CN107516325A - 基于亚像素边缘的圆心检测方法 - Google Patents

基于亚像素边缘的圆心检测方法 Download PDF

Info

Publication number
CN107516325A
CN107516325A CN201710722003.XA CN201710722003A CN107516325A CN 107516325 A CN107516325 A CN 107516325A CN 201710722003 A CN201710722003 A CN 201710722003A CN 107516325 A CN107516325 A CN 107516325A
Authority
CN
China
Prior art keywords
mrow
pixel
circle
sub
center
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
CN201710722003.XA
Other languages
English (en)
Inventor
姚强
王亚刚
胡杰
陈锁
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201710722003.XA priority Critical patent/CN107516325A/zh
Publication of CN107516325A publication Critical patent/CN107516325A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras

Landscapes

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

Abstract

本发明提供了一种基于亚像素边缘的圆心检测方法,具有这样的特征,包括以下步骤:步骤一,利用Canny算子对图像边缘进行粗定位,获取整像素点边缘的梯度幅值以及梯度方向;步骤二,建立以整像素点为原点,梯度方向为x轴的正方向,垂直于x轴的方向建立y轴,在梯度方向上,以整像素点为中心,取以中心对称且包括中心的7个像素点,采用双曲正切函数对7个像素点进行灰度值拟合,其公式为: I ( x ) = - b 2 tanh ( p ( x - R ) ) + h + b 2 式中:I(x)表示x处的灰度值,x表示像素点到原点的距离,h表示背景灰度值,b表示边缘和背景的灰度差值,p为模糊因子,R为边缘位置;以及步骤三,根据步骤二中的公式得到亚像素边缘点,将该亚像素边缘点按照圆进行最小二乘拟合,得到圆心坐标。

Description

基于亚像素边缘的圆心检测方法
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于亚像素边缘的圆心检测方法。
背景技术
摄像机标定是构建精确视觉测量系统的关键技术之一,针对圆点标定板,其中圆形靶标的圆心为标定特征点。因此圆心的精确定位是搭建视觉测量系统的关键。
目前圆心的检测方法主要有Hough变换法,质心法和最小二乘法。Hough变换法受参数空间离散化程度影响较大;质心法对成像图像灰度分布均匀要求较高;最小二乘拟合法针对图像的边缘点进行拟合,因此边缘点提取精度直接影响圆心定位精度。
目前亚像素边缘的提取方法主要归结为三类:即矩方法,插值法和拟合法。插值算法复杂度高运算速度慢,矩方法运算精度仅低于拟合算法,但其稳定性不高。综合以上,拟合算法最佳。目前主流的拟合算法有基于高斯函数,Sigmoid函数,反正切函数和双曲正切函数四种模型。
采用高斯函数模型对图像梯度幅值进行拟合,Sigmoid函数、反正切函数和双曲正切函数三种模型是对图像灰度进行拟合,总的来说基于灰度拟合要优于梯度拟合,因为梯度计算对噪声比较敏感。在三类灰度值拟合算法中,经数学理论分析其中双曲正切函数最近似于图像的阶跃模型,因此采用双曲正切函数作为阶跃边缘模型,对图像边缘进行灰度值拟合。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于亚像素边缘的圆心检测方法。
本发明提供了一种基于亚像素边缘的圆心检测方法,具有这样的特征,包括以下步骤:步骤一,利用Canny算子对图像边缘进行粗定位,获取整像素点边缘的梯度幅值以及梯度方向;步骤二,建立以整像素点为原点,梯度方向为x轴的正方向,垂直于x轴的方向建立y轴,在梯度方向上,以整像素点为中心,取以中心对称且包括中心的7个像素点,采用双曲正切函数对7个像素点进行灰度值拟合,其公式为:
式中:I(x)表示x处的灰度值,x表示像素点到原点的距离,h表示背景灰度值,b表示边缘和背景的灰度差值,p为模糊因子,R为边缘位置;以及步骤三,根据步骤二中的公式得到亚像素边缘点,将该亚像素边缘点按照圆进行最小二乘拟合,得到圆心坐标。
在本发明提供的基于亚像素边缘的圆心检测方法中,还可以具有这样的特征:其中,在步骤一中,利用Sobel算子检测确定梯度方向,梯度方向为:
式中:θ为梯度方向,Gy为水平方向的梯度幅值,Gx为垂直方向上的梯度幅值。
在本发明提供的基于亚像素边缘的圆心检测方法中,还可以具有这样的特征:其中,在步骤二中,7个像素点的相邻像素点间距在x轴方向的投影间距为1个整像素宽度。
在本发明提供的基于亚像素边缘的圆心检测方法中,还可以具有这样的特征:其中,在步骤三中,将亚像素边缘点按照圆进行最小二乘拟合确定圆心(xc,yc),圆的一般方程为:
f(p,q)=x2+y2+Dx+Ey+F=0
式中:p=[1 1 D E F],q=[x2 y2 x y 1],D,E,F均为待定常数。
引入约束||p||=1,建立目标函数
式中:M为惩罚因子,运用高斯-牛顿求解得到p,圆心坐标为:
发明的作用与效果
根据本发明所涉及的基于亚像素边缘的圆心检测方法,因为采用了拟合算法来确定亚像素边缘的圆心,因此,本发明的方法可以准确、快速得到亚像素边缘位置,进而获取精确的亚像素圆心位置,所以,本发明的基于亚像素边缘的圆心检测方法的稳定性相较于现有的亚像素边缘检测算法的稳定性更高,抗噪性更好。
另外,本发明的拟合算法采用的是双曲正切函数进行拟合,因此,相较于其他方式的拟合算法,本发明的计算量小、运算速度快。此外,由于拟合函数更近似于实际边缘模型,因此精确度更高。
附图说明
图1是本发明的实施例中理想的阶跃边缘函数模型图;
图2是本发明的实施例中理想阶跃函数与高斯函数的卷积图;
图3是本发明的实施例中边缘点梯度方向的附近点的灰度插值图;
图4是本发明的实施例中tanh'(x)以及tanh(x)的曲线图;以及
图5是本发明的实施例中圆点标定板的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明基于亚像素边缘的圆心检测方法作具体阐述。
基于亚像素边缘的圆心检测方法,用于准确获取圆形靶标的圆心,包括以下步骤:
步骤1.1:图像边缘的粗定位
利用Canny边缘检测算子,得到圆形靶标的粗定位边缘和边缘点的图像坐标值以及边缘图像背景灰度h,边缘和背景的灰度差值b。Canny边缘检测的步骤为:首先对图像进行高斯滤波去除噪声干扰;然后获取图像的梯度幅值和方向;接着采用非极大值抑制技术细化边缘;最后采用双阈值方法去除伪边缘。
步骤1.2:亚像素边缘定位
图1是本发明的实施例中理想的阶跃边缘函数模型图。
在图1的理想的亚像素边缘函数模型图中,R处理想阶跃模型函数可表示为:
其中h表示边缘图像背景灰度,b表示边缘和背景的灰度差值,x表示像素点到原点的距离。
而实际图像的边缘难免会受到镜头的模糊作用,图像处理研究表明实际的阶跃边缘图像可看作是理想阶跃模型f(x)与高斯函数G(x)的卷积,如下式所示:
其中,I(x)为实际灰度值,σ为模糊因子。
根据步骤1.2中的理想阶跃模型f(x)以及上述公式中的参数得到图形的实际灰度值I(x)。
图2是本发明的实施例中理想阶跃函数与高斯函数的卷积图。
如图2所示为理想的阶跃边缘与高斯函数卷积。与阶跃函数卷积的结果就是该函数的变上限积分,阶跃函数是个理想积分器。由上述理论可知,在梯度方向,特征边缘梯度幅值的分布可以近似为高斯曲线分布,其分布的极值点即为边缘点。那么边缘点梯度方向的像素点灰度值服从高斯积分曲线分布,可以在粗定位的基础上对梯度方向上的像素点灰度值进行拟合,拟合函数本应选取高斯积分函数,但由于高斯函数具有不可积性,这里选取在理论上可以近似替代它的双曲正切函数,它简化了运算量提高了运算速度,双曲正切曲线的拐点即为所求的亚像素边缘位置。
步骤1.3:边缘点梯度方向的确定
以粗定位像素点为中心,在3×3大小的数字窗口中利用Sobel算子计算该像素点的梯度方向。在本实施中,选择3×3是因为区域过大会增大运算量,降低运算速度和实时性;区域过小则不能完备考量周围像素点的信息,造成梯度方向难以确定和出现粗大误差的可能性增大。经过反复试验证明采用上述大小的数字窗口可以达到预想效果。
Sobel算子有两个模板,一个检测水平方向,另一个检测垂直方向的。根据Sobel算子得到的水平方向的梯度幅值Gx,垂直方向梯度幅值Gy,计算得到该像素点的梯度方向为:
步骤2.1:边缘点梯度方向灰度值的插值运算
图3是本发明的实施例中边缘点梯度方向的附近点的灰度插值图。
如图3所示,点O为粗定位边缘的某一点,建立如图所示的坐标系,点O的梯度方向斜率绝对值要么大于等于1要么小于1,设O点坐标为O(x0,y0),梯度方向斜率为k,则过点O斜率为k的直线L方程为:
y=k(x-x0)+y0
根据斜率的不同选择合适的梯度方向临近点,
设M坐标为(xM,yM),则
当k≥1时,直线L与y=y0+1的相交点M为临近点,由M1([xM],yM)和M2([xM]+1,yM)两点的灰度值线性插值计算得到点M的灰度值为:
g(xM,yM)=(1-λ)*g([xM],yM)+λ*g([xM]+1,yM)
其中,[xM]为xM将坐标取整;λ=xM-[xM];g(xM,yM)表示整像素点(xM,yM)的灰度值。
当k<1时,直线L与x=xO+1的相交点N为临近点,同理可得N点的灰度值为:
g(xN,yN)=(1-μ)*g(xN,[yN])+μ*g(xN,[yN]+1)
其中,[xN]为xN将坐标取整;λ=xN-[xN];g(xN,yN)表示整像素点(xN,yN)的灰度值。
同理,当以点O为对称中心分别求出粗定位像素点梯度方向的6个临近点灰度值。
当k≥1时,这六个点分别为梯度方向直线L与整像素点所在直线y=yo-3,y=yo-2,y=yo-1,y=yo+1,y=yo+2,y=yo+3的交点。
当k<1时,这六个点分别为梯度方向直线L与整像素点所在直线x=xo-3,x=xo-2,x=xo-1,x=xo+1,x=xo+2,x=xo+3的交点。这样任意整像素边缘点的梯度方向均可以得到7个关于中心对称的像素点灰度值,每相邻两个像素点是等间距的,距离d如下式所示:
步骤2.2:边缘点梯度方向灰度值的双曲正切拟合
高斯积分函数不存在解析解,需要通过数值分析方法反复迭代计算,它是影响算法执行效率色关键性因素。因此找到一个既能保证灰度值准确拟合又能快速求解的拟合函数至关重要。数学理论研究表明,双曲正切函数的导数非常接近高函数。所以用双曲正切函数替代高斯积分函数来简化运算,采用此方法也克服了基于梯度幅值拟合对噪声敏感的缺点。
图4是本发明的实施例中tanh'(x)以及tanh(x)的曲线图。
如图4所示,描绘了(实线)、tanh'(x)(虚线)、tanh(x)(点线)的曲线,可以发现双曲正切函数的导数非常逼近于高斯函数。
根据步骤2.1计算得到的7个像素点的灰度值采用双曲正切函数进行拟合,双曲正切边缘模型如下式所示,
式中,I(x)表示x处的灰度值,h表示背景灰度值,b表示边缘和背景的灰度差值,p为模糊因子,R为边缘位置。
在上述公式中根据已经得到的I(x)、h、b运用拟合算法求解得到p和R,其中R为待求的亚像素边缘位置。
双曲正切函数属于非线性函数,也无法通过变量替换转化为线性函数应用公式直接求解,需借助于数值分析的方法,通常求解非线性函数拟合问题的方法有高斯-牛顿法,共轭梯度法和单纯形法等等,拟合本质上皆为最小二乘法的思想,每种方法都有其适用的场合。这里我们选用最为常用的高斯-牛顿法来求解。背景灰度值h,边缘和背景灰度差值b可以由图像边界信息直接得到,运用拟合算法求解得到p和R,其中R为待求的亚像素边缘位置。
以梯度方向为x轴的正方向,过整像素点且垂直梯度方向为y轴建立坐标系。某整像素点梯度方向的7个临近点坐标为(xi,yi),其中xi=i*d表示到边缘整像素点的距离,*为卷积符号,yi表示灰度值i=(-3,-2,...,3)。对于回归模型如下所示:
7组数据的残差表示为下式:
δi=I(xi)-yi
拟合的思想是使残差平方和最小,即:
步骤3:最小二乘圆拟合
亚像素边缘点确定以后,根据亚像素边缘点对亚像素边缘点进行圆拟合确定圆心(xc,yc),圆的一般方程可表示为:
f(p,q)=x2+y2+Dx+Ey+F=0
其中p=[1 1 D E F],q=[x2 y2 x y 1],D,E,F均为待定常数。
引入约束||p||=1,建立目标函数
式中:M为惩罚因子,运用高斯-牛顿求解得到p,圆心坐标为:
下面结合实例来检测本发明提出的方法的性能
采用尺寸为6mm×6mm,圆点数7×7,圆心距0.75mm,圆点直径0.375mm,精度±1mm的圆点标定板进行特征提取实验。
图5是本发明的实施例中圆点标定板的示意图。
如图5所示,建立以标定板中心点为原点,水平方向为x轴,竖直方向为y轴的坐标系,运用本文提出的亚像素边缘提取算法提取出标定板右上角的9个圆心坐标,并与质心法从定位精度和重复精度两个方面给出评定结果。
本实验首先采用标准件进行系统标定从而获取尺度因子,即标准件的实际标准尺寸与图像像素个数的对应关系,通过实验计算得到该视觉系统的尺度因子K=14.6μm/pixel。
定位精度评价:
对标记1,2,3,4,5,6,7,8,9的9个圆提取其圆心坐标为(xmi,ymi),实际圆心坐标为(xri,yri),偏差记为(xei,yei),其中(xei=xmi-xri,yei=ymi-yri)。
定位精度实验数据如表1所示。
表1定位精度实验数据
重复精度评价:
连续10次提取标记为1的圆心坐标,圆心坐标为(xmi,ymi),实际圆心坐标为(750,2250),偏差记为(xei=xmi-750,yei=ymi-2250),重复精度:实验数据如表2所示。
表2重复精度实验数据
通过上述数据可知,亚像素边缘提取算法在定位精度和重复精度两个方面的性能指标都很优越,相比质心法精度有了较大的提升,已经接近三坐标测量机的测量精度(1μm-2μm)。
实施例的作用与效果
根据本实施例中的基于亚像素边缘的圆心检测方法,因为采用了拟合算法来确定亚像素边缘的圆心,因此,本发明的方法可以准确、快速得到亚像素边缘位置,进而获取精确的亚像素圆心位置,所以,本发明的基于亚像素边缘的圆心检测方法的稳定性相较于现有的亚像素边缘检测算法的稳定性更高,抗噪性更好。
另外,本发明的拟合算法采用的是双曲正切函数进行拟合,因此,相较于其他方式的拟合算法,本发明的计算量小、运算速度快。此外,由于拟合函数更近似于实际边缘模型,因此精确度更高。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。

Claims (4)

1.一种基于亚像素边缘的圆心检测方法,用于准确获取圆形靶标的圆心,其特征在于,包括以下步骤:
步骤一,利用Canny算子对图像边缘进行粗定位,获取整像素点的边缘的梯度幅值以及梯度方向;
步骤二,建立以所述整像素点为原点,所述梯度方向为x轴的正方向,垂直于所述x轴的方向建立y轴,在所述梯度方向上,以所述整像素点为中心,取以所述中心对称且包括所述中心的7个像素点,采用双曲正切函数将7个所述像素点进行拟合模型,其公式为:
<mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mi>b</mi> <mn>2</mn> </mfrac> <mi>tanh</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>-</mo> <mi>R</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <mi>h</mi> <mo>+</mo> <mfrac> <mi>b</mi> <mn>2</mn> </mfrac> </mrow>
式中:I(x)表示x处的灰度值,x表示所述像素点到原点的距离,h表示背景灰度值,b表示边缘和背景的灰度差值,p为模糊因子,R为边缘位置;以及
步骤三,根据步骤二中的公式得到亚像素边缘点,将该亚像素边缘点按照圆进行最小二乘拟合,得到所述圆心。
2.根据权利要求1所述的基于亚像素边缘的圆心检测方法,其特征在于:
其中,在步骤一中,利用Sobel算子检测确定所述梯度方向,所述梯度方向为:
<mrow> <mi>&amp;theta;</mi> <mo>=</mo> <mi>a</mi> <mi>r</mi> <mi>c</mi> <mi>t</mi> <mi>a</mi> <mi>n</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>G</mi> <mi>y</mi> </msub> <msub> <mi>G</mi> <mi>x</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow>
式中:θ为梯度方向,Gx为水平方向的梯度幅值,Gy为垂直方向上的梯度幅值。
3.根据权利要求1所述的基于亚像素边缘的圆心检测方法,其特征在于:
其中,在步骤二中,7个所述像素点的相邻像素点间距在所述x轴方向的投影间距为1个整像素宽度。
4.根据权利要求1所述的基于亚像素边缘的圆心检测方法,其特征在于:
其中,在步骤三中,将所述亚像素边缘点按照圆进行最小二乘拟合确定圆心(xc,yc),圆的一般方程为:
f(p,q)=x2+y2+Dx+Ey+F=0
式中:p=[1 1 D E F],q=[x2 y2 x y 1],D,E,F均为待定常数。
引入约束‖p||=1,建立目标函数
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mi>f</mi> <msup> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mi>M</mi> <msup> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <mi>p</mi> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
式中:M为惩罚因子,运用高斯-牛顿求解得到p,圆心坐标为
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mi>c</mi> </msub> <mo>=</mo> <mo>-</mo> <mfrac> <mi>D</mi> <mn>2</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>y</mi> <mi>c</mi> </msub> <mo>=</mo> <mo>-</mo> <mfrac> <mi>E</mi> <mn>2</mn> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>
CN201710722003.XA 2017-08-22 2017-08-22 基于亚像素边缘的圆心检测方法 Pending CN107516325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710722003.XA CN107516325A (zh) 2017-08-22 2017-08-22 基于亚像素边缘的圆心检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710722003.XA CN107516325A (zh) 2017-08-22 2017-08-22 基于亚像素边缘的圆心检测方法

Publications (1)

Publication Number Publication Date
CN107516325A true CN107516325A (zh) 2017-12-26

Family

ID=60723047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710722003.XA Pending CN107516325A (zh) 2017-08-22 2017-08-22 基于亚像素边缘的圆心检测方法

Country Status (1)

Country Link
CN (1) CN107516325A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921865A (zh) * 2018-06-27 2018-11-30 南京大学 一种抗干扰的亚像素直线拟合方法
CN108986126A (zh) * 2018-06-15 2018-12-11 哈尔滨工业大学 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法
CN109003258A (zh) * 2018-06-15 2018-12-14 广东工业大学 一种高精度亚像素圆形零件测量方法
CN109636858A (zh) * 2018-10-30 2019-04-16 广州超音速自动化科技股份有限公司 锂电池涂布图像采集标定方法、系统、设备及存储介质
CN109993799A (zh) * 2019-03-08 2019-07-09 贵州电网有限责任公司 一种紫外像机标定方法及标定装置
CN110634146A (zh) * 2019-08-30 2019-12-31 广东奥普特科技股份有限公司 一种圆心亚像素精度定位方法
CN111189399A (zh) * 2019-12-05 2020-05-22 西安大目智能设备研究所有限公司 一种用于圆形工业零件尺寸的图像测量算法
CN111429396A (zh) * 2019-01-09 2020-07-17 银河水滴科技(北京)有限公司 一种图像检测方法及装置
CN111504188A (zh) * 2020-04-28 2020-08-07 湖北文理学院 基于机器视觉的圆弧零件测量方法及装置
CN111627069A (zh) * 2020-04-29 2020-09-04 深圳辰视智能科技有限公司 圆点检测方法、终端和计算机可读存储介质
CN112037175A (zh) * 2020-08-05 2020-12-04 燕山大学 基于机器视觉的陶瓷产品表面斑点检测方法及设备
CN112734779A (zh) * 2020-11-25 2021-04-30 深圳了然视觉科技有限公司 一种圆点标定板边缘亚像素检测方法
CN113487589A (zh) * 2021-07-22 2021-10-08 上海嘉奥信息科技发展有限公司 一种亚像素圆心检测方法及系统
CN116017128A (zh) * 2022-12-02 2023-04-25 北京拙河科技有限公司 一种边缘相机辅助图像构建方法及装置
CN117611651A (zh) * 2023-11-23 2024-02-27 湖南科天健光电技术有限公司 亚像素椭圆中心的检测方法、检测系统、设备和电子介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
CN102034101A (zh) * 2010-10-22 2011-04-27 广东工业大学 一种pcb视觉检测中快速圆形标志定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
CN102034101A (zh) * 2010-10-22 2011-04-27 广东工业大学 一种pcb视觉检测中快速圆形标志定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘珂 等: "半径约束最小二乘圆拟合方法及其误差分析", 《光电子.激光》 *
游江 等: "基于邻域贡献权值细化的圆心亚像素定位算法", 《光学技术》 *
马德明: "基于双曲正切函数的边缘检测方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003258B (zh) * 2018-06-15 2021-10-19 广东工业大学 一种高精度亚像素圆形零件测量方法
CN108986126A (zh) * 2018-06-15 2018-12-11 哈尔滨工业大学 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法
CN109003258A (zh) * 2018-06-15 2018-12-14 广东工业大学 一种高精度亚像素圆形零件测量方法
CN108921865A (zh) * 2018-06-27 2018-11-30 南京大学 一种抗干扰的亚像素直线拟合方法
CN108921865B (zh) * 2018-06-27 2022-03-18 南京大学 一种抗干扰的亚像素直线拟合方法
CN109636858A (zh) * 2018-10-30 2019-04-16 广州超音速自动化科技股份有限公司 锂电池涂布图像采集标定方法、系统、设备及存储介质
CN109636858B (zh) * 2018-10-30 2024-01-12 超音速人工智能科技股份有限公司 锂电池涂布图像采集标定方法、系统、设备及存储介质
CN111429396A (zh) * 2019-01-09 2020-07-17 银河水滴科技(北京)有限公司 一种图像检测方法及装置
CN111429396B (zh) * 2019-01-09 2023-08-22 银河水滴科技(北京)有限公司 一种图像检测方法及装置
CN109993799A (zh) * 2019-03-08 2019-07-09 贵州电网有限责任公司 一种紫外像机标定方法及标定装置
CN110634146A (zh) * 2019-08-30 2019-12-31 广东奥普特科技股份有限公司 一种圆心亚像素精度定位方法
CN110634146B (zh) * 2019-08-30 2022-06-17 广东奥普特科技股份有限公司 一种圆心亚像素精度定位方法
CN111189399A (zh) * 2019-12-05 2020-05-22 西安大目智能设备研究所有限公司 一种用于圆形工业零件尺寸的图像测量算法
CN111189399B (zh) * 2019-12-05 2022-03-04 西安大目智能设备研究所有限公司 一种用于圆形工业零件尺寸的图像测量算法
CN111504188B (zh) * 2020-04-28 2021-11-16 湖北文理学院 基于机器视觉的圆弧零件测量方法及装置
CN111504188A (zh) * 2020-04-28 2020-08-07 湖北文理学院 基于机器视觉的圆弧零件测量方法及装置
CN111627069B (zh) * 2020-04-29 2023-05-05 深圳辰视智能科技有限公司 圆点检测方法、终端和计算机可读存储介质
CN111627069A (zh) * 2020-04-29 2020-09-04 深圳辰视智能科技有限公司 圆点检测方法、终端和计算机可读存储介质
CN112037175B (zh) * 2020-08-05 2022-04-19 燕山大学 基于机器视觉的陶瓷产品表面斑点检测方法及设备
CN112037175A (zh) * 2020-08-05 2020-12-04 燕山大学 基于机器视觉的陶瓷产品表面斑点检测方法及设备
CN112734779A (zh) * 2020-11-25 2021-04-30 深圳了然视觉科技有限公司 一种圆点标定板边缘亚像素检测方法
CN113487589A (zh) * 2021-07-22 2021-10-08 上海嘉奥信息科技发展有限公司 一种亚像素圆心检测方法及系统
CN113487589B (zh) * 2021-07-22 2024-04-19 上海嘉奥信息科技发展有限公司 一种亚像素圆心检测方法及系统
CN116017128A (zh) * 2022-12-02 2023-04-25 北京拙河科技有限公司 一种边缘相机辅助图像构建方法及装置
CN117611651A (zh) * 2023-11-23 2024-02-27 湖南科天健光电技术有限公司 亚像素椭圆中心的检测方法、检测系统、设备和电子介质

Similar Documents

Publication Publication Date Title
CN107516325A (zh) 基于亚像素边缘的圆心检测方法
CN104680519B (zh) 基于轮廓和颜色的七巧板识别方法
CN101334263B (zh) 圆形目标的圆心定位方法
CN105334219B (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
Gao et al. Recognition of traffic signs based on their colour and shape features extracted using human vision models
CN107292869B (zh) 基于各向异性高斯核和梯度搜索的图像斑点检测方法
CN110148162A (zh) 一种基于复合算子的异源图像匹配方法
EP2085928B1 (en) Detection of blobs in images
CN104732207B (zh) 高精度与高抗干扰性定位PCB板Mark点的方法及装置
CN103218605B (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN107063261B (zh) 用于无人机精准着陆的多特征信息地标检测方法
CN106251353A (zh) 弱纹理工件及其三维位姿的识别检测方法及系统
KR102073468B1 (ko) 비전 시스템에서 컬러 이미지에 대해 컬러 후보 포즈들의 점수화를 위한 시스템 및 방법
CN103679656B (zh) 一种图像自动锐化方法
CN109064481B (zh) 一种机器视觉定位方法
US6507675B1 (en) Structure-guided automatic learning for image feature enhancement
CN105741281B (zh) 基于邻域离散度的图像边缘检测方法
CN112862898B (zh) 一种基于计算机视觉的流速测定方法
CN104715491A (zh) 一种基于一维灰度矩的亚像素边缘检测方法
CN107230212B (zh) 一种基于视觉的手机尺寸的测量方法及系统
Farag A comprehensive real-time road-lanes tracking technique for autonomous driving
CN106529548A (zh) 亚像素级的多尺度Harris角点检测算法
US6829382B2 (en) Structure-guided automatic alignment for image processing
Zou et al. Design of a new coded target with large coding capacity for close—range photogrammetry and research on recognition algorithm
Lin et al. A new prediction method for edge detection based on human visual feature

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171226

WD01 Invention patent application deemed withdrawn after publication