基于重采样和傅里叶变换的颅骨颅面相似性精确度提升方法

本文主要探讨了一种创新的评估颅骨和颅面轮廓相似性的方法，针对现有技术在离散点对应、曲线拟合和人工干预方面存在的挑战。传统的颅面和颅骨相似性评估通常依赖于精确的点对应和复杂的曲线拟合，这可能导致误差累积和对人工操作的高度依赖。本文提出的方法旨在解决这些问题。 首先，研究者采用Canny算子和滑动窗口技术进行边缘检测和边界跟踪，这一步骤有助于提取出待比较的颅骨和颅面的边缘轮廓像素，将图像特征聚焦到关键轮廓区域。这种方法减少了噪声干扰，并为后续步骤提供清晰的轮廓信息。 接着，为了克服离散点之间的对应问题，研究人员引入了重采样技术。通过将不同分辨率的轮廓数据转换到同一网格上，确保了像素点之间的对齐，从而消除了一对一匹配的不确定性。这种方法简化了计算过程，提高了算法的准确性。 核心部分是使用离散傅里叶变换（DFT）来处理这些重采样后的轮廓数据。通过对数据进行规格化和DFT，研究人员能够利用傅里叶描述子来度量相似性，这种方法避免了直接曲线拟合的复杂性和人为干预的可能。傅里叶变换特性使得特征提取更为稳定，且能有效地捕获轮廓数据的周期性和频率成分，这对于形状匹配非常有效。 实验结果表明，这个基于重采样和离散傅里叶变换的算法显著提升了颅骨和颅面相似性度量的精确度，同时降低了算法的复杂度。它实现了评估过程的自动化，对于实际应用如颅像重合身份认证具有重要的意义。此外，由于减少了人工干预，该方法还具有较高的可靠性。 文章的作者团队来自西北大学信息科学与技术学院，包括晋武侠、李康、耿国华和刘伦椿等研究人员，他们在图形图像处理、多媒体信息处理和计算机可视化等领域有着深厚的研究背景。他们的研究成果不仅推动了颅像识别技术的发展，也为其他领域的轮廓匹配提供了新的思路和工具。该研究得到了国家自然科学基金项目的资助，进一步证明了其学术价值和实际应用潜力。