CN112215240A - 一种提高2d复杂边缘检测精度的优化方法 - Google Patents

一种提高2d复杂边缘检测精度的优化方法 Download PDF

Info

Publication number
CN112215240A
CN112215240A CN202011088415.0A CN202011088415A CN112215240A CN 112215240 A CN112215240 A CN 112215240A CN 202011088415 A CN202011088415 A CN 202011088415A CN 112215240 A CN112215240 A CN 112215240A
Authority
CN
China
Prior art keywords
center
edge
line
straight line
rectangular roi
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011088415.0A
Other languages
English (en)
Other versions
CN112215240B (zh
Inventor
刘刚
王晓城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Bomming Vision Technology Co ltd
Original Assignee
Zhuhai Bomming Vision Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Bomming Vision Technology Co ltd filed Critical Zhuhai Bomming Vision Technology Co ltd
Priority to CN202011088415.0A priority Critical patent/CN112215240B/zh
Publication of CN112215240A publication Critical patent/CN112215240A/zh
Application granted granted Critical
Publication of CN112215240B publication Critical patent/CN112215240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种提高2D复杂边缘检测精度的优化方法，在要处理的图像中选取一块矩形的ROI区域，将其旋转至水平，以该ROI区域中心点为坐标原点建立坐标系，计算ROI区域内每一行像素的投影灰度和，取投影灰度和最小的那一行为黑色峰值行，根据黑色峰值行所在行的中心坐标在水平和竖直方向与旋转前的原ROI区域中心的距离差Dx和Dy，将黑色峰值行所在行的中心坐标映射回原ROI区域中并结合边缘属性，提取ROI区域内多个相同属性的边缘，本发明的有益效果是：通过旋转投影得到投影灰度和曲线，结合图像边缘属性，更准确的提取ROI区域内多条相同属性的边缘，减少了对相机分辨率的要求，提高算法的稳定性的同时增加算法提取边缘的特征量。

Description

一种提高2D复杂边缘检测精度的优化方法
技术领域
本发明涉及计算机视觉技术领域，具体为一种提高2D复杂边缘检测精度的优化方法。
背景技术
机器视觉、图像处理中，从被处理的图像中以矩形、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域ROI，感兴趣区域ROI是从图像中选择的一个图像区域，这个区域是图像分析所关注的重点，圈定该区域以便进行进一步的处理，使用ROI圈定想读的目标，可以减少处理时间，增加精度。
然而现有技术仍存在诸多不足，现有方案在边缘的再次提取有3种边缘属性：第一条边缘即顶端、靠近矩形中心位置即中心线附近、边缘强度最大，但是在很多复杂情况下，当相机的分辨率不够大时，测量ROI区域就会存在多个相同属性的边缘，比如：选择边缘属性黑到白，在ROI内会存在多个边缘，故在多个产品测量时，ROI区域会存在偏差，这样一来，之前的3种属性都会发生变化。
基于上述问题，亟待提出一种提高2D复杂边缘检测精度的优化方法，通过增加旋转投影得到灰度图像积分曲线，结合图像的边缘属性，能更加准确的提取ROI区域内多条相同属性的边缘，在一定程度上减少对相机分辨率的要求，提高了算法的稳定性，同时增加算法提取边缘的特征量。
发明内容
本发明的目的在于提供一种提高2D复杂边缘检测精度的优化方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种提高2D复杂边缘检测精度的优化方法，包括以下步骤：
S1：人工给出初始ROI区域的位置，同时程序在被测工件上寻找特征点，程序会对初始ROI区域的相对特征点的位置形成记忆，在测量过程中，程序首先寻找特征点的位置，再通过特征点定位对应ROI区域的位置,若对ROI的位置进行直线检测，ROI区域的选择当选取矩形，矩形的长为直线的长度，宽一般为40-60个像素左右；
S2：根据矩形ROI区域每一行像素的投影灰度和计算公式计算每一行像素的投影灰度和；
S3：统计步骤S2得到的矩形ROI区域每一行像素的投影灰度和，选取其中投影灰度和的值最小的一行为黑色峰值行；
S4：在矩形ROI区域中建立坐标系，进而获取黑色峰值行坐标，黑色峰值行所在行的中心为第一中心，坐标系原点为第二中心，根据第一中心与第二中心的对应关系，分别计算出第一中心在水平方向和竖直方向与第二中心的距离差Dx和Dy；
S5：根据步骤S4得到的Dx和Dy，将第一中心坐标映射回步骤S1中的矩形ROI区域图像中；
S6：根据步骤S5得到的第一中心坐标映射结果再结合边缘属性，提取矩形ROI区域内多个相同属性的边缘，
进一步的，所述步骤S3里的每一行像素的投影灰度和计算公式如下：
Figure BDA0002721194030000021
其中，j为行数，
Figure BDA0002721194030000022
表示的是第j行第一个像素的灰度值，
Figure BDA0002721194030000023
表示的是j行第M个像素的灰度值，矩形ROI区域的大小为N行M列。
进一步的，所述步骤S4里的Dx和Dy的计算公式如下：
Figure BDA0002721194030000024
Figure BDA0002721194030000025
其中，Dx为第一中心在水平方向与第二中心的距离差，Dy为第一中心在竖直方向与第二中心的距离差，W为矩形ROI区域的宽度，Dis为黑色峰值行与顶端之间的距离，
Figure BDA0002721194030000027
为步骤S1中矩形ROI区域与水平方向所呈的角度。
进一步的，所述步骤S5将第一中心坐标映射回步骤S1矩形ROI区域图像中，是根据以下公式：
Figure BDA0002721194030000026
Figure BDA0002721194030000031
其中，BlackCenter.x为第一中心在矩形ROI区域图像中的x轴坐标，BlackCenter.y为第一中心在矩形ROI区域图像中的y轴坐标，center.x为第二中心在矩形ROI区域图像中的x轴坐标，center.y为第二中心在矩形ROI区域图像中的y轴坐标，rect.width代表矩形ROI区域的宽度，rect.angle代表矩形ROI区域与水平方向所呈的角度,PI代表角度180度所对应的弧度。
进一步的，将步骤S1中矩形ROI区域进行旋转直至水平，扫描线朝上，所述步骤S5将第一中心坐标映射回步骤S1矩形ROI区域图像中，是根据以下公式：
BlackCenter.x＝center.x+Dx
BlackCenter.y＝center.y-Dy
进一步的，所述步骤S6中边缘属性包括第一条边缘即顶端、靠近矩形中心位置即中心线附近、边缘强度最大。
进一步的，所述步骤S6中结合边缘属性提取矩形ROI区域内多个相同属性的边缘的步骤如下：
S61：扫描并提取边缘点，从而得到边缘点的坐标点集{(x1,y1)，(x2,y2)，...，(xn,yn)}；
S62：通过最小二乘法将所述步骤S1中提取到的边缘点拟合成边缘直线方程；
S63：一般会有多条边缘直线，通过结合边缘直线方程与坐标系原点位置关系，选择希望稳定测量的那条边缘直线。
进一步的，所述步骤S62中将提取到的边缘点拟合成边缘直线的步骤如下：
a：根据线性拟合公式L＝k*x+b拟合直线L1，求出点集中所有边缘点到直线的距离，进而计算平均距离，选取其中边缘点到直线的距离S大于平均距离阈值的相应边缘点，放入集合B中，迭代若干次得到集合B，计算剩下所有边缘点到该直线距离的平方和，若小于标准差阈值，则直线L1满足要求；
b：将集合B中的所有边缘点拷贝到集合A中，同时将集合B清空，如果集合A中的边缘点个数大于所述步骤a中的迭代次数，则根据线性拟合公式再次拟合直线L2，迭代相同次数，将步骤a中经若干次迭代剩下的S大于平均距离阈值的相应边缘点放入集合B中，计算剩下所有边缘点到该直线距离的平方和，若小于标准差阈值，则直线L2满足要求；
c：重复迭代直到拟合直线的点集中边缘点的个数不足以完成所述步骤a中的迭代次数，或者剩下的拟合直线的边缘点误差超过标准差阈值，则拟合停止，此时会得到直线L1，L2，...，Ln。
进一步的，所述多条边缘直线的线性拟合公式为：
L1＝k1*x+b1
L2＝k2*x+b2
L3＝k3*x+b3
…
Ln＝kn*x+bn
如果边缘属性选择第一中心附近，那么便在计算多条边缘直线中选取离第一中心最近的那条直线并输出其方程。
与现有技术相比，本发明所达到的有益效果是：本发明通过增加旋转投影得到灰度图像积分曲线，结合图像的边缘属性，能更加准确的提取ROI区域内多条相同属性的边缘，在一定程度上减少对相机分辨率的要求，提高了算法的稳定性，同时增加算法提取边缘的特征量。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种提高2D复杂边缘检测精度的优化方法的步骤示意图；
图2是本发明一种提高2D复杂边缘检测精度的优化方法的提取矩形ROI区域内多个相同属性边缘的步骤示意图；
图3是本发明一种提高2D复杂边缘检测精度的优化方法的边缘点拟合成边缘直线的步骤示意图；
图4是本发明一种提高2D复杂边缘检测精度的优化方法的矩形ROI区域旋转图；
图5是本发明一种提高2D复杂边缘检测精度的优化方法的投影灰度和曲线图；
图6是本发明一种提高2D复杂边缘检测精度的优化方法的黑色峰值行示意图；
图7是本发明一种提高2D复杂边缘检测精度的优化方法的第一中心与第二中心距离差示意图；
图8是本发明一种提高2D复杂边缘检测精度的优化方法的优化前检测外边缘示意图；
图9是本发明一种提高2D复杂边缘检测精度的优化方法的优化后检测外边缘示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-9，本发明提供技术方案：
一种提高2D复杂边缘检测精度的优化方法，包括以下步骤：
S1：在要处理的图像中选取一块矩形ROI区域，对该矩形ROI区域进行旋转，将任意角度的矩形ROI区域旋转至水平，使其直线水平，扫描线朝上，
其中，如图4所示，扫描线朝上是为了方便识别矩形的角度，以左手定则来说，扫描线朝上，即为大拇指的方向，其余四个手指方向跟大拇指方向垂直，这样建立坐标系后方便判断某个点在矩形ROI区域中的角度和正负方向，如若朝下，则按照右手定则，那么计算的时候也按照右手坐标系去计算；
S2：取矩形ROI区域中心点为坐标系原点，取经过ROI区域中心点的一条水平直线作为x轴，取经过ROI区域中心点且垂直于前述水平直线的横线作为y轴，建立直角坐标系；
S3：根据矩形ROI区域每一行像素的投影灰度和计算公式计算每一行像素的投影灰度和，计算公式如下：
Figure BDA0002721194030000051
其中，j代表行数，
Figure BDA0002721194030000052
表示的是第j行第一个像素的灰度值，
Figure BDA0002721194030000053
表示的是第j行第M个像素的灰度值，矩形ROI区域的大小为N行M列，通过计算得到投影灰度和曲线，如图5所示；
S4：统计步骤S3得到的矩形ROI区域每一行像素的投影灰度和，选取其中投影灰度和的值最小的一行为黑色峰值行，如图6所示，最上面一条直线为黑色峰值行；
S5：在步骤S2建立的坐标系中获取黑色峰值行坐标，然后根据第一中心与第二中心的对应关系，分别计算出第一中心在水平方向和竖直方向与第二中心的距离差Dx和Dy，计算公式如下：
Figure BDA0002721194030000061
Figure BDA0002721194030000062
其中，如图6和图7所示，Dx为第一中心在水平方向与第二中心的距离差，Dy为第一中心在竖直方向与第二中心的距离差，W为矩形ROI区域的宽度，Dis为矩形ROI区域旋转至水平后黑色峰值行离顶端的距离，
Figure BDA0002721194030000063
为矩形ROI区域与水平方向所呈的角度，Dx、Dy、W和Dis的单位均为像素；
S6：根据步骤S5得到的Dx和Dy，将黑色峰值行对应的中心坐标映射回旋转之前的矩形ROI区域图像中，是根据以下公式：
BlackCenter.x＝center.x+Dx
BlackCenter.y＝center.y-Dy
其中，BlackCenter.x为第一中心在旋转之前的矩形ROI区域图像中的x轴坐标，BlackCenter.y为第一中心在旋转之前的矩形ROI区域图像中的y轴坐标，center.x为第二中心在旋转之前的矩形ROI区域图像中的x轴坐标，center.y为第二中心在旋转之前的矩形ROI区域图像中的y轴坐标；
所述矩形ROI区域图像在进行旋转前，与水平方向呈任意角度的情况下，所述BlackCenter.x与BlackCenter.y的通用计算公式如下：
Figure BDA0002721194030000064
Figure BDA0002721194030000065
其中，rect.width代表矩形ROI区域的宽度，rect.angle代表矩形ROI区域与水平方向所呈的角度，PI代表角度180度所对应的弧度。
S7：根据步骤S6得到的黑色峰值行映射结果再结合边缘属性，提取矩形ROI区域内多个相同属性的边缘，
结合边缘属性提取矩形ROI区域内多个相同属性的边缘的步骤如下：
S61：扫描并提取边缘点，从而得到边缘点的坐标点集{(x1，y1)，(x2，y2)，...，(xn，yn)}；
S62：通过最小二乘法将所述步骤S1中提取到的边缘点拟合成边缘直线方程，
其中，将边缘点拟合成边缘直线的步骤如下：
a：根据线性拟合公式L＝k*x+b拟合直线L1，求出点集中所有边缘点到直线的距离，进而计算平均距离，选取其中边缘点到直线的距离S大于3倍平均距离的相应边缘点，放入集合B中，迭代10次得到集合B，计算剩下所有边缘点到该直线距离的平方和，若小于3倍标准差，则直线L1满足要求，
b：将集合B中的所有边缘点拷贝到集合A中，同时将集合B清空，如果集合A中的边缘点个数大于10，则根据线性拟合公式再次拟合直线L2，迭代10次，将步骤a中经若干次迭代剩下的S大于3倍平均距离的相应边缘点放入集合B中，计算剩下所有边缘点到该直线距离的平方和，若小于3倍标准差，则直线L2满足要求，
c：重复迭代直到拟合直线的点集中边缘点的个数不足10，或者剩下的拟合直线的边缘点误差超过3倍标准差，则拟合停止，此时会得到直线组：L1，L2，...，Ln，多条边缘直线的线性拟合公式为：
L1＝k1*x+b1
L2＝k2*x+b2
L3＝k3*x+b3
…
Ln＝kn*x+bn
如果边缘属性选择第一中心附近，那么便在计算多条边缘直线中选取离第一中心最近的那条直线并输出其方程；
S63：一般会有多条边缘直线，通过结合边缘直线方程与坐标系原点位置关系，选择希望稳定测量的那条边缘直线。
优化前检测外边缘示意图如图8所示，在相机分辨率有限的情况下，前述解决方案的三个边缘属性，即顶端、中心线附近和边缘强度最大，会在矩形ROI区域内出现多个边缘的情况，由于各个直线在矩形ROI区域中的位置不稳定，导致算法容易选错非真实的边缘，经黑色峰值行投影再结合边缘属性优化后，一定程度上的减小了对相机分辨率的要求，同时增加了算法提取边缘的特征量，与顶端、中心线附近、边缘强度最大一样，黑色峰值行相当于第四个属性，通过这个属性可以更方便的在矩形ROI区域内的多个直线中选择，即选择希望稳定测量的那个边缘直线，优化后检测外边缘示意图如图9所示。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种提高2D复杂边缘检测精度的优化方法，其特征在于：包括以下步骤：
S1：人工给出初始ROI区域的位置，同时程序在被测工件上寻找特征点，程序会对初始ROI区域的相对特征点的位置形成记忆，在测量过程中，程序首先寻找特征点的位置，再通过特征点定位对应ROI区域的位置；
S2：根据矩形ROI区域每一行像素的投影灰度和计算公式计算每一行像素的投影灰度和；
S3：统计步骤S2得到的矩形ROI区域每一行像素的投影灰度和，选取其中投影灰度和的值最小的一行为黑色峰值行；
S4：在矩形ROI区域中建立坐标系，进而获取黑色峰值行坐标，黑色峰值行所在行的中心为第一中心，坐标系原点为第二中心，根据第一中心与第二中心的对应关系，分别计算出第一中心在水平方向和竖直方向与第二中心的距离差Dx和Dy；
S5：根据步骤S4得到的Dx和Dy，将第一中心坐标映射回步骤S1中的矩形ROI区域图像中；
S6：根据步骤S5得到的第一中心坐标映射结果再结合边缘属性，提取矩形ROI区域内多个相同属性的边缘。
2.根据权利要求1所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S3里的每一行像素的投影灰度和计算公式如下：
Figure FDA0002721194020000011
其中，j为行数，
Figure FDA0002721194020000012
表示的是第j行第一个像素的灰度值，
Figure FDA0002721194020000013
表示的是j行第M个像素的灰度值，矩形ROI区域的大小为N行M列。
3.根据权利要求1所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S4里的Dx和Dy的计算公式如下：
Figure FDA0002721194020000014
Figure FDA0002721194020000021
其中，Dx为第一中心在水平方向与第二中心的距离差，Dy为第一中心在竖直方向与第二中心的距离差，W为矩形ROI区域的宽度，Dis为黑色峰值行与顶端之间的距离，
Figure FDA0002721194020000024
为步骤S1中矩形ROI区域与水平方向所呈的角度。
4.根据权利要求1所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S5将第一中心坐标映射回步骤S1矩形ROI区域图像中，是根据以下公式：
Figure FDA0002721194020000022
Figure FDA0002721194020000023
其中，BlackCenter.x为第一中心在矩形ROI区域图像中的x轴坐标，BlackCenter.y为第一中心在矩形ROI区域图像中的y轴坐标，center.x为第二中心在矩形ROI区域图像中的x轴坐标，center.y为第二中心在矩形ROI区域图像中的y轴坐标，rect.width代表矩形ROI区域的宽度，rect.angle代表矩形ROI区域与水平方向所呈的角度，PI代表角度180度所对应的弧度。
5.根据权利要求1所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：对步骤S1中矩形ROI区域进行旋转直至水平，扫描线朝上。
6.根据权利要求5所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S5将第一中心坐标映射回步骤S1矩形ROI区域图像中，是根据以下公式：
BlackCenter.x＝center.x+Dx
BlackCenter.y＝center.y-Dy
7.根据权利要求1所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S6中边缘属性包括第一条边缘即顶端、靠近矩形中心位置即中心线附近、边缘强度最大。
8.根据权利要求1所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S6中结合边缘属性提取矩形ROI区域内多个相同属性的边缘的步骤如下：
S61：扫描并提取边缘点，从而得到边缘点的坐标点集{(x1，y1)，(x2，y2)，...，(xn，yn)}；
S62：通过最小二乘法将所述步骤S1中提取到的边缘点拟合成边缘直线方程；
S63：一般会有多条边缘直线，通过结合边缘直线方程与坐标系原点位置关系，选择希望稳定测量的那条边缘直线。
9.根据权利要求8所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述步骤S62中将提取到的边缘点拟合成边缘直线的步骤如下：
a：根据线性拟合公式L＝k*x+b拟合直线L1，求出点集中所有边缘点到直线的距离，进而计算平均距离，选取其中边缘点到直线的距离S大于平均距离阈值的相应边缘点，放入集合B中，迭代若干次得到集合B，计算剩下所有边缘点到该直线距离的平方和，若小于标准差阈值，则直线L1满足要求；
b：将集合B中的所有边缘点拷贝到集合A中，同时将集合B清空，如果集合A中的边缘点个数大于所述步骤a中的迭代次数，则根据线性拟合公式再次拟合直线L2，迭代相同次数，将步骤a中经若干次迭代剩下的S大于平均距离阈值的相应边缘点放入集合B中，计算剩下所有边缘点到该直线距离的平方和，若小于标准差阈值，则直线L2满足要求；
c：重复迭代直到拟合直线的点集中边缘点的个数不足以完成所述步骤a中的迭代次数，或者剩下的拟合直线的边缘点误差超过标准差阈值，则拟合停止，此时会得到直线L1，L2，...，Ln。
10.根据权利要求8所述的一种提高2D复杂边缘检测精度的优化方法，其特征在于：所述多条边缘直线的线性拟合公式为：
L1＝k1*x+b1
L2＝k2*x+b2
L3＝k3*x+b3
…
Ln＝kn*x+bn
如果边缘属性选择第一中心附近，那么便在计算多条边缘直线中选取离第一中心最近的那条直线并输出其方程。
CN202011088415.0A 2020-10-13 2020-10-13 一种提高2d复杂边缘检测精度的优化方法 Active CN112215240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011088415.0A CN112215240B (zh) 2020-10-13 2020-10-13 一种提高2d复杂边缘检测精度的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011088415.0A CN112215240B (zh) 2020-10-13 2020-10-13 一种提高2d复杂边缘检测精度的优化方法

Publications (2)

Publication Number Publication Date
CN112215240A true CN112215240A (zh) 2021-01-12
CN112215240B CN112215240B (zh) 2024-02-20

Family

ID=74053682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011088415.0A Active CN112215240B (zh) 2020-10-13 2020-10-13 一种提高2d复杂边缘检测精度的优化方法

Country Status (1)

Country Link
CN (1) CN112215240B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160259A (zh) * 2021-04-30 2021-07-23 重庆紫光华山智安科技有限公司 边缘检测方法、装置、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007235950A (ja) * 2006-02-28 2007-09-13 Alpine Electronics Inc 車両位置検出方法及び装置
CN102020036A (zh) * 2010-11-02 2011-04-20 昆明理工大学 一种条烟外包装透明纸缺陷的视觉检测方法
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN105335744A (zh) * 2015-11-10 2016-02-17 佛山科学技术学院 一种基于图像骨干抽取条带分布特征的一维码区域定位
CN106897680A (zh) * 2017-02-14 2017-06-27 中国科学院自动化研究所 一种车道线的检测方法及装置
CN108416787A (zh) * 2018-03-06 2018-08-17 昆山海克易邦光电科技有限公司 应用于机器视觉检测的工件直线边缘定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007235950A (ja) * 2006-02-28 2007-09-13 Alpine Electronics Inc 車両位置検出方法及び装置
CN102020036A (zh) * 2010-11-02 2011-04-20 昆明理工大学 一种条烟外包装透明纸缺陷的视觉检测方法
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN105335744A (zh) * 2015-11-10 2016-02-17 佛山科学技术学院 一种基于图像骨干抽取条带分布特征的一维码区域定位
CN106897680A (zh) * 2017-02-14 2017-06-27 中国科学院自动化研究所 一种车道线的检测方法及装置
CN108416787A (zh) * 2018-03-06 2018-08-17 昆山海克易邦光电科技有限公司 应用于机器视觉检测的工件直线边缘定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160259A (zh) * 2021-04-30 2021-07-23 重庆紫光华山智安科技有限公司 边缘检测方法、装置、计算机设备及存储介质
CN113160259B (zh) * 2021-04-30 2024-01-30 重庆紫光华山智安科技有限公司 边缘检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112215240B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN110443836B (zh) 一种基于平面特征的点云数据自动配准方法及装置
CN109035276B (zh) 一种图像边缘提取方法、装置及自动驾驶系统
CN108613630B (zh) 基于图像处理技术的两线型管水准器气泡偏移量测量方法
US6859555B1 (en) Fast dominant circle detection through horizontal and vertical scanning
CN110211178B (zh) 一种利用投影计算的指针式仪表识别方法
CN109145904A (zh) 一种字符识别方法及装置
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN111161339B (zh) 一种间距测量方法、装置、设备以及计算机可读介质
CN108550166B (zh) 一种空间目标图像匹配方法
WO1999062024A1 (en) Method of accurately locating the fractional position of a template match point
CN110533686A (zh) 线阵相机行频与物体运动速度是否匹配的判断方法及系统
CN109816051B (zh) 一种危化品货物特征点匹配方法及系统
CN112361977B (zh) 一种基于权重分配的直线间距测量方法
CN114022439A (zh) 一种基于形态学图像处理的柔性电路板缺陷检测方法
CN110415296A (zh) 一种有阴影光照下矩形状电器件的定位方法
CN113689429A (zh) 一种基于计算机视觉的木板缺陷检测方法
CN112215240A (zh) 一种提高2d复杂边缘检测精度的优化方法
CN114119644A (zh) 一种基于边缘特征的模板匹配方法
CN114549400A (zh) 一种图像识别方法及装置
CN113393447A (zh) 基于深度学习的针尖正位度检测方法及系统
CN111754461A (zh) 半导体芯片图像字符区域的定位方法、装置
JP2008116207A (ja) 画像計測装置、画像計測方法及びプログラム
CN111199191A (zh) 基于刻度搜索的指针式仪表自动读取方法
CN109084721B (zh) 用于确定半导体器件中的目标结构的形貌参数的方法和设备
CN114140518A (zh) 一种水位高度监测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant