CN102156972B - 图像倾斜纠正方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，特别涉及一种图像倾斜纠正方法及系统，该方法包括：S1：提取当前图像中四个方向上的边缘点；S2：对四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点；S3：对经过步骤S2处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正。本发明通过对四个方向上的边缘点进行选择，去除对直线拟合有负面作用的边缘点，实现了获得有缺陷图像的真实边缘点，以避免进行倾斜纠正后的图像不精确的问题。

Description

图像倾斜纠正方法及系统

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像倾斜纠正方法及系统。

背景技术

所谓倾斜纠正，就是通过从图像上估计图像的位置和倾斜角，将图像还原到正常形态的过程。在通过各种图像采集设备扫描采集图像的过程中，由于图像放置倾斜或者设备硬件的原因，实际采集获得的图像大多数情况下是倾斜的，对图像的后期处理带来不利的影响。通过倾斜纠正方法，将图像还原到正常的形态，可以有效地抵抗硬件或者人为因素导致的图像差异，有利于图像的处理和分析。所以，倾斜纠正方法在图像处理中具有很重要的理论和实际意义。

到目前为止，在众多研究者的不懈努力下，图像的倾斜纠正技术已经有了比较大的进展。在通常的图像倾斜纠正技术中，首先根据前景与背景的差异获取到图像的边缘点，并将这些边缘点按照设定的准则分配到上下左右四条边上去，然后对每条边上的边缘点进行直线拟合，获得四条边的位置信息，进而可以通过这四条边推算出倾斜角以及四个顶点的位置，最后使用线性插值或者旋转算法生成倾斜纠正后的图像。

这种通用的倾斜纠正技术的关键在于获得有效的边缘点，并把这些边缘点正确地分配到四条边上去。如果图像的边缘存在着一些缺陷，例如折角了的图像，或者图像边缘有缺失，这时在这些有缺陷位置获得的边缘点往往不是真实有效的边缘点，如图1所示，除了正常边缘点P0外，还存在折角边缘点P1、缺损边缘点P2与伪边缘点P3点，把P1、P2和P3这些边缘点当作真实边缘点参与计算过程会导致误差，使得拟合出的边线不准确，进而使最后倾斜纠正出的图像不够精确，影响对图像的后续处理。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何获得有缺陷图像的真实边缘点，以避免进行倾斜纠正后的图像不精确的问题。

(二)技术方案

为解决上述技术问题，本发明提供了一种图像倾斜纠正方法，包括以下步骤：

S1：提取当前图像中四个方向上的边缘点；

S2：对所述四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点；

S3：对经过步骤S2处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正。

其中，步骤S1中包括：

S11：通过下式提取当前图像上的待定上边缘点，

$p(i,j)-p(i-1,j)>{\mathrm{\δ}}_U^1$

其中，p(i，j)为当前图像上第i行第j列处图像点的灰度值，0≤i＜I，I为当前图像的行数，0≤j＜J，J为当前图像的列数，

为待定上边缘点的灰度判决阈值；

通过下式提取当前图像上的待定下边缘点，

$p(i-1,j)-p(i,j)>{\mathrm{\δ}}_D^1$

其中，

为待定下边缘点的灰度判决阈值；

通过下式提取当前图像上的待定左边缘点，

$p(i,j)-p(i,j-1)>{\mathrm{\δ}}_L^1$

其中，

为待定左边缘点的灰度判决阈值；

通过下式提取当前图像上的待定右边缘点，

$p(i,j-1)-p(i,j)>{\mathrm{\δ}}_R^1$

其中，

为待定右边缘点的灰度判决阈值；

S12：若所述待定上边缘点能够满足下列三个条件之一，则判定其为上边缘点，

条件一：

且

其中，y_k为第k个待定上边缘点的纵坐标，

为上边缘点的判决阈值；

条件二：

且

条件三：

且第k-1个待定上边缘点与第k-2个待定上边缘点都是上边缘点；

若所述待定下边缘点能够满足下列三个条件之一，则判定其为下边缘点，

条件一：且

其中，y_k为第k个待定下边缘点的纵坐标，为下边缘点的判决阈值；

条件二：

且

条件三：

且第k-1个待定下边缘点与第k-2个待定下边缘点都是下边缘点；

若所述待定左边缘点能够满足下列三个条件之一，则判定其为左边缘点，

条件一：

且

其中，x_k为第k个待定左边缘点的横坐标，

为左边缘点的判决阈值；

条件二：

且

条件三：

且第k-1个待定左边缘点与第k-2个待定左边缘点都是左边缘点；

若所述待定右边缘点能够满足下列三个条件之一，则判定其为右边缘点，

条件一：

且

其中，x_k为第k个待定右边缘点的横坐标，

为右边缘点的判决阈值；

条件二：且

条件三：

且第k-1个待定右边缘点与第k-2个待定右边缘点都是右边缘点；

其中，步骤S12之后还包括步骤：

S13：根据步骤S12获得的四个方向上的边缘点的数量是否均达到第一数量阈值，若是，则直接执行步骤S2，若否，则降低四个方向上未达到数量阈值的相应的灰度判决阈值，重新执行步骤S11。

其中，步骤S2具体包括以下步骤：

S21：根据四个方向的边缘点分别进行直线拟合，根据拟合出的四条直线的交点构造出一个四边形，以四边形中边长最长的一个边作为基准边；

S22：计算所有与基准边相邻的A、B两边上的边缘点到基准边的距离；

S23：设A边上第i个边缘点

到基准边的距离为L_i，B边上第j个边缘点

到基准边的距离为L_j，若满足下式，则认为

和

为一个边缘点对，

|L_i-L_j|＜δ³

其中，δ³为第一距离阈值；

S24：计算步骤S23获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离L_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

L_max-L＜δ⁴

其中，L为所述两点之间的距离，δ⁴为第二距离阈值；

S25：以A、B两边中较长的边作为新的基准边，并以新的基准边的两个相邻边作为新的A、B边，计算所述新的A、B两边上的边缘点到所述新的基准边的距离；

S26：设所述新的A边上第i个边缘点

到基准边的距离为nL_i，所述新的B边上第j个边缘点

到基准边的距离为nL_j，若满足下式，则认为

和

为一个边缘点对，

|nL_i-nL_j|＜δ⁵

其中，δ⁵为第三距离阈值；

S27：计算步骤S26获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离nL_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

nL_max-nL＜δ⁶

其中，nL为所述两点之间的距离，δ⁶为第四距离阈值；

其中，所述步骤S24之后还包括以下步骤：

S241：若步骤S24保留的边缘点对少于第二数量阈值，则增大第二距离阈值，重新执行步骤S24。

其中，所述步骤S27之后还包括以下步骤：

S271：若步骤S27保留的边缘点对少于第三数量阈值，则增大第四距离阈值，重新执行步骤S27。

其中，步骤S3具体包括以下步骤：

S31：对经过步骤S2处理后四个方向上剩下的边缘点分别进行直线拟合，获得四条边的直线方程，并根据四条边的直线方程进一步确定四个角的坐标；

S32：通过确定的四个角的坐标以及当前图像的四个顶点，利用双线性插值法对图像进行倾斜纠正。

本发明还公开了一种图像倾斜纠正系统，包括：

边缘点提取模块，用于提取当前图像中四个方向上的边缘点；

选择模块，用于对所述四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点；

拟合模块，用于对经过所述选择模块处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正。

(三)有益效果

本发明通过对所述四个方向上的边缘点进行选择，去除对直线拟合有负面作用的边缘点，实现了获得有缺陷图像的真实边缘点，以避免进行倾斜纠正后的图像不精确的问题。

附图说明

图1是一个有缺陷图像的示意图；

图2是按照本发明一种实施方式的图像倾斜纠正方法的流程图；

图3是按照图2所示的图像倾斜纠正方法的步骤S32中利用双线性插值法对图像进行倾斜纠正的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本倾斜纠正方法以倾斜的扫描图像作为处理对象，首先提取图像上的边缘点并滤除噪声点，然后构造平行于基准边的边缘点对集合进行边缘点筛选获得真实有效的边缘点，再通过最小二乘拟合方法将这些边缘点拟合出图像的四条边缘，这样就可以将图像进行倾斜纠正。

图2是按照本发明一种实施方式的图像倾斜纠正方法的流程图，包括以下步骤：

S1：提取当前图像中四个方向上的边缘点。

S2：对所述四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点，边缘点选择的目的是从所有边缘点中去除虽然是图像边缘，但对直线拟合有负面作用的边缘点。在图像存在着折角、缺损等现象时，有时候某些边缘点并不是真实有效的边缘点，这些点的存在，使得直线拟合的结果不准确，进而影响到图像的倾斜纠正效果。

S3：对经过步骤S2处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正。

其中，步骤S1中包括：

S11：通过下式提取当前图像上的待定上边缘点，

$p(i,j)-p(i-1,j)>{\mathrm{\δ}}_U^1$

其中，p(i，j)为当前图像上第i行第j列处图像点的灰度值，0≤i＜I，I为当前图像的行数，0≤j＜J，J为当前图像的列数，

为待定上边缘点的灰度判决阈值(其阈值范围为50～150，本实施方式优选为84)；

通过下式提取当前图像上的待定下边缘点，

$p(i-1,j)-p(i,j)>{\mathrm{\δ}}_D^1$

其中，为待定下边缘点的灰度判决阈值(其阈值范围为50～150，本实施方式优选为84)；

通过下式提取当前图像上的待定左边缘点，

$p(i,j)-p(i,j-1)>{\mathrm{\δ}}_L^1$

其中，

为待定左边缘点的灰度判决阈值(其阈值范围为50～150，本实施方式优选为84)；

通过下式提取当前图像上的待定右边缘点，

$p(i,j-1)-p(i,j)>{\mathrm{\δ}}_R^1$

其中，为待定右边缘点的灰度判决阈值(其阈值范围为50～150，本实施方式优选为84)。

由于带灰度的图像多种多样，可能存在某些边缘处灰度差值不大，而其内部相邻点却有较大的灰度差值，这样所获得的待定边缘点实际是噪声点，需要进行剔除，步骤S12的目的就是滤除这些噪声点，在进行噪声点滤除时，考虑了相邻边缘点应该具有的位置关系，相邻的边缘点应该位置较为接近，如果相邻边缘点不符合这种位置关系，也就是它们的距离较大，则认为其中存在着噪声点，应该予以剔除。

S12：若所述待定上边缘点能够满足下列三个条件之一，则判定其为上边缘点，

条件一：

且

其中，y_k为第k个待定上边缘点的纵坐标，

为上边缘点的判决阈值(其阈值范围为1～5，本实施方式优选为3)；

条件二：

且

条件三：且第k-1个待定上边缘点与第k-2个待定上边缘点都是上边缘点；

若所述待定下边缘点能够满足下列三个条件之一，则判定其为下边缘点，

条件一：

且

其中，y_k为第k个待定下边缘点的纵坐标，

为下边缘点的判决阈值(其阈值范围为1～5，本实施方式优选为3)；

条件二：

且

条件三：

且第k-1个待定下边缘点与第k-2个待定下边缘点都是下边缘点；

若所述待定左边缘点能够满足下列三个条件之一，则判定其为左边缘点，

条件一：

且

其中，x_k为第k个待定左边缘点的横坐标，

为左边缘点的判决阈值(其阈值范围为1～8，本实施方式优选为5)；

条件二：

且

条件三：

且第k-1个待定左边缘点与第k-2个待定左边缘点都是左边缘点；

若所述待定右边缘点能够满足下列三个条件之一，则判定其为右边缘点，

条件一：且

其中，x_k为第k个待定右边缘点的横坐标，

为右边缘点的判决阈值(其阈值范围为1～8，本实施方式优选为5)；；

条件二：

且

条件三：

且第k-1个待定右边缘点与第k-2待定右边缘点都是右边缘点；

其中，步骤S12之后还包括步骤：

S13：根据步骤S12获得的四个方向上的边缘点的数量是否均达到第一数量阈值(其阈值范围为15～30，本实施方式优选为20)，若是，则直接执行步骤S2，若否，则降低四个方向上未达到数量阈值的相应的灰度判决阈值(例如，在四个方向上，只有上边缘点未达到第一数量阈值，则只需降低待定上边缘点的灰度判决阈值，如果上边缘点和左边缘点均未达到第一数量阈值，则需分别降低上边缘点的灰度判决阈值和左边缘点的灰度判决阈值)，重新执行步骤S11。

其中，步骤S2具体包括以下步骤：

S21：根据四个方向的边缘点分别进行直线拟合，根据拟合出的四条直线的交点构造出一个四边形，以四边形中边长最长的一个边作为基准边；

S22：计算所有与基准边相邻的A、B两边上的边缘点到基准边的距离；

S23：设A边上第i个边缘点

到基准边的距离为L_i，B边上第j个边缘点

到基准边的距离为L_j，若满足下式，则认为

和

为一个边缘点对，

|L_i-L_j|＜δ³

其中，δ³为第一距离阈值(其阈值范围为1～3，本实施方式优选为2)；

S24：计算步骤S23获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离L_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

L_max-L＜δ⁴

其中，L为所述两点之间的距离，δ⁴为第二距离阈值(其阈值范围为1～10，本实施方式优选为3)；

S25：以A、B两边中较长的边作为新的基准边，并以新的基准边的两个相邻边作为新的A、B边，计算所述新的A、B两边上的边缘点到所述新的基准边的距离；

S26：设所述新的A边上第i个边缘点

到基准边的距离为nL_i，所述新的B边上第j个边缘点

到基准边的距离为nL_j，若满足下式，则认为

和

为一个边缘点对，

|nL_i-nL_j|＜δ⁵

其中，δ⁵为第三距离阈值(其阈值范围为1～3，本实施方式优选为2)；

S27：计算步骤S26获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离nL_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

nL_max-nL＜δ⁶

其中，nL为所述两点之间的距离，δ⁶为第四距离阈值(阈值范围1～10，本实施方式优选为2)；

其中，所述步骤S24之后还包括以下步骤：

S241：若步骤S24保留的边缘点对少于第二数量阈值(阈值范围10～20，本实施方式优选为15)，则增大第二距离阈值，重新执行步骤S24。

其中，所述步骤S27之后还包括以下步骤：

S271：若步骤S27保留的边缘点对少于第三数量阈值(其阈值范围10～20，本实施方式优选为15)，则增大第四距离阈值，重新执行步骤S27。

其中，步骤S3具体包括以下步骤：

S31：对经过步骤S2处理后四个方向上剩下的边缘点分别进行直线拟合，获得四条边的直线方程，并根据四条边的直线方程进一步确定四个角的坐标。

S32：通过确定的四个角的坐标以及当前图像的四个顶点，利用双线性插值法对图像进行倾斜纠正，如图3所示，假定倾斜纠正前的图像为P＝{p(i，j)，0≤i＜I，0≤j＜J}，倾斜纠正后的图像为Q＝{q(m，n)，0≤m＜M，0≤n＜N}，其中M与N分别是倾斜纠正后的图像的宽度与高度，并假定倾斜纠正前后图像的四个顶点分别为p_LT，p_LD，p_RT，p_RD和q_LT，q_LD，q_RT，q_RD。双线性插值的算法思想如下：假定倾斜纠正后任意一点q(m，n)，与它同一行的左右两边上的首尾两点分别为q(m₁，n₁)与q(m₂，n₂)，这两点分别对应着原始图像左右两条边线上的两点p(i₁，j₁)与p(i₂，j₂)，它们之间满足下面的约束关系：

d(p(i₁，j₁)，p_LT)/d(p_LT，p_LD)＝d(q(m₁，n₁)，q_LT)/d(q_LT，q_LD)；

d(p(i₂，j₂)，p_RT)/d(p_RT，p_RD)＝d(q(m₂，n₂)，q_RT)/d(q_RT，q_RD)；

d(p(i，j)，p(i₁，j₁))/d(p(i₁，j₁)，p(i₂，j₂))＝d(q(m，n)，q(m₁，n₁))/d(q(m₁，n₁)，q(m₂，n₂))。

通过上述约束关系，再考虑到p(i₁，j₁)与p(i₂，j₂)点都在边线上，可以解得与q(m，n)点对应的原始图像上的点坐标p(i，j)。这样对任意一点q(m，n)，可以用对应的原始图像上的一点p(i，j)来填充，对倾斜纠正后图像上的所有点进行上述过程，就可以获得倾斜纠正后的图像。

本发明还公开了一种图像倾斜纠正系统，包括：

边缘点提取模块，用于提取当前图像中四个方向上的边缘点；

选择模块，用于对所述四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点；

拟合模块，用于对经过所述选择模块处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (7)

1.一种图像倾斜纠正方法，其特征在于，包括以下步骤：

S1：提取当前图像中四个方向上的边缘点；

S2：对所述四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点；

S3：对经过步骤S2处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正；

其中，步骤S2具体包括以下步骤：

S21：根据四个方向的边缘点分别进行直线拟合，根据拟合出的四条直线的交点构造出一个四边形，以四边形中边长最长的一个边作为基准边；

S22：计算所有与基准边相邻的A、B两边上的边缘点到基准边的距离；

S23：设A边上第i个边缘点到基准边的距离为L_i，B边上第j个边缘点到基准边的距离为L_j，若满足下式，则认为

和

为一个边缘点对，

|L_i-L_j|＜δ³

其中，δ³为第一距离阈值；

S24：计算步骤S23获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离L_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

L_max-L＜δ⁴

其中，L为所述两点之间的距离，δ⁴为第二距离阈值；

S25：以A、B两边中较长的边作为新的基准边，并以新的基准边的两个相邻边作为新的A、B边，计算所述新的A、B两边上的边缘点到所述新的基准边的距离；

S26：设所述新的A边上第i个边缘点

到基准边的距离为nL_i，所述新的B边上第j个边缘点

到基准边的距离为nL_j，若满足下式，则认为

和

为一个边缘点对，

|nL_i-nL_j|＜δ⁵

其中，δ⁵为第三距离阈值；

S27：计算步骤S26获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离nL_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

nL_max-nL＜δ⁶

其中，nL为所述两点之间的距离，δ⁶为第四距离阈值。

2.如权利要求1所述的图像倾斜纠正方法，其特征在于，步骤S1中包括：

S11：通过下式提取当前图像上的待定上边缘点，

$p(i,j)-p(i-1,j)>{\mathrm{\δ}}_U^1$

其中，p(i，j)为当前图像上第i行第j列处图像点的灰度值，0≤i＜I，I为当前图像的行数，0≤j＜J，J为当前图像的列数，

为待定上边缘点的灰度判决阈值；

通过下式提取当前图像上的待定下边缘点，

$p(i-1,j)-p(i,j)>{\mathrm{\δ}}_D^1$

其中，

为待定下边缘点的灰度判决阈值；

通过下式提取当前图像上的待定左边缘点，

$p(i,j)-p(i,j-1)>{\mathrm{\δ}}_L^1$

其中，

为待定左边缘点的灰度判决阈值；

通过下式提取当前图像上的待定右边缘点，

$p(i,j-1)-p(i,j)>{\mathrm{\δ}}_R^1$

其中，

为待定右边缘点的灰度判决阈值；

S12：若所述待定上边缘点能够满足下列三个条件之一，则判定其为上边缘点，

条件一： $|y_{k+1}-y_k|<{\mathrm{\&delta;}}_U^2,$ 且 $|y_{k+2}-y_{k+1}|<{\mathrm{\&delta;}}_U^2,$

其中，y_k为第k个待定上边缘点的纵坐标，

为上边缘点的判决阈值；

条件二： $|y_k-y_{k-1}|<{\mathrm{\&delta;}}_U^2,$ 且 $|y_{k+1}-y_k|<{\mathrm{\&delta;}}_U^2;$

条件三：且第k-1个待定上边缘点与第k-2个待定上边缘点都是上边缘点；

若所述待定下边缘点能够满足下列三个条件之一，则判定其为下边缘点，

条件一： $|y_{k+1}-y_k|<{\mathrm{\&delta;}}_D^2,$ 且 $|y_{k+2}-y_{k+1}|<{\mathrm{\&delta;}}_D^2,$

其中，y_k为第k个待定下边缘点的纵坐标，

为下边缘点的判决阈值；

条件二： $|y_k-y_{k-1}|<{\mathrm{\&delta;}}_D^2,$ 且 $|y_{k+1}-y_k|<{\mathrm{\&delta;}}_D^2;$

条件三：

且第k-1个待定下边缘点与第k-2个待定下边缘点都是下边缘点；

若所述待定左边缘点能够满足下列三个条件之一，则判定其为左边缘点，

条件一： $|x_{k+1}-x_k|<{\mathrm{\&delta;}}_L^2,$ 且 $|x_{k+2}-x_{k+1}|<{\mathrm{\&delta;}}_L^2,$

其中，x_k为第k个待定左边缘点的横坐标，

为左边缘点的判决阈值；

条件二： $|x_k-x_{k-1}|<{\mathrm{\&delta;}}_L^2,$ 且 $|x_{k+1}-x_k|<{\mathrm{\&delta;}}_L^2;$

条件三：

且第k-1个待定左边缘点与第k-2个待定左边缘点都是左边缘点；

若所述待定右边缘点能够满足下列三个条件之一，则判定其为右边缘点，

条件一： $|x_{k+1}-x_k|<{\mathrm{\&delta;}}_R^2,$ 且 $|x_{k+2}-x_{k+1}|<{\mathrm{\&delta;}}_R^2,$

其中，x_k为第k个待定右边缘点的横坐标，

为右边缘点的判决阈值；

条件二： $|x_k-x_{k-1}|<{\mathrm{\&delta;}}_R^2,$ 且 $|x_{k+1}-x_k|<{\mathrm{\&delta;}}_R^2;$

条件三：

且第k-1个待定右边缘点与第k-2个待定右边缘点都是右边缘点。

3.如权利要求2所述的图像倾斜纠正方法，其特征在于，步骤S12之后还包括步骤：

S13：根据步骤S12获得的四个方向上的边缘点的数量是否均达到第一数量阈值，若是，则直接执行步骤S2，若否，则降低四个方向上未达到数量阈值的相应的灰度判决阈值，重新执行步骤S11。

4.如权利要求1所述的图像倾斜纠正方法，其特征在于，所述步骤S24之后还包括以下步骤：

S241：若步骤S24保留的边缘点对少于第二数量阈值，则增大第二距离阈值，重新执行步骤S24。

5.如权利要求1或4所述的图像倾斜纠正方法，其特征在于，所述步骤S27之后还包括以下步骤：

S271：若步骤S27保留的边缘点对少于第三数量阈值，则增大第四距离阈值，重新执行步骤S27。

6.如权利要求1所述的图像倾斜纠正方法，其特征在于，步骤S3具体包括以下步骤：

S31：对经过步骤S2处理后四个方向上剩下的边缘点分别进行直线拟合，获得四条边的直线方程，并根据四条边的直线方程进一步确定四个角的坐标；

S32：通过确定的四个角的坐标以及当前图像的四个顶点，利用双线性插值法对图像进行倾斜纠正。

7.一种图像倾斜纠正系统，其特征在于，包括：

边缘点提取模块，用于提取当前图像中四个方向上的边缘点；

选择模块，用于对所述四个方向上的边缘点进行选择，以去除对直线拟合有负面作用的边缘点；

拟合模块，用于对经过所述选择模块处理后四个方向上剩下的边缘点分别进行边缘点直线拟合，获得四条边的直线方程，并进一步确定四个角的坐标，通过确定的四个角的坐标以及当前图像的四个顶点对图像进行倾斜纠正；

其中，选择模块具体包括：

拟合子模块，用于根据四个方向的边缘点分别进行直线拟合，根据拟合出的四条直线的交点构造出一个四边形，以四边形中边长最长的一个边作为基准边；

距离计算子模块，用于计算所有与基准边相邻的A、B两边上的边缘点到基准边的距离；

边缘点对判断子模块，用于设A边上第i个边缘点

到基准边的距离为L_i，B边上第j个边缘点

到基准边的距离为L_j，若满足下式，则认为

和为一个边缘点对，

|L_i-L_j|＜δ³

其中，δ³为第一距离阈值；

距离判断子模块，用于计算边缘点对判断子模块获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离L_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

L_max-L＜δ⁴

其中，L为所述两点之间的距离，δ⁴为第二距离阈值；

基准边距离计算子模块，用于以A、B两边中较长的边作为新的基准边，并以新的基准边的两个相邻边作为新的A、B边，计算所述新的A、B两边上的边缘点到所述新的基准边的距离；

边缘点对获取子模块，用于设所述新的A边上第i个边缘点

到基准边的距离为nL_i，所述新的B边上第j个边缘点

到基准边的距离为nL_j，若满足下式，则认为

和

为一个边缘点对，

|nL_i-nL_j|＜δ⁵

其中，δ⁵为第三距离阈值；

边缘点获取子模块，用于计算边缘点对获取子模块获得的边缘点对里每一对边缘点对的两点之间的距离，找出所述两点之间的最大距离nL_max，若满足下列公式，则保留相应边缘点对所包含的边缘点，否则，舍弃相应边缘点对所包含的边缘点，

nL_max-nL＜δ⁶

其中，nL为所述两点之间的距离，δ⁶为第四距离阈值。

Images