CN102096820A

CN102096820A - 数字图像中基于距离分布的正方形检测方法

Info

Publication number: CN102096820A
Application number: CN 201110021523
Authority: CN
Inventors: 刘红敏; 王志衡; 贾宗璞
Original assignee: Henan University of Technology
Current assignee: Henan University of Technology
Priority date: 2011-01-12
Filing date: 2011-01-12
Publication date: 2011-06-15
Anticipated expiration: 2031-01-12
Also published as: CN102096820B

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

数字图像中基于距离分布的正方形检测方法

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X_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。

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X_i(i＝1，2，...，N)(N为边缘点个数)，记点X_i(i＝1，2，...，N)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。

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)-1.5≤d_i≤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{X_i}(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{X_i}(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X_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＝-d_ixx_i-d_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(i＝1，2，...，N)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P_i(x_i，y_i)(i＝1，2，...，215)，将不满足条件E(x_i，y_i)/K(x_i，y_i)＞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)-1.5≤d_i≤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{X_i}(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{X_i}(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

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；

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X_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X_i(i＝1，2，...，N)(N为边缘点个数)，记点X_i(i＝1，2，...，N)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

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)。

5.根据权利要求4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：

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{X_i}(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。