CN104036244A - 一种适用于低质量图像的棋盘格角点检测方法及装置 - Google Patents

Abstract

本发明属于图像识别领域，提供了一种棋盘格角点检测方法和装置，该方法包括以下步骤：获取棋盘格图像；将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；在增强后的棋盘格图像中确定角点所在的目标区域；确定每个目标区域中角点的坐标。本发明采用基于极坐标形状描述子和模式自动识别的方法进行棋盘格角点检测，有效解决了经典角点检测方法对图像质量要求高、抗噪声性能差、角点检测精度低的问题。

Description

一种适用于低质量图像的棋盘格角点检测方法及装置

技术领域

本发明属于图像识别领域，尤其涉及一种棋盘格角点检测的方法及其装置。

背景技术

相机标定是计算机视觉领域从二维图像获取三维信息的一个基本步骤,被广泛应用于三维重建、视觉检测和监控等领域。相机标定的精度直接影响后续计算机视觉任务的精度,而相机标定的精度在很大程度上取决于标定板控制点的图像定位精度。因此,提高标定板控制点的图像定位精度是计算机视觉领域重要的研究课题。如图1所示为棋盘格标定板，是在相机标定过程中应用最为广泛的一种标定板，所以针对棋盘格的角点检测目前已有较多的方法，如比较经典的方法有harris法、susan法等，发明专利CN201010105470.6提出了一种利用灰度模板匹配的方法进行“X”型角点，也就是棋盘格角点的检测方法，但目前的方法需要进行像素级的模板匹配，对图像的质量要求相对较高，图2为在图像质量不高的情况下harris法的角点识别结果，从图2中可以看出该方法的识别结果正确率很低，抗噪声性能差。图3为在图像质量不高的情况下susan法的角点识别结果，同上从图3中可以看出该方法也存在同样的问题。因此需要一种在图像质量不高的情况下，可以精确识别棋盘格角点的方法。

发明内容

本发明旨在提供一种抗噪性能好，能够适用于低质量棋盘格图像的角点自动检测方法。

本发明实施例是这样实现的，一种棋盘格角点检测方法，所述方法包括以下步骤：

获取棋盘格图像；

将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；

在增强后的棋盘格图像中确定角点所在的目标区域；

确定每个目标区域中角点的坐标。

本发明实施例的另一图像识别方法，一种棋盘格角点检测方法，确定每个目标区域中角点的坐标；步骤中,确定一个目标区域中角点的坐标的具体步骤为：

在第一滤波图像中搜索该目标区域灰度值最大的点作为角点，输出该角点的坐标。

本发明实施例的另一目的在于提供一种棋盘格角点检测装置，包括：棋盘格图像获取模块、增强滤波模块、二值化与膨胀腐蚀模块、目标区域确定模块和角点确定模块；其中：

棋盘格图像获取模块：用于获取棋盘格图像；

增强滤波模块：用于将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；

二值化与膨胀腐蚀模块：用于对增强后的棋盘格图像进行二值化与膨胀腐蚀处理。得到二值化与膨胀腐蚀处理后的棋盘格图像；

目标区域确定模块：用于在二值化与膨胀腐蚀处理后的棋盘格图像中确定角点所在的目标区域；

角点确定模块：用于确定每个目标区域中角点的坐标。

本发明提供的方法和装置适用于低质量棋盘格图像，无需人工交互，鲁棒性高。本发明设计了一种能够增强棋盘格角点的双层滤波器，并采用基于极坐标形状描述子和模式自动识别的方法进行棋盘格角点检测，有效解决了经典角点检测方法对图像质量要求高、抗噪声性能差、角点检测精度低的问题。

附图说明

图1是采用数码相机拍摄的黑白棋盘格标定板；

图2是在图像质量不高的情况下harris法的角点识别结果；

图3是在图像质量不高的情况下susan法的角点识别结果；

图4是本发明一种棋盘格角点检测方法的实施例一提供的流程图；

图5是本发明一种棋盘格角点检测方法的实施例一提供的第一滤波器像素位置分布示意图；

图6是本发明一种棋盘格角点检测方法的实施例一提供的第一滤波后的图像示意图；

图7是本发明一种棋盘格角点检测方法的实施例一提供的增强后的棋盘格图像示意图；

图8是本发明一种棋盘格角点检测方法的实施例一提供的方法的角点识别结果；

图9是本发明一种棋盘格角点检测方法的实施例二提供的流程图；

图10是本发明一种棋盘格角点检测装置的实施例三提供的模块图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

本发明实施例一提出了一种适用于低质量图像的棋盘格角点检测方法，如图4所示，包括：

S11、获取棋盘格图像。

获取棋盘格图像可以使用常见的各种数字图像获取方式，例如利用数码相机拍摄的黑白棋盘格标定板。图1为采用数码相机拍摄的黑白棋盘格标定板。

黑白棋盘格标定板的角点是指棋盘格中黑白格交界处的临界点，且与四个黑白格相邻。

S12、将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像。

由于棋盘格图像为黑白格子突变区域，所以欲准确提取角点，需要首先增强棋盘格图像的角点。

S12、将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像，的具体步骤为：

S121、通过第一滤波器对获取的棋盘格图像进行角点区域增强，得到第一滤波图像。

角点是棋盘格黑白交界的临界点，该点沿对角线方向的灰度值呈对称性分布，所以设计第一滤波器进行图像角点区域增强。

第一滤波器为：假设i为横坐标、j为纵坐标，图像中(i,j)位置的图像灰度值表示为f(i,j)，设计7X7像素大小的滤波模板，滤波后的灰度值表示为Value(i,j)，图像的像素位置分布如图5所示，进行图像增强时按公式1进行处理。

$\begin{array}{c}\mathrm{Value}(i,j)=\underset{d=-3}{\overset{3}{\mathrm{\Σ}}}\left|\right|f(i-d,j+d)-f(i,j)|-|f(i-d,j+d)-f(i+d,j-d)\left|\right|\\ +\underset{d=-3}{\overset{3}{\mathrm{\Σ}}}\left|\right|f(i-d,j-d)-f(i,j)|-|f(i-d,j-d)-f(i+d,j+d)\left|\right|\end{array}$ 公式1

公式中d表示像素相对于中心位置(i，j)的位置偏移量，这里d的取值范围为-3～3。

第一滤波后的图像如图6所示，抑制了图像的灰度分布均匀区域，增强了棋盘格灰度值发生变化的区域，其中棋盘格黑白灰度突变的区域有交界线和角点两种，其中交界线部分被增强为黑色线段，角点区域呈现较明显的十字形状，为后续提取角点提供了有效的形状特征。

S122、通过第二滤波器对，第一滤波图像进行十字状增强滤波，得到增强后的棋盘格图像。

第二滤波器为：假设图像中(i,j)位置的图像灰度值表示为f(i,j)，滤波后的灰度值表示为g(i,j)，进行滤波器时按公式2进行。

$g(i,j)=\underset{k=-1}{\overset{1}{\mathrm{\Σ}}}\underset{l=1}{\overset{1}{\mathrm{\Σ}}}f(i,j)-f(i+k,j+l)$ 公式2

其中k表示滤波模板像素与中心位置在垂直方向的偏移量，单位为像素，l表示滤波模板像素与中心位置在水平方向的偏移量。

增强后的棋盘格图像如图7所示，抑制了图6中的黑白棋盘格灰度变化的交界线段部分，增强了棋盘格的十字状角点区域。

S14、在增强后的棋盘格图像中确定角点所在的目标区域。

S14、在增强后的棋盘格图像中确定角点所在的目标区域，的具体步骤为：

S141、构造增强后的棋盘格图像中的每个连通区域的形状描述特征序列。

S141、构造增强后的棋盘格图像中的每个连通区域的形状描述特征序列；的具体步骤为：

S1411、给增强后的棋盘格图像中的每个连通区域贴标签；即对每个连通的区域给其赋予一个统一的数字标号，这样每个联通区域都有一个唯一的数字标号。

S1412、提取增强后的棋盘格图像中的每个连通区域的形状描述特征。

对S1411步骤中标号后的联通区域，按照一定的顺序，对每个联通区域进行形状描述特征提取。其中一定的顺序可为：标签值由小到大的顺序。

其中对于一个连通区域进行形状描述特征提取的具体步骤为：

A1、计算该连通区域的质心。

在图像处理领域有多种计算区域质心的方式，这里不做限制。

A2、将该连通区域内的所有像素的直角坐标转换为以质心为原点的极坐标，该连通区域内的所有像素的极坐标集合，即为该连通区域形状描述的特征序列。

每个像素的极坐标特征为每个像素与其所在的连通区域的质心的距离和该像素与质心连线与水平方向的夹角。

假设目标区域的质心坐标为(centeri,centerj)，则该目标区域内的某一像素(i,j)的极坐标计算方法如公式3所示：

$\begin{array}{c}r(i,j)=\sqrt{{(i-\mathrm{centroidi})}^2+{(j-\mathrm{centroidj})}^2}\\ \mathrm{\θ}(i,j)=\mathrm{arctg}\frac{(i-\mathrm{centroidi})}{(j-\mathrm{centroidj})}\end{array}$ 公式3

假设某一联通区域一共有m个像素，则得到的形状特征为(r(1)，θ(1)；r(2),θ(2)；…r(m)，θ(m))，其中r(i)、θ(i)分别表示第i个像素点的极坐标半径和极坐标角度。

需要说明的是，步骤A1、计算该连通区域的质心。与步骤A2、将该连通区域内的所有像素转换到以质心为原点的极坐标，得到一系列极坐标特征，即该连通区域的形状描述特征；是针对一个联通区域的步骤。要提取增强后的棋盘格图像中的每个连通区域的形状描述特征，需要根据增强后的棋盘格图像中联通区域的个数多次循环执行步骤A1与步骤A2。

S142、对每个连通区域形状描述的特征序列进行筛选；

其中对于一个连通区域形状描述的特征序列进行筛选，的具体步骤为：

选择该连通区域形状描述的特征序列中的与质心半径大于第一阈值的像素点的极坐标信息构成筛选后的连通区域形状特征。

第一阈值：可为一实验经验值，在不同的条件下可以作出调整。

提取角点所在的十字形连通区域的两个分支的夹角近似垂直，是识别该形状的重要特征。由于角点所在的十字形连通区域的骨架并非标准的单像素宽度，故提取的极坐标特征中的角度信息与该形状的主轴角度相差较大，即所提取的特征中存在一些奇异点，为避免奇异点对形状识别的影响，我们需要对特征序列中的特征进行筛选。

S143、识别增强后的棋盘格图像中每个连通区域是否为目标区域。

目标区域即含有角点的区域。

步骤S143目标区域的识别方法，本实施例是采用模式匹配进行十字形状识别。

其中对于识别一个连通区域是否为目标区域，的具体步骤为：

B1、从该连通区域的筛选后的连通区域形状特征序列中，提取出每个像素点的角度特征形成序列，作为识别该区域的角度特征序列。

B2、采用最小类内方差法确定分类第二阈值。

具体的：假设特征序列为θ(1),θ(2),…,θ(n)，n为该目标区域的特征序列个数，假设设定的第二阈值为θT，则分别将特征点分为大于θT的集合P1和小于θT的集合P2两类，这两类的方差分别标记为Var1和Var2，选择θT时依据的原则为使两类的类内方差之和最小，即如下公式4所示：

θ_T＝argmin(Var1+Var2) 公式4

B3、用第二阈值，将该区域的角度特征序列划分为P1和P2两个特征集合，并计算这两个特征集合的均值mean1和mean2。

B4、若该区域P1和P2两个特征集合的均值mean1和mean2近似为90度时，即|mean1-mean2|<GT时，则认定该连通区域为目标区域，其中GT表示判定是否为目标区域的阈值。

需要说明的是，步骤B1、步骤B2、步骤B3与步骤B4是针对一个联通区域的步骤。要识别增强后的棋盘格图像中每个连通区域是否为目标区域，需要根据增强后的棋盘格图像中联通区域的个数多次循环执行步骤B1、步骤B2、步骤B3、步骤B4。

S15确定每个目标区域中角点的坐标。

其中确定一个目标区域中角点的坐标；具体的步骤为：在第一滤波图像中搜索该目标区域灰度值最大的点作为角点，输出该角点的坐标；也就是最亮的作为角点。这样避免了在相邻棋盘格中搜索到多个角点的情况。

需要说明的是，步骤在第一滤波图像中搜索该目标区域灰度值最大的点作为角点，是针对一个联通区域的步骤。要确定棋盘格图像中每个目标区域中角点的坐标，需要根据每个目标区域的个数多次循环执行上述步骤。

如图8所示，为本发明第一实施例确定的角点的示意图。从图中可以看出使用第一实施例的方法可在低质量的棋盘格图像中精准的找出角点所在位置。

本实施例提供的方法适用于低质量棋盘格图像，无需人工交互，鲁棒性高。能够增强棋盘格角点的双层滤波器，并采用基于极坐标形状描述子和模式自动识别的方法进行棋盘格角点检测，有效解决了经典角点检测方法对图像质量要求高、抗噪声性能差、角点检测精度低的问题。

实施例二

本发明实施例二提出了一种适用于低质量图像的棋盘格角点检测方法，如图9所示，包括：

S21、获取棋盘格图像。

与实施例1中的S11相同这里不再赘述。

S22、将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像。

与实施例1中的S12相同这里不再赘述。

S23、对增强后的棋盘格图像进行二值化与膨胀腐蚀处理。得到二值化与膨胀腐蚀处理后的棋盘格图像。

步骤S23对增强后的棋盘格图像进行二值化与膨胀腐蚀处理；的具体步骤为：

S231、设定灰度图像的第三阈值为RT，若图像中某一像素的灰度值大于RT时，将其值赋为1，否则为0。

S232、对二值化后的图像进行多次膨胀腐蚀运算。避免图像中目标像素点不连续对后续角点区域十字形状识别的影响。

其中对二值化后的图像进行多次膨胀腐蚀运算优选为两次。

S24、在二值化与膨胀腐蚀处理后的棋盘格图像中确定角点所在的目标区域。

S24、在二值化与膨胀腐蚀处理后的棋盘格图像中确定角点所在的目标区域，的具体步骤为：

S241、构造二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域的形状描述特征序列。

S241、构造二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域的形状描述特征序列；的具体步骤为：

S2411、给二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域贴标签；即对每个连通的区域给其赋予一个统一的数字标号，这样每个联通区域都有一个唯一的数字标号。

S2412、提取二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域的形状描述特征。

对S2411步骤中标号后的联通区域，按照一定的顺序，对每个联通区域进行形状描述特征提取。其中一定的顺序可为：标签值由小到大的顺序。

其中对于一个连通区域进行形状描述特征提取的具体步骤为：

A1、计算该连通区域的质心。

在图像处理领域有多种计算区域质心的方式，这里不做限制。

A2、将该连通区域内的所有像素的直角坐标转换为以质心为原点的极坐标，该连通区域内的所有像素的极坐标集合，即为该连通区域形状描述的特征序列。

每个像素的极坐标特征为每个像素与其所在的连通区域的质心的距离和该像素与质心连线与水平方向的夹角。

假设目标区域的质心坐标为(centeri,centerj)，则该目标区域内的某一像素(i,j)的极坐标计算方法如公式5所示：

$\begin{array}{c}r(i,j)=\sqrt{{(i-\mathrm{centroidi})}^2+{(j-\mathrm{centroidj})}^2}\\ \mathrm{\&theta;}(i,j)=\mathrm{arctg}\frac{(i-\mathrm{centroidi})}{(j-\mathrm{centroidj})}\end{array}$ 公式5

假设某一联通区域一共有m个像素，则得到的形状特征为(r(1)，θ(1)；r(2),θ(2)；…r(m)，θ(m))，其中r(i)、θ(i)分别表示第i个像素点的极坐标半径和极坐标角度。

需要说明的是，步骤A1、计算该连通区域的质心。与步骤A2、将该连通区域内的所有像素转换到以质心为原点的极坐标，得到一系列极坐标特征，即该连通区域的形状描述特征；是针对一个联通区域的步骤。要提取二值化与膨胀腐蚀处理后的棋盘格图像中的棋盘格图像中的每个连通区域的形状描述特征，需要根据二值化与膨胀腐蚀处理后的棋盘格图像中的棋盘格图像中联通区域的个数多次循环执行步骤A1与步骤A2。

S2142、对每个连通区域形状描述的特征序列进行筛选；

其中对于一个连通区域形状描述的特征序列进行筛选，的具体步骤为：

选择该连通区域形状描述的特征序列中的与质心半径大于第四阈值的像素点的极坐标信息构成筛选后的连通区域形状特征。

第四阈值：可为一实验经验值，在不同的条件下可以作出调整。

提取角点所在的十字形连通区域的两个分支的夹角近似垂直，是识别该形状的重要特征。由于角点所在的十字形连通区域的骨架并非标准的单像素宽度，故提取的极坐标特征中的角度信息与该形状的主轴角度相差较大，即所提取的特征中存在一些奇异点，为避免奇异点对形状识别的影响，我们需要对特征序列中的特征进行筛选。

S2143、识别二值化与膨胀腐蚀处理后的棋盘格图像中的棋盘格图像中每个连通区域是否为目标区域。

目标区域即含有角点的区域。

步骤S2143目标区域的识别方法，本实施例是采用模式匹配进行十字形状识别。

其中对于识别一个连通区域是否为目标区域，的具体步骤为：

B1、从该连通区域的筛选后的连通区域形状特征序列中，提取出每个像素点的角度特征形成序列，作为识别该区域的角度特征序列。

B2、采用最小类内方差法确定分类第五阈值。

具体的：假设特征序列为θ(1),θ(2),…,θ(n)，n为该目标区域的特征序列个数，假设设定的第五阈值为θT，则分别将特征点分为大于θT的集合P1和小于θT的集合P2两类，这两类的方差分别标记为Var1和Var2，选择θT时依据的原则为使两类的类内方差之和最小，即如下公式6所示：

θ_T＝argmin(Var1+Var2) 公式6

B3、用第五阈值，将该区域的角度特征序列划分为P1和P2两个特征集合，并计算这两个特征集合的均值mean1和mean2。

B4、若该区域P1和P2两个特征集合的均值mean1和mean2近似为90度时，即|mean1-mean2|<GT时，则认定该连通区域为目标区域，其中GT表示判断是否为十字区域的阈值，该阈值为一经验值，可依据实际情况调整。

需要说明的是，步骤B1、步骤B2、步骤B3与步骤B4是针对一个联通区域的步骤。要识别二值化与膨胀腐蚀处理后的棋盘格图像中的棋盘格图像中每个连通区域是否为目标区域，需要根据二值化与膨胀腐蚀处理后的棋盘格图像中的棋盘格图像中联通区域的个数多次循环执行步骤B1、步骤B2、步骤B3、步骤B4。

S25确定每个目标区域中角点的坐标。

其中确定一个目标区域中角点的坐标；具体的步骤为：在第一滤波图像中搜索该目标区域灰度值最大的点作为角点，输出该角点的坐标；也就是最亮的作为角点。这样避免了在相邻棋盘格中搜索到多个角点的情况。

需要说明的是，步骤在第一滤波图像中搜索该目标区域灰度值最大的点作为角点，是针对一个联通区域的步骤。要确定棋盘格图像中每个目标区域中角点的坐标，需要根据每个目标区域的个数多次循环执行上述步骤。

如图8所示，为本发明第一实施例确定的角点的示意图。从图中可以看出使用第一实施例的方法可在低质量的棋盘格图像中精准的找出角点所在位置。

本实施例提供的方法适用于低质量棋盘格图像，无需人工交互，鲁棒性高。能够增强棋盘格角点的双层滤波器，并采用基于极坐标形状描述子和模式自动识别的方法进行棋盘格角点检测，有效解决了经典角点检测方法对图像质量要求高、抗噪声性能差、角点检测精度低的问题。

实施例三

本发明实施例三提出了一种适用于低质量图像的棋盘格角点检测装置，如图10所示，包括：棋盘格图像获取模块11、增强滤波模块12、二值化与膨胀腐蚀模块13、目标区域确定模块14和角点确定模块15。其中：

棋盘格图像获取模块11：用于获取棋盘格图像；

增强滤波模块12：用于将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；

增强滤波模块12包括：第一滤波模块、第二滤波模块。其中：

第一滤波模块：用于通过第一滤波器对获取的棋盘格图像进行角点区域增强，得到第一滤波图像。

第一滤波器为：假设i为横坐标、j为纵坐标，图像中(i,j)位置的图像灰度值表示为f(i,j)，定义7X7像素大小的滤波模板，滤波后的灰度值表示为Value(i,j)，进行图像增强时按公式1进行处理。

$\begin{array}{c}\mathrm{Value}(i,j)=\underset{d=-3}{\overset{3}{\mathrm{\&Sigma;}}}\left|\right|f(i-d,j+d)-f(i,j)|-|f(i-d,j+d)-f(i+d,j-d)\left|\right|\\ +\underset{d=-3}{\overset{3}{\mathrm{\&Sigma;}}}\left|\right|f(i-d,j-d)-f(i,j)|-|f(i-d,j-d)-f(i+d,j+d)\left|\right|\end{array}$ 公式1

公式中d表示模板像素与中心像素(i,j)在垂直方向的位置偏移量。

第二滤波模块：用于通过第二滤波器对，第一滤波图像进行十字状增强滤波，得到增强后的棋盘格图像。

第二滤波器为：假设图像中(i,j)位置的图像灰度值表示为f(i,j)，滤波后的灰度值表示为g(i,j)，进行滤波器时按公式2进行。

$g(i,j)=\underset{k=-1}{\overset{1}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{1}{\mathrm{\&Sigma;}}}f(i,j)-f(i+k,j+l)$ 公式2

二值化与膨胀腐蚀模块13：用于对增强后的棋盘格图像进行二值化与膨胀腐蚀处理。得到二值化与膨胀腐蚀处理后的棋盘格图像。

二值化与膨胀腐蚀模块13包括：二值化模块、膨胀腐蚀模块；其中

二值化模块：用于将增强后的棋盘格图像进行二值化处理。

设定灰度图像的第三阈值为T，若图像中某一像素的灰度值大于T时，将其值赋为1，否则为0。

膨胀腐蚀模块：用于对二值化处理后的棋盘格图像进行多次膨胀腐蚀运算。

目标区域确定模块14：用于在二值化与膨胀腐蚀处理后的棋盘格图像中确定角点所在的目标区域。

目标区域确定模块14包括：形状描述特征提取模块、目标区域识别模块。其中：

形状描述特征提取模块：用于构造二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域的形状描述特征序列。

形状描述特征提取模块包括：贴标签模块、特征提取模块、特征筛选模块。其中：

贴标签模块：用于给二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域贴标签；即对每个连通的区域给其赋予一个统一的数字标号，这样每个联通区域都有一个唯一的数字标号。

特征提取模块：用于提取二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域的形状描述特征。

特征筛选模块：用于对每个连通区域形状描述的特征序列进行筛选；

目标区域识别模块：用于识别二值化与膨胀腐蚀处理后的棋盘格图像中的每个连通区域是否为目标区域。

角点确定模块15：用于确定每个目标区域中角点的坐标。

本实施例提供的装置适用于低质量棋盘格图像，无需人工交互，鲁棒性高。能够增强棋盘格角点的双层滤波器，并采用基于极坐标形状描述子和模式自动识别的方法进行棋盘格角点检测，有效解决了经典角点检测方法对图像质量要求高、抗噪声性能差、角点检测精度低的问题。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种棋盘格角点检测方法，其特征在于，所述方法包括以下步骤：

获取棋盘格图像；

将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；

在增强后的棋盘格图像中确定角点所在的目标区域；

确定每个目标区域中角点的坐标。

2.如权利要求1所述的一种棋盘格角点检测方法，其特征在于，将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像,包括以下步骤：

通过第一滤波器对获取的棋盘格图像进行角点区域增强，得到第一滤波图像；

通过第二滤波器对，第一滤波图像进行十字状增强滤波，得到增强后的棋盘格图像。

3.如权利要求1所述的一种棋盘格角点检测方法，其特征在于，在增强后的棋盘格图像中确定角点所在的目标区域，包括以下步骤：

构造增强后的棋盘格图像中的每个连通区域的形状描述特征序列；

对每个连通区域形状描述的特征序列进行筛选；

识别增强后的棋盘格图像中每个连通区域是否为目标区域。

4.如权利要求3所述的一种棋盘格角点检测方法，其特征在于，构造增强后的棋盘格图像中的每个连通区域的形状描述特征，包括以下步骤：

给增强后的棋盘格图像中的每个连通区域贴标签；

提取增强后的棋盘格图像中的每个连通区域的形状描述特征。

5.如权利要求4所述的一种棋盘格角点检测方法，其特征在于，提取增强后的棋盘格图像中的每个连通区域的形状描述特征；步骤中对于一个连通区域进行形状描述特征提取的具体步骤为：

计算该连通区域的质心；

将该连通区域内的所有像素的直角坐标转换为以质心为原点的极坐标。

6.如权利要求3所述的一种棋盘格角点检测方法，其特征在于，识别增强后的棋盘格图像中每个连通区域是否为目标区域；步骤中，识别一个连通区域是否为目标区域，的具体步骤为：

从该连通区域的筛选后的连通区域形状特征序列中，提取出每个像素点的角度特征形成序列，作为识别该区域的角度特征序列；

采用最小类内方差法确定分类第二阈值；

用第二阈值，将该区域的角度特征序列划分为P1和P2两个特征集合，并计算这两个特征集合的均值mean1和mean2；

若该区域P1和P2两个特征集合的均值mean1和mean2近似为90度时，则认定该连通区域为目标区域。

7.如权利要求1所述的一种棋盘格角点检测方法，其特征在于，确定每个目标区域中角点的坐标；步骤中,确定一个目标区域中角点的坐标的具体步骤为：

在第一滤波图像中搜索该目标区域灰度值最大的点作为角点，输出该角点的坐标。

8.一种棋盘格角点检测方法，其特征在于，所述方法包括以下步骤：

获取棋盘格图像；

将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；

对增强后的棋盘格图像进行二值化与膨胀腐蚀处理；

在二值化与膨胀腐蚀处理后的棋盘格图像中确定角点所在的目标区域；

确定每个目标区域中角点的坐标。

9.如权利要求8所述的一种棋盘格角点检测方法，其特征在于，对增强后的棋盘格图像进行二值化与膨胀腐蚀处理；的具体步骤为：

设定灰度图像的第三阈值为Th，若图像中某一像素的灰度值大于Th时，将其值赋为1，否则为0；

对二值化后的图像进行多次膨胀腐蚀运算。

10.一种棋盘格角点检测装置，其特征在于，包括：棋盘格图像获取模块、增强滤波模块、二值化与膨胀腐蚀模块、目标区域确定模块和角点确定模块；其中：

棋盘格图像获取模块：用于获取棋盘格图像；

增强滤波模块：用于将获取的棋盘格图像进行角点增强滤波，得到增强后的棋盘格图像；

二值化与膨胀腐蚀模块：用于对增强后的棋盘格图像进行二值化与膨胀腐蚀处理。得到二值化与膨胀腐蚀处理后的棋盘格图像；

目标区域确定模块：用于在二值化与膨胀腐蚀处理后的棋盘格图像中确定角点所在的目标区域；

角点确定模块：用于确定每个目标区域中角点的坐标。