CN103971101A - 一种基于贝塞尔控制点搜索的曲线识别方法 - Google Patents

Abstract

一种基于贝塞尔控制点搜索的曲线识别方法。其包括：第一步骤，对当前图像进行高斯平滑处理、Hessian计算和Hessian图像细化操作，获取Hessian细化图像；第二步骤，用户根据实际曲线位置，在视频图像上标定3个控制点；第三步骤，根据3个控制点，采用Bezier曲线构建模型法获取Bezier曲线；第四步骤，根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出。本发明提供的基于贝塞尔控制点搜索的曲线识别方法可以简单、准确地识别出视频图像中的曲线。

Description

一种基于贝塞尔控制点搜索的曲线识别方法

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于贝塞尔控制点搜索的曲线识别方法。

背景技术

医学领域中的血管检测、掌纹检测、细胞检测，电力领域中的高压输电线检测等等都需要应用到曲线跟踪技术，因此曲线跟踪技术的研究有着重要的意义。

传统的曲线跟踪技术存在以下问题：1)对噪声图像敏感；2)对存在背景干扰的图像敏感；3)无法准确识别出交叉曲线；4)无法识别出现断裂的曲线；5)对于图像出现变化的情况，无法准确识别待检测曲线；6)无法实时地识别出图像中存在的曲线；7)一旦曲线检测错误，没有自动修正机制识别曲线。

综上所述，目前迫切需要提出一种能简单、有效地跟踪连接复杂场景中的曲线识别方法。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于贝塞尔控制点搜索的曲线识别方法。

为了达到上述目的，本发明提供的基于贝塞尔控制点搜索的曲线识别方法包括按顺序执行的下列步骤：

第一步骤101，对当前图像进行高斯平滑处理、Hessian计算和Hessian图像细化操作，获取Hessian细化图像；

第二步骤102，用户根据实际曲线位置，在视频图像上标定3个控制点；

第三步骤103，根据3个控制点，采用Bezier曲线构建模型法获取Bezier曲线；

第四步骤104，根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出。

在第一步骤101中，所述的高斯平滑处理的方法如下：设当前图像为I(x,y)，经过滤波处理后获得的平滑图像I_σ(x,y)为：

I_σ(x,y)＝I(x,y)*g_σ(x,y)

其中，I(x,y)为当前图像内点(x,y)的灰度值，I_σ(x,y)为当前图像的平滑图像内点(x,y)的灰度值，g_σ(x,y)表示高斯平滑的核函数，*表示卷积运算，高斯平滑的核函数g_σ(x,y)中σ的取值与线的宽度有关，满足其中ω表示线的像素宽度。

在第一步骤101中，所述的Hessian计算包括以下步骤：

步骤a)利用当前的平滑图像内每点(x,y)的灰度值的二阶梯度值构建Hessian矩阵 $H(x,y)=\left(\begin{array}{cc}{r}_{\mathrm{xx}}(x,y)& r_{\mathrm{xy}}(x,y)\\ r_{\mathrm{xy}}(x,y)& r_{\mathrm{yy}}(x,y)\end{array}\right),$ 计算Hessian矩阵的特征值λ，其中，r_xx(x,y)、r_xy(x,y)、r_yy(x,y)表示点(x,y)与周围八个邻边点的灰度梯度差值，其计算公式如下：

r_xx(x,y)＝|I(x-1,y)+I(x+1,y)-I(x,y)|

r_yy(x,y)＝|I(x,y-1)+I(x,y+1)-I(x,y)|

r_xy(x,y)＝|I(x-1,y-1)+I(x+1,y+1)-I(x-1,y+1)-I(x+1,y-1)|

其中，I(·,·)表示像素点(·,·)的灰度值；

步骤b)若平滑图像内某一点的Hessian矩阵的特征值λ≥TH1，TH1∈[4.2,4.9]，则认为该点是Hessian点，否则滤除该点，从而获得Hessian图像。

在第一步骤101中，所述的Hessian图像细化操作方法是对Hessian图像进行形态学细化操作，以获得Hessian细化图像。

在第三步骤103中，所述的根据3个控制点P₀(x₀,y₀),P₁(x₁,y₁),P₂(x₂,y₂)，采用Bezier曲线构建模型法确定Bezier曲线的公式如下：

P(t)＝(1-t)²P₀+2(1-t)tP₁+t²P₂ 0≤t≤1。

在第四步骤中，所述的根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出的方法包括以下步骤：

步骤1041，同时将3个控制点P₀(x₀,y₀),P₁(x₁,y₁),P₂(x₂,y₂)在(x-△x,y-△y)、(x-△x,y+△y)、(x+△x,y-△y)、(x+△x,y+△y)四个方向上进行整体平移，△x∈{k1,2k1,L,k1×n}，△y∈{k1,2k1,L,k1×n}，其中k1、n为阈值参数，k1∈[4,6]且为整数，n∈[2,4]且为整数，根据整体平移后的新控制点构建4n条新的Bezier曲线；

步骤1042，分别针对每条新的Bezier曲线，对该Bezier曲线上的每一点在(Δx′，Δy′)范围内搜索最近的Hessian点，△x′∈[-k1,k1]且为整数，△y′∈[-k1,k1]且为整数，统计该Bezier曲线上全部点与最近Hessian点的距离和；

步骤1043，比较每条新的Bezier曲线统计的距离和的大小，选取距离和最小的Bezier曲线对应的3个控制点P₀′(x₀′,y₀′),P₁′(x₁′,y₁′),P₂′(x₂′,y₂′)为3个基准控制点；

步骤1044，保持P₁′、P₂′两个基准控制点不变，分别以P₀′周围的6个像素范围内的像素点为临时控制点，并根据该临时控制点以及P₁′、P₂′构建Bezier曲线，计算该Bezier曲线的长度，以及该Bezier曲线在Hessian细化图像上的有效点的数目，即统计该Bezier曲线上点属于Hessian细化图像前景点的数目，并计算该有效点的数目与该Bezier曲线的长度的比值，若该比值大于k2，k2∈[0.5,0.6]，则将该临时控制点作为基准控制点P₀′的最佳控制点P₀ ^*；同时以相同的方法分别获取基准控制点P₁′、P₂′的最佳控制点P₁ ^*、P₂ ^*；

步骤1045，根据最佳控制点P₀ ^*、P₁ ^*、P₂ ^*构建Bezier曲线，并将该Bezier曲线作为检测曲线并输出。

本发明提供的基于贝塞尔控制点搜索的曲线识别方法可以简单、准确地识别出视频图像中的曲线。

附图说明

图1为本发明提供的基于贝塞尔控制点搜索的曲线识别方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于贝塞尔控制点搜索的曲线识别方法进行详细说明。

图1为本发明提供的基于贝塞尔控制点搜索的曲线识别方法的流程图；如图1所示，本发明提供的基于贝塞尔控制点搜索的曲线识别方法包括按顺序执行的下列步骤：

第一步骤101，对当前图像进行高斯平滑处理、Hessian计算和Hessian图像细化操作，获取Hessian细化图像；

第二步骤102，用户根据实际曲线位置，在视频图像上标定3个控制点；

第三步骤103，根据3个控制点，采用Bezier曲线构建模型法获取Bezier曲线；

第四步骤104，根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出。

在第一步骤101中，所述的高斯平滑处理方法是采用高斯平滑函数对当前图像(其中，当前图像可以是实时操作时接收的图像，也可以是一段视频中的当前帧图像)进行滤波处理，以得到当前的平滑图像，具体如下：设当前图像为I(x,y)，I(x,y)即为当前图像内点(x,y)的灰度值，经过滤波处理后获得的平滑图像I_σ(x,y)(I_σ(x,y)即为当前图像的平滑图像内点(x,y)的灰度值)为：

I_σ(x,y)＝I(x,y)*g_σ(x,y)

其中，g_σ(x,y)表示高斯平滑的核函数，*表示卷积运算。高斯平滑的核函数g_σ(x,y)中σ的取值与线的宽度有关，满足其中ω表示线的像素宽度。

所述的Hessian计算方法是：

步骤a)利用当前的平滑图像内每点(x,y)的灰度值的二阶梯度值构建Hessian矩阵 $H(x,y)=\left(\begin{array}{cc}{r}_{\mathrm{xx}}(x,y)& r_{\mathrm{xy}}(x,y)\\ r_{\mathrm{xy}}(x,y)& r_{\mathrm{yy}}(x,y)\end{array}\right),$ 计算Hessian矩阵的特征值λ，其中，r_xx(x,y)、r_xy(x,y)、r_yy(x,y)表示点(x,y)与周围八个邻边点的灰度梯度差值，其计算公式如下：

r_xx(x,y)＝|I(x-1,y)+I(x+1,y)-I(x,y)|

r_yy(x,y)＝|I(x,y-1)+I(x,y+1)-I(x,y)|

r_xy(x,y)＝|I(x-1,y-1)+I(x+1,y+1)-I(x-1,y+1)-I(x+1,y-1)|

其中，I(·,·)表示像素点(·,·)的灰度值；

步骤b)若平滑图像内某一点的Hessian矩阵的特征值λ≥TH1，TH1∈[4.2,4.9]，则认为该点是Hessian点，否则滤除该点，从而获得Hessian图像。

Hessian图像细化操作是对Hessian图像进行形态学细化操作，以获得Hessian细化图像。其中，形态学细化操作可以参考“数字图像处理，冈萨雷斯，电子工业出版社”。

在第三步骤中，所述的根据3个控制点P₀(x₀,y₀),P₁(x₁,y₁),P₂(x₂,y₂)，采用Bezier曲线构建模型法确定Bezier曲线，其公式如下：

P(t)＝(1-t)²P₀+2(1-t)tP₁+t²P₂ 0≤t≤1

在第四步骤中，所述的根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出包括以下步骤：

步骤1041，同时将3个控制点P₀(x₀,y₀),P₁(x₁,y₁),P₂(x₂,y₂)在(x-△x,y-△y)、(x-△x,y+△y)、(x+△x,y-△y)、(x+△x,y+△y)四个方向上进行整体平移，△x∈{k1,2k1,L,k1×n}，△y∈{k1,2k1,L,k1×n}，其中k1、n为阈值参数，k1∈[4,6]且为整数，n∈[2,4]且为整数，根据整体平移后的新控制点可以构建4n条新的Bezier曲线；

步骤1042，分别针对每条新的Bezier曲线，对该Bezier曲线上的每一点在(△x′，△y′)范围内搜索最近的Hessian点，△x′∈[-k1,k1]且为整数，△y′∈[-k1,k1]且为整数，统计该Bezier曲线上全部点与最近Hessian点的距离和；

步骤1043，比较每条新的Bezier曲线统计的距离和的大小，选取距离和最小的Bezier曲线对应的3个控制点P₀′(x₀′,y₀′),P₁′(x₁′,y₁′),P₂′(x₂′,y₂′)为3个基准控制点；

步骤1044，保持P₁′、P₂′两个基准控制点不变，分别以P₀′周围的6个像素范围内的像素点为临时控制点，并根据该临时控制点以及P₁′、P₂′构建Bezier曲线，计算该Bezier曲线的长度，以及该Bezier曲线在Hessian细化图像上的有效点的数目，即统计该Bezier曲线上点属于Hessian细化图像前景点的数目，并计算该有效点的数目与该Bezier曲线的长度的比值，若该比值大于k2，k2∈[0.5,0.6]，则将该临时控制点作为基准控制点P₀′的最佳控制点P₀ ^*；同时以相同的方法分别获取基准控制点P₁′、P₂′的最佳控制点P₁ ^*、P₂ ^*；

步骤1045，根据最佳控制点P₀ ^*、P₁ ^*、P₂ ^*构建Bezier曲线，并将该Bezier曲线作为检测曲线并输出。

优选地，在输电线曲线检测时可以选取k1＝4，n＝3，k2＝0.55。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (6)

1.一种基于贝塞尔控制点搜索的曲线识别方法，其特征在于，该方法包括按顺序执行的下列步骤：

第一步骤101，对当前图像进行高斯平滑处理、Hessian计算和Hessian图像细化操作，获取Hessian细化图像；

第二步骤102，用户根据实际曲线位置，在视频图像上标定3个控制点；

第三步骤103，根据3个控制点，采用Bezier曲线构建模型法获取Bezier曲线；

第四步骤104，根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出。

2.如权利要求1所述的方法，其特征在于，在第一步骤101中，所述的高斯平滑处理的方法如下：设当前图像为I(x,y)，经过滤波处理后获得的平滑图像I_σ(x,y)为：

I_σ(x,y)＝I(x,y)*g_σ(x,y)

其中，I(x,y)为当前图像内点(x,y)的灰度值，I_σ(x,y)为当前图像的平滑图像内点(x,y)的灰度值，g_σ(x,y)表示高斯平滑的核函数，*表示卷积运算，高斯平滑的核函数g_σ(x,y)中σ的取值与线的宽度有关，满足其中ω表示线的像素宽度。

3.如权利要求1所述的方法，其特征在于，在第一步骤101中，所述的Hessian计算包括以下步骤：

步骤a)利用当前的平滑图像内每点(x,y)的灰度值的二阶梯度值构建Hessian矩阵 $H(x,y)=\left(\begin{array}{cc}{r}_{\mathrm{xx}}(x,y)& r_{\mathrm{xy}}(x,y)\\ r_{\mathrm{xy}}(x,y)& r_{\mathrm{yy}}(x,y)\end{array}\right),$ 计算Hessian矩阵的特征值λ，其中，r_xx(x,y)、r_xy(x,y)、r_yy(x,y)表示点(x,y)与周围八个邻边点的灰度梯度差值，其计算公式如下：

r_xx(x,y)＝|I(x-1,y)+I(x+1,y)-I(x,y)|

r_yy(x,y)＝|I(x,y-1)+I(x,y+1)-I(x,y)|

r_xy(x,y)＝|I(x-1,y-1)+I(x+1,y+1)-I(x-1,y+1)-I(x+1,y-1)|

其中，I(·,·)表示像素点(·,·)的灰度值；

步骤b)若平滑图像内某一点的Hessian矩阵的特征值λ≥TH1，TH1∈[4.2,4.9]，则认为该点是Hessian点，否则滤除该点，从而获得Hessian图像。

4.如权利要求1所述的方法，其特征在于，在第一步骤101中，所述的Hessian图像细化操作方法是对Hessian图像进行形态学细化操作，以获得Hessian细化图像。

5.如权利要求1所述的方法，其特征在于，在第三步骤103中，所述的根据3个控制点P₀(x₀,y₀),P₁(x₁,y₁),P₂(x₂,y₂)，采用Bezier曲线构建模型法确定Bezier曲线的公式如下：

P(t)＝(1-t)²P₀+2(1-t)tP₁+t²P₂ 0≤t≤1。

6.如权利要求1所述的方法，其特征在于，在第四步骤中，所述的根据Bezier曲线和3个控制点获取Hessian细化图像上的检测曲线并输出的方法包括以下步骤：

步骤1041，同时将3个控制点P₀(x₀,y₀),P₁(x₁,y₁),P₂(x₂,y₂)在(x-△x,y-△y)、(x-△x,y+△y)、(x+△x,y-△y)、(x+△x,y+△y)四个方向上进行整体平移，△x∈{k1,2k1,L,k1×n}，△y∈{k1,2k1,L,k1×n}，其中k1、n为阈值参数，k1∈[4,6]且为整数，n∈[2,4]且为整数，根据整体平移后的新控制点构建4n条新的Bezier曲线；

步骤1042，分别针对每条新的Bezier曲线，对该Bezier曲线上的每一点在(Δx′，Δy′)范围内搜索最近的Hessian点，△x′∈[-k1,k1]且为整数，△y′∈[-k1,k1]且为整数，统计该Bezier曲线上全部点与最近Hessian点的距离和；

步骤1043，比较每条新的Bezier曲线统计的距离和的大小，选取距离和最小的Bezier曲线对应的3个控制点P₀′(x₀′,y₀′),P₁′(x₁′,y₁′),P₂′(x₂′,y₂′)为3个基准控制点；

步骤1044，保持P₁′、P₂′两个基准控制点不变，分别以P₀′周围的6个像素范围内的像素点为临时控制点，并根据该临时控制点以及P₁′、P₂′构建Bezier曲线，计算该Bezier曲线的长度，以及该Bezier曲线在Hessian细化图像上的有效点的数目，即统计该Bezier曲线上点属于Hessian细化图像前景点的数目，并计算该有效点的数目与该Bezier曲线的长度的比值，若该比值大于k2，k2∈[0.5,0.6]，则将该临时控制点作为基准控制点P₀′的最佳控制点P₀ ^*；同时以相同的方法分别获取基准控制点P₁′、P₂′的最佳控制点P₁ ^*、P₂ ^*；

步骤1045，根据最佳控制点P₀ ^*、P₁ ^*、P₂ ^*构建Bezier曲线，并将该Bezier曲线作为检测曲线并输出。