CN105678737A - 一种基于Radon变换的数字图像角点检测方法 - Google Patents

一种基于Radon变换的数字图像角点检测方法 Download PDF

Info

Publication number
CN105678737A
CN105678737A CN201510991950.XA CN201510991950A CN105678737A CN 105678737 A CN105678737 A CN 105678737A CN 201510991950 A CN201510991950 A CN 201510991950A CN 105678737 A CN105678737 A CN 105678737A
Authority
CN
China
Prior art keywords
point
image
radon
potential
coordinate
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
CN201510991950.XA
Other languages
English (en)
Other versions
CN105678737B (zh
Inventor
王旭光
苏杰
张楠
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201510991950.XA priority Critical patent/CN105678737B/zh
Publication of CN105678737A publication Critical patent/CN105678737A/zh
Application granted granted Critical
Publication of CN105678737B publication Critical patent/CN105678737B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Image Analysis (AREA)

Abstract

一种基于Radon变换的数字图像角点检测方法，用于提高角点检测精度，减少信息处理量。其技术方案是，所述方法包括以下步骤：a.对原图像进行边缘提取，得到边缘提取图像；b.对边缘提取图像做Radon变换，得到Radon能量图；c.在Radon能量图上选取亮度值大于设定阈值的点，从而提取出亮度极值点的坐标；d.计算潜在角点坐标；e.判断各潜在角点的真伪，得到真实角点坐标。本发明在角点检测过程中不需要遍历图像中的所有像素，只需对聚类后不同类间的元素进行计算，不仅能够保证角点的定位精度，而且有效减少了计算的时间和空间复杂度，从而提高了角点的检测速度。

Description

一种基于Radon变换的数字图像角点检测方法
技术领域
本发明涉及一种数字图像角点的检测方法，适用于物体识别、图像配准、三维重建、虚拟现实等领域，属于数据处理技术领域。
背景技术
图像特征点通常是指图像中的角点、曲率较大的边缘点和块状结构点，特征点检测是计算机通过检测算法自动地检测出图像特征点。特征点检测是图像分析、理解和计算机视觉中的最基本问题，它是众多应用领域(如：图像配准、三维重构、物体识别、运动跟踪和视频理解等等)的基础。
常用的特征点检测方法主要有三类：基于图像灰度的方法，基于图像梯度的方法和基于图像二阶微分的方法。
基于图像灰度自相关函数的检测算法利用图像窗口与它的平移窗口之间的灰度变化量来检测特征点，该算法的优点是不需要计算图像梯度和高阶微分，其不足之处是对图像噪声非常敏感。另一种直接从图像灰度检测特征点的算法是SUSAN算子，该算子是利用所谓的USAN面积(USAN：UnivalueSegmentAssimilatingNucleus)作为图像局部灰度统计量来检测特征点，该算法的特点是计算极其简单，通常也能得到较好的检测结果。
在基于图像梯度的检测算法中，最著名的首当Harris检测算子，该算子使用图像梯度来刻画图像灰度的自相关性，避免了图像的平移操作。另一种常用的检测算法是CSS(CurvatureScaleSpace)检测算子，它首先利用Canny边缘检测技术和曲率技术在图像边缘上寻找曲率较大的极值点来初始化角点位置，然后通过跟踪技术确定角点的精确位置。由于该算法需要检测图像边缘和边缘局部拟合运算，因此与其它算法相比计算量非常大，但它具有较高的定位精度。
在特征点中还有一类块状结构的特征点(称为Blob点)，对非常小黑斑或亮点，在各个方向上灰度变化都很剧烈。上述两类方法都很难检测出Blob点。检测Blob点的算法通常都是基于图像二阶微分的。检测Blob点的算子首推LOG(LaplacianofGaussian)算子，因为LOG算子在中心附近的值为正数，而在边沿处的值为负值，可以看作一个区域内环和外环的差异响应，这种性质与图像中Blob点的结构相一致，因此它能够有效地检测出图像中的Blob结构。另一种检测算子是DOG(DifferenceofGaussian)算子，是LOG算子的一种近似。它注意到Gaussian函数的尺度导数与LOG算子仅相差一个常数因子(尺度因子)，因而高斯函数关于尺度差分可以很好地近似LOG算子，这样就得到了DOG算子，它不需要计算二阶微分从而大大地降低了LOG的计算量。在基于二阶微分的检测算子中，还有一种类似于Harris算子的Hessian算子，它利用图像的Hessian矩阵行列式来检测Blob点。
在针对角点的检测方法中，常见的有Harris检测算子、CSS检测算子、SIFT检测算子等，这些算子虽然具有较高精度，但都需要遍历图像中所有像素，存在运算量较大，快速性不够等缺点。
发明内容
本发明的目的在于针对现有技术之弊端，提供一种基于Radon变换的数字图像角点检测方法，在保证角点检测精度的同时，减少算法的运算量，提高检测速度。
本发明所述问题是以下述技术方案实现的：
一种基于Radon变换的数字图像角点检测方法，所述方法包括以下步骤：
a.对原图像进行边缘提取，得到边缘提取图像；
b.对边缘提取图像做Radon变换，得到Radon能量图；
c.在Radon能量图上选取亮度值大于设定阈值的点，从而提取出亮度极值点的坐标(ρi,θi)；
d.计算潜在角点坐标：
将Radon能量图中位于同一直线上的亮度极值点(ρi,θi)聚类为一个点的集合，根据该亮度极值点集合中的极值点个数，采用不同的方法计算潜在角点坐标；
e.判断各潜在角点的真伪，得到真实角点坐标。
上述基于Radon变换的数字图像角点检测方法，步骤d中根据亮度极值点集合中的极值点个数计算潜在角点坐标的具体方法如下：
①若该集合中的亮度极值点数大于或等于3，首先将集合中的点(ρi,θi)对应到对偶空间中：设点(ρi,θi)对应边缘提取图像中的直线aix+biy+ci＝0，其中，ai＝cosθi,bi＝sinθi,ci＝-ρi，则点(ρi,θi)在对偶空间中对应点的坐标为然后对该集合所对应的对偶空间中的点的坐标，利用RANSAC算法拟合直线，得到对偶空间中的直线αix+βiy+γi＝0,该直线所对应的边缘提取图像中的点是多条直线在原始空间中的交点，剔除中超出原始图像范围的部分，剩余部分即为潜在角点坐标；
②若该集合中的亮度极值点数为2，计算这两点在原始空间中所对应的直线的交点，若该交点坐标未超出原始图像范围，即为潜在角点坐标。
上述基于Radon变换的数字图像角点检测方法，角点真伪的判别方法是：以潜在角点为中心取一个邻域，邻域的半径为R，在边缘提取图像上沿通过该潜在角点的直线在邻域内计算像素和Pi，当至少有两条直线满足|Pi-R|小于阈值Re时，则这个潜在角点为真实角点。
上述基于Radon变换的数字图像角点检测方法，对原图像进行边缘提取时所采用的边缘提取算子为sobel或canny。
本发明在角点检测过程中不需要遍历图像中的所有像素，只需对聚类后不同类间的元素进行计算，不仅能够保证角点的定位精度，而且有效减少了计算的时间和空间复杂度，从而提高了角点的检测速度。
附图说明
下面结合附图对本发明作进一步说明。
图1为基于Radon变换的数字图像角点检测方法的流程图；
图2为伪角点与真实角点的示意图；
图3为对偶空间示意图；
图4为通过角点边缘直线的有效性判断示意图；
图5为角点模拟实验图像；
图6为真实的国际象棋棋盘的角点检测结果。
文中各符号清单为：(ρi,θi)为Radon能量图上的极值点坐标；为点(ρi,θi)在对偶空间中对应点的坐标；Pi为像素和。
具体实施方式
本发明提供了一种基于Radon变换的数字图像角点检测方法：该方法可以在计算机软件环境下实施，流程图如附图1所示，具体处理步骤如下：
步骤(1)：输入一幅图像并将其转换为灰度图像,利用边缘提取算子(例如sobel、canny等)对灰度图像进行边缘提取，得到边缘提取图像；
步骤(2)：对边缘提取图像进行Radon变换，得到Radon能量图，其中图像的横轴为Radon变换的变换角度θ，纵轴ρ为边缘提取图像中原点到直线的距离(边缘提取图像的原点为边缘提取图像的中心点)；
步骤(3)：在Radon能量图上选取亮度值大于设定阈值的点，从而提取出亮度极值点的坐标(ρi,θi)。Radon变换是把原始空间(原始图像)中的直线变换到Radon能量图上，Radon能量图上的每一点对应原始图像上的一条直线，Radon能量图上每一点的亮度值与原始图像上对应的直线段的长度成正比，因此可以通过选定的亮度阈值在Radon能量图上筛选出原始图像上具有一定长度的直线段；
步骤(4)：计算潜在角点坐标：
原始图像上的共点线对应Radon能量图上共线点。在Radon能量图上，任意两个亮度极值点可以计算出一条通过这两点的直线，那么在这条直线上的所有亮度极值点可被聚类为一个点的集合，集合中的所有点对应原始图像上的共点线。因此，当集合中的点数大于等于3时，此集合对应原始图像上由3条或3条以上直线交成的共点线。当集合中的点数等于2时，此集合对应原始图像上由2条直线交成的共点线。
将Radon能量图中位于同一直线上的亮度极值点(ρi,θi)聚类为一个点的集合，根据该亮度极值点集合中的极值点个数，采用不同的方法计算潜在角点坐标：
①当该集合中的亮度极值点数大于或等于3，即此集合对应原始图像上由3条或3条以上直线交成的共点线时，将集合中的点对应到对偶空间中，即点(ρi,θi)对应边缘提取图中的直线aix+biy+ci＝0，直线在对偶空间中对应点的坐标为且ai＝cosθi,bi＝sinθi,ci＝-ρi。对该集合所对应的对偶空间中的点坐标利用RANSAC算法拟合直线，得到直线αix+βiy+γi＝0,对应的是多条直线在原始空间中的交点，剔除中超出原始图像范围的部分，剩余部分即为潜在角点坐标；
②当集合中的点数为2时，计算这两点对应的直线的交点，这两条直线的交点坐标若未超出原始图像范围，即为潜在角点坐标。
步骤(5)：判断潜在角点的真伪：去除超出图像范围的潜在角点，对于剩余的潜在角点，取以潜在角点(xq,yq)为中心取一个半径为R的小邻域，计算通过该角点的边缘直线在邻域内穿行的有效距离d(即边缘提取图像上沿通过该潜在角点的直线在邻域内的像素和Pq)，如果d>＝Re(根据实验结果给出的阈值),则该直线为有效直线(如图4所示)。如果穿过该角点的有效直线大于等于2条，则该角点为真实角点，记录真实角点的坐标。
以下给出一个具体检测实例。
图5是角点模拟实验图像，利用模拟图像的原因是角点的真实位置已知。模拟图像由3*5幅不同类型的角点图像组成，其中包括”L”、“T”、“X”、“Y”型的角点，每幅图像的大小均为100*100，图像中像素的灰度值分别为0(黑色)、0.3(较暗)、0.5(灰色)。在实验过程中，首先对模拟图像进行边缘提取，在边缘提取图上进行Radon变换得到Rodon能量图，在Radon能量图上通过基于阈值的方法获得原图中每条直线的参数，然后根据上文所述方法计算潜在角点的位置，选取合适的半径与阈值从潜在角点中得到真实角点，并在原图上标记，结果如图5所示。通过观察和分析实验结果，发现模拟图像中的每一个角点均被均已被检测出来，角点定位精准。
图像6为选取的真实的国际象棋棋盘，在实验过程中先对原图进行灰度化处理，然后对灰度图像进行边缘提取，在边缘提取图上进行Radon变换得到Rodon能量图，在Radon能量图上通过基于阈值的方法获得原图中每条直线的参数，然后根据上文所述方法计算潜在角点的位置，选取合适的半径与阈值从潜在角点中得到真实角点，如图6所示。结果表明在真实图像上角点定位精准，识别率高。

Claims (4)

1.一种基于Radon变换的数字图像角点检测方法，其特征是，检测按以下步骤进行：
a.对原图像进行边缘提取，得到边缘提取图像；
b.对边缘提取图像做Radon变换，得到Radon能量图；
c.在Radon能量图上选取亮度值大于设定阈值的点，从而提取出亮度极值点的坐标(ρi,θi)；
d.计算潜在角点坐标：
将Radon能量图中位于同一直线上的亮度极值点(ρi,θi)聚类为一个点的集合，根据该亮度极值点集合中的极值点个数，采用不同的方法计算潜在角点坐标；
e.判断各潜在角点的真伪，得到真实角点坐标。
2.根据权利要求1所述的一种基于Radon变换的数字图像角点检测方法，其特征是，步骤d中根据亮度极值点集合中的极值点个数计算潜在角点坐标的具体方法如下：
①若该集合中的亮度极值点数大于或等于3，首先将集合中的点(ρi,θi)对应到对偶空间中：设点(ρi,θi)对应边缘提取图像中的直线aix+biy+ci＝0，其中，ai＝cosθi,bi＝sinθi,ci＝-ρi，则点(ρi,θi)在对偶空间中对应点的坐标为然后对该集合所对应的对偶空间中的点的坐标，利用RANSAC算法拟合直线，得到对偶空间中的直线αix+βiy+γi＝0,该直线所对应的边缘提取图像中的点是多条直线在原始空间中的交点，剔除中超出原始图像范围的部分，剩余部分即为潜在角点坐标；
②若该集合中的亮度极值点数为2，计算这两点在原始空间中所对应的直线的交点，若该交点坐标未超出原始图像范围，即为潜在角点坐标。
3.根据权利要求1或2所述的一种基于Radon变换的数字图像角点检测方法，其特征是，角点真伪的判别方法是：以潜在角点为中心取一个邻域，邻域的半径为R，在边缘提取图像上沿通过该潜在角点的直线在邻域内计算像素和Pi，当至少有两条直线满足|Pi-R|小于阈值Re时，则这个潜在角点为真实角点。
4.根据权利要求3所述的一种基于Radon变换的数字图像角点检测方法，其特征是，对原图像进行边缘提取时所采用的边缘提取算子为sobel或canny。
CN201510991950.XA 2015-12-24 2015-12-24 一种基于Radon变换的数字图像角点检测方法 Expired - Fee Related CN105678737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510991950.XA CN105678737B (zh) 2015-12-24 2015-12-24 一种基于Radon变换的数字图像角点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510991950.XA CN105678737B (zh) 2015-12-24 2015-12-24 一种基于Radon变换的数字图像角点检测方法

Publications (2)

Publication Number Publication Date
CN105678737A true CN105678737A (zh) 2016-06-15
CN105678737B CN105678737B (zh) 2019-03-01

Family

ID=56189606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510991950.XA Expired - Fee Related CN105678737B (zh) 2015-12-24 2015-12-24 一种基于Radon变换的数字图像角点检测方法

Country Status (1)

Country Link
CN (1) CN105678737B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960423A (zh) * 2017-03-20 2017-07-18 浙江大学 一种面向芯片封装的溢料检测方法
CN108230394A (zh) * 2016-12-14 2018-06-29 中南大学 一种轨道图像自动校正方法
CN110276772A (zh) * 2019-05-10 2019-09-24 深圳大学 一种肌肉组织中结构要素的自动定位方法及系统
CN111368851A (zh) * 2018-12-25 2020-07-03 中国人民解放军战略支援部队信息工程大学 一种利用矢量Radon变换的SAR图像直线提取方法及装置
CN111951179A (zh) * 2020-07-07 2020-11-17 清华大学 基于Radon变换的图像偏转矫正方法及装置
CN116342656A (zh) * 2023-03-29 2023-06-27 华北电力大学 一种基于自适应边缘检测的时空图像测速方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2306402A1 (en) * 2009-08-25 2011-04-06 Soemar Emid Exact image reconstruction method
CN105023013A (zh) * 2015-08-13 2015-11-04 西安电子科技大学 基于局部标准差和Radon变换的目标检测方法
CN105022057A (zh) * 2015-06-10 2015-11-04 西安电子科技大学 基于改进Radon变换与多帧联合处理的目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2306402A1 (en) * 2009-08-25 2011-04-06 Soemar Emid Exact image reconstruction method
CN105022057A (zh) * 2015-06-10 2015-11-04 西安电子科技大学 基于改进Radon变换与多帧联合处理的目标检测方法
CN105023013A (zh) * 2015-08-13 2015-11-04 西安电子科技大学 基于局部标准差和Radon变换的目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡海峰 等: "一种基于两次radon变换检测棋盘方格点的新算法", 《中山大学学报（自然科学版）》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230394A (zh) * 2016-12-14 2018-06-29 中南大学 一种轨道图像自动校正方法
CN106960423A (zh) * 2017-03-20 2017-07-18 浙江大学 一种面向芯片封装的溢料检测方法
CN106960423B (zh) * 2017-03-20 2019-06-18 浙江大学 一种面向芯片封装的溢料检测方法
CN111368851A (zh) * 2018-12-25 2020-07-03 中国人民解放军战略支援部队信息工程大学 一种利用矢量Radon变换的SAR图像直线提取方法及装置
CN110276772A (zh) * 2019-05-10 2019-09-24 深圳大学 一种肌肉组织中结构要素的自动定位方法及系统
CN110276772B (zh) * 2019-05-10 2022-10-18 深圳大学 一种肌肉组织中结构要素的自动定位方法及系统
CN111951179A (zh) * 2020-07-07 2020-11-17 清华大学 基于Radon变换的图像偏转矫正方法及装置
CN111951179B (zh) * 2020-07-07 2023-04-25 清华大学 基于Radon变换的图像偏转矫正方法及装置
CN116342656A (zh) * 2023-03-29 2023-06-27 华北电力大学 一种基于自适应边缘检测的时空图像测速方法和装置
CN116342656B (zh) * 2023-03-29 2024-04-26 华北电力大学 一种基于自适应边缘检测的时空图像测速方法和装置

Also Published As

Publication number Publication date
CN105678737B (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN111243032B (zh) 一种棋盘格角点全自动检测方法
CN107909138B (zh) 一种基于安卓平台的类圆颗粒物计数方法
CN105678737A (zh) 一种基于Radon变换的数字图像角点检测方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN109426814B (zh) 一种发票图片特定板块的定位、识别方法、系统、设备
CN102999886B (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN109993099A (zh) 一种基于机器视觉的车道线提取识别方法
CN106709500B (zh) 一种图像特征匹配的方法
CN104700092A (zh) 一种基于模板和特征匹配相结合的小字符数字识别方法
CN104766344B (zh) 基于运动边缘提取器的车辆检测方法
CN105023265A (zh) 鱼眼镜头下的棋盘格角点自动检测方法
CN104899888A (zh) 一种基于Legendre矩的图像亚像素边缘检测方法
CN107133623A (zh) 一种基于背景差和圆心定位的指针位置精确检测方法
CN103699876B (zh) 一种基于线阵ccd图像识别车号的方法及装置
WO2021000948A1 (zh) 配重重量的检测方法与系统、获取方法与系统及起重机
CN110909772B (zh) 一种高精度实时多尺度表盘指针检测方法和系统
CN111539980A (zh) 一种基于可见光的多目标追踪方法
CN113793309B (zh) 一种基于形态学特征的亚像素级椭圆检测方法
CN114821274A (zh) 一种用于识别分合指示牌的状态的方法和设备
CN105740827B (zh) 一种基于快速标记连通的停止线检测与测距方法
CN112233186A (zh) 基于图像感知的设备气密性检测相机自标定方法
CN111695374B (zh) 监控视角中斑马线区域的分割方法、系统、介质及设备
CN115409768A (zh) 一种基于特征输入增强的渗漏水病害深度学习检测方法
CN105930813A (zh) 一种在任意自然场景下检测行文本的方法
Wang et al. Seperating touching particles: A concavity-based method using the area ratio of a circular mask

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190301

Termination date: 20191224

CF01 Termination of patent right due to non-payment of annual fee