改进复杂网络模型的形状特征提取

摘要：

目的 传统的基于欧氏距离的复杂网络表示方法容易受形状的非刚性变形影响.鉴于此,提出一种基于复杂网络模型与相对一致性距离相结合的形状特征提取方法.方法 首先,提取形状的边界轮廓点作为网络的节点,利用节点间的相对一致性距离作为边的权值构建初始的复杂网络模型;然后,利用阈值演化方法对初始网络模型进行动态演化,得到一系列子网络;最后,提取不同演化阶段下子网络的拓扑特征,实现对形状特征的提取.结果 分类和检索实验结果表明,相比于传统的复杂网络描述方法,本文方法对形状图像具有更强的描述和识别能力.结论 相比于传统的距离度量,相对一致性距离对形状的非刚性变形具有更强的稳定性.

关键词：复杂网络、相对一致性距离、内部距离、动态演化

所属期刊栏目：19

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目61202228,61272152;安徽省自然科学基金项目1308085MF97,1408085QF120

在线出版日期：2014-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1332-1337