CN105938556A - 基于水流法的宽线检测算法 - Google Patents
基于水流法的宽线检测算法 Download PDFInfo
- Publication number
- CN105938556A CN105938556A CN201610255819.1A CN201610255819A CN105938556A CN 105938556 A CN105938556 A CN 105938556A CN 201610255819 A CN201610255819 A CN 201610255819A CN 105938556 A CN105938556 A CN 105938556A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- flow method
- hydrone
- wide line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000036548 skin texture Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- G06V10/443—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 by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机数字图像处理技术领域,具体为一种基于水流法的宽线检测算法。其步骤为:构建地貌海拔图:将输入的彩色图像转化为灰度图像,采用导向滤波对灰度图像进行边缘保留的平滑处理,以图像灰度信息作为海拔数据构建地貌海拔图;水流法获取宽线响应图:计算平滑后图像的粗糙度图像,通过Otsu选取粗糙度较大的像素点作为候选水分子,在地貌海拔图上利用水流法得到宽线响应图,水流法坡阈值和几何阈值参数自适应选取;宽线提取:计算输入图像的暗度信息或明度信息来消除错误的线响应,通过一些形态学操作进行平滑处理,获得最终宽线检测结果。本发明方法能够检测出线的厚度,能自适应地检测出纹理形状、厚度各异的宽线,可极大的提高宽线检测的准确度。
Description
技术领域
本发明属于计算机数字图像处理技术领域,具体涉及一种基于水流法的宽线检测算法。
背景技术
线检测已经被广泛应用在中医舌诊、生物特征检测和航拍图像中道路和河流检测等。然而目前大多数线检测方法忽略了线厚度,对噪声敏感,难以适应纹理形状和厚度各异的线检测。传统的边缘检测算法,如Canny算子,仅仅提取宽线的边缘,没有考虑线的厚度。还有一些基于边缘的检测算法,把宽线看成由两条平行边缘组合成的目标,这种方法首先在图像中找出所有边缘信息,然后通过分析这些边缘信息来找出需要的目标边缘,然而这种方法忽略了线的厚度,线的厚度信息在许多应用中是非常有价值的。
一种流行的线检测算法是将线当作山脊或山谷,采用微分的几何性质来检测线。然而二阶导数被使用,使得这种方法对噪声是敏感的。另一种广泛被使用的线检测算法为基于区域估计的方法,如WLD线检测算子、LWF线检测算子。基于区域估计的线检测算法的目标旨在提取出整个宽线。WLD线检测算子是基于各向同性的线响应核来提取出宽线。LWF线检测算子是基于密度估计核来检测宽线。这种基于区域估计的线检测算法对噪声是鲁棒的,由于没有采用微分几何性质。WLD线检测算子能提取出整个宽线,适应于不同厚度的宽线检测。但是由于WLD线检测算子是基于圆形核的各向同性估计,易受周围相似灰度值的线和区域的影响。LWF线检测算子具有实时和对噪声鲁棒的优势,然而它仅仅只能检测出小目标,并且没有提供自适应地参数选择方法,使得它的通用性比较弱。
为了解决这些问题,本发明提出了一种基于水流法的宽线检测算法。首先,导向滤波被用来平滑输入的灰度图像,导向滤波具有边缘保留的优点;然后,以滤波后图像灰度信息作为海拔数据构建地貌海拔图,在地貌海拔图上采用水流法得到宽线响应图。为了优化水流法,预先通过计算图像的粗糙度信息来选取候选水分子像素;最后,采用暗度信息或明度信息来消除错误线响应,一些形态学操作被用来提取最终的宽线检测结果。此外,本发明也提出了一种参数自适应选择的方法,以至于水流法是鲁棒的。
发明内容
本发明的目的在于克服以上技术中的缺陷,提供一种鲁棒的、准确的、适应性强的基于水流法的宽线检测算法。
本发明提出的宽线检测算法,是基于水流模型和地貌海拔模型的宽线提取的方法。灰度图像中每个候选像素点作为一个水分子。水分子总是往海拔低的方向流动,当水分子遇到暗沟时,将停止流动。暗沟可以储藏水,当暗沟储满水后,即暗沟被填平了,再有水分子流经时,将不会被储藏而直接流过,当图像中没有余留暗沟时,水分子将流出图像。本发明提出的方法能检测出线的厚度,对噪声鲁棒,能够适应纹理形状和厚度各异的线检测。
本发明提出的宽线检测算法,是一种基于水流模型和地貌海拔模型的宽线提取的方法,其具体步骤如下:
(1)、构建地貌海拔图;
(2)、水流法获取宽线响应图;
(3)、宽线提取。
上述步骤(1)所述的构建地貌海拔图,其具体步骤如下:
(11)、输入原始彩色图像,将其转化为灰度图像;
(12)、采用导向滤波对灰度图像进行边缘保留的平滑处理,获得滤波后的图像I;
(13)、以图像灰度信息作为海拔数据构建地貌海拔图I;
上述步骤(2)所述的水流法获取宽线响应图,其具体步骤如下:
(21)、计算平滑后图像I的粗糙度图像,通过Otsu选取候选水分子像素,其具体步骤如下:
(211)、计算平滑后灰度图像I的粗糙度信息:在图像I上,对于每一个像素k,它的粗糙度Rk是以像素k为中心的局部窗口wk内像素灰度值的标准方差σk:
Rk=σk
其中,局部窗口wk的半径r,为了完全检测出整个宽线,需要满足:r要大于线的宽度w一半,即:r>w/2;
(212)、利用Otsu对粗糙度图像进行二值化处理,选取粗糙度较大的(二值化图像中白色的)像素作为候选水分子;
(22)、在地貌海拔图I上采用水流法得到宽线响应图L,其具体步骤如下:
(221)、在地貌海拔图I,采用水流法得到暗线响应图L,其具体步骤如下:
(2211)、采用8邻域系统;
(2212)、定义水流模型参数和变量,其具体步骤如下:
(22121)、定义当前水分子像素(x0,y0)和其8邻域像素间的灰度差值为D[8]:
D[i]=I(x0,y0)-I(xi,yi),
其中,(xi,yi)为当前水分子像素8邻域系统中i方向上的像素坐标,Ω为当前像素8邻域方向集合,即:
Ω={Northwest,North,Northeast,East,Southeast,South,Southwest,West};
(22122)、确定当前水分子像素(x0,y0)的流动方向:
(22123)、确定当前水分子像素(x0,y0)与其8邻域的最大差值:
(22124)、确定当前水分子像素(x0,y0)与其8邻域差值的最大绝对值:
(2213)、水流法获得暗线响应图L,它的灰度值初始化为0,定义坡阈值为T,对每个候选水分子像素独立执行如下水流算法,水流算法的具体步骤如下:
(22131)、如果md<T且当前水分子像素(x0,y0)未流到地貌海拔图I的边界,那么检测到当前水分子像素遇到暗沟,停止流动,并填补暗沟,为一个暗线响应点:
填补暗沟:I(x0,y0)=I(x0,y0)+mad,
更新暗线响应图L:L(x0,y0)=L(x0,y0)+mad;
(22132)、否则如果当前水分子像素(x0,y0)流动地貌海拔图I边界,那么直接流出地貌海拔图I;
(22133)、否则当前水分子像素(x0,y0)继续朝着其8邻域灰度差值最大的方向流动,即f方向;
(222)、在地貌海拔图I,采用水流法得到明线响应图L,其具体步骤如下:
(2221)、采用水流法,假设水分子总是往海拔高的方向流动;
(2222)、与暗线检测方法类似,不同点主要体现在以下两方面:
(22221)、当前水分子像素(x0,y0)与其8邻域像素的灰度差值调整为:
(22222)、消除亮脊区域:I(x0,y0)=I(x0,y0)-mad
(23)、坡阈值T和几何阈值g参数自适应选取,其具体步骤如下:
(231)、采用统计学方法对坡阈值T进行自适应选择:为了检测宽线,须满足T≤0,首先求出每个候选水分子像素与其8邻域内灰度差值的绝对值的最大值mad,然后采用直方图进行统计分析,直方图的横纵坐标分别为mad值i和其相应的像素数n,设置T:
T=-T。
其中,且Nc为候选水分子像素的总数;
(232)、采用统计学方法对几何阈值g进行自适应选择:几何阈值g用来消除线响应图中较暗的噪声点和线外围较暗的环带区域,利用线响应图L非零像素来创建二维直方图,直方图的横纵坐标分别为灰度值i和其相应的像素数n,舍去30%灰度较低的像素,得到g:
g=g。
其中,且N为线响应图L中非零像素的总数;
上述步骤(3)所述的宽线提取,其具体步骤如下:
(31)、对于暗线检测,计算滤波后图像的暗度信息,消除错误的线响应,其具体步骤如下:
(311)、暗度计算:在滤波后的图像I上,对于每一个像素X,它的暗度是以像素X为中心的局部窗口wX内像素灰度值的最小值:
其中局部窗口wX的半径r;
(312)、采用Otsu对暗度图像进行二值化处理;
(313)、结合暗度二值化图像来消除暗线响应图L中错误的线响应;
(32)、对于明线检测,计算滤波后图像的明度信息,消除错误的线响应,其具体步骤如下:
(321)、明度计算:在滤波后的图像I上,对于每一个像素X,它的明度是以像素X为中心的局部窗口wX内像素灰度值的最大值:
其中局部窗口wX的半径r;
(322)、采用Otsu对明度图像进行二值化处理;
(323)、结合明度二值化图像来消除明线响应图L中错误的线响应;
(33)、对线响应进行一些形态学操作,获得最终宽线检测结果。
与现有技术相比,本发明的有益效果为:
1、本发明提出了一个新颖的基于水流模型的方法来鲁棒的提取宽线目标,极大的提高了宽线检测的准确度;
2、本发明提出的基于水流法的宽线检测算法能够检测出线的厚度,能自适应地检测出纹理形状、厚度各异的宽线;
3、本发明提出了一种模型参数自适应选择的方法,使得宽线检测算法是鲁棒的;
4、本发明有助于提高宽线检测应用的准确率,如中医舌裂纹检测,航拍图像道路和河流检测,树枝和树叶纹理检测、掌纹检测、卡通图像纹理检测和生物特征纹理检测等应用。
附图说明
图1为本发明的基于水流法的宽线检测算法的总流程框图。
图2为图1中步骤(1)所述的地貌海拔图构建的流程图。
图3为图1中步骤(2)所述的水流法获取宽线响应图的流程图。
图4为图1中步骤(3)所述的宽线提取的流程图。
图5为本发明的基于水流法的宽线检测算法在不同应用下的宽线检测结果。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
参照图1,本发明的基于水流法的宽线检测算法,其具体步骤如下:
(1)、地貌海拔图构建,如图2所示,其具体步骤如下:
(11)、输入原始彩色图像如图5(a),将其转化为灰度图像;
(12)、采用导向滤波对灰度图像进行边缘保留的平滑处理,获得滤波后的图像I:以灰度图像作为导向图对其采用导向滤波进行平滑处理,导向滤波的两个参数设置:局部窗口半径r=5,正则系数∈=0.001;
(13)、以图像灰度信息作为海拔数据构建地貌海拔图I:滤波后灰度图像I的灰度信息作为海拔数据,灰度越高海拔越高,灰度越低海拔越低;
(2)、水流法获取宽线响应图,如图3所示,其具体步骤如下:
(21)、计算平滑后图像I的粗糙度图像,通过Otsu选取候选水分子像素,其具体步骤如下:
(211)、计算平滑后灰度图像I的粗糙度信息:在图像I上,对于每一个像素k,它的粗糙度Rk是以像素k为中心的局部窗口wk内像素灰度值的标准方差σk:
其中局部窗口wk的半径r,为了完全检测出整个宽线,需要满足:r要大于线的宽度w一半,即:r>w/2,在实验中,可以设置一个较大的r,即:r=9;
(212)、利用Otsu对粗糙度图像进行二值化处理,选取粗糙度较大的(二值化图像中白色的)像素作为候选水分子;
(22)、在地貌海拔图I上采用水流法得到宽线响应图L,其具体步骤如下:
(221)、在地貌海拔图I,采用水流法得到暗线响应图L,其具体步骤如下:
(2211)、采用8邻域系统;
(2212)、定义水流模型参数和变量,其具体步骤如下:
(22121)、定义当前水分子像素(x0,y0)和其8邻域像素间的灰度差值为D[8]:
其中,(xi,yi)为当前水分子像素8邻域系统中i方向上的像素坐标,Ω为当前像素8邻域方向集合,即:
Ω={Northwest,North,Northeast,East,Southeast,South,Southwest,West};
(22122)、确定当前水分子像素(x0,y0)的流动方向:
(22123)、确定当前水分子像素(x0,y0)与其8邻域的最大差值:
(22124)、确定当前水分子像素(x0,y0)与其8邻域差值的最大绝对值:
(2213)、水流法获得暗线响应图L,它的灰度值初始化为0,定义坡阈值为T,对每个候选水分子像素独立执行如下水流算法,水流算法的具体步骤如下:
(22131)、如果md<T且当前水分子像素(x0,y0)未流到地貌海拔图I的边界,那么检测到当前水分子像素遇到暗沟,停止流动,并填补暗沟,为一个暗线响应点:
填补暗沟:I(x0,y0)=I(x0,y0)+mad,
更新暗线响应图L:L(x0,y0)=L(x0,y0)+mad;
(22132)、否则如果当前水分子像素(x0, y0)流动地貌海拔图I边界,那么直接流出地貌海拔图I;
(22133)、否则当前水分子像素(x0,y0)继续朝着其8邻域灰度差值最大的方向流动,即f方向;
(222)、在地貌海拔图I,采用水流法得到明线响应图L,其具体步骤如下:
(2221)、采用水流法,假设水分子总是往海拔高的方向流动;
(2222)、与暗线检测方法类似,不同点主要体现在以下两方面:
(22221)、当前水分子像素(x0,y0)与其8邻域像素的灰度差值调整为:
(22222)、消除亮脊区域:I(x0,y0)=I(x0,y0)-mad
(23)、坡阈值T和几何阈值g参数自适应选取,其具体步骤如下:
(231)、采用统计学方法对坡阈值T进行自适应选择:为了检测宽线,须满足T≤0,首先求出每个候选水分子像素与其8邻域内灰度差值的绝对值的最大值mad,然后采用直方图进行统计分析,直方图的横纵坐标分别为mad值i和其相应的像素数n,设置T:
T=-T。
其中,且Nc为候选水分子像素的总数;
(232)、采用统计学方法对几何阈值g进行自适应选择:几何阈值g用来消除线响应图中较暗的噪声点和线外围较暗的环带区域,利用线响应图L非零像素来创建二维直方图,直方图的横纵坐标分别为灰度值i和其相应的像素数n,舍去30%灰度较低的像素,得到g:
g=g。
其中,且N为线响应图L中非零像素的总数;
(3)、宽线提取,如图4所示,其具体步骤如下:
(31)、对于暗线检测,计算滤波后图像的暗度信息,消除错误的线响应,其具体步骤如下:
(311)、暗度计算:在滤波后的图像I上,对于每一个像素X,它的暗度是以像素X为中心的局部窗口wX内像素灰度值的最小值:
其中局部窗口wX的半径r,在实验中,设置r=7;
(312)、采用Otsu对暗度图像进行二值化处理;
(313)、结合暗度二值化图像来消除暗线响应图L中错误的线响应;
(32)、对于明线检测,计算滤波后图像的明度信息,消除错误的线响应,其具体步骤如下:
(321)、明度计算:在滤波后的图像I上,对于每一个像素X,它的明度是以像素X为中心的局部窗口wX内像素灰度值的最大值:
其中局部窗口wX的半径r,在实验中,设置r=7;
(322)、采用Otsu对明度图像进行二值化处理;
(323)、结合明度二值化图像来消除明线响应图L中错误的线响应;
(33)、对线响应进行一些形态学操作,获得最终宽线检测结果,如图5(b)所示。
Claims (8)
1.一种基于水流法的宽线检测算法,其特征在于,具体步骤如下:
(1)、构建地貌海拔图;
(2)、水流法获取宽线响应图;
(3)、宽线提取;
其中:
步骤(1)所述的构建地貌海拔图,具体过程如下:
(11)、输入原始彩色图像,将其转化为灰度图像;
(12)、采用导向滤波对灰度图像进行边缘保留的平滑处理,获得滤波后的图像I;
(13)、以图像灰度信息作为海拔数据构建地貌海拔图I;
步骤(2)所述的水流法获取宽线响应图,具体过程如下:
(21)、计算平滑后图像I的粗糙度图像,通过Otsu选取候选水分子像素;
(22)、在地貌海拔图I上采用水流法得到宽线响应图L;
(23)、坡阈值T和几何阈值参数自适应选取;
步骤(3)所述的宽线提取,具体过程如下:
(31)、对于暗线检测,计算滤波后图像的暗度信息,消除错误的线响应;
(32)、对于明线检测,计算滤波后图像的明度信息,消除错误的线响应;
(33)、对线响应进行一些形态学操作,获得最终宽线检测结果。
2.根据权利要求1所述的基于水流法的宽线检测算法,其特征在于,步骤(2)中所述计算平滑后图像的粗糙度图像,通过Otsu选取候选水分子像素,其具体过程如下:
(211)、计算平滑后灰度图像I的粗糙度信息:在图像I上,对于每一个像素k,它的粗糙度是以像素k为中心的局部窗口内像素灰度值的标准方差:
其中,局部窗口的半径r,为了完全检测出整个宽线,需要满足:r要大于线的宽度一半,即:;
(212)、利用Otsu对粗糙度图像进行二值化处理,选取粗糙度较大的像素作为候选水分子。
3.根据权利要求1所述的基于水流法的宽线检测算法,其特征在于,步骤(2)中所述在地貌海拔图I上采用水流法得到宽线响应图L,其具体过程如下:
(221)、在地貌海拔图I,采用水流法得到暗线响应图L;
(222)、在地貌海拔图I,采用水流法得到明线响应图L。
4.根据权利要求3所述的基于水流法的宽线检测算法,其特征在于,步骤(221)中所述在地貌海拔图I,采用水流法得到暗线响应图L,其具体过程如下:
(2211)、采用8邻域系统;
(2212)、定义水流模型参数和变量;
(2213)、水流法获得暗线响应图L,它的灰度值初始化为0,定义坡阈值为T,对每个候选水分子像素独立执行水流算法;
其中,所述定义水流模型参数和变量的具体过程如下:
(22121)、定义当前水分子像素和其8邻域像素间的灰度差值为:
其中,为当前水分子像素8邻域系统中方向上的像素坐标,为当前像素8邻域方向集合,即:
;
(22122)、确定当前水分子像素的流动方向:
(22123)、确定当前水分子像素与其8邻域的最大差值:
(22124)、确定当前水分子像素与其8邻域差值的最大绝对值:
所述水流法的具体过程如下:
(22131)、如果且当前水分子像素未流到地貌海拔图的边界,那么检测到当前水分子像素遇到暗沟,停止流动,并填补暗沟,为一个暗线响应点:
填补暗沟:,
更新暗线响应图:;
(22132)、否则如果当前水分子像素流动地貌海拔图边界,那么直接流出地貌海拔图;
(22133)、否则当前水分子像素继续朝着其8邻域灰度差值最大的方向流动,即方向。
5.根据权利要求3所述的基于水流法的宽线检测算法,其特征在于,步骤(222)中所述在地貌海拔图I,采用水流法得到明线响应图L,其具体过程如下:
(2221)、采用水流法,假设水分子总是往海拔高的方向流动;
(2222)、与暗线检测方法类似,不同点主要体现在如下两方面:
(22221)、当前水分子像素与其8邻域像素的灰度差值调整为:
(22222)、消除亮脊区域:。
6.根据权利要求1所述的基于水流法的宽线检测算法,其特征在于,步骤(2)中所述坡阈值T和几何阈值参数自适应选取,其具体过程如下:
(231)、采用统计学方法对坡阈值进行自适应选择:为了检测宽线,须满足,首先求出每个候选水分子像素与其8邻域内灰度差值的绝对值的最大值mad,然后采用直方图进行统计分析,直方图的横纵坐标分别为mad值和其相应的像素数n,设置T:
其中,,为候选水分子像素的总数;
(232)、采用统计学方法对几何阈值进行自适应选择:几何阈值用来消除线响应图中较暗的噪声点和线外围较暗的环带区域,利用线响应图L非零像素来创建二维直方图,直方图的横纵坐标分别为灰度值和其相应的像素数n,舍去30%灰度较低的像素,得到:
其中,,N为线响应图L中非零像素的总数。
7.根据权利要求1所述的基于水流法的宽线检测算法,其特征在于,步骤(3)中所述对于暗线检测,计算滤波后图像的暗度信息,消除错误的线响应,其具体过程如下:
(311)、暗度计算:在滤波后的图像I上,对于每一个像素X,它的暗度是以像素X为中心的局部窗口内像素灰度值的最小值:
其中,局部窗口的半径;
(312)、采用Otsu对暗度图像进行二值化处理;
(313)、结合暗度二值化图像来消除暗线响应图L中错误的线响应。
8.根据权利要求1所述的基于水流法的宽线检测算法,其特征在于,步骤(3)中所述对于明线检测,计算滤波后图像的明度信息,消除错误的线响应,其具体过程如下:
(321)、明度计算:在滤波后的图像I上,对于每一个像素X,它的明度是以像素X为中心的局部窗口内像素灰度值的最大值:
其中,局部窗口的半径;
(322)、采用Otsu对明度图像进行二值化处理;
(323)、结合明度二值化图像来消除明线响应图中错误的线响应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255819.1A CN105938556B (zh) | 2016-04-22 | 2016-04-22 | 基于水流法的宽线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255819.1A CN105938556B (zh) | 2016-04-22 | 2016-04-22 | 基于水流法的宽线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105938556A true CN105938556A (zh) | 2016-09-14 |
CN105938556B CN105938556B (zh) | 2020-07-28 |
Family
ID=57151468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610255819.1A Expired - Fee Related CN105938556B (zh) | 2016-04-22 | 2016-04-22 | 基于水流法的宽线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105938556B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445491A (zh) * | 2020-03-24 | 2020-07-24 | 山东智翼航空科技有限公司 | 微型无人机三邻域极大差值边缘检测狭道导引算法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5468950A (en) * | 1977-11-11 | 1979-06-02 | Chubu Electric Power Co Inc | Short-circuit protective relay system |
JPS63168787A (ja) * | 1987-01-07 | 1988-07-12 | Matsushita Electric Ind Co Ltd | 太線化処理装置 |
CN1945596A (zh) * | 2006-11-02 | 2007-04-11 | 东南大学 | 用于车道偏离报警的车道线鲁棒识别方法 |
CN103198474A (zh) * | 2013-03-10 | 2013-07-10 | 中国人民解放军国防科学技术大学 | 图像宽线随机检测方法 |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN105261024A (zh) * | 2015-10-22 | 2016-01-20 | 四川航天系统工程研究所 | 基于改进T-Snake模型的遥感影像复杂水体边界提取方法 |
-
2016
- 2016-04-22 CN CN201610255819.1A patent/CN105938556B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5468950A (en) * | 1977-11-11 | 1979-06-02 | Chubu Electric Power Co Inc | Short-circuit protective relay system |
JPS63168787A (ja) * | 1987-01-07 | 1988-07-12 | Matsushita Electric Ind Co Ltd | 太線化処理装置 |
CN1945596A (zh) * | 2006-11-02 | 2007-04-11 | 东南大学 | 用于车道偏离报警的车道线鲁棒识别方法 |
CN103198474A (zh) * | 2013-03-10 | 2013-07-10 | 中国人民解放军国防科学技术大学 | 图像宽线随机检测方法 |
CN104463795A (zh) * | 2014-11-21 | 2015-03-25 | 高韬 | 一种点阵式dm二维码图像处理方法及装置 |
CN104599270A (zh) * | 2015-01-18 | 2015-05-06 | 北京工业大学 | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 |
CN105261024A (zh) * | 2015-10-22 | 2016-01-20 | 四川航天系统工程研究所 | 基于改进T-Snake模型的遥感影像复杂水体边界提取方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445491A (zh) * | 2020-03-24 | 2020-07-24 | 山东智翼航空科技有限公司 | 微型无人机三邻域极大差值边缘检测狭道导引算法 |
CN111445491B (zh) * | 2020-03-24 | 2023-09-15 | 山东智翼航空科技有限公司 | 微型无人机三邻域极大差值边缘检测狭道导引方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105938556B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101127117B (zh) | 一种利用序列数字减影血管造影图像分割血管数据的方法 | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN109840913B (zh) | 一种乳腺x线图像中肿块分割的方法和系统 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN110287884B (zh) | 一种辅助驾驶中压线检测方法 | |
CN111611643A (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN108171695A (zh) | 一种基于图像处理的高速公路路面检测方法 | |
CN104766316B (zh) | 中医望诊中新型嘴唇分割算法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN101493933B (zh) | 一种局部结构自适应的图像扩散去噪方法 | |
CN109410147A (zh) | 一种超空泡图像增强方法 | |
CN110880177A (zh) | 一种图像识别方法及装置 | |
CN109961065B (zh) | 一种海面舰船目标检测方法 | |
CN104751422A (zh) | 一种影印文档图像增强及二值化方法 | |
CN116740054A (zh) | 一种基于图像处理的舌象齿痕检测方法 | |
CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
CN107945183B (zh) | 一种结合改进快速合并算法的分水岭分割方法 | |
CN104200460B (zh) | 基于图像特征和互信息的图像配准方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN115631194B (zh) | 颅内动脉瘤识别检测的方法、装置、设备及介质 | |
CN105938556A (zh) | 基于水流法的宽线检测算法 | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
CN107909610A (zh) | 一种基于图像粒和亚像素边界检测的灰度目标周长估算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200728 |