CN104700420A - 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 - Google Patents
基于Hough变换的椭圆检测方法、系统和虫卵识别方法 Download PDFInfo
- Publication number
- CN104700420A CN104700420A CN201510137813.XA CN201510137813A CN104700420A CN 104700420 A CN104700420 A CN 104700420A CN 201510137813 A CN201510137813 A CN 201510137813A CN 104700420 A CN104700420 A CN 104700420A
- Authority
- CN
- China
- Prior art keywords
- ellipse
- candidate
- point
- hough transform
- oval
- 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
Links
Abstract
本发明涉及一种基于Hough变换的椭圆检测方法和系统,该方法包括以下步骤:获取图像;使用边缘检测方法对获取的图像进行边缘检测,得到二值图像;对所述二值图像进行Hough变换,得到候选椭圆中心;根据所述候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数;判断根据所述候选椭圆的参数和所述候选椭圆中心得到的候选椭圆是否为真椭圆;若判定所述候选椭圆为真椭圆,则定位所述真椭圆。上述基于Hough变换的椭圆检测方法,通过使判断得到的候选椭圆是否为真椭圆,并定位该真椭圆。该方法通过对得到的候选椭圆进行真假判断,剔除虚假椭圆,从而降低误检率,提高了椭圆检测的精确度,有效的定位椭圆。
Description
技术领域
本发明涉及图像处理领域,尤其是涉及一种基于Hough变换的椭圆检测方法、系统和虫卵识别方法。
背景技术
在复杂图像中如何快速而准确地检测椭圆目标一直是研究者们努力探索的一个重要问题。这在生物医学显微图像、工业自动化检测、机器人视觉、空间技术和军事防御等领域有重要的应用。Hough变换是曲线检测最有效的方法之一,于1962年由Paul Hough提出,并在美国作为专利被发表。
现有的一种新的基于弦中点的Hough变换(CMHT)检测方法,利用椭圆上所有点的内切椭圆必经过椭圆中心的性质,先对图像边缘点进行累积求得椭圆中心,再利用椭圆方程计算椭圆另外三个参数。但此方法在处理背景复杂图像时,会出现检测的虚假椭圆过多的缺点。
发明内容
基于此,有必要提供一种降低误检率的基于Hough变换的椭圆检测方法、系统和虫卵识别方法。
一种基于Hough变换的椭圆检测方法,包括以下步骤:
获取图像;
使用边缘检测方法对获取的图像进行边缘检测,得到二值图像;
对二值图像进行Hough变换,得到候选椭圆中心;
根据候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数;
判断根据候选椭圆的参数和候选椭圆中心得到的候选椭圆是否为真椭圆;
若判定候选椭圆为真椭圆,则定位真椭圆。
在其中一种实施方式中,判断候选椭圆是否为真椭圆的步骤包括:
以候选椭圆的中心选取方形区域D;
在方形区域D中计算获取的原图像中落在候选椭圆上的实际边缘点的数目N1和组成候选椭圆的边缘点数目N2;
判断N1与N2的比值是否大于阈值I;
若则判定候选椭圆为真椭圆;
其中,判断任意点P(x,y)是否落在候选椭圆上的判断公式:
其中,D={(x,y)||x-x0|≤a+2且|y-y0|≤b+2},P(x,y)∈D,T为常数。
在其中一种实施方式中,对二值图像进行Hough变换,得到候选椭圆中心的步骤具体包括:
建立参数空间,对二值图像的每一特征点,扫描其余特征点,计算该特征点与其余特征点之间的中点坐标,并对相应的参数空间进行投票;
扫描每一参数空间任意非零点P,以该点为中心,边长为2a的方形块为局部区域R,在局部区域R中寻找极大值;其中,a为椭圆长轴半轴长;
遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心。
在其中一种实施方式中,在局部区域R中寻找极大值的步骤具体为:
令P点的值为初始极大值Rmax;
遍历区域R,若其中一点统计值R(x,y)≤Rmax,则令该点统计值R(x,y)=0;
若其中一点统计值R(x,y)>Rmax,则以该点统计值为新的极大值Rmax,并将原极大值点设为零,即令Rmax=R(x,y),P(x,y)=0。
在其中一种实施方式中,在遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心步骤之后,还包括:
修正候选椭圆中心;
具体的修正步骤包括:
对原参数空间的每一个侯选椭圆中心Oi,在其区域R中寻找统计值大于阈值的m个点组成点集S,S满足{Sj|Sj∈R且Sj(x,y)>λ·O(x,y)} (j=1,2,3,...,m);其中,λ为比例系数,0≤λ≤1;
计算点集S的中心坐标,点集S的中心坐标O'即为椭圆中心的修正值;计算点集S的中心坐标的公式为:
其中,m为大于零的正整数。
在其中一种实施方式中,根据候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到椭圆的参数的步骤具体包括:
将关于中心点Oi对称的边缘点进行采样存入数组Vi中;
将中心点坐标Oi(x0,y0)代入椭圆的参数方程中,从数组Vi中取出数据在三维空间中结合参数方程并采用Hough变换对a,b,θ进行量化投票统计,计算出参数空间最大值对应的3个参数即为候选椭圆的a,b,θ;
椭圆的参数方程为:
一种基于Hough变换的椭圆检测系统,包括:
获取模块,用于获取图像;
边缘检测模块,用于使用边缘检测方法对获取的图像进行边缘检测,得到二值图像;
第一计算模块,用于对二值图像进行Hough变换,得到候选椭圆中心;
第二计算模块,用于根据候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数;
判断模块,用于判断根据候选椭圆的参数和候选椭圆中心得到的候选椭圆是否为真椭圆;
定位模块,用于在判断模块判定候选椭圆为真椭圆时,定位真椭圆。
在其中一种实施方式中,判断模块包括:
区域选择单元,用于以候选椭圆的中心选取方形区域D;
第一计算单元,用于在方形区域D中计算获取的原图像中落在候选椭圆上的实际边缘点的数目N1和组成候选椭圆的边缘点数目N2;
第一判断单元,用于判断N1与N2的比值是否大于阈值I,若则判定候选椭圆为真椭圆;
其中,判断任意点P(x,y)是否落在椭圆上的判断公式:
其中,D={(x,y)||x-x0|≤a+2且|y-y0|≤b+2},P(x,y)∈D,T为常数。
在其中一种实施方式中,第一计算模块包括:
第二计算单元,用于建立参数空间,对二值图像的每一特征点,扫描其余特征点,计算该特征点与其余特征点之间的中点坐标,并对相应的参数空间进行投票;
第三计算单元,用于扫描每一参数空间任意非零点P,以该点为中心,边长为2a的方形块为局部区域R,在局部区域R中寻找极大值;其中,a为椭圆长轴半轴长;
第一处理单元,用于遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心。
一种粪便图像中的虫卵识别方法,利用上述的基于Hough变换的椭圆检测方法对虫卵进行识别。
上述基于Hough变换的椭圆检测方法,通过使用边缘检测方法提取椭圆轮廓,通过两次Hough变换,第一次Hough得到侯选椭圆中心,结合椭圆的参数方程通过第二次Hough变换投票得到候选椭圆的参数,根据椭圆中心和椭圆参数得到候选椭圆,在此基础上,判断得到的候选椭圆是否为真椭圆,并定位该真椭圆。该方法通过对得到的候选椭圆进行真假判断,剔除虚假椭圆,从而降低误检率,提高了椭圆检测的精确度,有效的定位椭圆。
附图说明
图1为一种实施方式的基于Hough变换的椭圆检测方法的流程图;
图2为一种实施方式的基于Hough变换的椭圆检测系统的模块图。
具体实施方式
如图1所示,一种基于Hough变换的椭圆检测方法,包括以下步骤:
S10:获取图像。获取的图像为血液、尿液或大便样本的显微图像,通过本发明的椭圆检测方法,可以提取图像中的椭圆目标,如尿检和大便镜检中红、白细胞以及虫卵细胞的分割提取。
S20:使用边缘检测方法对获取的图像进行边缘检测,得到二值图像。具体的边缘检测方法可采用零交叉检测的log算子,或多尺度空间边缘检测的Canny算子,通过使用边缘检测方法,提取椭圆边缘的像素点,边缘的像素点即为椭圆的特征点。
S30:对二值图像进行Hough变换,得到候选椭圆中心。
椭圆具有以下两个性质:
性质1,在椭圆上任取一点与椭圆上其他点的连线构成椭圆的一组弦,这组弦的中点构成一个新的椭圆,该椭圆称为原椭圆在该点的内切椭圆。
性质2,椭圆上外法线方向相反的两个点称为椭圆的一对对偶点,椭圆上所有对偶点的连线的中点即为椭圆的中心。
由性质1可知椭圆上非对偶点之间连线的中点散布于各处,由性质2可知椭圆上所有对偶点的连线的中点都集中落在椭圆中心处。因此如果把原图像边缘二值图中的每一个边缘点都与其他点相连,并对连线的中点在参数空间进行投票统计,则在每个椭圆中心处将出现统计值的峰值,最大峰值对应的点为候选椭圆中心。
S40:根据所述候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数。
对于任意椭圆,设候选椭圆的中心坐标为Oi(x0,y0),椭圆长半轴长为a,椭圆短半轴长为b,椭圆倾斜角为θ。则参数方程为
将候选椭圆中心坐标Oi(x0,y0)带入椭圆的参数方程中,寻找关于中心对称的特征边缘点结合椭圆的方程并采用Hough变换对a,b,θ进行量化投票统计,求出参数空间最大值对应的3个参数即为候选椭圆的a,b,θ。
S50:判断根据候选椭圆的参数和候选椭圆中心得到的候选椭圆是否为真椭圆。
S60:若判定候选椭圆为真椭圆,则定位该真椭圆。
上述基于Hough变换的椭圆检测方法,通过使用边缘检测方法提取椭圆轮廓,通过两次Hough变换,第一次Hough得到侯选椭圆中心,结合椭圆的参数方程通过第二次Hough变换投票得到候选椭圆的参数,根据椭圆中心和椭圆参数得到候选椭圆,在此基础上,判断得到的候选椭圆是否为真椭圆,并定位该真椭圆。该方法通过对得到的候选椭圆进行真假判断,剔除虚假椭圆,从而降低误检率,提高了椭圆检测的精确度,有效的定位椭圆。
在另一种实施方式中,具体的,其中,步骤S50具体包括:
S501:以候选椭圆的中心选取方形区域D,
S502:在方形区域D中计算获取的原图像中落在候选椭圆上的实际边缘点的数目N1和组成候选椭圆的边缘点数目N2。
对于候选椭圆E(x0,y0,a,b,θ),判断任意点P(x,y)是否落在椭圆上的判断公式:
其中,D={(x,y)||x-x0|≤a+2且|y-y0|≤b+2},P(x,y)∈D,T为常数,为经验值,可根据精度要求进行取值,本实施方式中,取T=0.1,(x0,y0)为候选椭圆的中心坐标,θ为参数,a为候选椭圆长半轴长,b为短半轴长。对任意点P(x,y)∈D且满足上式,则认为该点落在候选椭圆上。
S503:判断N1与N2的比值是否大于阈值I。若则判定候选椭圆为真椭圆。
在区域D中计算原图中落在候选椭圆上的实际边缘点数目N1和组成候选椭圆的边缘点数目N2,因为组成椭圆的点数是随着a,b变化而变化的,所以应该以N1、N2的比值是否大于阈值I来判断候选椭圆是否为真,即当时,候选椭圆为真。其中,0≤I≤1,本实施方式中,I=0.6。
上述方法,通过结合椭圆的参数方程,对候选椭圆的真假进行判断,有效剔除虚假椭圆。
在另一种实施方式中,步骤S20以使用Candy算子边缘检测为例,对获取的图像进行预处理,得到二值图像的步骤包括:
S201:对获取的图像采用高斯滤波进行去噪处理。
对获取的图像采用高斯滤波进行去噪处理,得到滤波后平滑的图像。这样,单独的一个像素噪声在经过去噪处理后变得几乎没有影响。
S202:计算二值图像的梯度值。
S203:非极大值抑制寻找边缘像素点的候选点。数学图像中的边缘对应图像中灰度变化剧烈的部分,即梯度模值比较大的部分,因此,可以把边缘检测问题转换为计算梯模值的局部极大值的问题,即将梯度模值的局大值点作为边缘,这一过程就是非极大值抑制的过程。通过非极大值抑制,可以提取图像中粗略的边缘信息。Canny算子通过对每个梯度非零的点,沿梯度方向上查找相邻像数的梯度模值,如果该点梯度模值小于任意一个相邻像素的梯度模值,将该点剔除,并将其梯度模值设为零,如果该点梯度模值大于相邻八个像点的梯度模值,则将该点保留,作为边缘像素点的候选点。依次类推,直至遍历所有梯度值。
S204:连接边缘。
Canny边缘检测算法使用了双阈值分割处理以边缘连接。具体算法过程如下:
设两个阈值分别为高阈值Th和低阈值Tl,且Tl=0.4Th。然后遍历图像所有像素点,若某点N(x,y)大于高阈值Th,则认为该点为边缘点;若N(x,y)低于低阈值Tl,则认为该点为非边缘点;若N(x,y)介于高、低阈值之间,则认为该点为可能的边缘点,需要进一步处理。
设二值图像Th(x,y)和Tl(x,y)分别为N(x,y)图像经高、低阈值处理后得到边缘图像,则图像Th(x,y)会含有较少真实边缘,可能丢失部分边缘,而图像Tl(x,y)则会含有一些虚假边缘。因此,可以以图像Th(x,y)为基础,在图像Tl(x,y)中搜索可能的真实边缘点进行连接,具体过程如下:
首先遍历边缘图像Th(x,y),当找到一个边缘点P时,跟踪以P为起点的轮廓线,直到到达该线的终点Q;然后在边缘图像Tl(x,y)中找到与Q点位置相对应的Q'点,在其8邻域内寻找边缘点R',然后将R'在边缘图像Th(x,y)对应的点R设为边缘点。接着在图像Th(x,y)中继续寻找跟踪以R为起点的轮廓线,这些循环递归跟踪,直到在图像Tl(x,y)再也找不到可能的连接边缘点,至此,包含P点的边缘线就连接完毕了。然后依次跟踪寻找图像Th(x,y)的每一条轮廓线,直到再也找不到新的轮廓线为止。
通过上述方法,能够初步提取椭圆轮廓。
在另一种实施方式中,步骤S30具体包括:
S301:建立参数空间,对二值图像的每一特征点,扫描其余特征点,计算该特征点与其余特征点之间的中点坐标,并对相应的参数空间进行投票。
特征点即为椭圆边缘像素点。扫描整幅二值图像,统计特征点,建立参数空间。图像空间的大小即为参数空间的大小,参数空间结构采用二维数组结构,初值设置为零。
对二值图像每一个特征点,扫描其余所有特征点,计算该特征点与其余特征点之间的中点坐标,将其对应的参数空间加1。
在对下一个特征点进行扫描时,跳过已经作过扫描的特征点,仅对后面的点进行计算,这样可以减少计算量,减少程序的运行时间。为了进一步减小干扰的影响,提高程序的运行效率,在对每一点进行扫描时,可以进行加窗处理,窗口的大小由椭圆的大小决定。遍历完所有特征点。
S302:扫描每一参数空间任意非零点P,以该点为中心,边长为2a的方形块为局部区域R,在局部区域R中寻找极大值。
极大值法采用的是局部非极大值抑制的思想,即在局部范围内只保留一个最大值,将其余非最大值都设为零。具体做法如下:
设参数空间H,根据先验知识取椭圆长半轴长为a,扫描参数空间任意非零点P,设以该点为中心,边长为2a的方形块为局部区域R。先假设P点统计值P(x,y)为区域R的极大值Rmax。遍历区域R,若某点统计值R(x,y)>Rmax,则以该点统计值为新的极大值,并将原极大值点设为零,即令Rmax=R(x,y),P(x,y)=0;若某点统计值R(x,y)≤Rmax,则令该点统计值R(x,y)=0。
S303:遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心。
遍历参数空间所有点之后,参数空间的全部非零点即是极大值点,每个极大值点对应于一个候选椭圆中心。
S304:修正候选椭圆中心。
根据极大值求得的椭圆中心,有的中心不是位于椭圆的正中间,因此,并不是椭圆中心,需要对侯选椭圆中心进行修正,修正候选椭圆中心的步骤具体包括:
S3041:对原参数空间的每一个侯选椭圆中心Oi,在其区域R中寻找统计值大于阈值的m个点组成点集S,S满足{Sj|Sj∈R且Sj(x,y)>λ·O(x,y)}(j=1,2,3,...,m);其中,λ为比例系数,0≤λ≤1,本实施方式中,λ=0.8。
S3042:计算点集S的中心坐标,点集S的中心坐标O'即为椭圆中心的修正值。
计算点集S的中心坐标的公式为:
其中,m为大于零的正整数。
在另一种实施方式中,为了更准确地计算椭圆参数,采用Hough变换结合椭圆参数方程求解。步骤S40具体包括以下步骤:
S401:将关于所述中心点Oi对称的边缘点进行采样存入数组Vi中。
在中心点Oi附近寻找关于中心点对称的边缘点进行采样存入数组Vi中,对于任意椭圆,设中心坐标为(x0,y0),椭圆长半轴长为a,椭圆短半轴长为b,椭圆倾斜角为θ。则参数方程为
S402:将中心坐标Oi(x0,y0)带入椭圆的参数方程中,从数组Vi中取出数据在三维空间中结合参数方程并采用Hough变换对a,b,θ进行量化投票统计,求出参数空间最大值对应的3个参数即为候选椭圆的a,b,θ。
上述方法,通过采用Hough变换结合椭圆参数求解,更准确的计算椭圆的参数。
本发明的基于Hough变换的椭圆检测方法,根据候选椭圆中心和候选的参数精确定位椭圆,能快速的检测各个椭圆的参数,提高椭圆检测的精度,通过对虚假椭圆的判断,降低的误检率,即使在背景复杂的图像中,该改进算法也能准确快速的检测各个椭圆的参数,运算速度快,检测性能好,抗干扰性强。
上述基于Hough变换的椭圆检测方法可用于生物医学显微图像的椭圆目标检测,尤其是粪便图像中的虫卵识别。虫卵的轮廓通常为椭圆形,通过该基于Hough变换的椭圆检测方法,能够有效的识别和提取粪便图像中的虫卵。
本发明还提供一种基于Hough变换的椭圆检测系统,如图2所示,该系统包括:
获取模块10,用于获取图像。
获取模块10获取的图像为血液、尿液或大便样本的显微图像,通过本发明的椭圆检测方法,可以提取图像中的椭圆目标,如尿检和大便镜检中红、白细胞以及虫卵细胞的分割提取。
边缘检测模块20,用于使用边缘检测方法对获取的图像进行预处理,得到二值图像。
具体的边缘检测方法可采用零交叉检测的log算子,或多尺度空间边缘检测的Canny算子,通过使用边缘检测方法,提取椭圆边缘的像素点,边缘的像素点即为椭圆的特征点。
第一计算模块30,用于对二值图像进行Hough变换,得到候选椭圆中心。
椭圆具有以下两个性质:
性质1,在椭圆上任取一点与椭圆上其他点的连线构成椭圆的一组弦,这组弦的中点构成一个新的椭圆,该椭圆称为原椭圆在该点的内切椭圆。
性质2,椭圆上外法线方向相反的两个点称为椭圆的一对对偶点,椭圆上所有对偶点的连线的中点即为椭圆的中心。
由性质1可知椭圆上非对偶点之间连线的中点散布于各处,由性质2可知椭圆上所有对偶点的连线的中点都集中落在椭圆中心处。因此如果把原图像边缘二值图中的每一个边缘点都与其他点相连,并对连线的中点在参数空间进行投票统计,则在每个椭圆中心处将出现统计值的峰值,最大峰值对应的点为候选椭圆中心。
第二计算模块40,用于根据所述候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数。
对于任意椭圆,设候选椭圆的中心坐标为(x0,y0),椭圆长半轴长为a,椭圆短半轴长为b,椭圆倾斜角为θ。则参数方程为
将候选椭圆中心坐标Oi(x0,y0)带入椭圆的参数方程中,寻找关于中心对称的特征边缘点结合椭圆的方程并采用Hough变换对a,b,θ进行量化投票统计,求出参数空间最大值对应的3个参数即为候选椭圆的a,b,θ。
判断模块50,用于判断根据候选椭圆的参数和候选椭圆中心得到的候选椭圆是否为真椭圆。
定位模块60,用于在判断模块判定所述候选椭圆为真椭圆时,定位该真椭圆。
上述基于Hough变换的椭圆检测系统,通过使用边缘检测方法提取椭圆轮廓,通过两次Hough变换,第一次Hough得到侯选椭圆中心,结合椭圆的参数方程通过第二次Hough变换投票得到候选椭圆的参数,根据椭圆中心和椭圆参数得到候选椭圆,在此基础上,判断得到的候选椭圆是否为真椭圆,并定位该真椭圆。该方法通过对得到的候选椭圆进行真假判断,剔除虚假椭圆,从而降低误检率,提高了椭圆检测的精确度,有效的定位椭圆。
在另一种实施方式中,判断模块50包括:
区域选择单元501,用于以候选椭圆的中心选取方形区域D。
第一计算单元502,用于在方形区域D中计算获取的原图像中落在所述候选椭圆上的实际边缘点的数目N1和组成候选椭圆的边缘点数目N2。
对于候选椭圆E(x0,y0,a,b,θ),判断任意点P(x,y)是否落在椭圆上的判断公式:
其中,D={(x,y)||x-x0|≤a+2且|y-y0|≤b+2},P(x,y)∈D,T为常数,为经验值,可根据精度要求进行取值,本实施方式中,取T=0.1,(x0,y0)为候选椭圆的中心坐标,θ为参数,a为候选椭圆长半轴长,b为短半轴长。对任意点P(x,y)∈D且满足上式,则认为该点落在候选椭圆上。
第一判断单元503,用于判断N1与N2的比值是否大于阈值I,若则判定候选椭圆为真椭圆。
在区域D中计算原图中落在候选椭圆上的实际边缘点数目N1和组成候选椭圆的边缘点数目N2,因为组成椭圆的点数是随着a,b变化而变化的,所以应该以N1、N2的比值是否大于阈值I来判断候选椭圆是否为真,即当时,候选椭圆为真。其中,0≤I≤1,本实施方式中,I=0.6。
上述系统,通过结合椭圆的参数方程,对候选椭圆的真假进行判断,有效剔除虚假椭圆。
在另一种实施方式中,
第一计算模块30包括:
第二计算单元,用于建立参数空间,对所述二值图像的每一特征点,扫描其余特征点,计算该特征点与其余特征点之间的中点坐标,并对相应的参数空间进行投票。
特征点即为椭圆边缘像素点。扫描整幅二值图像,统计特征点,建立参数空间。图像空间的大小即为参数空间的大小,参数空间结构采用二维数组结构,初值设置为零。
对二值图像每一个特征点,扫描其余所有特征点,计算该特征点与其余特征点之间的中点坐标,将其对应的参数空间加1。
在对下一个特征点进行扫描时,跳过已经作过扫描的特征点,仅对后面的点进行计算,这样可以减少计算量,减少程序的运行时间。为了进一步减小干扰的影响,提高程序的运行效率,在对每一点进行扫描时,可以进行加窗处理,窗口的大小由椭圆的大小决定。遍历完所有特征点。
第三计算单元:用于扫描每一参数空间任意非零点P,以该点为中心,边长为2a的方形块为局部区域R,在局部区域R中寻找极大值。
极大值法采用的是局部非极大值抑制的思想,即在局部范围内只保留一个最大值,将其余非最大值都设为零。具体做法如下:
设参数空间H,根据先验知识取椭圆长半轴长为a,扫描参数空间任意非零点P,设以该点为中心,边长为2a的方形块为局部区域R。先假设P点统计值P(x,y)为区域R的极大值Rmax。遍历区域R,若某点统计值R(x,y)>Rmax,则以该点统计值为新的极大值,并将原极大值点设为零,即令Rmax=R(x,y),P(x,y)=0;若某点统计值R(x,y)≤Rmax,则令该点统计值R(x,y)=0。
第一处理单元:用于遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心。
遍历参数空间所有点之后,参数空间的全部非零点即是极大值点,每个极大值点对应于一个候选椭圆中心。
修正单元,用于修正候选椭圆中心。
根据极大值求得的椭圆中心,有的中心不是位于椭圆的正中间,因此,并不是椭圆中心,需要对侯选椭圆中心进行修正
设求出的n个候选椭圆中心为Oi(i=1,2,3,...,n),对原参数空间H中的每个点O,在其区域R中寻找统计值大于阈值的m个点组成点集S,S满足:
{Sj|Sj∈R且Sj(x,y)>λ·O(x,y)} (j=1,2,3,...,m)
其中,λ为比例系数,0≤λ≤1;本实施方式中,比例系数λ=0.8。
再计算点集S的中心坐标O'即为椭圆中心的修正值,试算点集S的中心坐标的公式为:
在另一种实施方式中,为了更准确地计算椭圆参数,采用Hough变换结合椭圆参数方程求解。第二计算模块40具体包括:
采样单元,用于将关于所述中心点Oi对称的边缘点进行采样存入数组Vi中。
在中心点Oi附近寻找关于中心点对称的边缘点进行采样存入数组Vi中,对于任意椭圆,设中心坐标为(x0,y0),椭圆长半轴长为a,椭圆短半轴长为b,椭圆倾斜角为θ。则参数方程为
第四计算单元,用于将中心坐标Oi(x0,y0)带入椭圆方程中,从数组Vi中取出数据在三维空间中结合参数方程并采用Hough变换对a,b,θ进行量化投票统计,求出参数空间最大值对应的3个参数即为候选椭圆的a,b,θ。
该检测系统,通过采用Hough变换结合椭圆参数求解,更准确的计算椭圆的参数。
本发明的基于Hough变换的椭圆检测系统,根据候选椭圆中心和候选的参数精确定位椭圆,能快速的检测各个椭圆的参数,提高椭圆检测的精度,通过对虚假椭圆的判断,降低的误检率,即使在背景复杂的图像中,该系统也能准确快速的检测各个椭圆的参数,运算速度快,检测性能好,抗干扰性强。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于Hough变换的椭圆检测方法,其特征在于,包括以下步骤:
获取图像;
使用边缘检测方法对获取的图像进行边缘检测,得到二值图像;
对所述二值图像进行Hough变换,得到候选椭圆中心;
根据所述候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数;
判断根据所述候选椭圆的参数和所述候选椭圆中心得到的候选椭圆是否为真椭圆;
若判定所述候选椭圆为真椭圆,则定位所述真椭圆。
2.根据权利要求1所述的基于Hough变换的椭圆检测方法,其特征在于,所述判断所述候选椭圆是否为真椭圆的步骤包括:
以候选椭圆的中心选取方形区域D;
在方形区域D中计算获取的原图像中落在所述候选椭圆上的实际边缘点的数目N1和组成候选椭圆的边缘点数目N2;
判断N1与N2的比值是否大于阈值I;
若则判定候选椭圆为真椭圆;
其中,判断任意点P(x,y)是否落在候选椭圆上的判断公式:
其中,D={(x,y)||x-x0|≤a+2且|y-y0|≤b+2},P(x,y)∈D,所述T为常数。
3.根据权利要求1所述的基于Hough变换的椭圆检测方法,其特征在于,对所述二值图像进行Hough变换,得到候选椭圆中心的步骤具体包括:
建立参数空间,对所述二值图像的每一特征点,扫描其余特征点,计算该特征点与其余特征点之间的中点坐标,并对相应的参数空间进行投票;
扫描每一参数空间任意非零点P,以该点为中心,边长为2a的方形块为局部区域R,在局部区域R中寻找极大值;其中,a为椭圆长轴半轴长;
遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心。
4.根据权利要求3所述的基于Hough变换的椭圆检测方法,其特征在于,在局部区域R中寻找极大值的步骤具体为:
令P点的值为初始极大值Rmax;
遍历区域R,若其中一点统计值R(x,y)≤Rmax,则令该点统计值R(x,y)=0;
若其中一点统计值R(x,y)>Rmax,则以该点统计值为新的极大值Rmax,并将原极大值点设为零,即令Rmax=R(x,y),P(x,y)=0。
5.根据权利要求4所述的基于Hough变换的椭圆检测方法,其特征在于,在所述遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心步骤之后,还包括:
修正所述候选椭圆中心;
具体的修正步骤包括:
对原参数空间的每一个侯选椭圆中心Oi,在其区域R中寻找统计值大于阈值的m个点组成点集S,S满足{Sj|Sj∈R且Sj(x,y)>λ·O(x,y)}(j=1,2,3,...,m);其中,所述λ为比例系数,0≤λ≤1;
计算点集S的中心坐标,点集S的中心坐标O'即为椭圆中心的修正值;计算点集S的中心坐标的公式为:
其中,m为大于零的正整数。
6.根据权利要求5所述的基于Hough变换的椭圆检测方法,其特征在于,所述根据所述候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到椭圆的参数的步骤具体包括:
将关于所述中心点Oi对称的边缘点进行采样存入数组Vi中;
将中心点坐标Oi(x0,y0)代入椭圆的参数方程中,从数组Vi中取出数据在三维空间中结合参数方程并采用Hough变换对a,b,θ进行量化投票统计,计算出参数空间最大值对应的3个参数即为候选椭圆的a,b,θ;
椭圆的参数方程为:
7.一种基于Hough变换的椭圆检测系统,其特征在于,包括:
获取模块,用于获取图像;
边缘检测模块,用于使用边缘检测方法对获取的图像进行边缘检测,得到二值图像;
第一计算模块,用于对所述二值图像进行Hough变换,得到候选椭圆中心;
第二计算模块,用于根据所述候选椭圆的中心的坐标和椭圆的参数方程,进行Hough变换得到候选椭圆的参数;
判断模块,用于判断根据所述候选椭圆的参数和所述候选椭圆中心得到的候选椭圆是否为真椭圆;
定位模块,用于在判断模块判定所述候选椭圆为真椭圆时,定位所述真椭圆。
8.根据权利要求7所述的基于Hough变换的椭圆检测系统,其特征在于,所述判断模块包括:
区域选择单元,用于以候选椭圆的中心选取方形区域D;
第一计算单元,用于在方形区域D中计算获取的原图像中落在所述候选椭圆上的实际边缘点的数目N1和组成候选椭圆的边缘点数目N2;
第一判断单元,用于判断N1与N2的比值是否大于阈值I,若则判定候选椭圆为真椭圆;
其中,判断任意点P(x,y)是否落在椭圆上的判断公式:
其中,D={(x,y)||x-x0|≤a+2且|y-y0|≤b+2},P(x,y)∈D,所述T为常数。
9.根据权利要求7所述的基于Hough变换的椭圆检测系统,其特征在于,
所述第一计算模块包括:
第二计算单元,用于建立参数空间,对所述二值图像的每一特征点,扫描其余特征点,计算该特征点与其余特征点之间的中点坐标,并对相应的参数空间进行投票;
第三计算单元,用于扫描每一参数空间任意非零点P,以该点为中心,边长为2a的方形块为局部区域R,在局部区域R中寻找极大值;其中,a为椭圆长轴半轴长;
第一处理单元,用于遍历参数空间所有点之后,将每个局部区域的极大值对应的点作为候选椭圆中心。
10.一种粪便图像中的虫卵识别方法,其特征在于,利用所述权利要求1至6任一项所述基于Hough变换的椭圆检测方法对虫卵进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510137813.XA CN104700420B (zh) | 2015-03-26 | 2015-03-26 | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510137813.XA CN104700420B (zh) | 2015-03-26 | 2015-03-26 | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700420A true CN104700420A (zh) | 2015-06-10 |
CN104700420B CN104700420B (zh) | 2019-02-15 |
Family
ID=53347502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510137813.XA Active CN104700420B (zh) | 2015-03-26 | 2015-03-26 | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700420B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976387A (zh) * | 2016-05-20 | 2016-09-28 | 镇江市聚微科技有限公司 | 一种基于Hough变换和最大平均距离的椭圆检测方法 |
CN106372642A (zh) * | 2016-08-31 | 2017-02-01 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
CN107179272A (zh) * | 2017-05-10 | 2017-09-19 | 中南民族大学 | 一种显微镜下急性分离神经细胞捕捉系统及方法 |
CN107545557A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 粪便图像中的虫卵检测方法和装置 |
CN107705287A (zh) * | 2017-08-24 | 2018-02-16 | 长春理工大学 | 一种具有中心对称分布规律的工业产品缺损检测方法 |
CN111311593A (zh) * | 2020-03-14 | 2020-06-19 | 深圳市维森软件股份有限公司 | 一种基于图像梯度信息的多椭圆检测和评估算法、装置、终端及可读存储介质 |
CN112784837A (zh) * | 2021-01-26 | 2021-05-11 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN113554648A (zh) * | 2021-09-18 | 2021-10-26 | 四川太平洋药业有限责任公司 | 生产线检测方法 |
CN113599066A (zh) * | 2021-09-14 | 2021-11-05 | 广州蓝仕威克医疗科技有限公司 | 一种在生命体内进行温度调节的装置 |
CN115187599A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 基于几何性质的轻量化的单晶硅椭圆参数辨识方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020626A (zh) * | 2011-09-28 | 2013-04-03 | 深圳市蓝韵实业有限公司 | 在图像中检测椭圆型目标的方法及系统 |
CN104036514A (zh) * | 2014-06-27 | 2014-09-10 | 浙江大学 | 一种基于直方图峰值搜索的圆检测方法 |
EP2821935A2 (en) * | 2013-07-01 | 2015-01-07 | Ricoh Company, Ltd. | Vehicle detection method and device |
CN104281877A (zh) * | 2014-09-18 | 2015-01-14 | 北京航空航天大学 | 一种基于改进遗传聚类的人类活动区域分类方法 |
-
2015
- 2015-03-26 CN CN201510137813.XA patent/CN104700420B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020626A (zh) * | 2011-09-28 | 2013-04-03 | 深圳市蓝韵实业有限公司 | 在图像中检测椭圆型目标的方法及系统 |
EP2821935A2 (en) * | 2013-07-01 | 2015-01-07 | Ricoh Company, Ltd. | Vehicle detection method and device |
CN104036514A (zh) * | 2014-06-27 | 2014-09-10 | 浙江大学 | 一种基于直方图峰值搜索的圆检测方法 |
CN104281877A (zh) * | 2014-09-18 | 2015-01-14 | 北京航空航天大学 | 一种基于改进遗传聚类的人类活动区域分类方法 |
Non-Patent Citations (3)
Title |
---|
于海滨 等: "基于中心提取的RHT在椭圆检测中的应用", 《计算机辅助设计与图形学学报》 * |
屈稳太: "基于弦中点Hough变换的椭圆检测方法", 《浙江大学学报(工学版)》 * |
黄梓效 等: "基于椭圆Hough变换的尿沉渣图像红细胞检测", 《计算机系统应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976387A (zh) * | 2016-05-20 | 2016-09-28 | 镇江市聚微科技有限公司 | 一种基于Hough变换和最大平均距离的椭圆检测方法 |
CN107545557A (zh) * | 2016-06-23 | 2018-01-05 | 爱威科技股份有限公司 | 粪便图像中的虫卵检测方法和装置 |
CN106372642A (zh) * | 2016-08-31 | 2017-02-01 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
CN106372642B (zh) * | 2016-08-31 | 2023-11-03 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
CN107179272A (zh) * | 2017-05-10 | 2017-09-19 | 中南民族大学 | 一种显微镜下急性分离神经细胞捕捉系统及方法 |
CN107179272B (zh) * | 2017-05-10 | 2019-06-07 | 中南民族大学 | 一种显微镜下急性分离神经细胞捕捉方法 |
CN107705287B (zh) * | 2017-08-24 | 2019-10-18 | 长春理工大学 | 一种具有中心对称分布规律的工业产品缺损检测方法 |
CN107705287A (zh) * | 2017-08-24 | 2018-02-16 | 长春理工大学 | 一种具有中心对称分布规律的工业产品缺损检测方法 |
CN111311593A (zh) * | 2020-03-14 | 2020-06-19 | 深圳市维森软件股份有限公司 | 一种基于图像梯度信息的多椭圆检测和评估算法、装置、终端及可读存储介质 |
CN111311593B (zh) * | 2020-03-14 | 2023-05-26 | 深圳市维森软件股份有限公司 | 一种多椭圆检测和评估算法、装置及终端 |
CN112784837A (zh) * | 2021-01-26 | 2021-05-11 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN112784837B (zh) * | 2021-01-26 | 2024-01-30 | 电子科技大学中山学院 | 一种感兴趣区域提取方法、装置、电子设备及存储介质 |
CN113599066A (zh) * | 2021-09-14 | 2021-11-05 | 广州蓝仕威克医疗科技有限公司 | 一种在生命体内进行温度调节的装置 |
CN113554648A (zh) * | 2021-09-18 | 2021-10-26 | 四川太平洋药业有限责任公司 | 生产线检测方法 |
CN115187599A (zh) * | 2022-09-09 | 2022-10-14 | 之江实验室 | 基于几何性质的轻量化的单晶硅椭圆参数辨识方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104700420B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700420A (zh) | 基于Hough变换的椭圆检测方法、系统和虫卵识别方法 | |
CN104751187B (zh) | 抄表图像自动识别方法 | |
CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN102496013B (zh) | 用于脱机手写汉字识别的汉字字符切分方法 | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN105160654A (zh) | 基于特征点提取的毛巾标签缺陷检测方法 | |
CN106485183A (zh) | 一种二维码定位方法及系统 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN107833206B (zh) | 一种复杂背景下电力线精确提取方法 | |
CN110378921B (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN105205488A (zh) | 基于Harris角点和笔画宽度的文字区域检测方法 | |
CN103632137A (zh) | 一种人眼虹膜图像分割方法 | |
CN102129685A (zh) | 一种基于高斯金字塔分解的不规则圆检测方法 | |
CN103824060A (zh) | 指纹细节点的提取方法 | |
Tahseen et al. | Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及系统 | |
CN104021385B (zh) | 基于模板匹配及曲线拟合的视频字幕细化方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |