触觉地图二值图像相似度比较的理想方法及Matlab检测优化需求

一、手绘地图的鲁棒线段检测改进方案 #

传统Hough变换对带锯齿、曲线化的手绘线条适配性差，核心问题是手绘线条边缘离散、断裂多，细化后仍有大量噪声干扰线段聚合。以下是针对性改进：

1. 预处理优化：替代Canny+细化的流程 #

• 先做形态学闭运算填补手绘线条的微小断裂：bwmorph(handdrawn_img, 'close', 2)（可根据线条粗细调整迭代次数），避免后续检测出过多细碎边缘。
• 直接对二值图像做骨架提取+噪声过滤：用bwmorph(img, 'skel', Inf)提取线条骨架，再用bwareaopen(skel_img, 15)过滤掉短于阈值的毛刺噪声（阈值可根据实际线条尺寸调整）。

2. 鲁棒线段检测：RANSAC拟合+线段聚类 #

放弃Hough变换，改用RANSAC拟合直线配合线段聚类，适配离散的手绘线条：

• 提取骨架图像的所有坐标点：[y, x] = find(skel_img); points = [x, y];
• 用RANSAC迭代拟合直线：每次随机选2个点生成直线，统计符合距离阈值的内点，保留内点最多的直线后移除对应点，重复直到剩余点不足。
• 对拟合出的短线段做聚类合并：计算线段的方向角和端点距离，将方向接近（如角度差≤5°）、端点间距小的线段合并为完整线段。
• Matlab代码示例：

[y, x] = find(skel_img);
points = [x, y];
min_inliers = 20; % 适配手绘线条的内点数量阈值
distance_thresh = 3; % 点到直线的距离容忍阈值
lines = [];

while size(points, 1) >= 2
    % RANSAC随机选点生成初始直线
    idx = randperm(size(points, 1), 2);
    p1 = points(idx(1), :);
    p2 = points(idx(2), :);
    % 直线方程ax+by+c=0
    a = p2(2) - p1(2);
    b = p1(1) - p2(1);
    c = p2(1)*p1(2) - p1(1)*p2(2);
    % 计算所有点到直线的距离
    distances = abs(a*points(:,1) + b*points(:,2) + c) / sqrt(a^2 + b^2);
    inliers = points(distances <= distance_thresh, :);
    
    if size(inliers, 1) >= min_inliers
        % 最小二乘法重新拟合直线提升精度
        coeffs = polyfit(inliers(:,1), inliers(:,2), 1);
        m = coeffs(1);
        b_line = coeffs(2);
        % 确定线段端点（取内点极值）
        x_min = min(inliers(:,1)); x_max = max(inliers(:,1));
        y_min = m*x_min + b_line; y_max = m*x_max + b_line;
        lines = [lines; x_min, y_min, x_max, y_max];
        % 移除已拟合的内点
        points = points(distances > distance_thresh, :);
    else
        break;
    end
end
% 线段聚类合并（需自行实现：基于角度、端点距离的合并逻辑）
merged_lines = merge_lines(lines, angle_thresh=5, distance_thresh=10);

3. 尺度与旋转不变性预处理 #

• 尺度归一化：计算两幅图像的最小外接矩形，将两者缩放到相同尺寸（如统一为500x500），消除尺寸差异。
• 旋转对齐：对骨架图像做PCA分析，提取主方向（最长线段的方向），将两幅图像旋转至主方向一致（如主方向水平），后续对比无需考虑旋转差异。

二、相似度评分体系实现 #

1. 线段级匹配评分 #

• 长度相似度：对匹配的线段对，计算1 - abs(len_handdrawn/len_template - 1)作为单条线段的长度得分，加权平均所有匹配线段的得分。
• 夹角相似度：因已对齐主方向，直接计算线段角度差，得分取1 - abs(angle_handdrawn - angle_template)/180，加权平均所有匹配线段的得分。

2. 节点/交点正确性评分 #

• 提取两幅图像的交点：对检测到的线段，计算所有线段对的交点，过滤掉距离线段端点过近的误判点。
• 最近邻匹配：对模板的每个交点，在手绘图像的交点中寻找距离最近的点（距离阈值根据图像尺寸设定），得分=匹配成功的交点数/模板交点总数。

3. 局部与全局结构相似度 #

• 局部结构：将图像划分为网格（如10x10），统计每个网格内的线段数量、平均角度、平均长度，计算单个网格的结构相似度后加权平均，得到局部得分。
• 全局结构：以交点为节点、线段为边构建拓扑图，计算两幅图的图编辑距离（或节点/边的匹配度），作为全局结构得分。

三、整体流程 #

1. 对模板和手绘图像分别执行：二值化→形态学闭运算→骨架提取→噪声过滤→尺度归一化→主方向对齐。
2. 用RANSAC+线段聚类检测两幅图像的完整线段。
3. 提取交点并构建拓扑图。
4. 分别计算线段长度、夹角、交点正确性、局部/全局结构的得分，加权得到最终相似度评分（权重可根据需求调整，如交点正确性权重占比更高）。

内容的提问来源于stack exchange，提问作者Michael Liang