×

将离散多项式曲线和曲面拟合到噪声数据。 (英语) Zbl 1327.65028号

几何模型(直线、圆和平面)的拟合问题在图像分析和计算机视觉中产生了许多应用,如物体识别、形状逼近和图像分割。问题之一是在讨论离散空间时使用离散模型。经典地,这些模型被定义为局部离散化到连续模型的结果。
本文的目标是开发一种技术,用于对给定的离散点集进行离散多项式曲线和曲面拟合,以接受异常值的存在。二维离散多项式曲线假设一组整数点位于两条多项式曲线之间。
二维离散多项式曲线拟合问题被描述为一个离散优化问题,其中内层数(与给定模型一致的数据点,允许一定的误差阈值)最大化。
该解决方案是RANSAC方法(随机样本一致性)与称为攀岩的局部搜索的组合,该方法最大化了工作的内嵌线数量,而不考虑异常值的比例,该方法实现了保证局部最大化的解决方案。
作者还扩展了所提出的三维离散多项式曲面拟合问题的方法,并通过二维和三维实例的实验结果证明了该方法的有效性和鲁棒性。

MSC公司:

65日第10天 数值平滑、曲线拟合
65D17号 计算机辅助设计(曲线和曲面建模)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Abdoulay,S.、Oumarou,S.和Andres,E.:用于分析线识别的扩展标准霍夫变换。国际期刊(2013)
[2] Aiger,D.,Kenmochi,Y.,Talbot,H.,Buzer,L.:具有有界误差的高效鲁棒数字超平面拟合,摘自:第16届IAPR计算机图像离散几何国际会议论文集(DGCI2011),LNCS,第6607卷,第223-234页。施普林格(2011)·Zbl 1272.68420号
[3] Andres,E.:n维离散线性对象:标准模型。图表。模型。65 (1), 92-111 (2003) ·Zbl 1039.68139号 ·doi:10.1016/S1524-0703(03)00004-3
[4] Andres,E.:m平面的超覆层是一个离散的分析对象。西奥。计算。科学。406(1),8-14(2008)·Zbl 1157.68067号 ·doi:10.1016/j.tcs.2008.07.025
[5] Beckermann,B.:实vandermonde矩阵、krylov矩阵和正定hankel矩阵的条件数。数字。数学。85 (4), 553-577 (2000) ·Zbl 0965.15003号 ·doi:10.1007/PL00005392
[6] Bresenham,J.:圆弧增量数字显示的线性算法。Commun公司。ACM 20(2),100-106(1977)·Zbl 0342.68058号 ·数字对象标识代码:10.1145/359423.359432
[7] Bresenham,J.E.:数字绘图仪的计算机控制算法。IBM系统。J.4(1),25-30(1965)·doi:10.1147/sj.41.0025
[8] Brimkov,V.E.,Dantchev,S.:代数计算模型中任意固定维的数字超平面识别。图像视觉。计算。25 (10), 1631-1643 (2007) ·doi:10.1016/j.imavis.2006.06.013
[9] Buzer,L.:使用线性增量可行性问题进行数字直线和平面识别的增量线性时间算法,《计算机图像的离散几何》,第372-381页。斯普林格(2002)·Zbl 1055.68583号
[10] Charrier,E.,Buzer,L.:用于数字平面识别的一种有效的准线性最坏情况时间算法,《计算机图像的离散几何》,第346-357页。施普林格(2008)·Zbl 1138.68586号
[11] Chum,O.,Matas,J.,Kittler,J.:局部优化RANSAC In:模式识别,第236-243页。斯普林格(2003)·Zbl 1157.68067号
[12] Dexet,M.,Andres,E.:数字分析超平面识别的广义前像。谨慎。申请。数学。157 (3), 476-489 (2009) ·Zbl 1168.68044号 ·doi:10.1016/j.dam.2008.05.030
[13] 杜达,R.O.,哈特,P.E.:使用霍夫变换检测图片中的直线和曲线。Commun公司。ACM 15(1),11-15(1972)·Zbl 1296.94027号 ·数字对象标识代码:10.1145/361237.361242
[14] Fischler,M.,Bolles,R.:随机样本共识:模型拟合的范例,应用于图像分析和自动制图。Commun公司。ACM 24(6),381-395(1981)·数字对象标识代码:10.1145/358669.358692
[15] Gérard,Y.,Provot,L.,Feschet,F.:《数字层导论》,载于《第16届IAPR计算机图像离散几何国际会议论文集》(DGCI2011),LNCS,第6607卷,第83-94页。施普林格(2011)·Zbl 1272.68432号
[16] Hough,V.,Paul,C.:识别复杂模式的方法和手段(1962年)。美国专利3069654
[17] Largeteau-Skapin,G.,Zrour,R.,Andres,E.:4连通数字圆最优一致集计算的O(n3logn)时间复杂度,收录:第17届IAPR计算机图像离散几何国际会议论文集(DGCI2013),LNCS,第7749卷,第241-252页。施普林格(2013)·Zbl 1382.68303号
[18] Largeteau-Skapin,G.,Zrour,R.,Andres,E.,Sugimoto,A.,Kenmochi,Y.:噪声环境中4个连通圆的最佳共识集和预成像,摘自:第21届IAPR国际模式识别会议论文集(ICPR2012),第3774-3777页。IEEE(2012)
[19] Narula,S.C.,Wellington,J.F.:绝对误差回归的最小和:最新调查。《国际统计评论》,317-326(1982)·Zbl 0495.62072号
[20] Phan,M.S.,Kenmochi,Y.,Sugimoto,A.,Talbot,H.,Andres,E.,Zrour,R.:具有有界误差的高效稳健数字环拟合In:第17届IAPR计算机图像离散几何国际会议论文集(DGCI2013),LNCS,第7749卷,第253-264页。施普林格(2013)·Zbl 1382.68272号
[21] Provot,L.,Gérard,Y.:具有收敛有界误差的数字函数导数的估计In:第16届IAPR计算机图像离散几何国际会议论文集(DGCI2011),LNCS,第6607卷,第284-295页。施普林格(2011)·Zbl 1272.90028号
[22] Provot,L.,Gerard,Y.:带禁止点的数字超平面和水平层的识别In:组合图像分析,第144-156页(2011)·Zbl 1330.68312号
[23] Raguram,R.,Frahm,J.M.,Pollefeys,M.:《导致自适应实时随机样本一致性的RANSAC技术的比较分析》,摘自:《计算机视觉—ECCV 2008》,第500-513页。施普林格(2008)
[24] Rousseeuw,P.:最小二乘回归。《美国统计协会期刊》,871-880(1984)·Zbl 0547.62046号
[25] Rousseeuw,P.J.,Leroy,A.M.:稳健回归和异常值检测。威利(2005)·Zbl 0711.62030号
[26] Sekiya,F.,Sugimoto,A.:噪声数据的离散多项式曲线拟合In:第15届组合图像分析国际研讨会论文集(IWCIA2012),LNCS,第7655卷,第59-74页。施普林格(2012)·Zbl 1377.68290号
[27] Spall,J.C.:随机搜索和优化简介:估计、模拟和控制。威利(2005)·邮编1088.90002
[28] Torr,P.H.,Zisserman,A.:MLESAC:一种新的稳健估计器,应用于估计图像几何。公司。视觉图像理解。78 (1), 138-156 (2000) ·doi:10.1006/cviu.1999.0832
[29] Toutant,J.L.,Andres,E.,Roussillon,T.:数字圆、球体和超球体:从形态模型到分析表征和拓扑特性。谨慎。申请。数学。(2013) ·Zbl 1291.68412号
[30] Xu,L.,Oja,E.:随机霍夫变换(rht):基本机制、算法和计算复杂性。CVGIP:图像理解。57 (2), 131-154 (1993) ·doi:10.1006/ciun.1993.1009
[31] Zrour,R.、Kenmochi,Y.、Talbot,H.、Buzer,L.、Hamam,Y.,Shimizu,I.、Sugimoto,A.:数字直线和平面拟合的最佳一致集。Int.J.成像系统。Technol公司。21(1),45-57(2011)·doi:10.1002/ima.20269
[32] Zrour,R.,Largeteau-Skapin,G.,Andres,E.:环空拟合的最佳共识集In:第16届IAPR计算机图像离散几何国际会议论文集(DGCI2011),LNCS,第6607卷,第358-368页。施普林格(2011)·Zbl 1272.52034号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。