CN102096820A - 数字图像中基于距离分布的正方形检测方法 - Google Patents
数字图像中基于距离分布的正方形检测方法 Download PDFInfo
- Publication number
- CN102096820A CN102096820A CN 201110021523 CN201110021523A CN102096820A CN 102096820 A CN102096820 A CN 102096820A CN 201110021523 CN201110021523 CN 201110021523 CN 201110021523 A CN201110021523 A CN 201110021523A CN 102096820 A CN102096820 A CN 102096820A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- square
- characteristic
- marginal point
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种数字图像中基于距离分布的正方形检测方法,包括:采集图像并输入计算机;利用高斯梯度模板计算各像素点的梯度;利用Canny边缘检测算子计算图像的边缘图;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特征长度确定一个正方形的边缘点集合;利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,最后,输出组成正方形的边缘点集合。本发明提供的方法能够准确检测出图像中正方形的中心和边缘,较已有方法简单、易于实现,且计算效率优于已有方法。
Description
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,特别是数字图像中正方形的检测方法。
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的方法有多种。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,但由于计算量大,一般只适用于三角形等边数较少的多边形检测。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。该方法须已知图像中的相关信息。Barnes等[3-5]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。针对已有检测方法中存在的问题,本发明提出一种基于距离分布的正方形检测方法,该方法利用正方形中心点到正方形各边缘点的垂直距离相等这一几何特性,实现正方形中心点及边缘的检测;该方法不需要已知图像的相关信息,易于实现且计算效率优于已有方法。
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.
[4]Barnes N,Loy G,Shaw D,Robles-Kelly A.Regular polygon detection.In:InternationalConference on Computer Vision,2005.
[5]Corke P,Sukkarieh S.Field and Service Robotics,STAR 25,2006,55-66.
发明内容
本发明针对数字图像中正方形的检测问题,提供一种能够准确检测图像中正方形的检测方法。为了实现本目的,本发明数字图像中基于距离分布的正方形检测方法,包括以下步骤:
步骤S1:采集图像并输入计算机;
步骤S2:利用高斯梯度模板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;
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特征长度确定一个正方形的边缘点集合;
步骤S8:利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,输出正方形的边缘点集合。
本发明提供的数字图像中基于距离分布的正方形检测方法,主要利用正方形中心点到正方形各边缘点的垂直距离分布(即正方形中心点到各边的距离相等且等于边长的一半),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与特征能量分布图;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特征长度确定一个正方形的边缘点集合;利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,最后,输出组成正方形的边缘点集合。本发明提供的方法简单、易于实现,且计算效率优于已有方法。
附图说明
图1为本发明数字图像中基于距离分布的正方形检测方法流程图。
图2a为实施例中使用的原始图像。图2b为利用Canny算子在图2a上获得的边缘图;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的正方形检测结果。
具体实施方式
如图1所示为本发明数字图像中基于距离分布的正方形检测方法流程图,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特征长度确定一个正方形的边缘点集合、利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,最后,输出正方形的边缘点集合。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:利用高斯梯度模板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。
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Xi(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(Xi)=[dix,diy],则经过点Xi且与点Xi梯度方向垂直的直线li:aix+biy+ci=0称为点Xi的方向线,其中ai、bi、ci的计算公式为:ai=dix,bi=diy,ci=-dixxi-diyyi。
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可设置为预检测正方形边长的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Xi(i=1,2,...,N)(N为边缘点个数),记点Xi(i=1,2,...,N)确定的方向线为li:aix+biy+ci=0,计算点X到li的距离(四舍五入为整数);统计距离di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。
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)>8·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0.6~0.9)。
步骤S7:由每个局部极大值点及其特征长度确定一个正方形的边缘点集合。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Xi确定的方向线为li,P(x,y)到方向线li的距离为di,考虑如下两个条件:(1)(2)K(x,y)-1.5≤di≤K(x,y)+1.5,获得同时满足两个条件的正方形的边缘点集合,并记为{Xi}(i=1,2,...N),其中N为满足条件的边缘点个数。
步骤S8:利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,输出正方形的边缘点集合。对于步骤S7获得的一个正方形边缘点集合{Xi}(i=1,2,...N),如果边缘点的梯度方向集中分布在四个方向上且满足条件N>4.5·K(x,y),则输出该正方形边缘点集合,否则剔除该不合理的正方形边缘点集合。
实施例
如图2a所示一幅灰度图像,图像大小为587×184,图像中包含三个不同的正方形和一个圆。下面介绍使用本发明提供的方法检测正方形的具体实施步骤:
步骤S1:采集图像并输入计算机。
步骤S2:利用高斯梯度模板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所示为使用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Xi(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(Xi)=[dix,diy],则经过点Xi且与Xi梯度方向垂直的直线li:aix+biy+ci=0称为点Xi的方向线,其中ai、bi、ci的计算公式为ai=dix,bi=diy,ci=-dixxi-diyyi。
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Xi(i=1,2,...,N)(N为边缘点个数),记点Xi(i=1,2,...,N)确定的方向线为li:aix+biy+ci=0,计算点X到li的距离统计距离di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);计算图像中各点处的特征长度与特征能量,可获得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:在阈值约束下,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8.5316,于是取阈值T=4×8.5316=34.1266,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215个局部极大值点;设置比例系数s=0.625,对于获得的215个局部极大值点Pi(xi,yi)(i=1,2,...,215),将不满足条件E(xi,yi)/K(xi,yi)>8×0.625的极大值点去除。
步骤S7:由每个局部极大值点及其特征长度确定一个正方形的边缘点集合。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Xi确定的方向线为li,P(x,y)到方向线li的距离为di,考虑如下两个条件:(1)(2)K(x,y)-1.5≤di≤K(x,y)+1.5,获得同时满足两个条件的正方形的边缘点集合,并记为{Xi}(i=1,2,...N),其中N为满足条件的边缘点个数。
步骤S8:利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,输出正方形的边缘点集合。对于步骤S7获得的一个正方形边缘点集合{Xi}(i=1,2,...N),如果边缘点的梯度方向集中分布在四个方向上且满足条件N>4.5·K(x,y),则输出该正方形边缘点集合,否则剔除该不合理的正方形边缘点集合。图2e为本发明提供的方法的正方形检测结果。
可以看出,本发明提供的方法利用正方形中心点到正方形各边缘点方向线的距离相等这一几何特性,实现正方形中心点及边缘的检测,该方法不需要已知图像的相关信息,易于实现。在计算时间方面,均采用C++语言进行编程实现,利用本发明提供的方法在实施例图像上进行检测耗时0.5s,而利用Hough变换的方法对图2a进行检测分别耗时4s,本发明提供的方法计算效率更高。
Claims (6)
1.一种数字图像中基于距离分布的正方形检测方法,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:利用高斯梯度模板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;
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特征长度确定一个正方形的边缘点集合;
步骤S8:利用边缘点的方向信息验证并剔除不合理的正方形边缘点集合,输出正方形的边缘点集合。
2.根据权利要求1所述的数字图像中基于距离分布的正方形检测方法,其特征在于,所述步骤S4包括:记图像中的边缘点Xi(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(Xi)=[dix,diy],则经过点Xi且与点Xi梯度方向垂直的直线li:aix+biy+ci=0称为点Xi的方向线,其中ai、bi、ci的计算公式为:ai=dix,bi=diy,ci=-dixxi-diyyi。
3.根据权利要求2所述的数字图像中基于距离分布的正方形检测方法,其特征在于,所述步骤S5包括:指定一个整数L(L可设置为预检测正方形边长的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Xi(i=1,2,...,N)(N为边缘点个数),记点Xi(i=1,2,...,N)确定的方向线为li:aix+biy+ci=0,计算点X到li的距离(四舍五入为整数);统计距离di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所述的数字图像中基于距离分布的正方形检测方法,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)>8·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0.6~0.9)。
6.根据权利要求5所述的数字图像中基于距离分布的正方形检测方法,其特征在于,所述步骤S8的具体方法为:对于步骤S7获得的一个正方形边缘点集合{Xi}(i=1,2,...N),如果边缘点的梯度方向集中分布在四个方向上且满足条件N>4.5·K(x,y),则输出该正方形边缘点集合,否则剔除该不合理的正方形边缘点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100215230A CN102096820B (zh) | 2011-01-12 | 2011-01-12 | 数字图像中基于距离分布的正方形检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100215230A CN102096820B (zh) | 2011-01-12 | 2011-01-12 | 数字图像中基于距离分布的正方形检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102096820A true CN102096820A (zh) | 2011-06-15 |
CN102096820B CN102096820B (zh) | 2012-08-22 |
Family
ID=44129908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100215230A Expired - Fee Related CN102096820B (zh) | 2011-01-12 | 2011-01-12 | 数字图像中基于距离分布的正方形检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102096820B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592292A (zh) * | 2011-12-12 | 2012-07-18 | 河南理工大学 | 基于内积运算的对称图形中心定位方法 |
CN102831610A (zh) * | 2012-08-13 | 2012-12-19 | 中国科学院自动化研究所 | 基于内积与距离分布的椭圆快速检测方法 |
CN103134476A (zh) * | 2013-01-28 | 2013-06-05 | 中国科学院研究生院 | 一种基于水平集算法的海陆分界线检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006005728A2 (de) * | 2004-07-10 | 2006-01-19 | Evotec Technologies Gmbh | Verfahren zur detektion geometrischer strukturen in bildern |
JP2007305005A (ja) * | 2006-05-13 | 2007-11-22 | Sharp Manufacturing System Corp | 真円度を計測する手法に特長をもつ画像処理方法および画像処理装置 |
CN101882312A (zh) * | 2010-06-07 | 2010-11-10 | 河南理工大学 | 数字图像中基于基元表示的多边形检测方法 |
CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
-
2011
- 2011-01-12 CN CN2011100215230A patent/CN102096820B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006005728A2 (de) * | 2004-07-10 | 2006-01-19 | Evotec Technologies Gmbh | Verfahren zur detektion geometrischer strukturen in bildern |
JP2007305005A (ja) * | 2006-05-13 | 2007-11-22 | Sharp Manufacturing System Corp | 真円度を計測する手法に特長をもつ画像処理方法および画像処理装置 |
CN101882312A (zh) * | 2010-06-07 | 2010-11-10 | 河南理工大学 | 数字图像中基于基元表示的多边形检测方法 |
CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592292A (zh) * | 2011-12-12 | 2012-07-18 | 河南理工大学 | 基于内积运算的对称图形中心定位方法 |
CN102592292B (zh) * | 2011-12-12 | 2014-07-16 | 河南理工大学 | 基于内积运算的对称图形中心定位方法 |
CN102831610A (zh) * | 2012-08-13 | 2012-12-19 | 中国科学院自动化研究所 | 基于内积与距离分布的椭圆快速检测方法 |
CN103134476A (zh) * | 2013-01-28 | 2013-06-05 | 中国科学院研究生院 | 一种基于水平集算法的海陆分界线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102096820B (zh) | 2012-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN104134216B (zh) | 基于16维特征描述的激光点云自动配准方法及系统 | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN102074011B (zh) | 数字图像中任意三角形的检测方法 | |
CN104463795B (zh) | 一种点阵式dm二维码图像处理方法及装置 | |
CN103632366B (zh) | 一种椭圆目标的参数识别方法 | |
CN103793708B (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN107301638B (zh) | 一种基于弧支持线段的椭圆检测方法 | |
CN106023298A (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN106934795A (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN104463866A (zh) | 一种基于轮廓随机采样的局部形状匹配方法 | |
CN102043958A (zh) | 一种高分辨率遥感图像多类目标检测识别方法 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
Nasrollahi et al. | Concrete surface defect detection using deep neural network based on lidar scanning | |
CN101499168A (zh) | 基于脊线跟踪与海森矩阵的结构光光条中心提取方法 | |
CN103295014A (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
CN102096820B (zh) | 数字图像中基于距离分布的正方形检测方法 | |
CN105809173A (zh) | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 | |
CN107918953A (zh) | 基于三维空间的激光扫描电力线点云的提取方法及装置 | |
CN102411784B (zh) | 数字图像中椭圆相关信息的简单快速提取方法 | |
CN105069395A (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN105956544A (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 | |
CN105718663B (zh) | 配电网autocad设计图自动识别方法 | |
Ying et al. | Research on an automatic counting method for steel bars' image | |
CN102592292B (zh) | 基于内积运算的对称图形中心定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120822 Termination date: 20150112 |
|
EXPY | Termination of patent right or utility model |