Geometric Shape Characterisation Based on a Multi-Sweeping Paradigm

Abstract

The characterisation of geometric shapes produces their concise description and is, therefore, important for subsequent analyses, for example in Computer Vision, Machine Learning, or shape matching. A new method for extracting characterisation vectors of 2D geometric shapes is proposed in this paper. The shape of interest, embedded into a raster space, is swept several times by sweeplines having different slopes. The interior shape’s points, being in the middle of its boundary and laying on the actual sweep-line, are identified at each stage of the sweeping process. The midpoints are then connected iteratively into chains. The chains are filtered, vectorised, and normalised. The obtained polylines from the vectorisation step are used to design the shape’s characterisation vector for further application-specific analyses. The proposed method was verified on numerous shapes, where single- and multi-threaded implementations were compared. Finally, characterisation vectors, among which some were rotated and scaled, were determined for these shapes. The proposed method demonstrated a good rotation- and scaling-invariant identification of equal shapes.

Charakterizace geometrických tvarů vytváří jejich stručný popis, a proto je důležitá pro následné analýzy, například v počítačovém vidění, strojovém učení nebo hledání shodných tvarů. V článku je navržena nová metoda pro extrakci charakterizačních vektorů 2D geometrických tvarů. Zkoumaný tvar, zasazený do rastrového prostoru, se několikrát „zamete“ přímkami s různými směrnicemi. Postupně se identifikují body uprostřed hranice ležící na aktuální zametací přímce. Tyto body se se v dalších iteracích spojí do řetězců. Středy jsou pak iterativně spojeny do řetězců. Řetězce se profiltrují, vektorizují a normalizují. Získané lomené čáry z kroku vektorizace se použijí k návrhu vektoru charakterizace daného tvaru pro další aplikačně specifické analýzy. Navržená metoda byla ověřena na mnoha tvarech, byly porovnány jednovláknové a vícevláknové implementace. Nakonec se určí charakterizační vektory, z nichž některé jsou otočené nebo mají změněné měřítko. Navržená metoda prokázala dobrou identifikaci totožných tvarů a je invariantní vůči rotaci a změně měřítka.