CN107578379A - 一种象棋机器人对棋盘图像的处理方法 - Google Patents

一种象棋机器人对棋盘图像的处理方法 Download PDF

Info

Publication number
CN107578379A
CN107578379A CN201710563902.XA CN201710563902A CN107578379A CN 107578379 A CN107578379 A CN 107578379A CN 201710563902 A CN201710563902 A CN 201710563902A CN 107578379 A CN107578379 A CN 107578379A
Authority
CN
China
Prior art keywords
image
value
pixel
gray
chessboard
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
CN201710563902.XA
Other languages
English (en)
Inventor
娄保东
吴清劭
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710563902.XA priority Critical patent/CN107578379A/zh
Publication of CN107578379A publication Critical patent/CN107578379A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种象棋机器人对棋盘图像的处理方法，包括对棋盘图像进行灰度化处理；中值滤波处理；棋盘图像锐化处理；进行图像分割；棋盘图像进行边缘检测等步骤。本发明提供了一套完整的象棋机器人图像处理方法，机器人摄像头获取到的图像，利用计算机对图像进行灰度、滤波、锐化等操作，使图像被处理成为象棋机器人能够准确识别中棋盘图像中的重要信息，为后续准确设计棋盘坐标、识别棋子做好准备。

Description

一种象棋机器人对棋盘图像的处理方法
技术领域
本发明涉及一种象棋机器人，特别是一种象棋机器人对棋盘图像的处理方法。
背景技术
人类接受外界信息的方式是通过视觉，模仿人类的眼睛视觉为机器人增加视觉功能，希望机器人也能和人一样对外界不同的环境做出不同的反应，我们需要安装摄像头获取图像，将图片经过计算机的一系列加工处理，使得图片转化为计算机、机器人能够理解的数据。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提供一种象棋机器人对棋盘图像的处理方法。
为解决上述技术问题，本发明采用的技术方案是：
一种象棋机器人对棋盘图像的处理方法，包括：
第一步，对棋盘图像进行灰度化处理；具体做法为：首先找出像素点的三个颜色分量的值，并对这三个值取平均值，然后令该像素点的三个颜色分量的值都取一样的平均值；以该像素点的亮度值来表示图像的灰度值，在YUV色彩空间中，Y的意义是指像素点的亮度，因此，我们可以用色彩的分量值来共同描述出Y的取值，并将该值作为图像的灰度值；
第二步，对第一步中灰度化后的棋盘图像进行中值滤波处理；把邻域中的像素，按像素的灰度级数进行升序排序，然后计算该组像素值对应的中位数，并以此数作为该组像素的目标像素值；
第三步，对第二步中经滤波的棋盘图像进行锐化处理；利用微分法对经滤波处理后模糊的图像边缘进行锐化处理；
第四步，对第三步中经锐化处理的棋盘图像进行图像分割；
第五步，对第四步中经分割处理的棋盘图像进行边缘检测；边缘检测算子采用Sobel算子。
所述第二步中中值滤波处理的具体做法为：
1、以像素点为中心，用一种图形作为分割，提取出该像素点的领域，按像素的灰度级数进行升序排序，然后计算该组像素值对应的中位数，并以此数作为该组像素的目标像素值；
2、获取模板所有像素的灰度值；
3、以从小到大的顺序对这些灰度值进行排列；
4、将中间数据作为该模板的像素值。
所述第四步中图像分割的具体做法是：
1、随机选取一个初始的阈值T；
2、用当前的阈值作为图像的分割标准，将图像分成两个区域；
3、计算出两个区域的像素的平均灰度值μ1和μ2；
4、计算一个新的阈值：
5、重复步骤2和4，直到阈值不再发生变化或者是变化幅度小于设定的值。
所述第一步中颜色亮度值转换为灰度值的公式为：
Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中：Gray(i,j)表示转换后的图像在点(i,j)处的灰度值；R(i,j)表示图像在点(i,j)处的红色亮度值；G(i,j)表示图像在点(i,j)处的绿色亮度值；B(i,j)表示图像在点(i,j)处的蓝色亮度值。
本发明采用上述方案后，具有如下技术效果：
本发明提供了一套完整的象棋机器人图像处理方法，机器人摄像头获取到的图像，利用计算机对图像进行灰度、滤波、锐化等操作，使图像被处理成为象棋机器人能够准确识别中棋盘图像中的重要信息，为后续准确设计棋盘坐标、识别棋子做好准备。
附图说明
图1是未处理过的棋盘图像。
图2是灰度化后的棋盘图像。
图3是中值滤波后的棋盘图像。
图4是经微分法处理后的棋盘图像。
图5是经阈值分割后的棋盘图像。
图6是经边缘检测后的棋盘图像。
具体实施方式
第一步，对棋盘图像进行灰度化处理；具体做法为：首先找出像素点的三个颜色分量的值，并对这三个值取平均值，然后令该像素点的三个颜色分量的值都取一样的平均值；以该像素点的亮度值来表示图像的灰度值，在YUV色彩空间中，Y的意义是指像素点的亮度，因此，我们可以用色彩的分量值来共同描述出Y的取值，并将该值作为图像的灰度值；
转换公式为：
Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中Gray(i,j)表示转换后的图像在点(i,j)处的灰度值；R(i,j)表示图像在点(i,j)处的红色亮度值；G(i,j)表示图像在点(i,j)处的绿色亮度值；B(i,j)表示图像在点(i,j)处的蓝色亮度值。
计算机只能识别数字信息，图像需要转化为数字矩阵，这些矩阵元素的值代表了图像某个点的色彩信息。
彩色图像中的每个像素的颜色是由R(红色)、G(绿色)、B(蓝色)这三个分量共同决定的。这三个分量中的每一个分量都包含了255个不同的数值，这也会导致一个像素点的可能取值有1600多万种。而一张图片中成千上万个这样的像素点，导致一张图像的信息量太大，处理效率低下，不能够满足工业等实际需求。因此，在实际应用中，为了加快处理速度，我们通常需要将彩色图像转换为灰度图后再进行分析。一般情况下，彩色图像的每个元素用三个字节表示，每个字节对应着R(红色)、G(绿色)、B(蓝色)分量的亮度，转换后的灰度图的每一个像素用一个字节来表示该像素点的灰度值，值的范围为0～255，数值越小，该点越暗，反之越亮。虽然，灰度图相对于原来的图像而言，像素点的取值范围大大的减少了，但是它仍然能够很好的表示出图像的色度以及亮度等特征。
灰度图是指只包含图像的亮度信息而不包含色彩信息的图像。因为灰度图的亮度变化是连续的，所以要把图像的亮度值进行量化来表示灰度图，一般划分为0～255，"0"表示纯黑色，"255"表示纯白色，中间的数字从小到大表示由黑到白的过渡色。
如图1所示是未处理过的棋盘图像，灰度化后的棋盘图像如图2所示。
第二步，对第一步中灰度化后的棋盘图像进行中值滤波处理；把邻域中的像素，按像素的灰度级数进行升序排序，然后计算该组像素值对应的中位数，并以此数作为该组像素的目标像素值；具体做法为：
1、以像素点为中心，用一种图形作为分割，提取出该像素点的领域，按像素的灰度级数进行升序排序，然后计算该组像素值对应的中位数，并以此数作为该组像素的目标像素值；
2、获取模板所有像素的灰度值；
3、以从小到大的顺序对这些灰度值进行排列；
4、将中间数据作为该模板的像素值，同时，根据对图像的实际需求，选用不同的模板，因为模板的选择对实际滤波效果影响很大；
中值滤波对图像的噪声去除效果相对于线性滤波具备了很大的优越性，因为它不像线性滤波一样通过取像素值的平均值作为新的像素点值，所以滤波效果不会像线性滤波一样有严重的边缘模糊的现象发生。中值滤波后的棋盘如图3所示。
第三步，对第二步中经滤波的棋盘图像进行锐化处理；利用微分法对经滤波处理后模糊的图像边缘进行锐化处理；
虽然中值滤波相对于线性方法来说，对边缘的模糊影响已经有了很大的改善，但是仍然有着很大的进步空间。图像像素点的值经过求取平均值或是积分时，图像就会变得模糊不清，这是导致滤波处理后图像边缘模糊的根本原因。
微分法对图像边缘进行锐化处理的方法为现有技术，其目的是通过对高频区域的处理，使得滤波处理后模糊的图像边缘有所恢复，甚至起到增强的效果，清晰的边缘更利于机器视觉的观察和处理，提高识图像信息的识别率。通过对边缘的强化，使得边缘信息更加突出。在需要提取、分割出图像的情况下，就需要边缘锐化的技术，以便精确的从复杂的背景中完整的提取出图像。为下一步的图像处理打下了基础。经微分法处理后的棋盘图像如图4所示。
第四步，对第三步中经锐化处理的棋盘图像进行图像分割；具体做法是：
1.随机选取一个初始的阈值T(也可以根据经验选取一个更加接近最佳阈值的值，或者是选平均值)；
2.用当前的阈值作为图像的分割标准，将图像分成两个区域；
3.计算出两个区域的像素的平均灰度值μ1和μ2；
4.计算一个新的阈值：
5.重复步骤2和4，直到阈值不再发生变化或者是变化幅度小于某一个设定的值。
经阈值分割后的棋盘如图5所示。
图像分割的目的是将物理意义上属于同一种类别的信息集合起来，与其它类别的信息分开，便于处理分析。
第五步，对第四步中经分割处理的棋盘图像进行边缘检测；
边缘检测算子采用现有技术中的Sobel算子，先对图像进行平滑处理，再对处理后的结果进行微分运算。经边缘检测后的棋盘如图6所示。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种象棋机器人对棋盘图像的处理方法，其特征在于：包括：
第一步，对棋盘图像进行灰度化处理；具体做法为：首先找出像素点的三个颜色分量的值，并对这三个值取平均值，然后令该像素点的三个颜色分量的值都取一样的平均值；以该像素点的亮度值来表示图像的灰度值，在YUV色彩空间中，Y的意义是指像素点的亮度，因此，我们可以用色彩的分量值来共同描述出Y的取值，并将该值作为图像的灰度值；
第二步，对第一步中灰度化后的棋盘图像进行中值滤波处理；把邻域中的像素，按像素的灰度级数进行升序排序，然后计算该组像素值对应的中位数，并以此数作为该组像素的目标像素值；
第三步，对第二步中经滤波的棋盘图像进行锐化处理；利用微分法对经滤波处理后模糊的图像边缘进行锐化处理；
第四步，对第三步中经锐化处理的棋盘图像进行图像分割；
第五步，对第四步中经分割处理的棋盘图像进行边缘检测；边缘检测算子采用Sobel算子。
2.根据权利要求1所述的象棋机器人对棋盘图像的处理方法，其特征在于：所述第二步中中值滤波处理的具体做法为：
第一步，以像素点为中心，用一种图形作为分割，提取出该像素点的领域，按像素的灰度级数进行升序排序，然后计算该组像素值对应的中位数，并以此数作为该组像素的目标像素值；
第二步，获取模板所有像素的灰度值；
第三步，以从小到大的顺序对这些灰度值进行排列；
第四步，将中间数据作为该模板的像素值。
3.根据权利要求1所述的象棋机器人对棋盘图像的处理方法，其特征在于：所述第四步中图像分割的具体做法是：
第一步，随机选取一个初始的阈值T；
第二步，用当前的阈值作为图像的分割标准，将图像分成两个区域；
第三步，计算出两个区域的像素的平均灰度值μ1和μ2；
第四步，计算一个新的阈值：
第五步，重复第二步和第四步，直到阈值不再发生变化或者是变化幅度小于设定值。
4.根据权利要求1所述的象棋机器人对棋盘图像的处理方法，其特征在于：所述第一步中颜色亮度值转换为灰度值的公式为：
Gray(i,j)＝0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中：Gray(i,j)表示转换后的图像在点(i,j)处的灰度值；R(i,j)表示图像在点(i,j)处的红色亮度值；G(i,j)表示图像在点(i,j)处的绿色亮度值；B(i,j)表示图像在点(i,j)处的蓝色亮度值。
CN201710563902.XA 2017-07-12 2017-07-12 一种象棋机器人对棋盘图像的处理方法 Pending CN107578379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710563902.XA CN107578379A (zh) 2017-07-12 2017-07-12 一种象棋机器人对棋盘图像的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710563902.XA CN107578379A (zh) 2017-07-12 2017-07-12 一种象棋机器人对棋盘图像的处理方法

Publications (1)

Publication Number Publication Date
CN107578379A true CN107578379A (zh) 2018-01-12

Family

ID=61049553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710563902.XA Pending CN107578379A (zh) 2017-07-12 2017-07-12 一种象棋机器人对棋盘图像的处理方法

Country Status (1)

Country Link
CN (1) CN107578379A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830817A (zh) * 2018-06-11 2018-11-16 华南理工大学 一种基于灰度校正的直方图均衡化图像增强方法
CN109045676A (zh) * 2018-07-23 2018-12-21 西安交通大学 一种象棋识别学习算法和基于该算法的机器人智动化系统与方法
CN111489338A (zh) * 2020-04-07 2020-08-04 中铁工程服务有限公司 一种盾构机液压管路内部缺陷无损检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102252623A (zh) * 2011-06-24 2011-11-23 西安工程大学 基于视频差异分析的输电线路导/地线覆冰厚度测量方法
CN104091179A (zh) * 2014-07-01 2014-10-08 北京工业大学 小麦白粉病菌孢子图片的智能识别方法
CN104299009A (zh) * 2014-09-23 2015-01-21 同济大学 基于多特征融合的车牌字符识别方法
CN104809422A (zh) * 2015-04-27 2015-07-29 江苏中科贯微自动化科技有限公司 基于图像处理的qr码识别方法
CN105117726A (zh) * 2015-08-07 2015-12-02 南京富士通南大软件技术有限公司 基于多特征区域累积的车牌定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102252623A (zh) * 2011-06-24 2011-11-23 西安工程大学 基于视频差异分析的输电线路导/地线覆冰厚度测量方法
CN104091179A (zh) * 2014-07-01 2014-10-08 北京工业大学 小麦白粉病菌孢子图片的智能识别方法
CN104299009A (zh) * 2014-09-23 2015-01-21 同济大学 基于多特征融合的车牌字符识别方法
CN104809422A (zh) * 2015-04-27 2015-07-29 江苏中科贯微自动化科技有限公司 基于图像处理的qr码识别方法
CN105117726A (zh) * 2015-08-07 2015-12-02 南京富士通南大软件技术有限公司 基于多特征区域累积的车牌定位方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830817A (zh) * 2018-06-11 2018-11-16 华南理工大学 一种基于灰度校正的直方图均衡化图像增强方法
CN109045676A (zh) * 2018-07-23 2018-12-21 西安交通大学 一种象棋识别学习算法和基于该算法的机器人智动化系统与方法
CN111489338A (zh) * 2020-04-07 2020-08-04 中铁工程服务有限公司 一种盾构机液压管路内部缺陷无损检测方法

Similar Documents

Publication Publication Date Title
CN112861654B (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN105513105B (zh) 基于显著图的图像背景虚化方法
CN107256539B (zh) 一种基于局部对比度的图像锐化方法
CN104537634B (zh) 动态图像中去除雨滴影响的方法和系统
CN104021544B (zh) 一种温室蔬菜病害监控视频关键帧提取方法即提取系统
CN106097354B (zh) 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法
EP2863362A1 (en) Method and apparatus for scene segmentation from focal stack images
CN107274413A (zh) 一种钢材金相组织晶界自动提取方法
CN104504722A (zh) 一种利用灰色点校正图像颜色的方法
WO2020038312A1 (zh) 多通道舌体边缘检测装置、方法及存储介质
CN108133216A (zh) 基于机器视觉的可实现小数点读取的数码管读数识别方法
CN107169977A (zh) 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法
CN110458012B (zh) 多角度人脸识别方法及装置、存储介质和终端
CN104933728A (zh) 一种混合运动目标检测方法
CN105139408A (zh) 一种基于Kinect传感器的植株绿色特征识别方法
CN107578379A (zh) 一种象棋机器人对棋盘图像的处理方法
CN106447673A (zh) 一种非均匀光照条件下的芯片引脚提取方法
CN109034154A (zh) 发票专用章税号的提取和识别方法
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
CN102799861B (zh) 一种利用颜色快速识别仪表读数的方法
CN105374010A (zh) 全景图像的生成方法
CN103268472A (zh) 基于双色彩空间的嘴唇检测方法
CN105373798B (zh) 一种基于k近邻抠图和数学形态学的书法字提取方法
CN114004771A (zh) 一种基于hsv模型的亮度补偿方法、检测方法
CN105335980B (zh) 一种适合图像sift特征匹配的彩色图像转亮度图像方法

Legal Events

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

Application publication date: 20180112

RJ01 Rejection of invention patent application after publication