CN104318239A - 基于纹理分析的快速图像特征提取方法 - Google Patents
基于纹理分析的快速图像特征提取方法 Download PDFInfo
- Publication number
- CN104318239A CN104318239A CN201410646802.XA CN201410646802A CN104318239A CN 104318239 A CN104318239 A CN 104318239A CN 201410646802 A CN201410646802 A CN 201410646802A CN 104318239 A CN104318239 A CN 104318239A
- Authority
- CN
- China
- Prior art keywords
- image
- spot
- analysis
- edge
- marking area
- 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.)
- Pending
Links
Abstract
本发明提供了一种基于纹理分析的快速图像特征提取方法。该方法先将模板图像灰度化后提取其边缘,然后再进行数学形态学处理,得到一幅含有多个白色斑块的二值图像,然后比较这几个白色斑块所在区域的纹理度量平均熵并提取平均熵最大的区域。同理,在待测图像中也将纹理变化最为剧烈的区域即图像显著区域提取出来,然后利用图像显著区域代替原始图像进行匹配运算。该方法缩小了特征点搜索范围,降低了计算量,达到了节省时间的目的。
Description
技术领域
本发明属于图像分析及模式识别技术领域,具体地说,属于一种基于纹理分析的快速图像特征提取方法。
背景技术
在工业在线生产中,由于机械振动或者其它一些不可避免的原因可能会导致待测产品在传送带上相对于模板图像发生了平移或者旋转,这样摄像机获取的待测图像在形状上就与模板图像有了一些差别。为了更好的检测缺陷,需将待测图像校正,然后再与模板图像进行差分运算。而为了将待测图像校正,需要对待测图像和模板图像进行匹配运算,得到它们之间的变换矩阵,利用变换矩阵将待测图像校正。
局部特征提取算法所提取的图像特征对图像发生旋转、平移、尺度变化和亮度变化时都具有较高的鲁棒性,故常常被用在两幅图像有旋转、平移、尺度变化和亮度变化关系时的图像匹配问题。但是由于图像中特征点数量过多,并且其特征描述符维数过高,致使特征匹配计算量大和效率不高。针对该问题,本发明采取一种提取图像纹理变化剧烈的区域即图像中最为粗糙的部分来代替整幅图像进行配准运算的方法。由于提取的图像块是原图像的部分区域,检测范围便会缩小,从而节省了算法时间,并且该图像块是图像中最为粗糙的区域,纹理变化比较大,能够检测到大量稳定的局部特征点。而这些大量稳定的局部特征点能够保证匹配算法的精度。
发明内容
本发明的目的在于利用灰度图像的纹理度量平均熵来提取一幅图像中纹理变化最为剧烈的区域,利用该区域来代替整幅图像进行匹配运算,由于它缩小了算法的搜索范围,减少了计算量,从而达到了节省时间的目的。
为实现上述目的,本发明提供了一种基于纹理分析的快速图像特征提取方法,其包括以下部分:
S01、图像预处理:将原始输入图像进行灰度化,得到灰度图像,然后对进行边缘提取,得到边缘图像;
S02、斑点分析:对边缘图像进行二值形态学处理,得到多块斑点,对各斑点进行斑点分析,去除边缘斑点和小斑点;
S03、显著区域选取:计算各斑点区域图像的纹理特征,选取平均熵最大的图像块作为显著区域Bopt;
S04、基于显著区域的特征提取:在显著区域Bopt中提取局部特征点。
作为本发明的进一步改进,所述步骤S02具体为:
(1)对边缘图像A1进行闭运算,使A1中的邻近边缘点聚集起来成为一个个的白色小斑块,得到图像A2;
(2)对A2进行开运算,去除一些面积较小的白色斑块,得到图像A3;
(3)求得图像A3中每个斑点的质心坐标ci,i=1,2,...,n,其中n为图像A3中斑点的个数;
(4)计算每个斑点的质心坐标ci到图像边缘的距离dxi=min(|x|,|N-x|),dyi=max(|y|,|M-y|),其中M为图像的宽度,N为图像的长度;
(5)若dxi<5或者dyi<5,则此质心所代表的斑点i予以移除;
(6)计算每个斑点的面积si,若si<20,将该斑点i予以删除;
(7)得到斑点分析后的图像A4;
作为本发明的进一步改进,所述步骤S03具体为:
(1)求取斑点分析后的图像A4中每个斑点的质心坐标ck,k=1,2,...,m,m为A4中斑点的个数;
(2)以ck,k=1,2,...,m为中心,在图像A中分别截取m个100×100的图像块Bk;
(3)计算图像块Bk的平均熵其中p(z)为灰度z在图像块Bk中出现的概率,L为图像块Bk中像素的个数;
(4)提取平均熵最大的图像块作为特征提取图像,即显著区域图像Bopt。。
与现有技术相比,本发明的有益效果是:本发明通过边缘提取与二值形态学快速提取图像中的块区域,通过纹理分析获取图像显著区域,以该显著区域图像代替全图进行局部特征提取,极大提高算法速度,为目标检测与识别提供可靠的技术支持,在基于机器视觉的工业产品检测等领域有广泛的应用前景。
附图说明
图1为本发明一种基于纹理分析的快速图像特征提取方法具体实施方式中的流程示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
请参图1所示,图1为本发明一种基于纹理分析的快速图像特征提取方法具体实施方式中的流程示意图。在本实施方式中,一种基于纹理分析的快速图像特征提取方法,其包括以下部分:
S01、图像预处理:将原始输入图像进行灰度化,得到灰度图像A,然后对A进行边缘提取,得到边缘图像A1;
S02、斑点分析:对边缘图像进行二值形态学处理,得到多块斑点,对各斑点进行斑点分析,去除边缘斑点和小斑点;
所述步骤S02具体为:
(1)对边缘图像A1进行闭运算,使A1中的邻近边缘点聚集起来成为一个个的白色小斑块,得到图像A2;
(2)对A2进行开运算,去除一些面积较小的白色斑块,得到图像A3;
(3)求得图像A3中每个斑点的质心坐标ci,i=1,2,...,n,其中n为图像A3中斑点的个数;
(4)计算每个斑点的质心坐标ci到图像边缘的距离dxi=min(|x|,|N-x|),dyi=max(|y|,|M-y|),其中M为图像的宽度,N为图像的长度;
(5)若dxi<5或者dyi<5,则此质心所代表的斑点i予以移除;
(6)计算每个斑点的面积si,若si<20,将该斑点i予以删除;
(7)得到斑点分析后的图像A4;
S03、显著区域选取:计算各斑点区域图像的纹理特征,选取平均熵最大的图像块作为显著区域Bopt;
所述步骤S03具体为:
(1)求取斑点分析后的图像A4中每个斑点的质心坐标ck,k=1,2,...,m,m为A4中斑点的个数;
(2)以ck,k=1,2,...,m为中心,在图像A中分别截取m个100×100的图像块Bk;
(3)计算图像块Bk的平均熵其中p(z)为灰度z在图像块Bk中出现的次数,L为图像块Bk中像素的个数;
(4)提取平均熵最大的图像块作为特征提取图像,即显著区域图像Bopt。
S04、基于显著区域的特征提取:在显著区域Bopt中提取局部特征点。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于纹理分析的快速图像特征提取方法,其特征在于,其包括以下步骤:
S01、图像预处理:将原始输入图像进行灰度化,得到灰度图像A,然后对A进行边缘提取,得到边缘图像A1;
S02、斑点分析:对边缘图像进行二值形态学处理,得到多块斑点,对各斑点进行斑点分析,去除边缘斑点和小斑点;
S03、显著区域选取:计算各斑点区域图像的纹理特征,选取平均熵最大的图像块作为显著区域Bopt;
S04、基于显著区域的特征提取:在显著区域Bopt中提取局部特征点。
2.根据权利要求1所述的基于纹理分析的快速图像特征提取方法,所述步骤S02具体为:
(1)对边缘图像A1进行闭运算,使A1中的邻近边缘点聚集起来成为一个个的白色小斑块,得到图像A2;
(2)对A2进行开运算,去除一些面积较小的白色斑块,得到图像A3;
(3)求得图像A3中每个斑点的质心坐标ci,i=1,2,...,n,其中n为图像A3中斑点的个数;
(4)计算每个斑点的质心坐标ci到图像边缘的距离dxi=min(|x|,|N-x|),dyi=max(|y|,|M-y),其中M为图像的宽度,N为图像的长度;
(5)若dxi<5或者dyi<5,则此质心所代表的斑点i予以移除;
(6)计算每个斑点的面积si,若si<20,将该斑点i予以删除;
(7)得到斑点分析后的图像A4。
3.根据权利要求1所述的基于纹理分析的快速图像特征提取方法,所述步骤S03具体为:
(1)求取斑点分析后的图像A4中每个斑点的质心坐标ck,k=1,2,...,m,m为A4中斑点的个数;
(2)以ck,k=1,2,...,m为中心,在图像A中分别截取m个100×100的图像块Bk;
(3)计算图像块Bk的平均熵其中p(z)为灰度z在图像块Bk中出现的次数,L为图像块Bk中像素的个数;
(4)提取平均熵最大的图像块作为特征提取图像,即显著区域图像Bopt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410646802.XA CN104318239A (zh) | 2014-11-14 | 2014-11-14 | 基于纹理分析的快速图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410646802.XA CN104318239A (zh) | 2014-11-14 | 2014-11-14 | 基于纹理分析的快速图像特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104318239A true CN104318239A (zh) | 2015-01-28 |
Family
ID=52373468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410646802.XA Pending CN104318239A (zh) | 2014-11-14 | 2014-11-14 | 基于纹理分析的快速图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318239A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179324A (zh) * | 2017-05-17 | 2017-09-19 | 珠海格力电器股份有限公司 | 检测产品包装的方法、装置和系统 |
CN109069065A (zh) * | 2016-04-15 | 2018-12-21 | 株式会社资生堂 | 色斑部位的评价方法及色斑部位评价装置 |
CN110434090A (zh) * | 2019-08-23 | 2019-11-12 | 中山德著智能科技有限公司 | 一种胡萝卜表面瑕疵检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195461B1 (en) * | 1992-12-17 | 2001-02-27 | Sony Corporation | Dynamic image processing apparatus and method |
CN102592129A (zh) * | 2012-01-02 | 2012-07-18 | 西安电子科技大学 | 基于场景驱动的智能手机图像特征点选取方法 |
-
2014
- 2014-11-14 CN CN201410646802.XA patent/CN104318239A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195461B1 (en) * | 1992-12-17 | 2001-02-27 | Sony Corporation | Dynamic image processing apparatus and method |
CN102592129A (zh) * | 2012-01-02 | 2012-07-18 | 西安电子科技大学 | 基于场景驱动的智能手机图像特征点选取方法 |
Non-Patent Citations (2)
Title |
---|
YING CHEN: "Balanced feature matching in probabilistic framework and its application on object localisation", 《COMPUTER APPLICATIONS IN TECHNOLOGY》 * |
邓朝省: "基于局部SIFT特征点的双阈值配准算法", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109069065A (zh) * | 2016-04-15 | 2018-12-21 | 株式会社资生堂 | 色斑部位的评价方法及色斑部位评价装置 |
CN109069065B (zh) * | 2016-04-15 | 2021-08-10 | 株式会社资生堂 | 色斑部位的评价方法及色斑部位评价装置 |
CN107179324A (zh) * | 2017-05-17 | 2017-09-19 | 珠海格力电器股份有限公司 | 检测产品包装的方法、装置和系统 |
CN107179324B (zh) * | 2017-05-17 | 2019-01-01 | 珠海格力电器股份有限公司 | 检测产品包装的方法、装置和系统 |
CN110434090A (zh) * | 2019-08-23 | 2019-11-12 | 中山德著智能科技有限公司 | 一种胡萝卜表面瑕疵检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
Rong et al. | An improved CANNY edge detection algorithm | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN103759644B (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
CN108335331A (zh) | 一种钢卷双目视觉定位方法及设备 | |
US9025853B2 (en) | Method for determining markings in relief on the outer surface of the sidewall of a tyre | |
CN109472792A (zh) | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 | |
CN105913441A (zh) | 一种用于改善视频中目标检测性能的阴影去除方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN104318239A (zh) | 基于纹理分析的快速图像特征提取方法 | |
CN110853013A (zh) | 一种白色家电外壁喷涂质量检测方法 | |
CN104462382A (zh) | 商标图像查询方法 | |
CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
Zhu et al. | Infrared small target detection using local feature-based density peaks searching | |
CN104537632A (zh) | 基于边缘提取的红外图像直方图增强方法 | |
CN109858397A (zh) | 一种基于自适应建模的红外弱小目标识别方法 | |
Sun | Image edge detection based on relative degree of grey incidence and Sobel operator | |
Fatichah et al. | Optical flow feature based for fire detection on video data | |
CN112037233B (zh) | 基于大津法与k均值聚类算法联合优化的图像二值化方法 | |
JP2015191568A (ja) | 画像認識装置、画像認識方法及びプログラム | |
CN102214307B (zh) | 图像匹配方法 | |
Zhang et al. | A rapid, automated flaw segmentation method using morphological reconstruction to grade wood flooring | |
JP2016192133A (ja) | 動物体検出装置及びその背景モデル構築方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150128 |
|
WD01 | Invention patent application deemed withdrawn after publication |