CN102074011A - 数字图像中任意三角形的检测方法 - Google Patents

Abstract

本发明涉及一种数字图像中任意三角形的检测方法，包括：采集图像并输入计算机；计算各像素点的梯度；计算图像的边缘图；利用边缘图上各边缘点的梯度计算各边缘点的方向线；计算图像中各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图；在阈值约束下，在特征能量分布图上检测局部极大值点；由每个局部极大值点及其对应的特征长度确定一个组成三角形的边缘点集合；对于所述的一个三角形边缘点集合，根据梯度方向对边缘点进行分组，利用分组个数验证并剔除不合理的三角形边缘点集合；对于所述的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置，最后，输出三角形的顶点位置信息。本发明提供的方法能够准确检测出图像中的三角形，易于实现，且不需要已知图像相关信息，较现有方法计算效率更高。

Description

数字图像中任意三角形的检测方法

技术领域

本发明涉及计算机视觉中的图像特征自动检测领域，特别是数字图像中任意三角形的检测方法。

背景技术

形状检测与识别在自动化检测、物体定位、图像分析、计算机辅助设计等领域具有十分重要的地位和作用。目前，用于多边形等由直线段构成的封闭几何图形的识别方法有多种。广义Hough变换(GHT)^[1]利用多边形的几何特性，将变量空间图形的检测问题转化为参数空间的聚类问题，实现多边形的直接检测。其特点是简单直接，但计算量大，计算效率低。Lara等^[2]提出了平行算法识别图像中的多边形，该算法在已知图像中直线及其端点的条件下，首先计算直线间的交叉点，并设计四个矩阵来表示端点及交叉点的相互位置关系，然后由一个端点出发，按照规则遍历各端点或交叉点，直至构成封闭序列，从而实现多边形检测。该方法需已知图像中的相关信息。Barnes等^[3]提出的方法首先获得图像边缘，然后依据正多边形的几何特性，利用后验概率定义正多边形的概率密度函数，接着通过计算正多边形边数和方向偏角来实现道路标识牌中正多边形的检测，该方法的计算较为复杂，计算量大，且只针对特定的多边形。针对现有检测方法存在的问题，本发明提出了一种任意三角形的检测方法，该方法不需要已知图像相关信息，且易于实现，计算效率优于现有方法。

参考文献：

[1]Davies E R.Machine vision：theory，algorithms，practicalities(3rd Ed.).Elsevier，2005，387-410.

[2]Arijit L，Amitava S，Bhabani P S.Parallel algorithms for identifying convex and non-convexbasis polygons in an image.Parallel Computing，2005.31：290-310.

[3]Nick B，Gareth L，David S.The regular polygon detector.Pattern Recognition，2010.43：592-602.

发明内容

本发明针对数字图像中任意三角形的检测问题，提供一种能够准确检测图像中任意三角形的检测方法。为了实现本目的，本发明数字图像中任意三角形的检测方法，包括以下步骤：

步骤S1：采集图像并输入计算机；

步骤S2：计算各像素点的梯度；

步骤S3：利用边缘检测算子计算图像的边缘图；

步骤S4：利用边缘图上各边缘点的梯度计算各边缘点的方向线；

步骤S5：计算图像中各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图；

步骤S6：在阈值约束下，在特征能量分布图上检测局部极大值点；

步骤S7：由每个局部极大值点及其对应的特征长度确定一个组成三角形的边缘点集合；

步骤S8：对于所述的一个三角形边缘点集合，根据梯度方向对边缘点进行分组，利用分组个数验证并剔除不合理的三角形边缘点集合；

步骤S9：对于所述的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置。

步骤S10：输出三角形的顶点位置信息。

本发明提供的数字图像中任意三角形的检测方法，首先以各像素点为中心计算该中心到其支撑区域内各边缘点方向线的距离，并根据各个距离及其出现的次数确定各像素点的特征长度和特征能量，获得图像的特征长度分布图和特征能量分布图；然后在阈值约束下，在特征能量分布图上检测局部极大值点；由每个局部极大值点及其对应的特征长度确定一个组成三角形的边缘点集合；对于所述的一个三角形边缘点集合，根据梯度方向对边缘点进行分组，利用分组个数验证并剔除不合理的三角形边缘点集合；对于所述的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置，最后，输出三角形的顶点位置信息。本发明提供的方法能够准确检测出图像中的三角形，易于实现，且不需要已知图像相关信息，较现有方法计算效率更高。

附图说明

图1为本发明数字图像中任意三角形的检测方法流程图。

图2a为实施例中使用的原始图像。图2b为利用Canny算子对图2a获得的边缘图；图2c、2d分别为本发明提供的方法在图2a上获得的特征长度分布图与特征能量分布图；图2e为本发明提供的方法三角形检测结果。

具体实施方式

如图1所示为本发明数字图像中任意三角形的检测方法流程图，包括：采集图像并输入计算机、计算各像素点的梯度、计算图像的边缘图、计算各边缘点的方向线、获得图像的特征长度分布图与特征能量分布图、在特征能量分布图上检测局部极大值点、由每个局部极大值点及其对应的特征长度确定组成三角形的边缘点集合、根据梯度方向对三角形边缘点集合中的边缘点进行分组以验证并剔除不合理的三角形边缘点集合、对分组后的三角形边缘点集合中的每组边缘点进行直线拟合并利用直线相交获得三角形的顶点位置，最后输出三角形的顶点位置信息。各步骤的具体实施细节如下：

步骤S1：采集图像并输入计算机。

步骤S2：计算各像素点的梯度。

步骤S3：利用边缘检测算子计算图像的边缘图。

步骤S4：利用边缘图上各边缘点的梯度计算各边缘点的方向线。记图像中的边缘点X_i(x_i，y_i)(i＝1，2，...，N)(N为边缘点个数)，该点处的梯度向量为grad(X_i)＝[d_ix，d_iy]，则经过点X_i且与点X_i梯度方向垂直的直线l_i：a_ix+b_iy+c_i＝0称为点X_i的方向线，其中a_i、b_i、c_i的计算公式为：a_i＝d_ix，b_i＝d_iy，c_i＝-a_ixx_i-a_iyy_i。

步骤S5：计算图像中各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图。指定一个整数L(L可设置为预检测三角形最长边长的1.5倍)，对于图像中任一点X(x，y)，将以点X为中心、L为半径的圆形区域定义为点X的支撑区域；对于支撑区域内的任一边缘点X_i(i＝1，2，...，N)(N为边缘点个数)，记点X_i确定的方向线为l_i：a_ix+b_iy+c_i＝0，计算点X到l_i的距离

(四舍五入为整数)；统计距离d_i出现的次数，将出现次数最多的距离定义为点X处的特征长度，记为K(x，y)，该距离的出现次数定义为点X处的特征能量，记为E(x，y)；计算图像各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图。

步骤S6：在阈值约束下，在特征能量分布图上检测局部极大值点。记图像中任一点X(x，y)，该点处的特征能量为E(x，y)，计算阈值T＝k·Mean(E)，其中Mean(E)表示步骤S5获得的特征能量分布图的均值，比例系数k的取值范围为3～5，在特征能量分布图上检测大于T且在3×3邻域内为局部极大值的点；对于获得的局部极大值点P(x，y)，记点P的特征长度与特征能量分别为K(x，y)与E(x，y)，将不满足条件E(x，y)/K(x，y)＞10·s的局部极大值点剔除，其中s为比例系数(可根据具体情况取0.5～0.8)。

步骤S7：由每个局部极大值点及其对应的特征长度确定一个组成三角形的边缘点集合。对于步骤S6获得的一个特征长度为K(x，y)的局部极大值点P(x，y)，记P(x，y)支撑区域内的任一边缘点X_i确定的方向线为l_i，P(x，y)到方向线l_i的距离为d_i，考虑如下两个条件：(1)

(2)K(x，y)-2.0≤d_i≤K(x，y)+2.0，获得同时满足两个条件的组成三角形的边缘点集合，并记为{X_i}(i＝1，2，...N)，其中N为满足条件的边缘点个数。

步骤S8：对于所述的一个三角形边缘点集合，根据梯度方向对边缘点进行分组，利用分组个数验证并剔除不合理的三角形边缘点集合。对于步骤S7获得的一个三角形边缘点集合，验证边缘点的梯度方向是否集中分布在3个主要方向上，如果是，则根据梯度方向将边缘点分为3组，如果否，则剔除该三角形边缘点集合。

步骤S9：对于所述的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置。

步骤S10：输出三角形的顶点位置信息。

实施例

如图2a所示一幅灰度图像，图像大小为587×184，图像中包含四个不同的三角形。下面介绍使用本发明提供的方法检测任意三角形的具体实施步骤：

步骤S1：采集图像并输入计算机。

步骤S2：计算各像素点的梯度。

步骤S3：利用Canny边缘检测算子计算图像的边缘图。利用Canny算子进行边缘检测时的高斯尺度设置为1.0，进行连接时的高低阈值参数分别设置为0.02与0.01，如图2b为使用Canny算子对图2a进行边缘检测后获得的边缘图。

步骤S4：利用边缘图上各边缘点的梯度计算各边缘点的方向线。记图像中的边缘点X_i(x_i，y_i)(i＝1，2，...，N)(N为边缘点个数)，利用高斯梯度模板计算该点处的梯度向量为grad(X_i)＝[d_ix，d_iy]，则经过点X_i且与X_i梯度方向垂直的直线l_i：a_ix+b_iy+c_i＝0称为点X_i的方向线，其中a_i、b_i、c_i的计算公式为a_i＝d_ix，b_i＝d_iy，c_i＝-a_ixx_i-a_iyy_i。

步骤S5：计算图像中各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图。指定一个整数L＝80，对于图像中任一点X(x，y)，将以点X为中心、L为半径的圆形区域定义为点X的支撑区域；对于支撑区域内的任一边缘点X_i(i＝1，2，...，N)(N为边缘点个数)，记点X_i确定的方向线为l_i：a_ix+b_iy+c_i＝0，计算点X到l_i的距离统计距离d_i出现的次数，将出现次数最多的距离定义为点X处的特征长度，记为K(x，y)，该距离的出现次数定义为点X处的特征能量，记为E(x，y)；计算图像各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图。如图2c、2d所示分别为获得的图像特征长度分布图与特征能量分布图。

步骤S6：在特征能量分布图上检测局部极大值点。设置比例系数k＝4，经计算特征能量分布图的均值为17.1228，阈值T＝4×17.1228＝68.4912，在特征能量分布图上检测大于T且在3×3邻域内为极大值的点，共计获得262个局部极大值点；设置比例系数s＝0.5，对于获得的262个局部极大值点，将不满足条件E(x_i，y_i)/K(x_i，y_i)＞10×0.5(i＝1，2，...，262)的极大值点去除。

步骤S7：由每个局部极大值点及其对应的特征长度确定一个组成三角形的边缘点集合。对于步骤S6获得的一个特征长度为K(x，y)的局部极大值点P(x，y)，记P(x，y)支撑区域内的任一边缘点X_i确定的方向线为l_i，P(x，y)到方向线l_i的距离为d_i，考虑如下两个条件：(1)

(2)K(x，y)-2.0≤d_i≤K(x，y)+2.0，获得同时满足两个条件的组成三角形的边缘点集合，并记为{X_i}(i＝1，2，...N)，其中N为满足条件的边缘点个数。

步骤S8：对于所述的一个三角形边缘点集合，根据梯度方向对边缘点进行分组，利用分组个数验证并剔除不合理的三角形边缘点集合。对于步骤S7获得的一个三角形边缘点集合，验证边缘点的梯度方向是否集中分布在3个主要方向上，如果是，则根据梯度方向将边缘点分为3组，如果否，则剔除该三角形边缘点集合。

步骤S9：对于所述的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置。

步骤S10：输出三角形的顶点位置信息。图2e为本发明提供的方法的三角形检测结果。

可以看出，本发明提供的方法可准确检测出图像中的任意三角形，该方法简单、易于实现，且不需要已知图像相关信息。在计算时间方面，采用C++语言编程实现，利用本发明提供的方法在实施例图像上进行检测耗时0.42s，而利用Hough变换与平行算法对图2a进行检测分别耗时4.50s与3.56s，本发明提供的方法计算效率更高。

Claims (7)

1.一种数字图像中任意三角形的检测方法，其特征在于，包括步骤：

步骤S1：采集图像并输入计算机；

步骤S2：计算各像素点的梯度；

步骤S3：利用边缘检测算子计算图像的边缘图；

步骤S4：利用边缘图上各边缘点的梯度计算各边缘点的方向线；

步骤S5：计算图像中各像素点的特征长度与特征能量，获得图像的特征长度分布图与特征能量分布图；

步骤S6：在阈值约束下，在特征能量分布图上检测局部极大值点；

步骤S7：由每个局部极大值点及其对应的特征长度确定一个组成三角形的边缘点集合；

步骤S8：对于所述的一个三角形边缘点集合，根据梯度方向对边缘点进行分组，利用分组个数验证并剔除不合理的三角形边缘点集合；

步骤S9：对于所述的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置。

步骤S10：输出三角形的顶点位置信息。

2.根据权利要求1所述的数字图像中任意三角形的检测方法，其特征在于，所述步骤S4包括：记图像中的边缘点X_i(x_i，y_i)(i＝1，2，...，N)(N为边缘点个数)，该点处的梯度向量为grad(X_i)＝[d_ix，d_iy]，则经过点X_i且与点X_i梯度方向垂直的直线l_i：a_ix+b_iy+c_i＝0称为点X_i的方向线，其中a_i、b_i、c_i的计算公式为：a_i＝d_ix，b_i＝d_iy，c_i＝-d_ixx_i-d_iyy_i。

3.根据权利要求2所述的数字图像中任意三角形的检测方法，其特征在于，所述步骤S5包括：指定一个整数L(L可设置为预检测三角形最长边长的1.5倍)，对于图像中任一点X(x，y)，将以点X为中心、L为半径的圆形区域定义为点X的支撑区域；对于支撑区域内的任一边缘点X_i(i＝1，2，...，N)(N为边缘点个数)，记点X_i确定的方向线为l_i：a_ix+b_iy+c_i＝0，计算点X到l_i的距离

(四舍五入为整数)；统计距离d_i出现的次数，将出现次数最多的距离定义为点X处的特征长度，记为K(x，y)，该距离的出现次数定义为点X处的特征能量，记为E(x，y)；计算图像中各像素点的特征长度与特征能量，可获得图像的特征长度分布图与特征能量分布图。

4.根据权利要求3所述的数字图像中任意三角形的检测方法，其特征在于，所述步骤S6包括：

步骤S61：记图像中任一点X(x，y)，该点处的特征能量为E(x，y)，计算阈值T＝k·Mean(E)，其中Mean(E)表示步骤S5获得的特征能量分布图的均值，比例系数k的取值范围为3～5，在特征能量分布图上检测大于T且在3×3邻域内为局部极大值的点；

步骤S62：对于步骤S61获得的局部极大值点P(x，y)，记点P的特征长度与特征能量分别为K(x，y)与E(x，y)，将不满足条件E(x，y)/K(x，y)＞10·s的局部极大值点剔除，其中s为比例系数(可根据具体情况取0.5～0.8)。

5.根据权利要求4所述的数字图像中任意三角形的检测方法，其特征在于，所述步骤S7为：对于步骤S6获得的一个特征长度为K(x，y)的局部极大值点P(x，y)，记P(x，y)支撑区域内的任一边缘点X_i确定的方向线为l_i，P(x，y)到方向线l_i的距离为d_i，考虑如下两个条件：(1)

(2)K(x，y)-2.0≤d_i≤K(x，y)+2.0，获得同时满足两个条件的组成三角形的边缘点集合，并记为{X_i}(i＝1，2，...N)，其中N为满足条件的边缘点个数。

6.根据权利要求5所述的数字图像中任意三角形的检测方法，其特征在于，所述步骤S8为：对于步骤S7获得的一个三角形边缘点集合，验证边缘点的梯度方向是否集中分布在3个主要方向上，如果是，则根据梯度方向将边缘点分为3组，如果否，则剔除该三角形边缘点集合。

7.根据权利要求6所述的数字图像中任意三角形的检测方法，其特征在于，所述步骤S9的具体方法为：对于步骤S8获得的分组后的三角形边缘点集合，对每组边缘点进行直线拟合，并利用直线相交获得三角形的顶点位置。

Images