(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210966747.7 (22)申请日 2022.08.12 (71)申请人 河北师范大学 地址 050024 河北省石家庄市南 二环东路 20号 (72)发明人 赵书良　穆翔宇　孙婧涵　杨依涵　 丁雪怡　 (74)专利代理 机构 石家庄新世纪专利商标事务 所有限公司 1310 0 专利代理师 董金国 (51)Int.Cl. G06V 10/20(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01)G06V 10/75(2022.01) G06V 10/762(2022.01) G06T 3/40(2006.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的文物碎片相似性识别及变 换匹配方法 (57)摘要 本发明公开了一种基于机器学习的文物碎 片相似性识别及变换匹配方法， 包括图像预处 理、 提取轮廓线、 特征点聚类、 提取相似轮廓线 对、 判断两条轮廓线是否相似、 计算两条相似轮 廓线段之间的旋转角度、 移动距离并组成刚体变 换矩阵、 自底向上循环拼接文物碎片步骤。 本发 明将通过最大类间方差的方法进行图像二值化 和机器学习相结合， 解决了陶瓷文物碎片进行轮 廓线提取时干扰轮廓线多及轮廓线匹配时特征 点选取困难的问题， 可以将陶瓷碎片样本拼接成 完整的图像， 具有较好的鲁棒 性。 权利要求书3页 说明书8页 附图3页 CN 115375891 A 2022.11.22 CN 115375891 A 1.一种基于机器学习的文物碎片相似性识别及变换匹配方法， 其特征在于包括以下步 骤： 步骤1： 图像预处理： 将考古陶瓷碎片进行二维采样得到m ·n像素文物碎片图像， 将文 物碎片图像转换为 二值文物碎片图像； 步骤2： 提取轮廓线： 通过轮廓跟踪算法逐一提取二值文物碎片图像中的轮廓线， 构建 轮廓线集CL ＝{cl1,cl2,...,clcj,...,cllks}， lks为提取的轮廓线的数目； 步骤3： 特征点聚类： 通过k ‑means聚类的方法逐一提取各轮廓线的特征点， 构 建各轮廓 线的特征点集Ki＝{ki,1,ki,2...ki,j...ki,km}； i表示当前特征点集所属的轮廓线， i取值范 围大于等于1且不超过l ks； 各轮廓线的特 征点集中特征点数量相同， 均为 km个； 步骤4： 逐一 提取相似轮廓线对， 由以下 具体步骤组成： 步骤4‑1： 逐一求取各轮廓线的特征点曲率， 构建各轮廓线的特征点曲率集Qi＝{qi， 1, qi,2,...,qi,j,...,qi,qmi}， i表示当前特征点集所属的轮廓线， i取值范围大于等于1且不超 过lks； 轮廓线上每3个连续的特征点划分为一段特征段； qmi表 示第i轮廓线的特征段数目， 第i轮廓线的特 征段第j特征段的曲率的计算方法为： m(j)为由第i轮廓线的特征段第j特征段的三个特征点横坐标 拟合的第一 参数方程， n(j)为由第i轮廓线的特征段第j特征段的三个特征点纵坐标 拟合 的第二参数方程， a1,a2,a3为横坐标方程的第一至第三系数， b1,b2,b3为纵坐标方程的第一 至第三系数， m ′(j),m″(j)为参数方程m(j)的一阶导数和二阶导数， n ′(j),n″(j)为参数方 程n(j)的一阶导数和二阶导数； 步骤4‑2： 逐一计算每两条轮廓线的对应特征段的曲率的欧式距离， 构建两条轮廓线的欧 式距离集， 第i1 轮廓线和第i2轮廓线的欧式距离集 中第i特征段的欧氏距离 的计算方法为： 步骤4‑3： 逐一判断两条轮廓线cli1,cli2的特征段是否相似： 如果两条轮廓线的特征段 的欧氏距离 小于预设的第一阈值， 判定为相似特征段， 第i1轮廓 线和第i2轮廓 线的 相似特征段数加1； 步骤4‑4： 逐一计算两条轮廓线cli1,cli2的相似性得分FSi1,i2： 式中XSTi1,i2为第i1轮廓线和第i2轮廓线的相似特 征段数； 步骤4‑5： 判断两条轮廓线cli1,cli2是否相似： 如果两条轮廓线cli1,cli2的相似性得分权　利　要　求　书 1/3 页 2 CN 115375891 A 2FSi1,i2大于预设的第二阈值， 两条轮廓线cli1,cli2为相似轮廓线； 步骤5： 逐一计算两条相似轮廓线段cli1,cli2之间的旋转角度 δ、 移动距离并组成刚体变 换矩阵； 水平方向移动距离： 垂直方向移动距离： 刚体变换矩阵GTi1,i2： 式中， (xg,yg),(xh,yh)为两条相似轮廓线cli1,cli2的选定特征点的坐标； δ为轮廓线 cli1,cli2通过线性回归拟合出两条相交的直线的夹角； 步骤6： 自底向上循环拼接文物 碎片， 由以下 具体步骤组成： 步骤6‑1： 组建诱导循环集L0＝{l0,l1,...,llp,llQ,...lln}， ln大于等于1且小于lks： 各 轮廓线为结点， 相似轮廓线之间建立边,连通的子图形成连通子图集合W＝{w1,..., wwj,...,wzt},zt为连通子图数量,逐一判断各连通子图中边所对应的相似轮廓线的刚体变 换矩阵的乘积是否为单位矩阵， 如果是， 连通子图作为 诱导循环llj加入诱导循环集； 步骤6‑2： 合并诱导循环： 在诱导循环集L0中， 逐一搜索是否存在可合并的诱导循环Llp 和LlQ， 删除Llp和LlQ之间的公共边， 将Llp和LlQ合并为诱导循环集合L1中的诱导循环， 迭代执 行该过程， 得到诱 导循环集 L2， L3， ..， Lln， 诱导循环集 Lln中没有可以合并的诱 导循环； 可合并的诱 导循环LlQ和LlQ同时满足以下 条件： 条件1： 诱导循环Llp和LlQ具有公共边， 且公共边的刚体变换矩阵GTlp,lq在诱导循环Llp和 LlQ中相等； 条件2： 诱导循环合并之后， 新生成的诱导循环内所有边的刚体变换矩阵相乘为单位矩 阵。 2.根据权利要求1所述的基于机器学习的文物碎片相似性识别及变换匹配方法， 其特 征在于： 所述步骤1由以下 具体步骤组成： 步骤1‑1： 将文物 碎片图像转换成灰度图， 计算文物 碎片图像的平均灰度值 μ： 式中， n(i)为像素值 为i的像素数； Y为像素值取值数目； 步骤1‑2： 图像划分： 逐一设定i 为前景背景分割阈值tx， 计算类间方差： G＝W1·( μ1‑μ )2+W2·( μ2‑μ )2 其中， W2为背景像素占图像的比例； μ1为前景像素的平均灰度， μ2为背景像素的平均灰 度， 前景像素的平均灰度 μ1与背景像素的平均灰度 μ2计算方法相同， 前景像素的平均灰度 μ1权　利　要　求　书 2/3 页 3 CN 115375891 A 3