[論文レビュー] Shape DNA: Basic Generating Functions for Geometric Moment Invariants

Erbo Li, Yazhou Huang+2 more|arXiv (Cornell University)|Mar 7, 2017

Image Retrieval and Classification Techniques参考文献 23被引用数 7

ひとこと要約

本稿では、幾何モーメント不変量（GMI）を構築するための「形状DNA」として、点ベクトルの内積とベクトル積（外積）という2つの基本的生成関数を導入する。これらの関数を多重積分によって組み合わせることで、既知のすべてのGMI、特にHuの7つの不変量をより単純で独立な成分に分解する原始的不変量（PI）が得られる。この手法により、2次元および3次元形状解析における低次の独立不変量を統一的かつ体系的に構築可能となり、構造的理解を深めるとともに、高次元空間や多様体ベースの応用へのスケーラブルなフレームワークを提供する。

ABSTRACT

Geometric moment invariants (GMIs) have been widely used as basic tool in shape analysis and information retrieval. Their structure and characteristics determine efficiency and effectiveness. Two fundamental building blocks or generating functions (GFs) for invariants are discovered, which are dot product and vector product of point vectors in Euclidean space. The primitive invariants (PIs) can be derived by carefully selecting different products of GFs and calculating the corresponding multiple integrals, which translates polynomials of coordinates of point vectors into geometric moments. Then the invariants themselves are expressed in the form of product of moments. This procedure is just like DNA encoding proteins. All GMIs available in the literature can be decomposed into linear combinations of PIs. This paper shows that Hu's seven well known GMIs in computer vision have a more deep structure, which can be further divided into combination of simpler PIs. In practical uses, low order independent GMIs are of particular interest. In this paper, a set of PIs for similarity transformation and affine transformation in 2D are presented, which are simpler to use, and some of which are newly reported. The discovery of the two generating functions provides a new perspective of better understanding shapes in 2D and 3D Euclidean spaces, and the method proposed can be further extended to higher dimensional spaces and different manifolds, such as curves, surfaces and so on.

研究の動機と目的

• 形状解析におけるすべての幾何モーメント不変量（GMI）を規定する基本的構成要素＝生成関数（GF）を同定すること。
• 2次元および3次元のユークリッド空間における独立的で低次のGMIを体系的に構築する手法を開発し、強固な形状記述子とするための目的。
• Huの7つの有名な不変量のような既存の不変量を、より単純で原始的な不変量（PI）に再表現・分解し、より深い構造的関係を明らかにすること。
• このフレームワークを高次元空間や曲線・曲面などの多様体（例：曲線や表面）へと一般化し、形状検索や認識への広範な応用を可能とすること。

提案手法

• ユークリッド空間における点ベクトルの内積とベクトル（外積）の2つのコアな生成関数（GF）を提案。これらが形状不変量の基盤となる「DNA」として機能する。
• 座標の多項式表現を幾何モーメントに変換するため、点ベクトル上の多重積分を用いる。これにより不変量の構築の基盤が得られる。
• GFの組み合わせを選択し、それらの積をモーメントに基づく表現として評価することで原始的不変量（PI）を導出。独立性と低次の性質を保証する。
• GF解析を用いて、Huの7つの有名なGMIをより単純なPIに分解し、その背後にある構造的単純性を明らかにする。
• 2次元における相似変換およびアフィン変換に対して、完全で独立した不変量の集合を構築。その一部は新たに報告されたものである。
• 一般化されたモーメント統合を用いて、3次元および高次元空間、非剛体な多様体（例：曲線・曲面）へとフレームワークを拡張する。

実験結果

リサーチクエスチョン

• RQ1 2次元および3次元のユークリッド空間において、すべての幾何モーメント不変量を体系的に生成する基本的生成関数とは何か？
• RQ2 Huの7つの有名なモーメント不変量は、どのようにより単純で原始的な不変量（PI）に構造的に分解できるか？
• RQ3 相似変換およびアフィン変換に対する2次元空間において、最小で独立した低次の不変量の集合を構築可能か？実用性の向上に寄与するか？
• RQ4 GFに基づくフレームワークは、高次元空間や曲線・曲面などの異なる幾何的多様体へどの程度一般化可能か？

主な発見

• 点ベクトルの内積とベクトル（外積）が、すべての幾何モーメント不変量の「DNA」として機能する2つの基本的生成関数（GF）であると特定された。
• Huの7つの不変量を含む、既知のすべての幾何モーメント不変量は、原始的不変量（PI）の線形結合に分解可能であり、より深い構造的階層が明らかになった。
• 2次元における相似変換およびアフィン変換のための、新たな最小の独立的で低次の不変量の集合が提示された。その一部は新たに報告され、計算がより簡単である。
• 高次多項式不変量に伴う数値的不安定性を避けるために、低次のPIに焦点を当てることで、不変量の安定的かつ効率的な計算が可能になった。
• 一般化されたモーメント統合を用いることで、3次元および高次元空間、および曲線・曲面などの多様体へもフレームワークを拡張可能である。
• GFに基づくアプローチは、不変量の理解と生成のための統一的で代数的・幾何学的なフレームワークを提供し、形状検索、対象認識、パターン分類への直接的な応用が期待される。