领域中具有重要的应用价值。
变电站是各级电网的核心枢纽，对站内设备例行检查是保证电网安全运行的关键技术手段。
目前，比较流行的巡检方式是人工巡检模式，即以人工的方式方法登记、统计设备信息来进行管理工作的落后状态。
由于电网的维护难度高，巡检量大，采用人工巡检模式己不能满足己完全不能满足实际需要。
随着机器人技术的快速发展，将机器人技术与电力应用相结合，基于机器人移动平台携带检测设备代替人工进行设备巡检成为了可能。
变电站中的环境复杂，采集的设备图像并不是保持不变的。
模板图像和巡检图像不同，致使续算法正确率降低。
因此，对采集到的图像和模板图像相似性判断是一项重要工作，研究一种图像相似度计算方法具有重要意义。
1 图像滤波
为了提高图像质量便于后而处理得到更好的结果，需要对图像进行预处理操作。
滤波去噪是图像预处理常用的技术手段，其中，中值滤波是一种非线性滤波器，对噪声点有较好的处理效果。
中值滤波定义如下：假设数组
为1维数组，将该数组元素按从小到大排列：
式中：y称为数组X的中值。
对于二维图像数据，选取一个r1×r2区域的窗口，将窗口依次滑过整幅图像，将窗口中心位置像素用窗口中像素中值代替，得到滤波后的图像。
依据实践
经验，选取1×3的窗口，可以较好滤除噪声点干扰。
因此，结合变电站巡检图像自身特点，本文采用中值滤波对指针图像降噪处理。
数学形态学是进行数字图像处理的重要方法。
它是建立在集合代数基础上，用集合论方法定量地描述几何形状和结构的数学方法，它逐渐成为提取和分析图像几何特征的工具。
数学形态学是分析几何形状和结构的数学方法，它是由一组形态学的代数运算子组成的，最基本的形态学运算子有：腐蚀（erosion）、膨胀（dilation），开运算（opening）和闭运算（closing）。
用这些运算子及其组合来进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边界检测、图像滤波，图像增强和恢复工作。
对于图像X及结构元素S，用XoS表示X对S的开运算，其定义为：
X0S=（XΘS）㊉S （2）
其中，XΘS表示X对S进行腐蚀，XΘS表示X对S进行膨胀。
因此，开运算可看作是对腐蚀图像XΘS用膨胀来进行恢复。
开运算的结果为完全删除了不能包含结构元素的对象区域，平滑了对象的轮廓，断开了狭窄的链接，去掉了细小的突出部分。
2 图像几何不变矩
2.1 几何不变矩
矩是描述图像特征的算子，它在模式识别与图像分析领域中有重要的应用。
矩在统计学中被用来反映随机变量的分布情况，推广到力学中，它被用作刻画空间物体的质量分布。
矩方法即可用于图像分析领域并用作图像特征的提取。
迄今为止，常见的矩描述子可以分为以下几种：几何矩、正交矩、复数矩和旋转矩。
其中几何矩提出的时间最早且形式简单，对它的研究最为充分。
几何矩主要表征了图像区域的几何特征，由于其具有旋转、平移、尺度等特性的不变特征，所以又称其为不变矩。
针对图像的不变特征属性，HuM.K.教授在1962年提出了7个不变矩（简称Hu矩）。
在图像处理中，几何不变矩可以作为一个重要的特征来表示物体，可以据此特征来对图像进行分类等操作。
一幅数字图像f（x，y）的二维（p+q）阶矩定义为：
其中，p，q=0，l，2，…，求和在跨越图像的所有空间坐标x，y的值上进行。
相应的中心距定义为：
其中，
阶中心矩定义为：
对平移、缩放、镜像和旋转都不敏感的7个二维不变矩的集合可以由上述公式推导出来，即7个Hu不变矩：
2.2 余弦相似度匹配算法
余弦相似度通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性。
余弦值越接近1，表示两个向量的夹角越接近0度，即表示两个向量越相似。
两个向量间的余弦值可以很容易地通过使用欧几里得点积和量级公式推导：
已知向量a
，则向量的夹角余弦为：
因此，通过Hu矩可以得到模板图像和巡检图像的特征向量，将两个特征向量带入式（4）即可得到模板图像和巡检图像之间的夹角余弦。
通过设定阈值即可对模板图像和巡检图像之间的相似度进行计算。
3 算法设计及其结果分析
实验数据来自于变电站巡检机器人在巡检过程中采集的设备图像。
为了验证算法的可行性，实验中使用人工标记方法使图像改变原有的样式。
如图1所示。
实验中对图像的处理流程，如图2所示。
实线部分为模板图像的处理过程，虚线部分为巡检图像的处理过程。
算法步骤如下：
Stepl：图像灰度化；
Step2：中值滤波；
Step3：形态学开运算；
Step4：图像二值化；
Step5：Hu矩计算；
Step6：计算余弦相似度；
Step7：与设定阈值比较，大于阈值，则有差别，反之，相同。
从上述结果图可以看出，当巡检图像和模板图像之间存在差别时，在处理过程中也能够充分的体现出来。
这也体现了本文提出的算法的有效性。
提取模板图像和巡检图像的Hu矩，并计算二者的向量夹角余弦。
表1中是模板图像和巡检图像的向量夹角余弦值统计。
从表中的数据可以看出，当巡检图像和模板图像之间存在差异时，我们可以通过设置阈值的方法来判定巡检图像和模板图像之间的相似程度。
并且，算法的相似程度计算也为异物识别提供了技术手段，相似程度越高图像越相似，相似程度越低，图像的差异性越大，存在异物的可能性也就越强。
4 结论
本文通过图像预处理操作，使用提取模板图像和巡检图像的Hii矩组建特征向量，并计算模板图像和巡检图像之间的夹角余弦。
通过与设定阈值实现了模板图像和巡检图像之间相似度计算。
实现结果证明，该算法成功解决了变电站设备图像中模板图像和巡检图像之间相似程度判定的问题。
算法的成功实施为异物识别提供了技术手段，也可用在变电站异物识别检测。
参考文献
[1]王啸晨.基于机器学习的图像质量评估研究[D].天津大学，2015：1-5.
[2]韩峰.基于最大稳定极值区域的场景分类方法研究[D].山东大学，2014：1-5.
[3]杨旭东，黄玉柱，李继刚，等.变电巡检机器人研究现状综述[J].山东电力技术，2015，42（01）：30-33.
[4]丁思奎，李健.变电站巡检机器人应用中存在的问题分析及解决方案[J].电工电气，2016（02）：57-58.
[5]Ye.W.Z..Optima1ity of the Median Filtering Operator[J].Circuits，systerns，and signal processing：CSSP，2011，30（06）：1329-1340.
[6]张大坤，罗三明.形态学中闭运算功能的扩展及其应用[J].计算机工程与应用，2010，46（27）：185-187.
[7]张伟，何金国.Hu不变矩的构造与推广[J].计算机应用，2010，30（09）：2449-2450.
[8]刘冰，李文书.基于余弦相似度的指纹匹配算法的室内定位方法[J].科技通报，2017，33（03）：198—200.。
