Section Coding: Ein Verfahren zur Ähnlichkeitssuche in CAD-Datenbanken

Ausgehend von einer konkreten Problemstellung, die sich im Rahmen einer Kooperation mit einem industriellen Partner ergibt, untersuchen wir in diesem Artikel, was geometrische Ahnlichkeit von CADObjekten (in unserem Fall polygonalen Objekten) bedeutet. Aus der Untersuchung leiten wir verschiedene Eigenschaften von Ahnlichkeit ab und definieren die Begriffe Ahnlichkeitsmas und Ahnlichkeitsmetrik sowie deren Eigenschaften. Dann stellen wir ein neues Verfahren zur Ahnlichkeitssuche vor, Section Coding genannt, das im Gegensatz zu existierenden Verfahren robust gegen Veranderungen der Polygonkontur und dennoch effizient ist. Die Grundidee unseres Verfahrens ist, Polygone als ahnlich zu bewerten, wenn sie ahnliche Flachenproportionen haben. Section Coding kodiert die Flachenproportionen der Polygone als Feature-Vektoren, die dann in einer multidimensionalen Indexstruktur gespeichert werden. Die Grundidee der Feature-Transformation von Section Coding ist, den Umkreis der zu vergleichenden Polygone zu bestimmen, diesen in k Sektoren aufzuteilen und jeweils den Flachenanteil zu berechnen, der innerhalb eines Sektors liegt. Die hierbei entstehenden k Flachenanteile stellen einen k-dimensionalen Feature-Vektor dar, der in der Indexstruktur gespeichert wird. Section Coding ist translations-, skalierungs-, spiegelungs- und bedingt auch rotationsinvariant. Anhand einer Implementierung von Section Coding im Rahmen des Datenbanksystems S3 zeigen wir die Effektivitat und Effizienz unseres Verfahrens. Schlusselworter: Ahnlichkeitssuche, CAD-Datenbanken, Geometrie-basierte Ahnlichkeit 1. Einleitung

[1]  A Tramontano,et al.  PUZZLE: a new method for automated protein docking based on surface shape complementarity. , 1994, Journal of molecular biology.

[2]  Michael Ian Shamos,et al.  Computational geometry: an introduction , 1985 .

[3]  Helmut Alt,et al.  Resemblance and Symmetries of Geometric Patterns , 1992, Data Structures and Efficient Algorithms.

[4]  Michael Freeston,et al.  The BANG file: A new kind of grid file , 1987, SIGMOD '87.

[5]  Hans-Peter Kriegel,et al.  The R*-tree: an efficient and robust access method for points and rectangles , 1990, SIGMOD '90.

[6]  Hans-Peter Kriegel,et al.  The X-tree : An Index Structure for High-Dimensional Data , 2001, VLDB.

[7]  Euripides G. M. Petrakis,et al.  Similarity Searching in Large Image DataBases , 1994 .

[8]  Christos Faloutsos,et al.  Efficient Similarity Search In Sequence Databases , 1993, FODO.

[9]  K. Wakimoto,et al.  Efficient and Effective Querying by Image Content , 1994 .

[10]  P. Wintz,et al.  An efficient three-dimensional aircraft recognition algorithm using normalized fourier descriptors , 1980 .

[11]  Rajiv Mehrotra,et al.  Feature-Index-Based Similar Shape Retrieval , 1997, VDB.

[12]  Kyuseok Shim,et al.  Fast Similarity Search in the Presence of Noise, Scaling, and Translation in Time-Series Databases , 1995, VLDB.

[13]  H. V. Jagadish,et al.  A retrieval technique for similar shapes , 1991, SIGMOD '91.

[14]  B. Monien,et al.  Data structures and efficient algorithms , 1992, Lecture Notes in Computer Science.

[15]  Kurt Mehlhorn,et al.  Congruence, similarity, and symmetries of geometric objects , 1987, SCG '87.

[16]  Christos Faloutsos,et al.  Fast subsequence matching in time-series databases , 1994, SIGMOD '94.

[17]  Helmut Alt,et al.  Approximate matching of polygonal shapes , 1995, SCG '91.

[18]  Kurt Mehlhorn,et al.  Congruence, similarity, and symmetries of geometric objects , 1987, SCG '87.

[19]  Clu-istos Foutsos,et al.  Fast subsequence matching in time-series databases , 1994, SIGMOD '94.

[20]  Rajiv Mehrotra,et al.  Feature-based retrieval of similar shapes , 1993, Proceedings of IEEE 9th International Conference on Data Engineering.

[21]  J. T. Robinson,et al.  The K-D-B-tree: a search structure for large multidimensional dynamic indexes , 1981, SIGMOD '81.