我想认识我自己
点分布模型(Point Distribution Model PDM)
1)人工设置标记点
把图形边界用点表示出来,然后把有用的点标为标志点(landmarked points)。需要把数据集中所有的形状都标出来。标志点的设定很重要,如果点标的不正确,最后获得形状将是错误的,这个方法就失败啦,无法可靠的获得形状变化。
标记点的选取:
①具有特定应用程序依赖意义的对象的点。如眼睛的中心。
②独立于应用程序的点。如一个特定对象的最高点或者曲率极值点。
③其他可以插入到①②中的点。如距离两个类型①相等的中心点(咦 乱七八糟。貌似就是类型①②是重要的拐点啥的啦,然后类型③的点就是之间的连接点用于描述边界的轮廓)
手动标点很费劲呀,要节约劳动力!
2)校准
校准的意义在于需要比较不同形状的等效点,这就需要把这些点都归一化到一个坐标系。 使用Procrustes方法进行归一化校准,使用旋转、缩放、转换训练形状的方式使各个形状的等效点足够的靠近。目标是最小化不同形状的等效点之间的距离的平方的加权平方和。
Xi是n个点的向量,用于表示数据集中第i个形状
需要将Xi映射到M(s(j),θ(j))[x(j)] + t(j)(M(s(j),θ(j))[x(j)]是将x(j)旋转θ(j),缩放s(j),变换t(j)),最小化权值和E
k点的权值:Rkl是点k和l之间的距离,V是方差
校准算法:
将图像归一化到第一个图形
循环:
计算均方图形
归一化当前均方图形到合适的默认值
与当前均方图形重新匹配
直到收敛
3)统计分析
PDM构成了一个2D变化空间,假设点都分布在允许的形状区域(allowable shape domain)内,分布形状是2n空间的椭球。椭球中心的平均形状是
坐标轴使用主成分分析(PCA)确定,每一个轴产生一种变异模式,p(k)是协方差矩阵S的特征向量(eigenvector)协方差矩阵,及两者关系如下,其中λ(k)是S的第k个特征值(eigenvalue)
大多数的变异可以用一个t-模式描述,t是一个占大多数总方差的少量模式。即如果总方 差:
估计方差:
则λ(A)≈λ(T)
训练集的估计模型使用如下方式计算:
根据文献Cootes T F, Taylor C J, Cooper D H, et al. Active Shape Models-Their Training and Application[J]. Computer Vision & Image Understanding, 1995, 61(1):38–59.整理