CN105913067A - 图像轮廓特征的提取方法及其装置 - Google Patents

图像轮廓特征的提取方法及其装置 Download PDF

Info

Publication number
CN105913067A
CN105913067A CN201610242493.9A CN201610242493A CN105913067A CN 105913067 A CN105913067 A CN 105913067A CN 201610242493 A CN201610242493 A CN 201610242493A CN 105913067 A CN105913067 A CN 105913067A
Authority
CN
China
Prior art keywords
pixel
gray value
contour feature
input picture
feature point
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
Application number
CN201610242493.9A
Other languages
English (en)
Inventor
徐庆
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201610242493.9A priority Critical patent/CN105913067A/zh
Publication of CN105913067A publication Critical patent/CN105913067A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种本发明的图像轮廓特征的提取方法及其装置，获取输入图像各像素点与至少两个方向上周边相邻像素点的灰度值差绝对值，计算出各像素点的平均灰度值差，再按预设规则，确定构成所述输入图像的轮廓特征点的像素点集，从而获取输入图像的轮廓特征信息，能够对输入图像的层次特征信息进行提取，避免提取图像轮廓特征信息过程中因像素点的二值化处理所造成像素点特征信息的遗漏。基于像素点周边平均灰度值差提取轮廓特征信息能够有效解决多种颜色图像和较多层次较复杂图像提取轮廓特征信息的遗漏问题，克服传统的图像提取轮廓特征信息方法易丢失图像的层次特征信息的难点，提高了轮廓特征信息的描述质量。

Description

图像轮廓特征的提取方法及其装置
技术领域
本发明涉及图像处理的技术领域，特别涉及一种图像轮廓特征的提取方法，以及一种图像轮廓特征的提取装置。
背景技术
图像轮廓特征的精确提取是图像识别领域中提升图像识别特征信息质量的需要，如何完整准确进行图像边缘检测是图像边缘检测问题中的难题之一。它的解决对于我们进行高层次的特征描述、识别和理解等有着重大的意义。同时又由于边缘检测在许多方面都有着非常重要的使用价值，所以人们一直在致力于研究和解决如何构造出具有良好性质的效果的边缘检测算子问题。
图像的轮廓既存在于图像的不规则结构和不稳定的边缘，也存在于数据的突变点处，这些点给出了图像轮廓的位置，这些轮廓常常是我们在进行图像识别时所需要的非常重要的特征条件。经典的轮廓提取技术大都基于微分运算，首先通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值提取边界。按照该理论已形成了多种轮廓检测算法。其中主要可以分为直线段逼近法和角点检测法。其中，以角点与矢量化检测在图像识别领域用途最为广泛。角点检测法又可以分为Rosenfeld-Johnston检测算法、Freeman-Davis检测算法、Sankar-Shama检测算法、Anderson-Bezdek检测算法、Teh-Chin检测算法。
传统的图像轮廓特征信息提取方法的缺陷和弊端：
1、基于微分运算的轮廓检测算法虽然能检测出边缘图像的轮廓特征信息，但阈值选择是基于全局的灰度平均值，灰度的平均值仅反映图像的亮度或颜色深浅的平均程度，无法全面反映图像的层次特征信息；虽然部分方法的阈值选择是基于局部区域的灰度平均值，但仍无法全面反映图像的层次特征信息。
2、采用任一灰度的平均值必会对其他灰度值的像素点的二值化处理产生影响，造成像素点特征信息的遗漏。
传统的图像提取轮廓特征信息方法在图像二值化处理过程中，会损失图像的层次特征信息。当出现图像自身灰度值差异较小而与其他图像的灰度值差异较大、灰度级较多时，传统的处理方法难以找出使用者感兴趣的图像目标像素点及其所构成的轮廓特征。
发明内容
基于此，本发明实施例的目的在于提供一种图像轮廓特征的提取方法，以及一种图像轮廓特征的提取装置，能够对图像的层次特征信息进行提取，避免提取图像轮廓特征信息过程中因像素点的二值化处理所造成像素点特征信息的遗漏。
在一些实施例中，本发明提供一种图像轮廓特征的提取方法，包括以下步骤：
获取输入图像各像素点的灰度值；
获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的平均值；
将各像素点的平均灰度值差与预设的灰度值差阈值比较，如果所述平均灰度值差大于或等于预设的灰度值差阈值，则将该像素点确定为输入图像的轮廓特征点。
本发明的图像轮廓特征的提取方法，获取输入图像各像素点与至少两个方向上周边相邻像素点的灰度值差绝对值，计算出各像素点的平均灰度值差，再按预设规则，确定构成所述输入图像的轮廓特征点的像素点集，从而获取输入图像的轮廓特征信息，能够对输入图像的层次特征信息进行提取，避免提取图像轮廓特征信息过程中因像素点的二值化处理所造成像素点特征信息的遗漏。基于像素点周边平均灰度值差提取轮廓特征信息能够有效解决多种颜色图像和较多层次较复杂图像提取轮廓特征信息的遗漏问题，克服传统的图像提取轮廓特征信息方法易丢失图像的层次特征信息的难点，提高了轮廓特征信息的描述质量。
在一些实施例中，所述获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的步骤包括：
计算所述输入图像各像素点的灰度值与该像素点至少两个方向上的相邻像素点的灰度值差，其中，所述至少两个方向包括以下至少两个：正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方；
对计算出的灰度值差进行绝对值转换，获取灰度值差的绝对值。
通过获取所述输入图像各像素点与至少两个方向上周边相邻的像素点的灰度值差，再将该灰度值差转换成绝对值后，获取各个灰度值差的绝对值，可以准确识别该像素点周边的灰度变化程度，提高对图像边缘层次特征信息提取的准确度。
在一些实施例中，按如下公式逐点计算所述输入图像的各像素点与该像素点至少两个方向上相邻的像素点的灰度值差：
X1＝D0-Da；
和
X2＝D0-Db；
其中，X1为所述输入图像的各像素点与该像素点在一个方向上相邻的像素点的灰度值差，X2为所述输入图像的各像素点与该像素点在另一个方向上相邻的像素点的灰度值差，D0为该像素点的灰度值，Da为该像素点在一个方向上相邻的像素点的灰度值，Db该像素点在另一个方向上相邻的像素点的灰度值。
在一些实施例中，根据所获取各像素点的灰度值差的绝对值，按以下公式计算出各像素点的平均灰度值差：
其中，为所述输入图像的像素点与该像素点至少两个方向上相邻的像素点的平均灰度值差，xi为所述输入图像的各像素点与该像素点在第i个方向上相邻的像素点的灰度值差，n为求解的相邻的像素点所在方向的个数，n大于或等于2。
通过获取各像素点的平均灰度值差，可以准确获得各个像素点在不同方向上与其周边相邻像素点的平均灰度变化情况，提高对图像层次特征信息提取的准确度。
在一些实施例中，所述预设的灰度值差阈值的取值范围为：2至250。
将所述像素点的平均灰度值差与预设的灰度值差阈值比较，将平均灰度值差大于或等于预设的灰度值差阈值的像素点确定为输入图像的轮廓特征点，可以从微观上或局部描述和反映图像层次变化的情况，更精确反映图像轮廓特征。
优选地，在一些实施例中，根据比较结果确定所述输入图像的轮廓特征点之后，进一步包括以下步骤：
执行二值化处理，将所述输入图像的轮廓特征点的灰度设置为最低值，将所述输入图像的其他像素点的灰度设置为最高值。
通过二值化处理，能够将所述输入图像的轮廓特征点以更高对比度的方式输出，使用户更容易识别所述输入图像的轮廓特征点。
优选地，在一些实施例中，根据比较结果确定所述输入图像的轮廓特征点后，进一步包括：识别和去除所述输入图像的轮廓特征点中的散点，其中，所述散点是具有连续像素点的个数少于预设连续像素点阈值的一组连续像素点的点集，所述连续像素点的确认规则为：一个轮廓特征点与该轮廓特征点在任一方向上相邻的另一个轮廓特征点互为连续像素点，且如果两个轮廓特征点分别与同一个轮廓特征点互为连续像素点，则该两个轮廓特征点也互为连续像素点；所述相邻的轮廓特征点所在的方向包括该轮廓特征点的正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
通过识别和去除所述输入图像的轮廓特征点中的散点，可以简化输入图像轮廓特征信息的描述，突出输入图像轮廓特征信息的显著性，有利提高查询检索的效率。
在一些实施例中，所述预设连续像素点阈值的取值范围为：所述轮廓特征点总数的0.001％至10％。
通过合理设定所述连续像素点阈值，可以有效确定图像边缘显著性较弱的像素点，减少输入图像轮廓特征的干扰信息。
优选地，在一些实施例中，可能会出现一些较粗的轮廓特征线，较粗的轮廓特征线是指线粗大于一个像素点的廓特征线。对一些较粗的轮廓特征线可以进一步进行简化处理，简化处理步骤和方法可以包括但不限于如下方法：
如果轮廓特征线的宽度大于预设宽度值，则沿所述轮廓特征线的长度方向，依次取位于宽度截面同一边缘的像素点为输出轮廓特征线的像素点；
如果所述轮廓特征线的宽度不大于预设宽度值，则取构成所述轮廓特征线的所有轮廓特征点为输出轮廓特征线的像素点。
其中，所述轮廓特征线为由一组连续像素点组成的像素点集。
简化处理还可采用提取轮廓特征线骨架，这些步骤和方法可以进行任意组合。通过所述输入图像的轮廓特征点进行简化处理，在不影响图像轮廓特征描述的情况下减少所述输入图像轮廓特征点的提取量和存储数量，以提高检索效率。
在一些实施例中，本发明提供一种图像轮廓特征的提取装置，包括：
获取像素点灰度值的模块，用于获取输入图像各像素点的灰度值；
获取灰度值差的绝对值的模块，用于获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
计算平均灰度值差的模块，用于根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的平均值；
获取轮廓特征点的模块，用于将各像素点的平均灰度值差与预设的灰度值差阈值比较，如果所述平均灰度值差大于或等于预设的灰度值差阈值，则将该像素点确定为输入图像的轮廓特征点。
本发明的图像轮廓特征的提取装置，获取输入图像各像素点与至少两个方向上周边相邻像素点的灰度值差绝对值，计算出各像素点的平均灰度值差，再按预设规则，确定构成所述输入图像的轮廓特征点的像素点集，从而获取输入图像的轮廓特征信息，能够对输入图像的层次特征信息进行提取，避免提取图像轮廓特征信息过程中因像素点的二值化处理所造成像素点特征信息的遗漏。基于像素点周边平均灰度值差提取轮廓特征信息能够有效解决多种颜色图像和较多层次较复杂图像提取轮廓特征信息的遗漏问题，克服传统的图像提取轮廓特征信息方法易丢失图像的层次特征信息的难点，提高了轮廓特征信息的描述质量。
在一些实施例中，所述图像轮廓特征的提取装置还包括：散点处理模块，用于识别和去除所述输入图像的轮廓特征点中的散点，其中，所述散点是具有连续像素点的个数少于预设连续像素点阈值的一组连续像素点的点集，所述连续像素点的确认规则为：一个轮廓特征点与该轮廓特征点在任一方向上相邻的另一个轮廓特征点互为连续像素点，且如果两个轮廓特征点分别与同一个轮廓特征点互为连续像素点，则该两个轮廓特征点也互为连续像素点；所述相邻的轮廓特征点所在的方向包括该轮廓特征点的正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
附图说明
图1为一些实施例中提供的图像轮廓特征的提取方法的流程示意图；
图2为随机给出的示例性图像原图；
图3为示例性图像经灰度化处理后提取的各像素点的灰度值统计结果的局部示意图；
图4为示例性图像各像素点与其正上方相邻像素点的灰度值差计算结果的局部示意图；
图5为示例性图像各像素点与其正下方相邻像素点的灰度值差计算结果的局部示意图；
图6为示例性图像各像素点与其正左方相邻像素点的灰度值差计算结果的局部示意图；
图7为示例性图像各像素点与其正右方相邻像素点的灰度值差计算结果的局部示意图；
图8为示例性图像各像素点与其正上方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图；
图9为示例性图像各像素点与其正下方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图；
图10为示例性图像各像素点与其正左方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图；
图11为示例性图像各像素点与其正右方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图；
图12为示例性图像各像素点的平均灰度值差计算结果的局部示意图；
图13为示例性图像的轮廓特征点的局部示意图；
图14为示例性图像的轮廓特征点构成轮廓特征线的示意图；
图15为另一些实施例中提供的图像轮廓特征的提取方法的流程示意图；
图16为处理散点后示例性图像的图像轮廓特征点的轮廓特征线的局部示意图；
图17为再一些实施例中提供的图像轮廓特征的提取方法的流程示意图；
图18为一些实施例中提供的图像轮廓特征的提取装置的结构示意图；
图19为另一些实施例中提供的图像轮廓特征的提取装置的结构示意图；
图20为再一些实施例中提供的图像轮廓特征的提取装置的结构示意图。
具体实施方式
为使本发明的目的、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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
在一些实施例中，本发明提供一种图像轮廓特征的提取方法，如图1所示，包括以下步骤：
S102，获取输入图像各像素点的灰度值；
S104，获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
S106，根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的平均值；
S108，将各像素点的平均灰度值差与预设的灰度值差阈值比较，如果所述平均灰度值差大于或等于预设的灰度值差阈值，则将该像素点确定为输入图像的轮廓特征点。
本发明的图像轮廓特征的提取方法，获取输入图像各像素点与至少两个方向上周边相邻像素点的灰度值差绝对值，计算出各像素点的平均灰度值差，再按预设规则，确定构成所述输入图像的轮廓特征点的像素点集，从而获取输入图像的轮廓特征信息，能够对输入图像的层次特征信息进行提取，避免提取图像轮廓特征信息过程中因像素点的二值化处理所造成像素点特征信息的遗漏。基于像素点周边平均灰度值差提取轮廓特征信息能够有效解决多种颜色图像和较多层次较复杂图像提取轮廓特征信息的遗漏问题，克服传统的图像提取轮廓特征信息方法易丢失图像的层次特征信息的难点，提高了轮廓特征信息的描述质量。
在步骤S102中，获取输入图像各像素点的灰度值；
可通过各种设备或方法将输入图像灰度化，获取输入图像各像素点的灰度值，灰度化后均可用于本发明的方法提取处理轮廓特征信息。
图2随机给出示例性图像原图，这些图像的原图可能带有很多色彩，灰度级较多等等，均可作为本技术方案的处理对象。
首先，获取所述输入图像各像素点的灰度值。所述输入图像的像素点的灰度值范围为0～255，表示亮度从深到浅，对应图像中的颜色为从黑到白，每个像素点的灰度值都是介于黑色和白色之间的256种灰度值中的一种。白色为255，黑色为0，对输入的输入图像提取其每一像素点的灰度值。
图3给出示例性图像(第1916621号图形商标)经灰度化处理后提取的各像素点的灰度值统计结果的局部示意图。显示有148*130，共19240个像素点的灰度值。
在步骤S104中，获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
在一些实施例中，所述输入图像各像素点与周边相邻像素点的灰度值差是指通过比较获取的所述输入图像的每一像素点与该像素点至少两个方向上的相邻像素点的灰度值差。其中，所述至少两个方向包括以下至少两个：正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
即，所述获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的步骤包括：
计算所述输入图像各像素点的灰度值与该像素点至少两个方向上的相邻像素点的灰度值差，其中，所述至少两个方向包括以下至少两个：正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方；
对计算出的灰度值差进行绝对值转换，获取灰度值差的绝对值。
通过获取所述输入图像各像素点与至少两个方向上周边相邻的像素点的灰度值差，再将该灰度值差转换成绝对值后，获取各个灰度值差的绝对值，可以准确识别该像素点周边的灰度变化程度，提高对图像边缘层次特征信息提取的准确度。
在一些实施例中，按如下公式逐点计算所述输入图像的各像素点与该像素点至少两个方向上相邻的像素点的灰度值差：
X1＝D0-Da；
和
X2＝D0-Db；
其中，X1为所述输入图像的各像素点与该像素点在一个方向上相邻的像素点的灰度值差，X2为所述输入图像的各像素点与该像素点在另一个方向上相邻的像素点的灰度值差，D0为该像素点的灰度值，Da为该像素点在一个方向上相邻的像素点的灰度值，Db该像素点在另一个方向上相邻的像素点的灰度值。
图4为示例性图像(第1916621号图形商标)各像素点与其正上方相邻像素点的灰度值差计算结果局部示意图。
图5为示例性图像(第1916621号图形商标)各像素点与其正下方相邻像素点的灰度值差计算结果局部示意图。
图6为示例性图像(第1916621号图形商标)各像素点与其正左方相邻像素点的灰度值差计算结果的局部示意图。
图7为示例性图像(第1916621号图形商标)各像素点与其正右方相邻像素点的灰度值差计算结果列表。
对上述步骤中获得的灰度值差数据，需要进行绝对值转换。
即，对前一步获取的输入图像的像素点与周边相邻像素点的灰度值差进行绝对值转换，去除灰度值差数据中的负数。
图8为示例性图像(第1916621号图形商标)各像素点与其正上方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图。
图9为示例性图像(第1916621号图形商标)各像素点与其正下方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图。
图10为示例性图像(第1916621号图形商标)各像素点与其正左方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图。
图11为示例性图像(第1916621号图形商标)各像素点与其正右方相邻像素点的灰度值差进行绝对值转换计算结果的局部示意图。
通过逐点比较分别计算所述输入图像的每一像素点与至少两个方上周边相邻像素点的灰度值差，再将该灰度值差转换成绝对值后，获取各个灰度值差的绝对值，可以准确识别该像素点周边的灰度变化程度，提高对图像层次特征信息提取的准确度。
在步骤S106中，根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与不同方向上周边相邻像素点的灰度值差的绝对值的平均值。
在一些实施例中，按以下公式计算出各像素点的平均灰度值差：
其中，为所述输入图像的像素点与该像素点至少两个方向上相邻的像素点的平均灰度值差，xi为所述输入图像的各像素点与该像素点在第i个方向上相邻的像素点的灰度值差，n为求解的相邻的像素点所在方向的个数，n大于或等于2。
通过获取各像素点的平均灰度值差，可以准确获得各个像素点在不同方向上与其周边像素点的平均灰度变化情况，提高对图像层次特征信息提取的准确度。
图12为示例性图像(第1916621号图形商标)各像素点的平均灰度值差计算结果的局部示意图。
在步骤S108中，按预设规则，确定构成轮廓特征点的像素点集，从而获取输入图像的轮廓特征信息。
在本实施例中，所述确定构成轮廓特征点的像素点集的预设规则包括：
将所述像素点的平均灰度值差与预设的灰度值差阈值比较，将平均灰度值差大于或等于预设的灰度值差阈值的像素点确定为输入图像的轮廓特征点。从而可以从微观上或局部描述和反映图像层次变化的情况，更精确反映图像轮廓特征。
如果后续需要进行去散点处理，则此时获取的轮廓特征点为初步的轮廓特征点。
在一些实施例中，所述预设的灰度值差阈值的取值范围为：2至250。
将所述像素点的平均灰度值差与预设的灰度值差的阈值比较，将平均灰度值差大于或等于预设的灰度值差的阈值的像素点确定为输入图像的轮廓特征点，可以从微观上或局部描述和反映图像层次变化的情况，更精确反映图像轮廓特征。
优选地，在获取所述输入图像的轮廓特征点后，可进一步执行以下步骤：
执行二值化处理，将所述输入图像的轮廓特征点的灰度设置为最低值，将所述输入图像的其他像素点的灰度设置为最高值。
对所述输入图像的像素点进行二值化处理，包括：将所述输入图像的轮廓特征点的二值化灰度值修正为0，而其它像素点的二值化灰度值修正为255。
通过二值化处理，能够将所述输入图像的轮廓特征点以更高对比度的方式输出，使用户更容易识别所述输入图像的轮廓特征点。
所述轮廓特征点构成所述输入图像的轮廓特征线。
图13为示例性图像(第1916621号图形商标)的轮廓特征点的局部示意图。
图14为示例性图像(第1916621号图形商标)的轮廓特征点构成轮廓特征线的局部示意图。
如图15所示，优选地，在一些实施例中，本发明的图像轮廓特征的提取方法在根据比较结果确定所述输入图像的轮廓特征点后，还进一步包括以下步骤：
S110，识别和去除所述输入图像的轮廓特征点中的散点，其中，所述散点是具有连续像素点的个数少于预设连续像素点阈值的一组连续像素点的点集，所述连续像素点的确认规则为：一个轮廓特征点与该轮廓特征点在任一方向上相邻的另一个轮廓特征点互为连续像素点，且如果两个轮廓特征点分别与同一个轮廓特征点互为连续像素点，则该两个轮廓特征点也互为连续像素点；所述相邻的轮廓特征点所在的方向包括该轮廓特征点的正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
通过识别和去除所述输入图像的轮廓特征点中的散点，可以简化输入图像轮廓特征信息的描述，突出输入图像轮廓特征信息的显著性，有利提高查询检索的效率。
图像原图在其成像过程中由于环境干扰等各种复杂的原因，可能在图像中出现散点，这些散点不是图像的主要特征，不能准确反映整体图像的数据突变点的特征，如将这些具有散点特征的像素点集视为图像轮廓特征点，可能影响对图像整体轮廓特征的准确描述，因此，应去除图像中的散点。
在一些实施例中，所述预设连续像素点阈值的取值范围为：所述轮廓特征点总数的0.001％至10％。
通过合理设定所述连续像素点阈值，可以有效确定图像边缘显著性较弱的像素点，减少输入图像轮廓特征的干扰信息。
所述连续像素点的确认规则为：将由该像素点与该像素点在正上方、正下方、正左方、正右方、左上方、右下方、右上方或右下方任一方向的相邻像素点，且同为轮廓特征点所构成不间断的像素点组确认为连续像素点，且如果两个像素点分别与同一个像素点互为连续像素点，则该两个像素点也互为连续像素点。
再去除所述散点时，将确认为散点的像素点的二值化灰度值修正为255，其他轮廓特征点的二值化灰度值修正为0。
按照以上预设规则产生的二值化灰度值为0的像素点可以构成图像轮廓特征点，图像轮廓特征点的集合构成图像轮廓特征线。
图16给出去除散点后，示例性第1916621号图形商标图像轮廓特征点的轮廓特征线序列图。
优选地，对一些特殊的图像，图层的变化是渐进的，同一处的轮廓特征线的平均灰度值差大于或等于预设的灰度值差的阈值的像素点可能存在多个，可能会出现一些较粗的轮廓特征线，较粗的轮廓特征线是指线粗大于一个像素点的廓特征线。为了减少图像轮廓特征点的存储数量，可以进行S112所述对一些较粗的轮廓特征线进行简化处理，步骤和方法可以包括但不限于如下方法：
如果轮廓特征线的宽度大于预设宽度值，则沿所述轮廓特征线的长度方向，依次取位于宽度截面同一边缘的像素点为输出轮廓特征线的像素点；
如果所述轮廓特征线的宽度不大于预设宽度值，则取构成所述轮廓特征线的所有轮廓特征点为输出轮廓特征线的像素点。
其中，所述轮廓特征线为由一组连续像素点组成的像素点集。
简化处理还可采用提取轮廓特征线骨架，这些步骤和方法可以进行任意组合。
如图17给出，在一些实施例中提供的图像轮廓特征的提取方法的流程示意图。
通过所述输入图像的轮廓特征点进行简化处理，在不影响图像轮廓特征线描述的情况下减少所述输入图像的轮廓特征点的提取量和存储数量，以提高检索效率。
本领域技术人员也可以通过其他的预设规则在不影响图像轮廓特征线描述的情况下减少所提取的图像轮廓特征点。
以上简化处理步骤不是必然的步骤，属优选步骤。
在实施例中，本发明的图像轮廓特征的提取方法所获取的图像轮廓特征点，构成图像轮廓特征线。将该像素点数据输出，并据此产生输入图像轮廓线上像素点序列图像，可用于图像轮廓特征信息的描述。
在一些实施例中，本发明提供一种图像轮廓特征的提取装置，如图18所示，包括：
获取像素点灰度值的模块10，用于获取输入图像各像素点的灰度值；
获取灰度值差的绝对值的模块20，用于获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
计算平均灰度值差的模块30，用于根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的平均值；
获取轮廓特征点的模块40，用于将各像素点的平均灰度值差与预设的灰度值差阈值比较，如果所述平均灰度值差大于或等于预设的灰度值差阈值，则将该像素点确定为输入图像的轮廓特征点。
本发明的图像轮廓特征的提取装置，获取输入图像各像素点与至少两个方向上周边相邻像素点的灰度值差绝对值，计算出各像素点的平均灰度值差，再按预设规则，确定构成所述输入图像的轮廓特征点的像素点集，从而获取输入图像的轮廓特征信息，能够对输入图像的层次特征信息进行提取，避免提取图像轮廓特征信息过程中因像素点的二值化处理所造成像素点特征信息的遗漏。基于像素点周边平均灰度值差提取轮廓特征信息能够有效解决多种颜色图像和较多层次较复杂图像提取轮廓特征信息的遗漏问题，克服传统的图像提取轮廓特征信息方法易丢失图像的层次特征信息的难点，提高了轮廓特征信息的描述质量。
在一些实施例中，如图19所示，所述图像轮廓特征的提取装置还包括：散点处理模块50，用于识别和去除所述输入图像的轮廓特征点中的散点，其中，所述散点是具有连续像素点的个数少于预设连续像素点阈值的一组连续像素点的点集，所述连续像素点的确认规则为：一个轮廓特征点与该轮廓特征点在任一方向上相邻的另一个轮廓特征点互为连续像素点，且如果两个轮廓特征点分别与同一个轮廓特征点互为连续像素点，则该两个轮廓特征点也互为连续像素点；所述相邻的轮廓特征点所在的方向包括该轮廓特征点的正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
在一些优选实施例中，所述连续像素点阈值的取值范围为：所述轮廓特征点总数的0.001％至10％。
在一些实施例中，如图20所示，所述图像轮廓特征的提取装置还包括：轮廓特征点简化处理模块60，用于对输入图像的轮廓特征点进行简化。.
所述轮廓特征点简化处理模块60通过如下方式对一些较粗的轮廓特征线进行简化处理：
如果轮廓特征线的宽度大于预设宽度值，则沿所述轮廓特征线的长度方向，依次取位于宽度截面同一边缘的像素点为输出轮廓特征线的像素点；
如果所述轮廓特征线的宽度不大于预设宽度值，则取构成所述轮廓特征线的所有轮廓特征点为输出轮廓特征线的像素点。
其中，所述轮廓特征线为由一组连续像素点组成的像素点集。
简化处理还可采用提取轮廓特征线骨架，这些步骤和方法可以进行任意组合。通过所述输入图像的轮廓特征点进行简化处理，在不影响图像轮廓特征线描述的情况下减少所述输入图像的轮廓特征点的提取量和存储数量，以提高检索效率。
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、推导和改进，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)

1.一种图像轮廓特征的提取方法，其特征在于，包括以下步骤：
获取输入图像各像素点的灰度值；
获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的平均值；
将各像素点的平均灰度值差与预设的灰度值差阈值比较，如果所述平均灰度值差大于或等于预设的灰度值差阈值，则将该像素点确定为输入图像的轮廓特征点。
2.根据权利要求1所述的图像轮廓特征的提取方法，其特征在于，获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的步骤包括：
计算所述输入图像各像素点的灰度值与该像素点至少两个方向上的相邻像素点的灰度值差，其中，所述至少两个方向包括以下至少两个：正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方；
对计算出的灰度值差进行绝对值转换，获取灰度值差的绝对值。
3.根据权利要求2所述的图像轮廓特征的提取方法，其特征在于，按如下公式逐点计算所述输入图像的各像素点与该像素点至少两个方向上相邻的像素点的灰度值差：
X1＝D0-Da；
和
X2＝D0-Db；
其中，X1为所述输入图像的各像素点与该像素点在一个方向上相邻的像素点的灰度值差，X2为所述输入图像的各像素点与该像素点在另一个方向上相邻的像素点的灰度值差，D0为该像素点的灰度值，Da为该像素点在一个方向上相邻的像素点的灰度值，Db该像素点在另一个方向上相邻的像素点的灰度值。
4.根据权利要求1所述的图像轮廓特征的提取方法，其特征在于，根据所获取各像素点的灰度值差的绝对值，按以下公式计算出各像素点的平均灰度值差：
其中，为所述输入图像的像素点与该像素点至少两个方向上相邻的像素点的平均灰度值差，xi为所述输入图像的各像素点与该像素点在第i个方向上相邻的像素点的灰度值差，n为求解的相邻的像素点所在方向的个数，n大于或等于2。
5.根据权利要求1所述的图像轮廓特征的提取方法，其特征在于，所述预设的灰度值差阈值的取值范围为：2至250。
6.根据权利要求1所述的图像轮廓特征的提取方法，其特征在于，根据比较结果确定所述输入图像的轮廓特征点之后，进一步包括以下步骤：
执行二值化处理，将所述输入图像的轮廓特征点的灰度设置为最低值，将所述输入图像的其他像素点的灰度设置为最高值。
7.根据权利要求1至6任意一项所述的图像轮廓特征的提取方法，其特征在于，根据比较结果确定所述输入图像的轮廓特征点后，进一步包括：识别和去除所述输入图像的轮廓特征点中的散点，其中，所述散点是具有连续像素点的个数少于预设连续像素点阈值的一组连续像素点的点集，所述连续像素点的确认规则为：一个轮廓特征点与该轮廓特征点在任一方向上相邻的另一个轮廓特征点互为连续像素点，且如果两个轮廓特征点分别与同一个轮廓特征点互为连续像素点，则该两个轮廓特征点也互为连续像素点；所述相邻的轮廓特征点所在的方向包括该轮廓特征点的正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
8.根据权利要求7所述的图像轮廓特征的提取方法，其特征在于，所述预设连续像素点阈值的取值范围为：所述轮廓特征点总数的0.001％至10％。
9.一种图像轮廓特征的提取装置，其特征在于，包括：
获取像素点灰度值的模块，用于获取输入图像各像素点的灰度值；
获取灰度值差的绝对值的模块，用于获取所述输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值；
计算平均灰度值差的模块，用于根据所获取各像素点的灰度值差的绝对值，计算出各像素点的平均灰度值差，其中，所述平均灰度值差为输入图像各像素点与至少两个方向上相邻像素点的灰度值差的绝对值的平均值；
获取轮廓特征点的模块，用于将各像素点的平均灰度值差与预设的灰度值差阈值比较，如果所述平均灰度值差大于或等于预设的灰度值差阈值，则将该像素点确定为输入图像的轮廓特征点。
10.根据权利要求9所述的图像轮廓特征的提取装置，其特征在于，进一步包括：
散点处理模块，用于识别和去除所述输入图像的轮廓特征点中的散点，其中，所述散点是具有连续像素点的个数少于预设连续像素点阈值的一组连续像素点的点集，所述连续像素点的确认规则为：一个轮廓特征点与该轮廓特征点在任一方向上相邻的另一个轮廓特征点互为连续像素点，且如果两个轮廓特征点分别与同一个轮廓特征点互为连续像素点，则该两个轮廓特征点也互为连续像素点；所述相邻的轮廓特征点所在的方向包括该轮廓特征点的正上方、正下方、正左方、正右方、左上方、右上方、左下方和右下方。
CN201610242493.9A 2016-04-18 2016-04-18 图像轮廓特征的提取方法及其装置 Pending CN105913067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610242493.9A CN105913067A (zh) 2016-04-18 2016-04-18 图像轮廓特征的提取方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610242493.9A CN105913067A (zh) 2016-04-18 2016-04-18 图像轮廓特征的提取方法及其装置

Publications (1)

Publication Number Publication Date
CN105913067A true CN105913067A (zh) 2016-08-31

Family

ID=56746598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610242493.9A Pending CN105913067A (zh) 2016-04-18 2016-04-18 图像轮廓特征的提取方法及其装置

Country Status (1)

Country Link
CN (1) CN105913067A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292929A (zh) * 2017-05-08 2017-10-24 深圳市唯内德软件开发有限公司 低功耗特征点图像定位方法及装置
CN107330438A (zh) * 2016-12-30 2017-11-07 徐庆 一种图像轮廓线描述符的获取方法、装置
CN108921869A (zh) * 2018-06-29 2018-11-30 新华三信息安全技术有限公司 一种图像二值化方法及装置
CN110000941A (zh) * 2019-04-28 2019-07-12 宇晶机器（长沙）有限公司 一种多线切割机工作台进给速度控制系统及其控制方法
WO2019165604A1 (zh) * 2018-02-28 2019-09-06 华为技术有限公司 一种发际线轮廓的定位方法、装置及计算机可读存储介质
CN112601068A (zh) * 2020-12-15 2021-04-02 济南浪潮高新科技投资发展有限公司 视频数据增广方法、装置及计算机可读介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523889A (zh) * 2006-10-04 2009-09-02 株式会社拿拿奥 轮廓修正方法、图像处理装置及显示装置
CN101587593A (zh) * 2009-06-19 2009-11-25 西安交通大学 一种基于真实图像素描风格化的方法
CN102999886A (zh) * 2012-10-31 2013-03-27 长春光机数显技术有限责任公司 图像边缘检测器及标尺光栅栅线精度检测系统
CN103150735A (zh) * 2013-03-26 2013-06-12 山东大学 一种基于灰度差值平均的图像边缘检测方法
CN103473537A (zh) * 2013-09-17 2013-12-25 湖北工程学院 一种目标图像轮廓特征表示方法及装置
CN104361312A (zh) * 2014-10-16 2015-02-18 北京捷通华声语音技术有限公司 一种对图像进行字符识别的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101523889A (zh) * 2006-10-04 2009-09-02 株式会社拿拿奥 轮廓修正方法、图像处理装置及显示装置
CN101587593A (zh) * 2009-06-19 2009-11-25 西安交通大学 一种基于真实图像素描风格化的方法
CN102999886A (zh) * 2012-10-31 2013-03-27 长春光机数显技术有限责任公司 图像边缘检测器及标尺光栅栅线精度检测系统
CN103150735A (zh) * 2013-03-26 2013-06-12 山东大学 一种基于灰度差值平均的图像边缘检测方法
CN103473537A (zh) * 2013-09-17 2013-12-25 湖北工程学院 一种目标图像轮廓特征表示方法及装置
CN104361312A (zh) * 2014-10-16 2015-02-18 北京捷通华声语音技术有限公司 一种对图像进行字符识别的方法和装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330438A (zh) * 2016-12-30 2017-11-07 徐庆 一种图像轮廓线描述符的获取方法、装置
CN107330438B (zh) * 2016-12-30 2018-04-17 徐庆 一种图像轮廓线描述符的获取方法、装置
CN107292929A (zh) * 2017-05-08 2017-10-24 深圳市唯内德软件开发有限公司 低功耗特征点图像定位方法及装置
WO2019165604A1 (zh) * 2018-02-28 2019-09-06 华为技术有限公司 一种发际线轮廓的定位方法、装置及计算机可读存储介质
CN111295664A (zh) * 2018-02-28 2020-06-16 华为技术有限公司 一种发际线轮廓的定位方法、装置及计算机可读存储介质
CN111295664B (zh) * 2018-02-28 2022-06-07 荣耀终端有限公司 一种发际线轮廓的定位方法、装置及计算机可读存储介质
CN108921869A (zh) * 2018-06-29 2018-11-30 新华三信息安全技术有限公司 一种图像二值化方法及装置
CN110000941A (zh) * 2019-04-28 2019-07-12 宇晶机器（长沙）有限公司 一种多线切割机工作台进给速度控制系统及其控制方法
CN112601068A (zh) * 2020-12-15 2021-04-02 济南浪潮高新科技投资发展有限公司 视频数据增广方法、装置及计算机可读介质

Similar Documents

Publication Publication Date Title
CN105913067A (zh) 图像轮廓特征的提取方法及其装置
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN104156731B (zh) 基于人工神经网络的车牌识别系统与方法
CN109035195B (zh) 一种织物疵点检测方法
CN105046677B (zh) 一种用于交通视频图像的增强处理方法和装置
CN107507208A (zh) 一种基于轮廓上曲率估计的图像特征点提取方法
JP6487576B2 (ja) 指紋隆線点認識方法および装置
CN105844621A (zh) 一种印刷品质量检测方法
CN102324099B (zh) 一种面向仿人机器人的台阶边缘检测方法
CN107092884B (zh) 一种快速粗精级联行人检测方法
CN104462380A (zh) 商标检索方法
CN103971128A (zh) 一种面向无人驾驶车的交通标志识别方法
CN110569751B (zh) 一种高分遥感影像建筑物提取方法
Li et al. Research on vehicle license plate location based on neural networks
CN102156996A (zh) 一种图像边缘检测的方法
Tahseen et al. Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars
CN102930538B (zh) 高斯势与空间直方图融合的自适应图像分割方法
CN102136063A (zh) 基于泽尼克矩的快速图像比对方法
Huang An improved algorithm of overlapping cell division
CN113537211B (zh) 一种基于非对称iou的深度学习车牌框定位方法
CN109858438A (zh) 一种基于模型拟合的车道线检测方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN107452013A (zh) 基于Harris角点检测和Sugeno模糊积分的显著性检测方法
CN106327464A (zh) 一种边缘检测方法
CN107832732B (zh) 基于三叉树遍历的车道线检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160831

RJ01 Rejection of invention patent application after publication