CN106327468A - 曲线检测方法和曲线检测装置 - Google Patents
曲线检测方法和曲线检测装置 Download PDFInfo
- Publication number
- CN106327468A CN106327468A CN201510359392.5A CN201510359392A CN106327468A CN 106327468 A CN106327468 A CN 106327468A CN 201510359392 A CN201510359392 A CN 201510359392A CN 106327468 A CN106327468 A CN 106327468A
- Authority
- CN
- China
- Prior art keywords
- curve
- detection
- iteration
- simulations
- result
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种曲线检测方法和曲线检测装置,所述曲线检测方法包括:对包含目标的图像进行二值化,以获得所述目标的边缘信息;基于所述边缘信息,对所述图像进行初步曲线检测,以得到初步曲线检测的结果;基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及输出所述曲线检测结果。
Description
技术领域
本发明涉及图像与视频处理的领域,更具体地,本发明涉及一种曲线检测方法和曲线检测装置。
背景技术
在图像理解和识别的处理中,通常有价值的信息在于目标对象的形状。因此基于图像的几何曲线检测技术作为自动检测的一项关键技术是计算机视觉处理的基本研究分支。这里所述的几何曲线是由参数与公式严格定义下的基本矢量形状如直线圆椭圆或基本形状的组合如三角形矩形等。通过形状的检测和提取可从图像里获得关于目标对象的几何特征,这将有助于更好地解决计算机视觉问题。事实上,几何曲线检测技术已广泛地用于目标的跟踪、对象的定位、产品质量控制和工厂自动化中。
对于几何曲线检测,霍夫变换及其扩展是当前最经典和使用最多的技术。然而,霍夫变换技术的有效性却相对地依赖于输入数据的质量。在噪音大的图像或待检测的曲线噪音大的情况下,很难获得精确的检测结果。而且,霍夫变换非常耗时,其复杂性随着曲线参数个数及图像尺寸大小而成倍增加的。
发明内容
有鉴于上述情况,本发明提供了一种曲线检测方法和曲线检测装置,其能够显著改善从噪音图像中检测曲线的能力,从而改进曲线检测的正确性和精度。
根据本发明一实施例,提供了一种曲线检测方法,包括:对包含目标的图像进行二值化,以获得二值化图像;对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及输出所述曲线检测结果。
根据本发明一实施例,提供了一种曲线检测装置,包括:二值化单元,对包含目标的图像进行二值化,以获得二值化图像;初步检测单元,对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;仿真迭代检测单元,基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;确定单元,基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及输出单元,输出所述曲线检测结果。
根据本发明另一实施例,提供了一种曲线检测装置,包括:处理器;存储器;显示器;和存储在所述存储器中的计算机程序指令,在所述计算机程序指令被所述处理器运行时执行以下步骤:对包含目标的图像进行二值化,以获得二值化图像;对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及输出所述曲线检测结果。
根据本发明另一实施例,提供了一种计算机程序产品,包括计算机可读存储介质,在所述计算机可读存储介质上存储了计算机程序指令,所述计算机程序指令在被计算机运行时执行以下步骤:对包含目标的图像进行二值化,以获得二值化图像;对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及输出所述曲线检测结果。
在本发明实施例的曲线检测方法、曲线检测装置和计算机程序产品中,通过对图像进行仿真迭代检测,能够使得仿真迭代检测的结果与人视觉感知的结果在更大程度上保持一致,由此提高了曲线检测的正确性和精度。
此外,在本发明实施例的曲线检测方法、曲线检测装置和计算机程序产品中,通过在仿真迭代检测中适当地选择种子点并生成新的密度分布图,以仿真方式获得更多虚拟像素点用于检测,增强了潜在曲线形状的紧致性,改善了从噪音图像中检测曲线的能力。
附图说明
图1是图示根据本发明实施例的曲线检测方法的主要步骤的流程图;
图2是示意性图示根据本发明实施例的曲线检测方法中的种子点选择的处理的图;
图3是示意性图示根据本发明实施例的曲线检测方法中的重要性采样的原理的图;
图4是图示根据本发明实施例的曲线检测装置的主要配置的框图;以及
图5是图示根据本发明另一实施例的曲线检测装置的主要配置的框图。
具体实施方式
以下将参考附图详细描述本发明实施例。
本发明实施例的曲线检测方法、曲线检测装置和计算机程序产品可应用于诸如目标的跟踪、对象的定位、产品质量控制和工程自动化等领域中。
首先,参照图1描述根据本发明实施例的曲线检测方法。
如图1所示,在步骤S110,对包含目标的图像进行二值化,以获得二值化图像。所述目标即为本发明实施例的曲线检测方法的检测目标,例如为图像中的各种形状(如圆形)的物体等。本领域技术人员可采用各种方式对所述图像进行二值化处理,在此不再详述。在通过如上所述的二值化处理而获得的二值化图像中,仅包括黑白两种像素类型的像素点。示例性地,黑像素代表背景信息,白像素代表前景信息,并且待检测的潜在几何曲线可隐藏于前景信息之中。
此外,可选地,在步骤S110,还可对所述图像进行边缘检测处理,以获得所述目标的边缘信息。示例性地,可通过CANNY边缘检测的方式来对所述图像进行边缘检测处理。当然,本领域技术人员也可采用除此以外的其他各种方式来进行边缘检测,在此不再详述。
接下来,在步骤S120,对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果。
具体地,本领域技术人员可采用目前已知和未来开发的各种曲线检测方法来进行这里所述的初步曲线检测。示例性地,可以采用诸如霍夫检测、模板匹配、最小平方误差曲线拟合等的各种技术来进行初步曲线检测。
此外,本领域技术人员可以理解,如果在同一图像中存在多条待检测的曲线,则可以获得多个初步曲线检测结果,并分别进行如下所述的仿真迭代检测以最终获得相应的多个结果。
需要指出的是,由于在本发明实施例的曲线检测方法中对于初步曲线检测的结果的精度并没有严格要求,因此,可以对低分辨率的图像直接进行此初步曲线检测。即便由此获得的初步曲线检测的结果不够理想,也可通过如下所述的仿真迭代检测的处理而最终获得相对精确的检测结果。当然,如果在步骤S110和S120所使用的图像为高分辨率图像,由此获得的初步曲线检测的精度相对较高,则将有利于最终获得更精确的检测结果。
此后,在步骤S130,基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果。
具体地,在一示例中,对于当前仿真迭代检测,基于之前一次仿真迭代检测的曲线检测结果,从所述图像中选择本次仿真迭代检测的种子点。
下面,将参照图2描述从之前一次仿真迭代检测的曲线检测结果选择种子点的示例性实施例。
在图2中,以圆检测为例来说明如何选择种子点。具体地,在此示例中,基于之前的仿真迭代检测结果确定参考曲线。
在第一示例中,将上一次仿真迭代检测结果确定为参考曲线。在第二示例中,将通过对之前的仿真迭代检测结果进行如下所述的评估之后所得到的曲线确定为参考曲线。需要指出的是,在第一次仿真迭代检测时,所使用的参考曲线即为所述初步曲线检测的结果。
接下来,基于所述参考曲线,从所述图像中选择本次仿真迭代检测的种子点。
示例性地,可以选择所述图像中邻近当前参考曲线的像素点(示例性地,图像前景像素点)作为种子点,其中,该像素点离参考曲线的距离小于D。D为阈值,其值可以由本领域技术人员根据待检测的几何曲线的尺寸和期望的精度而适当地设置,在此不作具体限定。
更具体地,假设参考圆(在图2中以实线表示)的半径是r0,中心点为P,由此确定图2中的2个虚线圆,其同样以P为中心,半径各自为r0+D和r0-D。那么,位于这2个虚线圆之间的像素点(示例性地,前景像素点)可被选择为仿真迭代检测所用的种子点。
接下来,基于所述种子点而生成本次仿真迭代检测的像素点,以生成本次仿真迭代检测的密度分布图。具体地,可以以所述种子点为预定参考点,基于预定采样规则而产生服从预定分布的所述像素点。更具体地,可以首先基于所述种子点距离所述参考曲线的距离,确定所述种子点的重要性,然后基于所述种子点的重要性对所述种子点指定采样半径和采样数目中的至少一个作为所述预定采样规则,接下来基于采样半径和采样数目中的所述至少一个,产生服从所述预定分布的像素点。
也就是说,可以以所述种子点为预定参考点(如,中心)而以蒙特卡罗随机采样方式确定若干个点,所确定的点服从预定的分布类型,例如,高斯分布或均匀分布等。也就是说,在本发明实施例中,可以以种子点作为独立随机变量,以一对多的方式产生多个虚拟的前景像素点。更具体地,可以基于每个种子点对当前已检测的曲线的贡献大小而确定本次仿真迭代检测的新增像素点的个数分布范围和分布密度。
再次参照图2来进行说明所述采样规则。从图2可见,距当前参考曲线不同距离的点对曲线检测有着不同的影响。如果距离近,则对参考曲线检测的贡献大,反之就小。因此,可以基于作为种子点的像素点距参考曲线的距离大小来衡量所述种子点的重要性。在本发明实施例中,可以使用各种单调非增函数来计算其重要性。示例性地,可以通过以下等式(1)来确定种子点的重要度I(d):
I(d)=1-d/D (1)
其中,d是变量,代表着种子点到参考曲线的距离,d<D,D为常量,代表种子点距参考曲线的最大距离。I的值域范围为0到1。
对于图2中的三个点A、B、C,其距离关系为d(A)>d(C)>d(B),因此,显然,其重要性关系为I(A)<I(C)<I(B)。
在仿真迭代检测中,基于所述种子点而生成本次仿真迭代检测的像素点且每一个种子点的重要性将通过新增采样点的个数或不同采样密度来体现,这个过程也称为重要性采样。
图3示出了重要性采样的原理的示意图。
在图3中,如图2所示的三个像素点A、B和C因其距参考曲线远近不同,其重要性也不同。因此,相应地,可以为各自点指定不同的采样半径,或指定不同的采样数目,从而反应各个像素点不同的重要程度。
在第一示例中,通过为各个种子点指定不同的采样半径而体现其重要程度。即,如果指定每个种子点的采样数目相同,那么当B的重要性高于A时,可对A指定较大的采样半径,而对B指定较小的采样半径。显然大的半径意味采样的密度低,该种子点对曲线检测的贡献也就少。也就是说,种子点的重要性越高,所生成的像素点越密集。种子点的重要性越低,所生成的像素点越稀疏。
这里,可以通过如下所示的等式(2)来定义采样半径函数r(I):
r(I)=R(1-k*I), (2)
其中,I为种子点的重要度,可通过例如上述等式(1)计算;R是常量,代表最大的采样半径,其值可以由本领域技术人员根据需要适当地设置,在此不作具体限定;k是0至1之间的系数。
图3中的各个点所在的圆表达了不同的采样半径,因为I(A)<I(C)<I(B),因此,r(A)>r(C)>r(B)。
在第二示例中,通过为各个种子点点指定不同的采样数目而体现其重要程度。如果指定每个种子点的采样半径相同,那么当B的重要性高于A时,可对B指定较多的采样数目,而对A指定较少的采样数目。也就是说,种子点的重要性越高,以它为基础所生成的像素点越多。种子点的重要性越低,基于它所生成的像素点越少。这里,可以通过如下所示的等式(3)来定义采样数目n(I):
n(I)=I*N, (3)
其中,I为种子点的重要度,可通过例如上述等式(1)计算;N是常量,代表最大的采样数目,其值可以由本领域技术人员根据需要适当地设置,在此不作具体限定。
从图3可见,n(A)<n(C)<n(B)。
当然,如上所述的两个示例可以彼此结合来实现重要性采样。也就是说,可以对重要性高的种子点指定较小采样半径和较多采样数目,而对重要性低的种子点指定较大采样半径和较少采样数目。
通过如上所述的重要性采样,基于种子点而生成了了新的像素点,所述新的像素点与所述种子点可一并看作是前景点,所述新的像素点的坐标可以以种子点为中心由一随机数发生器随机产生得到的。示例性地,可采用例如均匀分布或高斯分布等的各种概率分布来确定新的点的坐标。例如,可通过蒙特卡罗方法来确定新的点的坐标。
以种子点A为例,假设A的坐标是P(xA,yA),采样的半径是rA,随机数产生方法为均匀分布。首先,产生随机数xN服从于[xA–rA,xA+rA]上的均匀分布,同时也产生随机数yN也服从于[yA–rA,yA+rA]均匀分布。如果坐标P(xN,yN)落在以P(xA,yA)为中心半径为rA的圆内部,就将该坐标赋予新的点,否则重新产生新的坐标。
新产生的点随机分布于种子点四周,和种子点一起构成了新的密度分布图,这进一步增加了潜在待检曲线形状的紧致性,从而为仿真迭代检测的曲线检测提供了较好质量的输入数据。
本领域技术人员能够理解,虽然上面以均匀分布为例进行了描述,然而本发明实施例不限于此,而是可以应用于诸如高斯分布等的其他分布。
在通过如上所述的重要性采样而生成了新的密度分布图之后,可以基于所述密度分布图,执行曲线检测,以得到本次仿真迭代检测的曲线检测结果。
具体地,可以采用各种现有和未来开发的曲线检测技术,基于如上所述生成的新的密度分布图来检测曲线。和初始化检测结果里的检测不同,此处通过如上所述的重要性采样得到更多的前景像素点,因此,可不更改图像的分辨率而直接对图像进行曲线检测,并能获得更精确的曲线检测结果。
在完成当前仿真迭代检测并在进入下一轮仿真迭代检测前,通过当前仿真迭代步骤新增的像素点将被丢弃掉,从而确保原始图像数据在下一轮仿真迭代检测里不被污染。换句话说,在下一轮仿真迭代检测里,基于新的参考曲线从原始图像数据中重新确定种子点并重新生成相应的像素点,以生成用于下一轮仿真迭代检测的新的密度分布图。
接下来,判断仿真迭代检测是否满足终止条件。当所述仿真迭代检测不满足终止条件时,进行下一次仿真迭代检测。当所述仿真迭代检测满足终止条件时,停止所述仿真迭代检测以获得所述仿真迭代检测的结果。
具体地,在第一示例中,所述终止条件可以为到达指定的仿真迭代次数。其具体值可以由本领域技术人员根据需要而适当地设置,在此不作具体限定。在第二示例中,所述终止条件可以为在当前的仿真迭代检测中不能检测出曲线。在第三示例中,所述终止条件可以为在前后两次相邻的仿真迭代检测中获得几乎一样的检测结果。例如,在圆的检测里,检测结果相似意味着两次迭代里所检测到的圆具有非常靠近的圆心坐标和几乎相等的半径长度。
需要指出的是,以上所述的终止条件可以适当地进行组合或修改。而且,上述终止条件仅为示例,本领域技术人员能够在此基础上设计其他各种终止条件。
接下来,所述方法进行到步骤S140,基于所述仿真迭代检测的结果,确定最终的曲线检测结果。
具体地,在第一示例中,当所述仿真迭代检测满足终止条件时,获取各次仿真迭代检测的曲线检测结果作为候选曲线,并基于所述候选曲线确定最终的曲线检测结果。具体地,可通过一定的评估准则,例如以基于最小化拟合误差的方式对所述候选曲线进行评估,从而确定最终的曲线检测结果。
在第二示例中,首先获取本次仿真迭代检测的曲线检测结果与之前一次仿真迭代检测后所获得的评估结果作为候选曲线,然后对所述候选曲线例如以基于最小化拟合误差的方式进行评估,以确定本次仿真迭代检测的评估结果。所述评估同样可采用如下所述的评估准则。然后,当仿真迭代检测满足终止条件时,将当前的评估结果确定为最终的曲线检测结果。更具体地,所述评估可以基于最小化拟合误差的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下具有最大覆盖原始二值图像前景像素点点数的候选曲线。替代地,所述评估也可以基于最小化拟合的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下覆盖原始二值图像前景像素点点数超过阈值的候选曲线的集合。
下面,将详细描述在评估过程中所使用的评估准则。
具体地,所述评估准则的目的在于评估各自检测的结果并从中找到最接近于人眼视觉感知结果的待检测的曲线。对于传统的霍夫检测来说,评价的标准是累加器空间各个单元的投票数多少。但在本发明实施例中,那些对正确检测有贡献的像素点或许会偏离标准的形状,因此,单纯的投票数可能不足以准确地反映结果。在此,作为示例,可以采用基于最小化拟合误差的方式来进行评估。更具体地,在给定的误差范围内,例如,在最大的误差半径Dr和最大的平均误差Da的误差范围内,可通过比较有多少像素点落入到此误差范围内来决定哪条曲线是正确的待检曲线。本发明实施例所提出的这种新的评价准则和人的视觉感知结果更符合。
更具体地,可将第“i”条候选曲线附近的原始二值图上前景像素点按距该候选曲线的距离从小到大排序并分配给其不同的序号“j”,该像素点可记为pij。
在第一示例中,所述评估准则可通过如下所示的公式(4)来表示:
其中,pij是属于与第“i”条候选曲线关联的第“j”个像素点;f(.)是像素点计数函数,仅当像素点满足一定条件才计数为1,否则为0;
di(.)是像素点到第“i”候选曲线距离计算函数,di(pik)是与第“i”候选曲线关联的第“k”个像素点到第“i”候选曲线的距离;
Dr是如上所述的最大误差半径,Da是如上所述的最大平均误差,其值可以由本领域技术人员根据需要适当地设置,在此不作具体限定。
通过如上所述的评估准则(4),可以获得各次曲线检测结果中的最优的曲线检测结果。
替代地,在第二示例中,所述评估准则可通过如下所示的公式(5)来表示:
其中T为阈值,其值可以由本领域技术人员根据需要适当地设置,在此不作具体限定;Ci代表第“i”候选曲线,i、j、k、Dr、Da、pij和di(pik)的含义如上所述,在此不再重复。
通过如上所述的评估准则(5),可以获得各次曲线检测结果中满足一定条件(例如,大于阈值T)的曲线检测结果的集合。
通过如上所述的处理,获得了最终的曲线检测结果,所述曲线检测方法进行到步骤S150,并输出所述曲线检测结果。
以上,参照图1-图3描述了本发明实施例的曲线检测方法。
在本发明实施例的曲线检测方法中,通过仿真迭代检测,能够使得仿真迭代检测的结果与人视觉感知的结果在更大程度上保持一致,由此提高了曲线检测的正确性和精度。
此外,在本发明实施例的曲线检测方法中,通过在仿真迭代检测中适当地选择种子点并生成新的密度分布图,以仿真方式获得更多点用于检测,增强了潜在曲线形状的紧致性,改善了从噪音图像中检测曲线的能力。
此外,在本发明实施例的曲线检测方法中,通过基于最小化拟合误差的方式的评估准则从候选曲线中选择精确的曲线来作为最终的曲线检测结果,从而既能达到例如基于最小二乘法等的方式的水平,又能避免噪音的干扰,最终能够获得最接近于人视觉感知的曲线。
下面,将参照图4描述本发明实施例的曲线检测装置。
如图4所示,本发明实施例的曲线检测装置400主要包括:二值化单元410、初步检测单元420、仿真迭代检测单元430、确定单元440以及输出单元450。
所述二值化单元410对包含目标的图像进行二值化,以获得二值化图像。所述初步检测单元420对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果。所述仿真迭代检测单元430基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果。所述确定单元440基于所述仿真迭代检测的结果,确定最终的曲线检测结果。所述输出单元450输出所述曲线检测结果。
在一实施例中,可选地,所述仿真迭代检测单元包括:参考曲线确定单元,基于之前的仿真迭代检测结果确定参考曲线;种子点选择单元,基于所述参考曲线,从所述图像中选择本次仿真迭代检测的种子点;像素点生成单元,基于所述种子点而产生本次仿真迭代检测的像素点,以生成本次仿真迭代检测的密度分布图;曲线检测单元,基于所述密度分布图,执行曲线检测,以得到本次仿真迭代检测的曲线检测结果;终止判断单元,判断仿真迭代检测是否满足终止条件;以及处理单元,当所述仿真迭代检测不满足终止条件时,进行下一次仿真迭代检测;当所述仿真迭代检测满足终止条件时,停止所述仿真迭代检测以获得所述仿真迭代检测的结果;其中,在第一次仿真迭代检测中,所述参考曲线为所述初步曲线检测的结果。
在另一实施例中,可选地,所述确定单元包括:候选曲线获取单元,获取各次仿真迭代检测的曲线检测结果作为候选曲线;以及评估单元,对候选曲线以基于最小化拟合误差的方式进行评估,以确定最终的曲线检测结果。
在另一实施例中,可选地,所述确定单元包括:候选曲线获取单元,获取本次仿真迭代检测的曲线检测结果与之前一次仿真迭代检测后所获得的评估结果,作为候选曲线;评估单元,对所述候选曲线以基于最小化拟合误差的方式进行评估,以确定本次仿真迭代检测的评估结果;以及检测结果确定单元,当仿真迭代检测满足终止条件时,将当前的评估结果确定为最终的曲线检测结果。
在另一实施例中,可选地,所述评估单元配置为执行以下至少之一的操作:基于最小化拟合误差的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下具有最大覆盖原始二值图上前景像素点点数的候选曲线;或基于最小化拟合的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下覆盖原始二值图上前景像素点点数超过阈值的候选曲线的集合。
在另一实施例中,可选地,所述种子点选择单元配置为:选择所述图像中邻近所述参考曲线的像素点,作为所述种子点。
在另一实施例中,可选地,所述像素点生成单元配置为:以所述种子点为预定参考点,基于预定采样规则而产生服从预定分布的所述像素点。
在另一实施例中,可选地,所述像素点生成单元包括:重要性确定单元,基于所述种子点距离所述参考曲线的距离,确定所述种子点的重要性;采样规则确定单元,基于所述种子点的重要性,对所述种子点指定采样半径和采样数目中的至少一个作为所述预定采样规则;以及产生单元,基于采样半径和采样数目中的所述至少一个,产生服从所述预定分布的像素点。
图5是图示根据本发明另一实施例的曲线检测装置的主要配置的框图。
如图5所示,本发明实施例的曲线检测装置500主要包括:一个或多个处理器510和存储器520,这些组件通过总线系统530和/或其它形式的连接机构(未示出)互连。应当注意,图5所示的曲线检测装置500的组件和结构只是示例性的,而非限制性的,根据需要,曲线检测装置500也可以具有其他组件和结构。
处理器510可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制曲线检测装置500中的其它组件以执行期望的功能。
存储器520可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器520可以运行所述程序指令,以实现本发明实施例的曲线检测方法的功能以及/或者其它期望的功能。
此外,虽然没有示出,但是本发明实施例的曲线检测装置500还可以适当地包括诸如输入单元和输出单元等的其他单元。
以上,参照图4和图5描述了本发明实施例的曲线检测装置。
在本发明实施例的曲线检测装置中,通过仿真迭代检测,能够使得仿真迭代检测的结果与人视觉感知的结果在更大程度上保持一致,由此提高了曲线检测的正确性和精度。
此外,在本发明实施例的曲线检测装置中,通过在仿真迭代检测中适当地选择种子点并生成新的密度分布图,以仿真方式获得更多点用于检测,增强了潜在曲线形状的紧致性,改善了从噪音图像中检测曲线的能力。
此外,在本发明实施例的曲线检测装置中,通过基于最小化拟合误差的方式的评估准则从候选曲线中选择精确的曲线来作为最终的曲线检测结果,从而既能达到例如基于最小二乘法等的方式的水平,又能避免噪音的干扰,最终能够获得最接近于人视觉感知的曲线。
此外,根据本发明另一实施例,提供了一种用于曲线检测的计算机程序产品,该计算机程序产品包括计算机可读存储介质,在所述计算机可读存储介质上存储了计算机程序指令,所述计算机程序指令可由处理器执行以使得所述处理器对包含目标的图像进行二值化,以获得二值化图像;对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及输出所述曲线检测结果。
需要说明的是,在本说明书中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,需要说明的是,在本说明书中,类似“第一…单元”、“第二...单元”的表述仅为了在描述时方便区分,而并不意味着其必须实现为物理分离的两个或多个单元。事实上,根据需要,所述单元可以整体实现为一个单元,也可以实现为多个单元。
最后,还需要说明的是,上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理,而且包括并行或分别地、而不是按时间顺序执行的处理。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
在本发明实施例中,单元/模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成单元/模块并且实现该单元/模块的规定目的。
在单元/模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的单元/模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种曲线检测方法,包括:
对包含目标的图像进行二值化,以获得二值化图像;
对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;
基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;
基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及
输出所述曲线检测结果。
2.如权利要求1所述的曲线检测方法,其中,对所述图像进行仿真迭代检测的步骤包括:
基于之前的仿真迭代检测结果确定参考曲线;
基于所述参考曲线,从所述图像中选择本次仿真迭代检测的种子点;
基于所述种子点而产生本次仿真迭代检测的像素点,以生成本次仿真迭代检测的密度分布图;
基于所述密度分布图,执行曲线检测,以得到本次仿真迭代检测的曲线检测结果;
判断仿真迭代检测是否满足终止条件;以及
当所述仿真迭代检测不满足终止条件时,进行下一次仿真迭代检测;当所述仿真迭代检测满足终止条件时,停止所述仿真迭代检测以获得所述仿真迭代检测的结果;
其中,在第一次仿真迭代检测中,所述参考曲线为所述初步曲线检测的结果。
3.如权利要求1所述的曲线检测方法,其中,确定最终的曲线检测结果的步骤包括:
获取各次仿真迭代检测的曲线检测结果作为候选曲线;以及
对候选曲线以基于最小化拟合误差的方式进行评估,以确定最终的曲线检测结果。
4.如权利要求2所述的曲线检测方法,其中,确定最终的曲线检测结果的步骤包括:
获取本次仿真迭代检测的曲线检测结果与之前一次仿真迭代检测后所获得的评估结果,作为候选曲线;
对所述候选曲线以基于最小化拟合误差的方式进行评估,以确定本次仿真迭代检测的评估结果;以及
当仿真迭代检测满足终止条件时,将当前的评估结果确定为最终的曲线检测结果。
5.如权利要求3或4所述的曲线检测方法,其中,以基于最小化拟合误差的方式进行评估的步骤包括以下至少之一:
基于最小化拟合误差的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下具有最大覆盖原始二值图像前景像素点点数的候选曲线;或
基于最小化拟合的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下覆盖原始二值图像前景像素点点数超过阈值的候选曲线的集合。
6.如权利要求2所述的曲线检测方法,其中,从所述图像中选择本次迭代检测的种子点的步骤包括:
选择所述图像中邻近所述参考曲线的像素点,作为所述种子点。
7.如权利要求2所述的曲线检测方法,其中,基于所述种子点而产生本次仿真迭代检测的像素点的步骤包括:
以所述种子点为预定参考点,基于预定采样规则而产生服从预定分布的所述像素点。
8.如权利要求7所述的曲线检测方法,其中,基于预定采样规则而产生服从预定分布的所述像素点的步骤包括:
基于所述种子点距离所述参考曲线的距离,确定所述种子点的重要性;
基于所述种子点的重要性,对所述种子点指定采样半径和采样数目中的至少一个作为所述预定采样规则;以及
基于采样半径和采样数目中的所述至少一个,产生服从所述预定分布的像素点。
9.一种曲线检测装置,包括:
二值化单元,对包含目标的图像进行二值化,以获得二值化图像;
初步检测单元,对所述二值化图像进行初步曲线检测,以得到初步曲线检测的结果;
仿真迭代检测单元,基于所述初步曲线检测的结果,对所述图像进行仿真迭代检测,以得到仿真迭代检测的结果;
确定单元,基于所述仿真迭代检测的结果,确定最终的曲线检测结果;以及
输出单元,输出所述曲线检测结果。
10.如权利要求9所述的曲线检测装置,其中,所述仿真迭代检测单元包括:
参考曲线确定单元,基于之前的仿真迭代检测结果确定参考曲线;
种子点选择单元,基于所述参考曲线,从所述图像中选择本次仿真迭代检测的种子点;
像素点生成单元,基于所述种子点而产生本次仿真迭代检测的像素点,以生成本次仿真迭代检测的密度分布图;
曲线检测单元,基于所述密度分布图,执行曲线检测,以得到本次仿真迭代检测的曲线检测结果;
终止判断单元,判断仿真迭代检测是否满足终止条件;以及
处理单元,当所述仿真迭代检测不满足终止条件时,进行下一次仿真迭代检测;当所述仿真迭代检测满足终止条件时,停止所述仿真迭代检测以获得所述仿真迭代检测的结果;
其中,在第一次仿真迭代检测中,所述参考曲线为所述初步曲线检测的结果。
11.如权利要求9所述的曲线检测装置,其中,所述确定单元包括:
候选曲线获取单元,获取各次仿真迭代检测的曲线检测结果作为候选曲线;以及
评估单元,对候选曲线以基于最小化拟合误差的方式进行评估,以确定最终的曲线检测结果。
12.如权利要求10所述的曲线检测装置,其中,所述确定单元包括:
候选曲线获取单元,获取本次仿真迭代检测的曲线检测结果与之前一次仿真迭代检测后所获得的评估结果,作为候选曲线;
评估单元,对所述候选曲线以基于最小化拟合误差的方式进行评估,以确定本次仿真迭代检测的评估结果;以及
检测结果确定单元,当仿真迭代检测满足终止条件时,将当前的评估结果确定为最终的曲线检测结果。
13.如权利要求11或12所述的曲线检测装置,其中,所述评估单元配置为执行以下至少之一的操作:
基于最小化拟合误差的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下具有最大覆盖原始二值图像前景像素点点数的候选曲线;或
基于最小化拟合的方式,从所述候选曲线中选择在指定的误差范围和指定的平均误差下覆盖原始二值图像前景像素点点数超过阈值的候选曲线的集合。
14.如权利要求10所述的曲线检测装置,其中,所述种子点选择单元配置为:
选择所述图像中邻近所述参考曲线的像素点,作为所述种子点。
15.如权利要求10所述的曲线检测装置,其中,所述像素点生成单元配置为:
以所述种子点为预定参考点,基于预定采样规则而产生服从预定分布的所述像素点。
16.如权利要求15所述的曲线检测装置,其中,所述像素点生成单元包括:
重要性确定单元,基于所述种子点距离所述参考曲线的距离,确定所述种子点的重要性;
采样规则确定单元,基于所述种子点的重要性,对所述种子点指定采样半径和采样数目中的至少一个作为所述预定采样规则;以及
产生单元,基于采样半径和采样数目中的所述至少一个,产生服从所述预定分布的像素点。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510359392.5A CN106327468B (zh) | 2015-06-25 | 2015-06-25 | 曲线检测方法和曲线检测装置 |
JP2016121583A JP6202147B2 (ja) | 2015-06-25 | 2016-06-20 | 曲線検出方法と曲線検出装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510359392.5A CN106327468B (zh) | 2015-06-25 | 2015-06-25 | 曲线检测方法和曲线检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106327468A true CN106327468A (zh) | 2017-01-11 |
CN106327468B CN106327468B (zh) | 2019-02-15 |
Family
ID=57729431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510359392.5A Expired - Fee Related CN106327468B (zh) | 2015-06-25 | 2015-06-25 | 曲线检测方法和曲线检测装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6202147B2 (zh) |
CN (1) | CN106327468B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960252A (zh) * | 2018-06-01 | 2018-12-07 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN109752699A (zh) * | 2017-11-03 | 2019-05-14 | 通用汽车环球科技运作有限责任公司 | 基于距离-啁啾图中曲线检测的目标检测 |
CN111862132A (zh) * | 2020-08-09 | 2020-10-30 | 成都市精卫鸟科技有限责任公司 | 一种曲线检测方法、装置、设备和介质 |
CN112927201A (zh) * | 2021-02-24 | 2021-06-08 | 北京爱笔科技有限公司 | 一种曲线检测方法及装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256446B (zh) | 2017-12-29 | 2020-12-11 | 百度在线网络技术(北京)有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
JP7337618B2 (ja) | 2019-09-17 | 2023-09-04 | 株式会社東芝 | 半導体装置 |
CN111968092A (zh) * | 2020-08-19 | 2020-11-20 | 创新奇智(上海)科技有限公司 | 磁材倒角检测方法、装置、电子设备及可读存储介质 |
CN112465894B (zh) * | 2020-11-25 | 2024-02-27 | 创新奇智(成都)科技有限公司 | 圆环内外径拟合方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1667351A (zh) * | 2005-04-06 | 2005-09-14 | 北京航空航天大学 | 强反射背景下粗糙纹理工件图像特征点自动提取方法 |
JP2011100222A (ja) * | 2009-11-04 | 2011-05-19 | Panasonic Electric Works Co Ltd | 画像処理装置および画像処理方法 |
JP2011227748A (ja) * | 2010-04-21 | 2011-11-10 | Seiko Epson Corp | 画像処理装置、画像処理方法、画像処理プログラム、及び欠陥検出装置 |
-
2015
- 2015-06-25 CN CN201510359392.5A patent/CN106327468B/zh not_active Expired - Fee Related
-
2016
- 2016-06-20 JP JP2016121583A patent/JP6202147B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1667351A (zh) * | 2005-04-06 | 2005-09-14 | 北京航空航天大学 | 强反射背景下粗糙纹理工件图像特征点自动提取方法 |
JP2011100222A (ja) * | 2009-11-04 | 2011-05-19 | Panasonic Electric Works Co Ltd | 画像処理装置および画像処理方法 |
JP2011227748A (ja) * | 2010-04-21 | 2011-11-10 | Seiko Epson Corp | 画像処理装置、画像処理方法、画像処理プログラム、及び欠陥検出装置 |
Non-Patent Citations (2)
Title |
---|
XIULAN WEN ET AL: "An improved genetic algorithm for planar and spatial straightness error evaluation", 《INTERNATIONAL JOURNAL OF MACHINE TOOLS & MANNUFACTURE》 * |
崔长彩 等: "自适应迭代区域搜索法用于直线度的精密评定", 《机械科学与技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109752699A (zh) * | 2017-11-03 | 2019-05-14 | 通用汽车环球科技运作有限责任公司 | 基于距离-啁啾图中曲线检测的目标检测 |
CN109752699B (zh) * | 2017-11-03 | 2023-06-23 | 通用汽车环球科技运作有限责任公司 | 基于距离-啁啾图中曲线检测的目标检测 |
CN108960252A (zh) * | 2018-06-01 | 2018-12-07 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN111862132A (zh) * | 2020-08-09 | 2020-10-30 | 成都市精卫鸟科技有限责任公司 | 一种曲线检测方法、装置、设备和介质 |
CN112927201A (zh) * | 2021-02-24 | 2021-06-08 | 北京爱笔科技有限公司 | 一种曲线检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106327468B (zh) | 2019-02-15 |
JP2017010554A (ja) | 2017-01-12 |
JP6202147B2 (ja) | 2017-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106327468A (zh) | 曲线检测方法和曲线检测装置 | |
CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
CN103544506B (zh) | 一种基于卷积神经网络的图像分类方法和装置 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN103473786A (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN104272731A (zh) | 用于处理3d信息的设备和方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
CN105096300A (zh) | 对象检测方法和设备 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN110309010B (zh) | 用于电力设备相位分辩的局放网络训练方法及装置 | |
CN109191434A (zh) | 一种细胞分化中的图像检测系统及检测方法 | |
CN104778341B (zh) | 磁共振线圈合并系数计算方法、磁共振成像方法及其装置 | |
CN115541030A (zh) | 高炉炉顶料面温度分布的识别方法、装置及存储介质 | |
CN102938069A (zh) | 一种基于信息熵的纯净和混合像元自动划分方法 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN103279944A (zh) | 一种基于生物地理优化的图像分割方法 | |
CN103488656B (zh) | 一种数据处理方法及装置 | |
CN105069480B (zh) | 基于高斯滤波和pso的极化sar地物分类方法 | |
CN112462442B (zh) | 重磁位场场源位置估计方法、系统、介质及电子设备 | |
CN113557528A (zh) | 生成点云补全网络及点云数据处理 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190215 Termination date: 20210625 |