Matlab基于骨架化模板的图像目标形状匹配及骨架对比方法咨询

骨架相似度对比（实现旋转/尺度不变性） #

• 先完成两套骨架的归一化预处理，消除尺度、旋转偏差：
  1. 尺度归一化：计算骨架点集的最小外接矩形，将待匹配骨架与模板骨架统一缩放至相同尺寸；也可以取骨架点集的最大欧氏距离（形状最长直径）作为基准，所有点坐标除以该值完成归一化，对不规则形状适配性更好
  2. 旋转归一化：对骨架点集做PCA主成分分析，取第一主分量方向作为形状主方向，将两个骨架均旋转至主方向与X轴重合的状态，消除旋转偏移
• 相似度计算可选方案：
  • 点集匹配：用豪斯多夫距离计算两个归一化后骨架点集的差异，值越小相似度越高，设定对应阈值即可判断是否匹配。OpenCV可直接调用cv2.HausdorffDistanceExtractor()接口，传入二值骨架图即可直接得到结果，无需手动实现点集匹配逻辑
  • 特征向量匹配：提取骨架的通用统计特征组成特征向量，包含骨架分支数、各分支长度占比、分支间夹角、骨架点到形状质心的距离分布直方图，计算两个特征向量的余弦相似度即可，运算速度远高于点集匹配

短骨架（1-2条线段）的形状识别方案 #

不要仅依赖骨架特征，结合你已经完成的距离变换结果、ROI区域特征补充判别维度：

• 复用距离变换结果补充特征：距离变换的最大值对应形状的最大宽度/半径，配合骨架长度可计算得到形状的长宽比，比如圆形的骨架长度极短但距离变换最大值大，和同骨架长度的长条形特征差异非常明显；同时可以提取距离变换值的均值、方差、直方图分布特征，不同形状的距离变换分布差异极大，即使骨架都是单条线段也可以有效区分
• 补充ROI全局特征作为辅助：你已经完成了感兴趣区域的提取，可以直接计算区域的Hu矩特征（天然具备旋转、尺度、平移不变性），和骨架特征、距离变换特征做融合，识别准确率会有明显提升
• 针对单线段骨架的额外优化：计算线段两个端点到形状轮廓的最短距离分布，不同形状的端点距离特征差异明显，比如椭圆的骨架两个端点到轮廓的距离远小于矩形骨架两个端点到轮廓的距离

落地建议：优先组合豪斯多夫距离、距离变换最大值、形状长宽比三个特征做判别，运算量小适配性高，阈值可以根据你的实际业务数据集做微调即可。

内容的提问来源于stack exchange，提问作者Larry