CN103177260A - 一种彩色图像边界提取方法 - Google Patents

一种彩色图像边界提取方法 Download PDF

Info

Publication number
CN103177260A
CN103177260A CN2013101357083A CN201310135708A CN103177260A CN 103177260 A CN103177260 A CN 103177260A CN 2013101357083 A CN2013101357083 A CN 2013101357083A CN 201310135708 A CN201310135708 A CN 201310135708A CN 103177260 A CN103177260 A CN 103177260A
Authority
CN
China
Prior art keywords
image
grad
vectorial
boundary
information
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
CN2013101357083A
Other languages
English (en)
Other versions
CN103177260B (zh
Inventor
黄立勤
王丽
陈财淦
杨秀芝
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.)
Fuxin Futong Technology Co., Ltd
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201310135708.3A priority Critical patent/CN103177260B/zh
Publication of CN103177260A publication Critical patent/CN103177260A/zh
Application granted granted Critical
Publication of CN103177260B publication Critical patent/CN103177260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明涉及一种彩色图像边界提取方法，根据彩色图像主要包含的色彩信息和亮度信息，在边界提取的过程中同时考虑色彩信息和亮度信息的边界提取，并将两者融合起来，得到更加完善的边界图像。本发明设计了一种基于亮度信息和向量空间的彩色图像Canny边界提取方法，分别计算亮度信息和向量空间的梯度值及方向，然后对两组梯度值单独进行非极大值抑制，设定高低阈值，分别融合得到的高阈值图像和低阈值图像，最后利用形态学处理得到最终边界。

Description

一种彩色图像边界提取方法
技术领域
本发明涉及计算机视觉、数字图像处理领域，尤其是一种彩色图像边界提取方法。
背景技术
彩色图像边界是指图像中周围像素值有阶跃变化的那些像素的集合，即图像局部变化最显著的部分。边界提取算法通常分为三类：输出合成，梯度合成及向量方法。输出合成，先对彩色图像的各分量独立边缘检测，然后合成前面的结果作为最后边缘；梯度合成，先合成各分量的梯度，然后边缘检测；向量方法将彩色图像看作向量，充分利用色彩信息，可以获得比较理想的边缘。
目前灰度图像边界提取技术已相当成熟，彩色边界提取最直接的方法就是将彩色图像转变为灰度图像，然后利用现有灰度图像边界提取技术提取边界。然而彩色图像有90%的边缘和灰度图像中的边缘相同，有10%的边缘在灰度图像中是检测不到的，人在视觉上感知边缘位置的依据是亮度值和色彩等信息。
采用基于向量空间的彩色图像Canny算法可以充分利用色彩信息。首先将彩色图像R、G、B分量在向量空间计算梯度，得到向量空间梯度值及方向角，然后依据方向角对梯度图像进行非极大值抑制，计算高低两个阈值，最后在8邻域内连接边界点得到边界图像。
如上所述，采用彩色图像转灰度图像再进行边界提取将丢失10%的色彩边界；并且在彩色图像转到灰度图像的过程中也会有大量彩色相关信息丢失；采用基于向量空间的彩色图像Canny算法可以充分利用色彩信息，但是会忽略一些亮度信息。
因此，本发明针对以上问题提出充分融合亮度信息和色彩信息的彩色图像边界提取方案，以提高彩色图像边界提取的精确性和高效性，同时尽量保持原有的算法复杂度。
发明内容
有鉴于此，本发明的目的是提供一种彩色图像边界提取方法。
本发明采用以下方案实现：一种彩色图像边界提取方法，其特征在于，包括以下步骤：
S1：提取彩色图像的亮度信息I和彩色信息R、G、B；
S2：对所述亮度信息I和彩色信息R、G、B分别进行高斯平滑，得到平滑后的亮度信息i和彩色信息r、g、b；
S3：对所述亮度信息i和彩色信息r、g、b分别求高斯一阶偏导，并计算所述亮度信息i的亮度梯度值                                               和方向以及所述彩色信息r、g、b在向量空间中的向量梯度值
Figure 2013101357083100002DEST_PATH_IMAGE006
和方向
Figure 2013101357083100002DEST_PATH_IMAGE008
；
S4：对所述亮度梯度值
Figure DEST_PATH_IMAGE002A
和向量梯度值
Figure DEST_PATH_IMAGE006A
分别进行非极大值抑制，并分别记为亮度梯度值G和向量梯度值F；
S5：对所述亮度梯度值G和向量梯度值F分别进行双阈值分割，得到亮度梯度值G的高阈值边界图像和低阈值边界图像
Figure 2013101357083100002DEST_PATH_IMAGE012
以及向量梯度值F的高阈值边界图像
Figure 2013101357083100002DEST_PATH_IMAGE014
和低阈值边界图像
Figure 2013101357083100002DEST_PATH_IMAGE016
；
S6：融合所述亮度梯度值G的高阈值边界图像和向量梯度值F的高阈值边界图像
Figure DEST_PATH_IMAGE014A
得到高阈值图像
Figure 2013101357083100002DEST_PATH_IMAGE018
，并融合所述亮度梯度值G的低阈值边界图像
Figure DEST_PATH_IMAGE012A
和向量梯度值F的低阈值边界图像
Figure DEST_PATH_IMAGE016A
得到低阈值图像
Figure 2013101357083100002DEST_PATH_IMAGE020
；
S7：在所述低阈值图像
Figure DEST_PATH_IMAGE020A
的8邻域寻找能够连接到所述高阈值图像
Figure DEST_PATH_IMAGE018A
的边界点，并连接成轮廓得到边界图像。
在本发明一实施例中，所述步骤S2中，利用高斯滤波公式
Figure 2013101357083100002DEST_PATH_IMAGE022
进行高斯滤波，其中，
Figure 2013101357083100002DEST_PATH_IMAGE026
为方差；对于亮度信息I，令，平滑结果为i，对于彩色信息R、G、B，分别令,
Figure 2013101357083100002DEST_PATH_IMAGE032
,
Figure 2013101357083100002DEST_PATH_IMAGE034
，平滑结果分别为r、g、b。
在本发明一实施例中，所述步骤S3中，所述亮度信息i的亮度梯度值
Figure 2013101357083100002DEST_PATH_IMAGE036
和方向
Figure 2013101357083100002DEST_PATH_IMAGE038
,对所述彩色信息r、g、b分别求高斯一阶偏导得
Figure 2013101357083100002DEST_PATH_IMAGE040
、
Figure 2013101357083100002DEST_PATH_IMAGE042
、
Figure 2013101357083100002DEST_PATH_IMAGE044
、
Figure 2013101357083100002DEST_PATH_IMAGE046
、和
Figure 2013101357083100002DEST_PATH_IMAGE050
，所述彩色信息r、g、b在向量空间中的向量梯度值
Figure 2013101357083100002DEST_PATH_IMAGE052
和方向
Figure 2013101357083100002DEST_PATH_IMAGE054
，其中，
Figure 2013101357083100002DEST_PATH_IMAGE056
，
Figure 2013101357083100002DEST_PATH_IMAGE058
，
Figure 2013101357083100002DEST_PATH_IMAGE060
，
Figure 2013101357083100002DEST_PATH_IMAGE062
，
Figure 2013101357083100002DEST_PATH_IMAGE064
。
在本发明一实施例中，所述步骤S4中，对于亮度梯度值
Figure DEST_PATH_IMAGE002AA
，进行非极大值抑制的插值计算时，权重由
Figure 2013101357083100002DEST_PATH_IMAGE066
与
Figure 2013101357083100002DEST_PATH_IMAGE068
的比值得到；对于向量梯度值
Figure DEST_PATH_IMAGE006AA
，进行非极大值抑制的插值计算时，首先保存梯度最大时对应的角度
Figure 2013101357083100002DEST_PATH_IMAGE070
，然后选择
Figure 2013101357083100002DEST_PATH_IMAGE072
 或
Figure 2013101357083100002DEST_PATH_IMAGE074
作为权重。
在本发明一实施例中，所述步骤S5中，选定两个阈值
Figure 2013101357083100002DEST_PATH_IMAGE076
和
Figure 2013101357083100002DEST_PATH_IMAGE078
，且
Figure 2013101357083100002DEST_PATH_IMAGE080
，从亮度梯度值G中去除梯度值小于
Figure DEST_PATH_IMAGE078A
的梯度值，得到高阈值边界图像
Figure DEST_PATH_IMAGE010AA
，去除梯度值小于
Figure DEST_PATH_IMAGE076A
的梯度值，得到低阈值边界图像
Figure DEST_PATH_IMAGE012AA
；从向量梯度值F中去除梯度值小于
Figure DEST_PATH_IMAGE078AA
的梯度值，得到高阈值边界图像
Figure DEST_PATH_IMAGE014AA
，去除梯度值小于
Figure DEST_PATH_IMAGE076AA
的梯度值，得到低阈值边界图像
Figure DEST_PATH_IMAGE016AA
。
在本发明一实施例中，所述
Figure 2013101357083100002DEST_PATH_IMAGE082
。
在本发明一实施例中，所述步骤S6中，所述融合方法为求并集。
在本发明一实施例中，所述步骤S7中，还采用二值图像单位像素细化所述轮廓得到最终边界图像。
本发明与现有技术相比具有如下优点：
1.现有的边界提取方法中，有的将彩色图像转变为灰度图像提取边界，这样会丢失部分色彩信息；有的在向量空间提取边界充分利用了色彩信息，但是忽略了一些亮度信息；而本发明则结合彩色图像特点，融合色彩信息和亮度信息，使得提取的边界更丰富。
2.现有技术中，向量梯度在非极大值抑制过程中无x方向和y方向信息或采用其近似信息来计算插值权重，无法达到准确的权重计算要求，从而降低了非极大值抑制的效果；而本发明在计算像素点的梯度的基础上，利用最大梯度的角度信息，并将其作为计算插值的权重，由此可以更加全面、精确的进行非极大值抑制，最终得到满足要求的梯度值。
3.现有技术中，对向量梯度提取阈值后直接进行8邻域连接，并且在此过程中无亮度信息的参与，所以对边界的提取的效果有所影响；而本发明增加了亮度信息，对像素的描述增加了准确性，并且在提取阈值信息后，对亮度和向量梯度的高、低阈值分别进行融合，在融合后的低阈值图像中的8邻域进行判断，寻找可以与高阈值图像相连的点，对可以连接的点进行连接，再利用二值图像细化边界，得到最终的边界，整个过程清晰，得到的结果明显优于现有的技术方案。
附图说明
图1是本发明提取边界图像的方法流程图。
图2是本发明非极大值抑制4个方向角。
图3是本发明非极大值抑制3×3邻域的4条梯度线。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施例和相关附图，对本发明作进一步详细说明。
本发明提供一种彩色图像边界提取方法，其特征在于，包括以下步骤：
S1：提取彩色图像的亮度信息I和彩色信息R、G、B；
S2：对所述亮度信息I和彩色信息R、G、B分别进行高斯平滑，得到平滑后的亮度信息i和彩色信息r、g、b；
S3：对所述亮度信息i和彩色信息r、g、b分别求高斯一阶偏导，并计算所述亮度信息i的亮度梯度值和方向
Figure DEST_PATH_IMAGE004A
以及所述彩色信息r、g、b在向量空间中的向量梯度值和方向
Figure DEST_PATH_IMAGE008A
；
S4：对所述亮度梯度值
Figure DEST_PATH_IMAGE002AAAA
和向量梯度值
Figure DEST_PATH_IMAGE006AAAA
分别进行非极大值抑制，并分别记为亮度梯度值G和向量梯度值F；
S5：对所述亮度梯度值G和向量梯度值F分别进行双阈值分割，得到亮度梯度值G的高阈值边界图像和低阈值边界图像
Figure DEST_PATH_IMAGE012AAA
以及向量梯度值F的高阈值边界图像
Figure DEST_PATH_IMAGE014AAA
和低阈值边界图像
Figure DEST_PATH_IMAGE016AAA
；
S6：融合所述亮度梯度值G的高阈值边界图像
Figure DEST_PATH_IMAGE010AAAA
和向量梯度值F的高阈值边界图像
Figure DEST_PATH_IMAGE014AAAA
得到高阈值图像
Figure DEST_PATH_IMAGE018AA
，并融合所述亮度梯度值G的低阈值边界图像
Figure DEST_PATH_IMAGE012AAAA
和向量梯度值F的低阈值边界图像
Figure DEST_PATH_IMAGE016AAAA
得到低阈值图像；
S7：在所述低阈值图像
Figure DEST_PATH_IMAGE020AAA
的8邻域寻找能够连接到所述高阈值图像
Figure DEST_PATH_IMAGE018AAA
的边界点，并连接成轮廓得到边界图像。
如图1所示，本发明提取彩色图像的边界图像方法流程主要为：首先，提取彩色图像的亮度信息I和彩色信息R、G、B；然后进行高斯平滑得到亮度信息i和彩色信息r、g、b并对其分别求高斯一阶偏导；接着，计算亮度信息i的亮度梯度值Gi和方向
Figure 2013101357083100002DEST_PATH_IMAGE084
以及彩色信息r、g、b在向量空间中的向量梯度值Fv和方向θ；分别对亮度梯度值Gi和向量梯度值Fv非极大值抑制得到亮度梯度值G和向量梯度值F；然后分别对亮度梯度值G和向量梯度值F进行双阈值分割，并分别融合高阈值图像和低阈值图像；接着在低阈值图像的8邻域寻找可以连接到高阈值图像的边界点，并连接成轮廓得到边界图像，最后采用二值图像单位像素细化所述轮廓得到最终的边界图像。
所述步骤S2中，利用高斯滤波公式进行高斯滤波，滤除图像中的噪声，其中
Figure DEST_PATH_IMAGE024A
，
Figure DEST_PATH_IMAGE026A
为方差；对于亮度信息I，令，平滑结果为i，对于彩色信息R、G、B，分别令
Figure DEST_PATH_IMAGE030A
,
Figure DEST_PATH_IMAGE032A
,，平滑结果分别为r、g、b。
所述步骤S3中，所述亮度信息i的亮度梯度值和方向
Figure DEST_PATH_IMAGE038A
,对所述彩色信息r、g、b分别求高斯一阶偏导得
Figure DEST_PATH_IMAGE040A
、、
Figure DEST_PATH_IMAGE044A
、
Figure DEST_PATH_IMAGE046A
、
Figure DEST_PATH_IMAGE048A
和，所述彩色信息r、g、b在向量空间中的向量梯度值
Figure DEST_PATH_IMAGE052A
和方向
Figure DEST_PATH_IMAGE054A
，其中，
Figure DEST_PATH_IMAGE056A
，
Figure DEST_PATH_IMAGE058A
，
Figure DEST_PATH_IMAGE060A
，
Figure DEST_PATH_IMAGE062A
，
Figure DEST_PATH_IMAGE064A
。
所述步骤S4中，由于8邻域中每两个点对于中心像素是对称的，所以可规定4个方向角如图2所示，x，y方向为坐标轴正方向，4个方向角范围如下：
方向角1：
Figure 2013101357083100002DEST_PATH_IMAGE086
，（注：图中y方向向下为正）
方向角2：
Figure 2013101357083100002DEST_PATH_IMAGE088
，
方向角3：
Figure 2013101357083100002DEST_PATH_IMAGE090
，
方向角4：
Figure 2013101357083100002DEST_PATH_IMAGE092
。
如图3所示，3×3邻域有4条梯度线，沿梯度线某一方向的梯度值，由与该梯度线方向相邻的两个梯度值插值得到。对于亮度梯度值，在8邻域分别进行非极大值抑制的插值计算时，权重由
Figure DEST_PATH_IMAGE066A
与
Figure DEST_PATH_IMAGE068A
的比值得到；在向量空间中，没有明显的
Figure DEST_PATH_IMAGE094
方向和方向分量值，所以，对于向量梯度值
Figure DEST_PATH_IMAGE006AAAAA
，在8邻域分别进行非极大值抑制的插值计算时，首先保存梯度最大时对应的角度
Figure DEST_PATH_IMAGE070A
，然后选择
Figure DEST_PATH_IMAGE072A
 或
Figure DEST_PATH_IMAGE074A
作为权重，接着，将邻域中心像素M处的梯度值FM与图3中沿梯度线(黑色直线)的两个插值比较大小。如果FM不比沿梯度线上的两个插值都大，则令FM=0。记非极大值抑制后亮度梯度值为G，向量梯度值为F。
所述步骤S5中，选定两个阈值
Figure DEST_PATH_IMAGE076AAA
和
Figure DEST_PATH_IMAGE078AAA
，且
Figure DEST_PATH_IMAGE080A
，较佳的取
Figure DEST_PATH_IMAGE082A
，从亮度梯度值G中去除梯度值小于
Figure DEST_PATH_IMAGE078AAAA
的梯度值，得到高阈值边界图像
Figure DEST_PATH_IMAGE010AAAAA
，去除梯度值小于
Figure DEST_PATH_IMAGE076AAAA
的梯度值，得到低阈值边界图像
Figure DEST_PATH_IMAGE012AAAAA
；从向量梯度值F中去除梯度值小于
Figure DEST_PATH_IMAGE078AAAAA
的梯度值，得到高阈值边界图像，去除梯度值小于
Figure DEST_PATH_IMAGE076AAAAA
的梯度值，得到低阈值边界图像
Figure DEST_PATH_IMAGE016AAAAA
。
所述步骤S6中，所述融合方法为求并集，即，
Figure DEST_PATH_IMAGE100
。
所述步骤S7中，还采用二值图像单位像素细化所述轮廓得到最终边界图像。
上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (8)

1.一种彩色图像边界提取方法，其特征在于，包括以下步骤：
S1：提取彩色图像的亮度信息I和彩色信息R、G、B；
S2：对所述亮度信息I和彩色信息R、G、B分别进行高斯平滑，得到平滑后的亮度信息i和彩色信息r、g、b；
S3：对所述亮度信息i和彩色信息r、g、b分别求高斯一阶偏导，并计算所述亮度信息i的亮度梯度值                                                
Figure 764797DEST_PATH_IMAGE002
和方向以及所述彩色信息r、g、b在向量空间中的向量梯度值
Figure 835576DEST_PATH_IMAGE006
和方向
Figure 230786DEST_PATH_IMAGE008
；
S4：对所述亮度梯度值
Figure 920524DEST_PATH_IMAGE002
和向量梯度值
Figure 742987DEST_PATH_IMAGE006
分别进行非极大值抑制，并分别记为亮度梯度值G和向量梯度值F；
S5：对所述亮度梯度值G和向量梯度值F分别进行双阈值分割，得到亮度梯度值G的高阈值边界图像
Figure 10020DEST_PATH_IMAGE010
和低阈值边界图像
Figure 208920DEST_PATH_IMAGE012
以及向量梯度值F的高阈值边界图像
Figure 254630DEST_PATH_IMAGE014
和低阈值边界图像
Figure 247994DEST_PATH_IMAGE016
；
S6：融合所述亮度梯度值G的高阈值边界图像和向量梯度值F的高阈值边界图像
Figure 739335DEST_PATH_IMAGE014
得到高阈值图像
Figure 262720DEST_PATH_IMAGE018
，并融合所述亮度梯度值G的低阈值边界图像
Figure 2013101357083100001DEST_PATH_IMAGE019
和向量梯度值F的低阈值边界图像得到低阈值图像；
S7：在所述低阈值图像
Figure 809556DEST_PATH_IMAGE021
的8邻域寻找能够连接到所述高阈值图像
Figure 458581DEST_PATH_IMAGE022
的边界点，并连接成轮廓得到边界图像。
2.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S2中，利用高斯滤波公式
Figure 102052DEST_PATH_IMAGE024
进行高斯滤波，其中
Figure 437218DEST_PATH_IMAGE026
，
Figure 166140DEST_PATH_IMAGE028
为方差；对于亮度信息I，令
Figure 120321DEST_PATH_IMAGE030
，平滑结果为i，对于彩色信息R、G、B，分别令
Figure 618298DEST_PATH_IMAGE032
,
Figure 389945DEST_PATH_IMAGE034
,
Figure 340583DEST_PATH_IMAGE036
，平滑结果分别为r、g、b。
3.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S3中，所述亮度信息i的亮度梯度值
Figure 599920DEST_PATH_IMAGE038
和方向,对所述彩色信息r、g、b分别求高斯一阶偏导得
Figure 894952DEST_PATH_IMAGE042
、
Figure 332887DEST_PATH_IMAGE044
、
Figure 628870DEST_PATH_IMAGE046
、、
Figure 214889DEST_PATH_IMAGE050
和
Figure 140120DEST_PATH_IMAGE052
，所述彩色信息r、g、b在向量空间中的向量梯度值
Figure 738329DEST_PATH_IMAGE054
和方向
Figure 799826DEST_PATH_IMAGE056
，其中，
Figure 84177DEST_PATH_IMAGE058
，
Figure 496703DEST_PATH_IMAGE060
，，
Figure 581651DEST_PATH_IMAGE064
，
Figure 771324DEST_PATH_IMAGE066
。
4.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S4中，对于亮度梯度值
Figure 2013101357083100001DEST_PATH_IMAGE067
，进行非极大值抑制的插值计算时，权重由
Figure 2013101357083100001DEST_PATH_IMAGE069
与
Figure 2013101357083100001DEST_PATH_IMAGE071
的比值得到；对于向量梯度值
Figure 883915DEST_PATH_IMAGE072
，进行非极大值抑制的插值计算时，首先保存梯度最大时对应的角度
Figure 450026DEST_PATH_IMAGE074
，然后选择 或
Figure 987635DEST_PATH_IMAGE078
作为权重。
5.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S5中，选定两个阈值
Figure 374754DEST_PATH_IMAGE080
和
Figure 744555DEST_PATH_IMAGE082
，且
Figure 2013101357083100001DEST_PATH_IMAGE084
，从亮度梯度值G中去除梯度值小于
Figure DEST_PATH_IMAGE085
的梯度值，得到高阈值边界图像
Figure 9052DEST_PATH_IMAGE010
，去除梯度值小于的梯度值，得到低阈值边界图像
Figure 290309DEST_PATH_IMAGE019
；从向量梯度值F中去除梯度值小于
Figure 463801DEST_PATH_IMAGE085
的梯度值，得到高阈值边界图像
Figure 2013101357083100001DEST_PATH_IMAGE086
，去除梯度值小于
Figure 474483DEST_PATH_IMAGE080
的梯度值，得到低阈值边界图像。
6.根据权利要求5所述的一种彩色图像边界提取方法，其特征在于：所述
Figure 2013101357083100001DEST_PATH_IMAGE088
。
7.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S6中，所述融合方法为求并集。
8.根据权利要求1所述的一种彩色图像边界提取方法，其特征在于：所述步骤S7中，还采用二值图像单位像素细化所述轮廓得到最终边界图像。
CN201310135708.3A 2013-04-19 2013-04-19 一种彩色图像边界提取方法 Active CN103177260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310135708.3A CN103177260B (zh) 2013-04-19 2013-04-19 一种彩色图像边界提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310135708.3A CN103177260B (zh) 2013-04-19 2013-04-19 一种彩色图像边界提取方法

Publications (2)

Publication Number Publication Date
CN103177260A true CN103177260A (zh) 2013-06-26
CN103177260B CN103177260B (zh) 2016-05-25

Family

ID=48637101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310135708.3A Active CN103177260B (zh) 2013-04-19 2013-04-19 一种彩色图像边界提取方法

Country Status (1)

Country Link
CN (1) CN103177260B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104711784A (zh) * 2015-04-01 2015-06-17 华中科技大学 一种获得裁片缝合路径的方法
WO2015089859A1 (zh) * 2013-12-20 2015-06-25 深圳市华星光电技术有限公司 配向膜的边界获取方法及检测方法
CN105809677A (zh) * 2016-03-03 2016-07-27 Tcl集团股份有限公司 一种基于双边滤波器的图像边缘检测方法及系统
CN107145871A (zh) * 2017-05-10 2017-09-08 深圳众厉电力科技有限公司 一种可手势操作的智能家居控制系统
CN107330433A (zh) * 2017-05-17 2017-11-07 北京捷通华声科技股份有限公司 图像处理方法和装置
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN108108733A (zh) * 2017-12-19 2018-06-01 北京奇艺世纪科技有限公司 一种新闻字幕检测方法及装置
CN109716355A (zh) * 2016-09-07 2019-05-03 马尔文帕纳科公司 微粒边界识别
CN112767321A (zh) * 2021-01-05 2021-05-07 华东师范大学 一种基于随机森林的荧光结核杆菌检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050259847A1 (en) * 2004-01-29 2005-11-24 Yakup Genc System and method for tracking parcels on a planar surface
CN102404594A (zh) * 2011-10-31 2012-04-04 庞志勇 基于图像边缘信息的2d转3d的方法
CN102999916A (zh) * 2012-12-12 2013-03-27 清华大学深圳研究生院 一种彩色图像的边缘提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050259847A1 (en) * 2004-01-29 2005-11-24 Yakup Genc System and method for tracking parcels on a planar surface
CN102404594A (zh) * 2011-10-31 2012-04-04 庞志勇 基于图像边缘信息的2d转3d的方法
CN102999916A (zh) * 2012-12-12 2013-03-27 清华大学深圳研究生院 一种彩色图像的边缘提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高俊钗、韩冰、王泽民、李翰山: ""向量空间彩色图像的canny边缘检测"", 《科学技术与工程》, vol. 8, no. 3, 1 February 2008 (2008-02-01) *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015089859A1 (zh) * 2013-12-20 2015-06-25 深圳市华星光电技术有限公司 配向膜的边界获取方法及检测方法
CN104711784B (zh) * 2015-04-01 2019-01-29 华中科技大学 一种获得裁片缝合路径的方法
CN104711784A (zh) * 2015-04-01 2015-06-17 华中科技大学 一种获得裁片缝合路径的方法
CN105809677A (zh) * 2016-03-03 2016-07-27 Tcl集团股份有限公司 一种基于双边滤波器的图像边缘检测方法及系统
CN105809677B (zh) * 2016-03-03 2020-12-22 武汉Tcl集团工业研究院有限公司 一种基于双边滤波器的图像边缘检测方法及系统
CN109716355B (zh) * 2016-09-07 2023-12-26 马尔文帕纳科公司 微粒边界识别
CN109716355A (zh) * 2016-09-07 2019-05-03 马尔文帕纳科公司 微粒边界识别
CN107145871A (zh) * 2017-05-10 2017-09-08 深圳众厉电力科技有限公司 一种可手势操作的智能家居控制系统
CN107145871B (zh) * 2017-05-10 2019-03-19 重庆简华科技有限公司 一种可手势操作的智能家居控制系统
CN107330433B (zh) * 2017-05-17 2020-01-07 北京捷通华声科技股份有限公司 图像处理方法和装置
CN107330433A (zh) * 2017-05-17 2017-11-07 北京捷通华声科技股份有限公司 图像处理方法和装置
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN108108733A (zh) * 2017-12-19 2018-06-01 北京奇艺世纪科技有限公司 一种新闻字幕检测方法及装置
CN112767321A (zh) * 2021-01-05 2021-05-07 华东师范大学 一种基于随机森林的荧光结核杆菌检测方法
CN112767321B (zh) * 2021-01-05 2023-02-17 华东师范大学 一种基于随机森林的荧光结核杆菌检测方法

Also Published As

Publication number Publication date
CN103177260B (zh) 2016-05-25

Similar Documents

Publication Publication Date Title
CN103177260A (zh) 一种彩色图像边界提取方法
CN107578035B (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN104574366B (zh) 一种基于单目深度图的视觉显著性区域的提取方法
CN105844655B (zh) 一种激光线条纹边缘提取方法
CN107067382A (zh) 一种改进的图像边缘检测方法
US20170116461A1 (en) Image processing device and image processing method
CN104376319B (zh) 一种基于各向异性高斯核提取封闭边缘图像轮廓的方法
CN103971128A (zh) 一种面向无人驾驶车的交通标志识别方法
CN102883175A (zh) 深度图提取、判断视频场景切换及深度图边缘优化方法
CN103186904A (zh) 图片轮廓提取方法及装置
CN103942756B (zh) 一种深度图后处理滤波的方法
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN104378619B (zh) 一种基于前后景梯度过渡的快速高效的空洞填补算法
CN104966285A (zh) 一种显著性区域的检测方法
CN104537342A (zh) 一种结合山脊边界检测及霍夫变换的快速车道线检测方法
CN104766276B (zh) 一种基于颜色空间的偏色校正方法
CN108470340A (zh) 一种改进的Sobel边缘检测算法
CN105787912A (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN104537627A (zh) 一种深度图像的后处理方法
CN107038401A (zh) 一种嘴唇轮廓的分割及特征提取方法
CN106485663A (zh) 一种车道线图像增强方法及系统
CN106408533A (zh) 一种卡片图像提取方法及系统
CN107220943A (zh) 融合区域纹理梯度的船舶阴影去除方法
Yang et al. Depth map generation from a single image using local depth hypothesis
CN104091166B (zh) 一种车道线边缘提取的动态阈值方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191012

Address after: 350002, 15-16 floor, technology transfer center building, 611 Industrial Road, Gulou District, Fuzhou, Fujian.

Patentee after: FUJIAN FORTUNETONE NETWORK TECHNOLOGY CO., LTD.

Address before: Minhou County of Fuzhou City, Fujian province 350108 Street Town Road No. 2 University City School District of Fuzhou University

Patentee before: Fuzhou University

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 350000 Floor 15-16 of Technology Transfer Center Building of Strait No. 611 Industrial Road, Gulou District, Fuzhou City, Fujian Province

Patentee after: Fuxin Futong Technology Co., Ltd

Address before: 350002, 15-16 floor, technology transfer center building, 611 Industrial Road, Gulou District, Fuzhou, Fujian.

Patentee before: FUJIAN FORTUNETONE NETWORK TECHNOLOGY Co.,Ltd.