CN107507176B - 一种图像检测方法及系统 - Google Patents

Abstract

本发明公开了一种图像检测方法，包括：基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；对数据模型和先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；以全局最优解作为目标模型对图像进行检测。本发明同时公开了一种图像检测系统。通过本发明的图像检测方法和系统，能够提高图像检测的准确性。

Description

一种图像检测方法及系统

技术领域

本发明涉及计算机领域，特别涉及一种图像检测方法及系统。

背景技术

在检测图像中是否存在已知的目标结构时，通过建立目标模型来对图像进行检测。目标模型或目标结构通常由线条构成，每个线条具备长度信息和方向信息。当图像的分辨率较低时，构成目标结构的各线条的宽度可以忽略不计，因此该方式在图像检测中较为有效，然而，随着图像分辨率越来越高，通过上述方式构建的目标模板已经逐渐不能准确表征目标结构的特征。

发明内容

有鉴于此，本发明实施例提供了一种图像检测方法和系统，能够建立准确表征目标结构特征的目标模型来进行有效的图像检测。

本发明实施例提出的图像检测方法包括：基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；对所述数据模型和所述先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；以所述全局最优解作为目标模型对图像进行检测。

作为优选，建立数据模型包括：在每个第一带状线段内划分多个子线段，根据每两个子线段之间的位置关系，计算该第一带状线段内的同质性；根据每个第一带状线段与每一相邻的第一带状线段之间的位置关系，计算该第一带状线段与每一相邻的第一带状线段之间的异质性；基于所述同质性和异质性确定每个第一带状线段的第一统计量。

作为优选，建立数据模型包括：基于每个第一带状线段的边界梯度幅值，确定每个第一带状线段的第二统计量；基于每个第一带状线段的边界梯度方向，确定每个第一带状线段的第三统计量。

作为优选，建立先验模型包括：对于任一个第二带状线段和处于该第二带状线段的预定邻近区域内的另一第二带状线段，基于这两个第二带状线段的方向确定第一方向关系。

作为优选，建立先验模型包括：对于每个第二带状线段和处于该第二带状线段的预定邻近区域外的另一第二带状线段，基于这两个第二带状线段的相近端部的连接判定区域面积确定这两个第二带状线段的连接程度，并基于这两个第二带状线段的方向确定第二方向关系。

作为优选，进行采样包括：选取转移核，并根据所选取的转移核，基于当前状态空间生成新状态空间；根据当前状态空间和所述新状态空间的能量函数以及在当前状态空间和所述新状态空间之间跳转的概率，确定是否跳转到所述新状态空间。

作为优选，所述转移核包括多个不同的子核，所述子核包括均匀生灭核和/或简单移动核。

本发明实施例提出的图像检测系统，包括处理器，其配置为执行预定的计算机指令以：基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；对所述数据模型和所述先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；以所述全局最优解作为目标模型对图像进行检测。

通过本发明实施例的图像检测方法和系统，为目标模型的各线条加入了宽度信息成为带状线段，使得构建的目标模型能够准确地表征目标结构的特征，提高图像检测的准确性。

附图说明

图1为本发明的图像检测方法的一个实施例的示意性流程图；

图2为本发明的图像检测方法的实施例中带状线段的标记点信息的示意图；

图3为本发明的图像检测方法一个实施例中数据模型的一种统计量的表征示意图；

图4为本发明的图像检测方法另一个实施例中数据模型的另一种统计量的表征示意图；

图5-6为本发明的图像检测方法另一个实施例中先验模型中任一带状线段与其他带状线段之间相邻关系的表征示意图；

图7为本发明的图像检测方法一个实施例中先验模型中带状线段间连接程度的表征示意图；

图8A-8D为本发明的图像检测方法一个实施例中使用的各类转移核的示意图；

图9为本发明的图像检测方法一个实施例中的优化求解过程的示意性流程图；

图10为本发明的图像检测方法一个实施例中模拟退火过程的示意图。

具体实施方式

下面参照附图对本发明的各实施例进行详细说明。

图1为本发明的图像检测方法的一个实施例的示意性流程图，图2为本发明的图像检测方法的实施例中带状线段的标记点信息的示意图。

如图1所示，本发明实施例的图像检测方法包括：

S101、基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；

本发明实施例中，数据模型由一组带状线段构成，在该数据模型中，这些带状线段之间具有各种空间拓扑关系。可以多次设定一组第一带状线段从而逐渐逼近目标模型。在标记点过程的算法框架下，每组第一带状线段中的每个第一带状线段都可以认为是一个标记点，参见图2，每个第一带状线段可以记作：

s＝(p,l,w,θ) 式1

式中，

表示第一带状线段的中心点坐标，Λ代表图像空间，R²代表二维；l表示第一带状线段的长度；w表示第一带状线段的宽度；θ表示第一带状线段的方向，其取值在区间[0,π]内。

在每组第一带状线段中，基于各第一带状线段的标记点信息，可建立数据模型来表示该组第一带状线段中各第一带状线段各自的特征以及相互间的分布关系。

S102、基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；

先验模型根据目标结构的特征来建立，将目标结构看作是由一组第二带状线段构成，这些第二带状线段之间也具有各种空间拓扑关系。将各第二带状线段看作标记点，也可以由上式1来表示。先验模型表示该组第二带状线段中第二带状线段的数量和各第二带状线段相互间的分布关系。

S103、对所述数据模型和所述先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；

本发明实施例中，将数据模型记为U_d(S)，将先验模型记为U_p(S)，其中S为一组带状线段的组合，然后采用Gibbs点过程进行建模，对数据模型和先验模型建立概率密度函数如下：

f(S)∝βⁿexp(-U(S))＝βⁿexp-((U_p(S)+U_d(S))) 式2

采样可通过可逆跳转马尔科夫链蒙特卡洛(Reversible Jump Markov ChainMonte Carlo,RJMCMC)方法来进行，在当前状态空间和新的状态空间之间跳转，并通过模拟退火算法进行优化求解，以获得全局最优解。

S104、以所述全局最优解作为目标模型对图像进行检测。

计算出全局最优解时，将计算出的最优解作为目标模型，可用于从待检测的图像中自动检测出目标模型所表示的目标结构。

通过本发明实施例的图像检测方法和系统，为目标模型的各线条加入了宽度信息成为带状线段，使得构建的目标模型能够准确地表征目标结构的特征，提高图像检测的准确性。

本发明实施例中，数据模型U_d(S)可表示为：

其中，δ_i表示组成S中任意一个条带s_i的统计量，S＝{s₁,s₂,…s_n}表示目标结构，γ_d表示权重，为一个正的常量。对于一个给定的带状线段集合S，其中任意一个带状线段s_i和与其相邻的带状线段都是相对独立的。

图3为本发明的图像检测方法一个实施例中数据模型的一种统计量的表征示意图。

在本发明实施例中，建立数据模型包括创建表征组内第一带状线段的内部同质性和外部异质性的第一统计量。

如图3所示，R_r表示任一个第一带状线段区域，在该区域内划分了3个条带，分别为中心条带

和两侧条带

位于R_r两侧的

和

表示R_r外的邻域，d表示R_r与邻域之间的距离。e₁和e₂表示第一带状线段R_r的两个边缘。其中需要说明的是，虽然图3所示的实施例中将R_r的内部区域划分了3个子线段，但本发明不限于此，也可以将R_r的内部区域划分为其他数目的子线段，例如2个、4个、5个等。

图3中，R_r区域内部具有同质性，而R_r的外部邻域，表现出来的灰度或纹理特性与R_r区域内部不同，具有异质性。

本发明实施例中，在每个第一带状线段内划分多个子线段，并根据每两个子线段之间的位置关系，计算该第一带状线段内的同质性。此外，还根据每个第一带状线段与每一相邻的第一带状线段之间的位置关系，计算该第一带状线段与每一相邻的第一带状线段之间的异质性，然后基于所计算出的同质性和异质性确定每个第一带状线段的第一统计量。

本发明实施例可采用例如巴氏距离(Bhattacharyya distance)等计算每个第一带状线段内部区域的同质性及每个第一带状线段与每一相邻带状和条带与邻域间的异质性。

巴氏距离在统计学中用于测量两种离散概率分布的可分离性，其值完全匹配为1，完全不匹配则为0。巴氏距离的计算公式如下：

式中，s_i和s_j分别表示两个离散概率分布，具体在本发明实施例中分别表示一个第一带状线段内部的子线段或者外部邻域的带状线段；m_i和m_j分别表示对应的均值；σ_i和σ_j分别表示对应的标准差。

对任意一个第一带状线段s_i，可根据下式计算其内部区域内子线段之间的同质性D₁：

然后根据下式计算任一个第一带状线段R_r与领域

和

间的异质性D₂：

并根据下式计算同质性与异质性的综合特性D_i：

为D_i设定两个阈值T₁、T₂，T₁<T₂，创建数据模型的第一统计量：

图4为本发明的图像检测方法另一个实施例中数据模型的另一种统计量的表征示意图。

本发明实施例中，建立数据模型包括创建表征组内第一带状线段的边界特性的统计量，包括基于每个第一带状线段的边界梯度幅值，确定每个第一带状线段的第二统计量，以及基于每个第一带状线段的边界梯度方向，确定每个第一带状线段的第三统计量。

如图4所示，在带状线段的边界处，边缘点通常具有较大的梯度，而且由于边界具有直线形状，因此梯度的方向分布比较统一，均与目标方向近似正交。

对于梯度幅值，统计每个第一带状线段边界的梯度幅值的均值

设定阈值T_G1和T_G2，首先按下式计算总体均值：

然后，与第一统计量类似地，创建数据模型的第二统计量：

对于梯度方向，统计梯度方向直方图H(θ₁)和H(θ₂)，分别为每个第一带状线段s_i边界e₁和e₂的像素点的梯度方向直方图，计算每个边界上梯度方向与第一带状线段s_i的方向θ_i正交的点的个数n₁与n₂，每个边界的总点数为n。这里，边界点的方向与θ_i的夹角小于阈值T_θ即认为该点属于正交范围。按下式计算属于正交范围的点的比例：

然后，设定阈值T_n1与T_n2，T_n1<T_n2，创建数据模型的第三统计量：

在本发明一些实施例中，数据模型中的统计量包括上述三种统计量或其中一种或两种统计量。例如，当包括上述三种统计量时，数据模型中的统计量可以是δ_i＝δ_i,1δ_i,2δ_i,3。

图5-6为本发明的图像检测方法另一个实施例中先验模型中任一带状线段与其他带状线段之间相邻关系的表征示意图。

本发明实施例中，对于两个带状线段之间的方向，首先定义带状线段的邻近区域R_in。

如图5所示，图中竖虚线部分表示处于中央位置的带状线段的邻近区域R_in。在本发明实施例中，该邻近区域R_in以带状线段两条侧边为直径，侧边上的中点为圆心，在带状线段的两侧画半圆所形成的两个半圆形区域即为该带状线段的邻近区域R_in。如果另一个带状线段的任一个边缘落入此区域中，则这两个带状线段之间为邻近关系，记作～_in，否则为外部关系，记作～_out。

本发明实施例中，对于任一个第二带状线段和处于该第二带状线段的邻近区域R_in内的另一第二带状线段，即处于邻近关系的两个第二带状线段，基于这两个第二带状线段的方向确定第一方向关系。

如图6所示，带状线段s₁与s₂是外部关系，而带状线段s₁与s₃是邻近关系。对邻近关系～_in，两个带状线段之间的空间距离已经非常接近，因此，这种情况下可以只考虑方向关系，因此本发明实施例中带状线段间的相邻关系即为两者间的第一方向关系。

可根据下式计算两个带状线段s_i和s_j之间的夹角τ_ij：

τ_ij＝min[|θ_i-θ_j|,π-|θ_i-θ_j|] 式13

式中，τ_ij∈[0,π/2]，θ_i和θ_j分别为s_i和s_j的方向。

如果两个条带的方向夹角过小，说明它们的关系太过锐利，需要惩罚，两个带状线段之间相邻关系的计算公式如下：

式中，τ_min为夹角判断的阈值，β(x,m,M)函数为单调递减函数，定义域为[m,M]，值域为[0,1]。β(x,m,M)的计算公式如下：

图7为本发明的图像检测方法一个实施例中先验模型中带状线段间连接程度的表征示意图。

本发明实施例中，对于图6中所示的两个带状线段之间的外部关系～_out，还需要考虑两个带状线段之间的连接程度。具体地，对于每个第二带状线段和处于该第二带状线段的预定邻近区域外的另一第二带状线段，基于这两个第二带状线段的相近端部的连接判定区域面积确定这两个第二带状线段的连接程度，并基于这两个第二带状线段的方向确定第二方向关系。

传统的点过程方法中直接计算两个线段端点距离的公式已经不适用于本发明，所以本发明实施例采用如下公式计算两个带状线段s_i和s_j之间的连接程度：

式中，Area(·)表示连接判定区域面积，在这里，表示s_i和s_j的连接端

和

的面积，如图7所示，其中A和C分别表示两个带状线段s_i和s_j的相近端部，B和D则为相离端部。

如果两个带状线段的方向夹角太大，则说明组成的结构曲率太大，需要惩罚，两个带状线段之间外部关系的计算公式如下：

g_out(s_i,s_j)＝I(s_i,s_j)+θ_out(s_i,s_j) 式17

式中，I(s_i,s_j)表示两个带状线段之间的连接程度，θ_out(s_i,s_j)表示两个带状线段的第二方向关系，θ_out(s_i,s_j)与第一方向关系类似地表示为：

其中，τ_max为带状线段间夹角判定的阈值。

在本发明一个实施例中，先验模型的公式可以综合表示为：

其中，ω_i(i＝0,1,…,4)为权值，N表示带状线段的总数量，N_f表示无连接型条带的数量，N_s表示单连接型条带的数量，<s_i,s_j>～_in表示s_i和s_j属于邻近关系，<s_i,s_j>～_out表示s_i和s_j属于外部关系。

式19中的第二项和第三项也可以省略。

图8A-8D为本发明的图像检测方法一个实施例中使用的各类转移核的示意图。

本发明实施例中采用RJMCMC方法进行采样，包括选取转移核，基于当前状态空间生成新状态空间，并根据当前状态空间和新状态空间的能量函数以及在当前状态空间和新状态空间之间跳转的概率，确定是否跳转到新状态空间。

具体地，设Q(ω→·)为转移核，当前的状态空间为ω，要生成的新的状态空间为ω'，则采样算法流程如下：

步骤一：选取转移核Q(ω→·)；

步骤二：根据选定的转移核Q(ω→·)，生成新的状态空间ω'；

步骤三：计算Green比，记做R，按照转移核Q(ω→ω')从当前状态ω转移到新的状态ω'，接受概率需要满足详细平衡条件以保证算法收敛于点过程的密度函数这个条件的表达式的计算公式如下：

式中，h(·)表示状态空间的能量函数，Q(ω→ω')和Q(ω'→ω)分别表示从状态空间ω跳转到状况空间ω'和从状态空间ω'跳转到状态空间ω的转移概率。

步骤四：按概率min[1,R]接受跳转，生成新的状态空间。

在本发明实施例中，在不同的状态空间之间跳转的转移核可由不同的转移核组成，即：

Q(ω→·)＝∑p_iq_i(ω→·) 式21

上式中，q_i(ω→·)为组成转移核Q(ω→·)的子核；p_i表示选择这个子核跳转的概率，∑p_i＝1。

本发明实施例中的采样算法使用如图8A所示的均匀生灭核(The uniformbirthand death kernel)和如图8B-8D所示的简单移动核(Simple Moves kernel)作为跳转的子核。

图9为本发明的图像检测方法一个实施例中的优化求解过程的示意性流程图。图10为本发明的图像检测方法一个实施例中模拟退火过程的示意图。

如图9所示，本发明实施例的优化求解过程包括：

模拟退火算法的主要流程为：

S201、初始化，设置参数；

S202、判断是否终止产生新解(即，判断是否满足终止条件)，如是，进行S203，否则进行S204；

S203、输出当前解作为全局最优解；

S204、产生新解x'；

S205、判断是否接受新解，如是，进行S206，否则返回S204重新产生新解；

计算增量△x＝C(x')-C(x)用于判断是否接受新解，C(x)为评价函数。为了以一定概率获得全局最优解，模拟退火算法以一定概率接受比当前解更差的新解。即：当增量△x<0时，说明新解优于当前解，这时总是接受新解；否则，说明新解比当前解差，这时，以一定概率接受新解。

S206、生成新的当前解；

S207、判断是否进行降温，如是，进行S208，否则返回S204重新产生新解；

S208、进行降温，并返回S202。

如图10所示，通过模拟退火算法可逐渐接近目标结构的最优解并最终得到最优解。

本发明的实施例可以采取全部硬件实施例、全部软件实施例或者包含硬件和软件单元的实施例的形式。

在优选实施例中，本发明由软件实现，其包括但不限于固件、驻留软件、微代码等等。此外，本发明可以采取可从提供程序代码的计算机可用或计算机可读媒体中访问的计算机程序产品的形式，该程序代码用于由计算机或任何指令执行系统使用或者与计算机或任何指令执行系统相结合。

本发明实施例的图像检测系统包括处理器，其配置为执行预定的计算机指令以执行如下动作：基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；对所述数据模型和所述先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；以所述全局最优解作为目标模型对图像进行检测。

在本发明的图像检测系统的一个实施例中，处理器配置为在建立数据模型时执行预定的计算机指令以：在每个第一带状线段内划分多个子线段，根据每两个子线段之间的位置关系，计算该第一带状线段内的同质性；根据每个第一带状线段与每一相邻的第一带状线段之间的位置关系，计算该第一带状线段与每一相邻的带状线段之间的异质性；基于所述同质性和异质性确定每个第一带状线段的第一统计量。

在本发明的图像检测系统的一个实施例中，处理器配置为在建立数据模型时执行预定的计算机指令以：基于每个第一带状线段的边界梯度幅值，确定每个第一带状线段的第二统计量；基于每个第一带状线段的边界梯度方向，确定每个第一带状线段的第三统计量。

在本发明的图像检测系统的一个实施例中，处理器配置为在建立先验模型时执行预定的计算机指令以：对于任一个第二带状线段和处于该第二带状线段的预定邻近区域内的另一第二带状线段，基于这两个第二带状线段的方向确定第一方向关系。

在本发明的图像检测系统的一个实施例中，处理器配置为在建立先验模型时执行预定的计算机指令以：对于每个第二带状线段和处于该第二带状线段的预定邻近区域外的另一第二带状线段，基于这两个第二带状线段的相近端部的连接判定区域面积确定这两个第二带状线段的连接程度，并基于这两个第二带状线段的方向确定第二方向关系。

本发明实施例的图像检测系统所实施的各操作的具体过程可参见上述参照图1-图10描述的实施例。

为了说明起见，计算机可用或计算机可读媒体可以是可以包含、存储、通信、传播、或运送程序的任何装置，所述程序用于由指令执行系统、装置或设备使用或与指令执行系统、装置或设备相结合。该媒体可以是电子、磁、光学、电磁、红外或半导体系统(或装置或设备)或是传播媒体。计算机可读媒体的例子包括半导体或固体存储器、磁带、可移除计算机软盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。目前的光盘的例子包括致密盘—只读存储器(CD-ROM)、致密盘—读/写(CD-R/W)和DVD。

适于存储和/或执行程序代码的数据处理系统将包括至少一个通过系统总线直接或间接与存储单元耦合的处理器，所述处理器可以由具有逻辑运算功能的电路实现，例如可以是中央处理器CPU、现场可编程逻辑阵列FPGA、特定功能集成电路ASIC、单片机MCU或数字信号处理器DSP。存储单元可以包括在程序代码实际执行期间被部署的本地存储器、海量存储装置和高速缓冲存储器，所述高速缓冲存储器提供至少某种程序代码的临时存储装置以减少在执行期间代码必须从海量存储装置进行检索的次数。输入/输出或I/O设备(包括但不限于键盘、显示器、指示设备等)可以被直接地或通过中间I/O控制器耦合至系统。网络适配器也可耦合至系统以使数据处理系统能够变得通过中间的私人或公众网络耦合至其它数据处理系统或远程打印机或存储设备。调制解调器、电缆调制解调器和以太网卡仅是一部分目前可用类型的网络适配器。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种图像检测方法，包括：

基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；

基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；其中，建立先验模型包括：对于每个第二带状线段和处于该第二带状线段的预定邻近区域外的另一第二带状线段，基于这两个第二带状线段的相近端部的连接判定区域面积确定这两个第二带状线段的连接程度，并基于这两个第二带状线段的方向确定第二方向关系；

对所述数据模型和所述先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；

以所述全局最优解作为目标模型对图像进行检测。

2.根据权利要求1所述的方法，其中，建立数据模型包括：

在每个第一带状线段内划分多个子线段，根据每两个子线段之间的位置关系，计算该第一带状线段内的同质性；

根据每个第一带状线段与每一相邻的第一带状线段之间的位置关系，计算该第一带状线段与每一相邻的第一带状线段之间的异质性；

基于所述同质性和异质性确定每个第一带状线段的第一统计量。

3.根据权利要求1或2所述的方法，其中，建立数据模型包括：

基于每个第一带状线段的边界梯度幅值，确定每个第一带状线段的第二统计量；

基于每个第一带状线段的边界梯度方向，确定每个第一带状线段的第三统计量。

4.根据权利要求1所述的方法，其中，建立先验模型包括：

对于任一个第二带状线段和处于该第二带状线段的预定邻近区域内的另一第二带状线段，基于这两个第二带状线段的方向确定第一方向关系。

5.根据权利要求1所述的方法，其中，进行采样包括：

选取转移核，并根据所选取的转移核，基于当前状态空间生成新状态空间；

根据当前状态空间和所述新状态空间的能量函数以及在当前状态空间和所述新状态空间之间跳转的概率，确定是否跳转到所述新状态空间。

6.根据权利要求5所述的方法，其中，所述转移核包括多个不同的子核，所述子核包括均匀生灭核和/或简单移动核。

7.一种图像检测系统，包括处理器，其配置为执行预定的计算机指令以：

基于给定的一组第一带状线段的标记点信息，建立数据模型，每个第一带状线段的标记点信息包括该第一带状线段的长度、宽度、方向和中心点坐标；

基于构成目标结构的一组第二带状线段的分布和数量，建立先验模型；其中，建立先验模型包括：对于每个第二带状线段和处于该第二带状线段的预定邻近区域外的另一第二带状线段，基于这两个第二带状线段的相近端部的连接判定区域面积确定这两个第二带状线段的连接程度，并基于这两个第二带状线段的方向确定第二方向关系；

对所述数据模型和所述先验模型建立概率密度函数，进行采样并进行优化求解以获得全局最优解；

以所述全局最优解作为目标模型对图像进行检测。

8.根据权利要求7所述的系统，其中，建立数据模型包括：

在每个第一带状线段内划分多个子线段，根据每两个子线段之间的位置关系，计算该第一带状线段内的同质性；

根据每个第一带状线段与每一相邻的第一带状线段之间的位置关系，计算该第一带状线段与每一相邻的带状线段之间的异质性；

基于所述同质性和异质性确定每个第一带状线段的第一统计量。

9.根据权利要求7或8所述的系统，其中，建立数据模型包括：

基于每个第一带状线段的边界梯度幅值，确定每个第一带状线段的第二统计量；

基于每个第一带状线段的边界梯度方向，确定每个第一带状线段的第三统计量。

10.根据权利要求7所述的系统，其中，建立先验模型包括：

对于任一个第二带状线段和处于该第二带状线段的预定邻近区域内的另一第二带状线段，基于这两个第二带状线段的方向确定第一方向关系。

Images