CN107590512A - 一种模板匹配中参数的自适应方法和系统 - Google Patents
一种模板匹配中参数的自适应方法和系统 Download PDFInfo
- Publication number
- CN107590512A CN107590512A CN201710763189.3A CN201710763189A CN107590512A CN 107590512 A CN107590512 A CN 107590512A CN 201710763189 A CN201710763189 A CN 201710763189A CN 107590512 A CN107590512 A CN 107590512A
- Authority
- CN
- China
- Prior art keywords
- parameter
- grads threshold
- template image
- connected region
- region
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种模板匹配中参数的自适应方法和系统,所述方法通过模板图像计算其对比度方差或对比度标准差;对模板图像进行边缘检测,设置梯度阈值取值范围;根据梯度阈值获取模板图像的边缘区域;对边缘区域进行B l ob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在取值范围内,将相关函数最大时对应的梯度阈值作为梯度阈值参数;进而梯度阈值参数获得边缘像素的位置,从而计算得到角度步长和缩放步长。可见本发明只需设置模板图像即可自动计算得到梯度阈值参数;降低了参数设置对操作人员经验的依赖。操作人员无需了解算法的实现原理,只需要进行基本操作即可。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及模板匹配中参数的自适应方法和系统。
背景技术
模板匹配是机器视觉中的基本方法,在视觉对位引导、点胶、贴合等领域有广泛的应用。在模板匹配中,通常有很多参数设置,例如梯度阈值、金字塔层数、旋转角度步长、对比度方差等参数。这些参数在应用中不得不通过多次手动测试,选择最优参数来保证系统的稳定性和准确性,大大增加了对操作人员的要求,操作人员不得不了解函数的功能。
因此,现有技术有待改进和提高。
发明内容
本申请提供一种模板匹配中参数的自适应方法和系统,以减少人工设置参数的个数。
根据本发明的第一方面,本发明提供一种模板匹配中参数的自适应方法,包括如下步骤:
对比度计算步骤,根据模板图像计算得到模板图像的对比度方差或对比度标准差;
梯度阈值计算步骤,对所述模板图像进行边缘检测,计算梯度幅值,设置梯度幅值的梯度阈值取值范围;根据所述梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在所述取值范围内,将所述相关函数最大时对应的梯度阈值作为梯度阈值参数;其中,所述取值范围内的最小梯度阈值为对比度方差或对比度标准差的k倍,k为0或者正数。
所述的模板匹配中参数的自适应方法,其中,所述梯度阈值计算步骤之后,还包括:
最小连通区域计算步骤,根据梯度阈值参数获得边缘像素的位置,进行Blob分析,得到每个Blob的轮廓尺寸,对Blob的轮廓尺寸计算累积直方图,第一个超过预设阈值的Blob的轮廓尺寸作为最小连通区域的尺寸。
所述的模板匹配中参数的自适应方法,其中,所述梯度阈值计算步骤之后,还包括:
步长计算步骤,根据梯度阈值参数获得边缘像素的位置,根据边缘像素到模板图像中心的最远距离计算得到角度步长和缩放步长。
所述的模板匹配中参数的自适应方法,其中,所述自适应方法还包括:
金字塔层数计算步骤,对所述模板图像进行图像金字塔分层,以最顶层金字塔图像中的最小连通区域可识别为标准,计算得到金字塔层数。
所述的模板匹配中参数的自适应方法,其中,所述根据梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域的步骤,包括:
根据梯度阈值获取模板图像的边缘区域;
对所述边缘区域进行细化;
基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点;
对所述边缘区域进行Blob分析,得到连通区域。
根据本发明的第二方面,本发明提供一种模板匹配中参数的自适应系统,包括:
对比度计算模块,用于根据模板图像计算得到模板图像的对比度方差或对比度标准差;
梯度阈值计算模块,用于对所述模板图像进行边缘检测,计算梯度幅值,设置梯度幅值的梯度阈值取值范围;根据所述梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在所述取值范围内,将所述相关函数最大时对应的梯度阈值作为梯度阈值参数;其中,所述取值范围内的最小梯度阈值为对比度方差或对比度标准差的k倍,k为0或者正数。
所述的模板匹配中参数的自适应系统,其中,所述自适应系统还包括:
最小连通区域计算模块,用于根据梯度阈值参数获得边缘像素的位置,进行Blob分析,得到每个Blob的轮廓尺寸,对Blob的轮廓尺寸计算累积直方图,第一个超过预设阈值的Blob的轮廓尺寸作为最小连通区域的尺寸。
所述的模板匹配中参数的自适应系统,其中,所述自适应系统还包括:
步长计算模块,用于根据梯度阈值参数获得边缘像素的位置,根据边缘像素到模板图像中心的最远距离计算得到角度步长和缩放步长。
所述的模板匹配中参数的自适应系统,其中,所述自适应系统还包括:
金字塔层数计算模块,用于对所述模板图像进行图像金字塔分层,以最顶层金字塔图像中的最小连通区域可识别为标准,计算得到金字塔层数。
所述的模板匹配中参数的自适应系统,其中,梯度阈值计算模块根据梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域,具体包括:
梯度阈值计算模块根据梯度阈值获取模板图像的边缘区域;对所述边缘区域进行细化;基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点;对所述边缘区域进行Blob分析,得到连通区域。
本发明的有益效果:只需设置模板图像即可自动计算得到梯度阈值参数;降低了参数设置对操作人员经验的依赖。操作人员无需了解算法的实现原理,只需要进行最基本的操作即可。
附图说明
图1为本发明提供的模板匹配中参数的自适应方法的一实施例的流程图;
图2为本发明提供的模板匹配中参数的自适应方法中,包含有模板图像的训练图像;
图3为本发明提供的模板匹配中参数的自适应方法中,标识出模板图像的训练图像;
图4为本发明提供的模板匹配中参数的自适应方法中,梯度阈值计算步骤的流程图;
图5为本发明提供的模板匹配中参数的自适应方法中,边缘像素及其邻近像素的示意图;
图6为本发明提供的模板匹配中参数的自适应方法中,相关函数g(T)与梯度阈值T的关系示意图;
图7为本发明提供的模板匹配中参数的自适应方法中,Blob的轮廓尺寸累积直方图;
图8为本发明提供的模板匹配中参数的自适应方法中,角度步长计算示意图;
图9为本发明提供的模板匹配中参数的自适应系统的结构框图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本发明中用到的术语定义:
图像金字塔是以多分辨率来解释图像的一种结构。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合。金字塔的底部图像是高分辨率的表示,而顶部是低分辨率的表示。
感兴趣区域(ROI,region of interest),机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,本实施例中采用矩形方框。
Blob分析(Blob Analysis)是对图像中相同像素的连通区域进行分析,该连通区域称为Blob。经二值化(Binary Thresholding)处理后的图像中色斑可认为是blob。Blob分析工具可以从背景中分离出目标,并可计算出目标的数量、位置、形状、方向和大小,还可以提供相关斑点间的拓扑结构。在处理过程中不是采用单个的像素逐一分析,而是对图形的行进行操作。图像的每一行都用游程长度编码(RLE)来表示相邻的目标范围。这种算法与基于象素的算法相比,大大提高处理速度。
本发明的目的是解决基于特征的模板匹配中的参数自适应的问题,基本原理是根据模板区域(模板图像)估计图像灰度值的变化,获得对比度方差,该参数可以作为边缘点强度的最低阈值。对于梯度阈值参数的计算,选择平均长度或平均强度作为筛选指标,基于线性分类器模型进行筛选。获取梯度阈值参数后,可以获得边缘点的位置,计算边缘点的位置到模板中心的距离,根据距离中心点的最远距离来离散化角度、缩放步长。
下面通过具体实施例进行说明。在实施例一中,请参考图1,本发明给出一种模板匹配中参数的自适应方法,包括如下步骤:
S10、模板图像获取步骤,获取输入的模板图像或者用户设置的模板图像。本实施例中,模板图像由用户设置,具体的,输入用于训练模板图像的训练图像,训练图像如图2所示。用户在训练图像上选定感兴趣区域(ROI),如图3中白色框所示,该感兴趣区域作为模板图像。
S20、对比度计算步骤,根据模板图像计算得到模板图像的对比度方差或对比度标准差σc。由于对比度变化比较大的部分在图像中显示为边缘,因此,本实施例采用高通滤波器对边缘进行估计,选择如下滤波核N:
滤波核N为滤波器的系数构成的矩阵表示。在模板图像中的任意一点,滤波器的响应g(x,y)是滤波器系数与由该滤波器包围的图像像素的乘积之和。
由于滤波核N的均值为0,方差为8,因此可得对比度方差为
其中,I为模板图像,W为模板图像的宽度,H为模板图像的高度,*代表模板图像与滤波核N做卷积运算。为了减少运算量,本发明根据方差与标准差关系推导出标准差为
本实施例将所述对比度标准差作为最小对比度阈值。所述最小对比度阈值可用于后续的最小梯度阈值的设定,同时也可以用来做噪声点的删除。
S30、梯度阈值计算步骤,对所述模板图像进行边缘检测,计算梯度幅值,设置梯度幅值的梯度阈值取值范围;根据所述梯度阈值获取模板图像的边缘区域;对所述边缘区域进行细化;基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点;对所述边缘区域进行Blob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在所述取值范围内,将所述相关函数最大时对应的梯度阈值作为梯度阈值参数;其中,所述取值范围内的最小梯度阈值为对比度方差或对比度标准差的k倍,k为0或者正数。本实施例中,所述k为3。最小梯度阈值选取3倍对比度标准差,依据正态分布的[-3σ,3σ]进行选择的,不考虑小概率事件。
请参阅图4,所述梯度阈值计算步骤S30具体包括如下步骤:
S301、计算边缘的梯度幅值。具体的,在X方向和Y方向分别采用Sobel(索贝尔)算法计算X方向的梯度fx和Y方向的梯度fy,X、Y两个方向的核可以分别表示为:
由X方向的梯度fx和Y方向的梯度fy计算得到梯度幅值
S302、设置梯度幅值的梯度阈值T的取值范围。即设置最小梯度阈值Tmin和最大梯度阈值Tmax;最小梯度阈值Tmin预设为3倍对比度标准差,最大梯度阈值Tmax可设置为边缘检测中的边缘点的最大灰度值,可有效的提高计算速度。当然,在其他实施例中,最小梯度阈值Tmin和/或最大梯度阈值Tmax也可以不设置,最小梯度阈值Tmin默认为0,最大梯度阈值Tmax默认为255,计算速度较慢。
S303、根据当前的梯度阈值T获取模板图像的边缘区域。梯度阈值T从最小梯度阈值Tmin开始,根据一定的增量递增,直到选取到最大梯度阈值Tmax。
S304、对所述边缘区域进行细化,以将边缘区域转化为单像素轮廓。细化有多重方法可以选择,如Zhang细化算法等。如图5所示,i0为边缘像素,其灰度为255,即i0=255;本实施例进行细化的方式为:边缘像素i0至少有两个相邻的像素的灰度为0,则将边缘像素i0的灰度变为0。具体如下:
1、若i2=0且i4=0,则将i0置为0;即,与边缘像素i0相邻的上方和左边的像素的灰度为0,则将边缘像素i0的灰度变为0。
2、若i2=0且i5=0,则将i0置为0;即,与边缘像素i0相邻的上方和右边的像素的灰度为0,则将边缘像素i0的灰度变为0。
3、若i7=0且i4=0,则将i0置为0;即,与边缘像素i0相邻的下方和左边的像素的灰度为0,则将边缘像素i0的灰度变为0。
4、若i5=0且i7=0,则将i0置为0。即,与边缘像素i0相邻的下方和右边的像素的灰度为0,则将边缘像素i0的灰度变为0。
S305、基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点。对于曲率变化较大的像素点通常是噪点,因此需要将其滤除,增加模板图像的信噪比,使匹配更稳定。图像曲率的计算比较耗时,故本实施例采用腐蚀操作来等价曲率计算,具体采用下面四种核进行腐蚀操作:
采用上述四种核对细化后的边缘进行腐蚀操作,进而删除曲率超过预设值的像素点。预设值可根据具体需求或者实际模板而定。
S306、对所述边缘区域进行Blob分析,得到连通区域。
S307、计算连通区域的平均长度或平均强度。连通区域的平均长度计算方法为边缘点总个数spt除以区域的个数sr。所述平均强度是指同一个连通区域内梯度幅值的平均值。本实施例采用平均长度进行说明。
S308、保存所述平均长度或平均强度作为当前梯度阈值T的相关函数g(T)。
S309、判断当前梯度阈值T是否达到最大梯度阈值Tmax,若达到则进入步骤S310;若未达到则进入步骤S311。
S310、如图6所示,获取相关函数g(T)的最大值对应的梯度阈值Topt作为最终的梯度阈值(即梯度阈值参数)。
S311、将当前梯度阈值T增大一个增量step,变为新的梯度阈值,并返回步骤S303。
由此,可自动计算出梯度阈值参数。
S40、最小连通区域计算步骤,根据梯度阈值参数获得边缘像素的位置,进行Blob分析,得到每个连通区域(Blob)的尺寸,对连通区域的尺寸计算累积直方图(如图7所示),第一个超过预设阈值的连通区域的尺寸作为最小连通区域的尺寸。如此,将最小连通区域以下的连通区域当做噪点消除掉,提高了匹配的稳定性。预设阈值为一概率,根据实际情况或用户的设置而定。以图7为例,可设置为5%,即排除掉了尺寸最小的那5%的连通区域。
S50、步长计算步骤,根据边缘像素到模板图像中心的最远距离计算得到角度步长和缩放步长。具体的,本实施例,模板匹配中采用高斯金字塔,高斯金字塔的核大小为5×5,因此物体旋转之后可识别的最小距离为5,如图8所示,根据余弦定理可得:
d2=l2+l2-2·l·l·cosθ,公式6。
若d=5,因此可得角度步长为同理缩放步长若d=5,
S60、金字塔层数计算步骤,对所述模板图像进行图像金字塔分层,以最顶层金字塔图像中的最小连通区域可识别为标准,计算得到金字塔层数。本实施例中国,最顶层金字塔图像中的最小连通区域尺寸至少保留4个像素,依此标准可计算得到金字塔层数。基于图像金字塔,本实施例采用如下所述的分层搜索策略。首先,计算出待匹配图像和模板图像的图像金字塔。然后在最顶层金字塔上进行一次完整的匹配。使用图像金字塔的优势为:图像金字塔每增加一层,图像点数和模板的点数都减少4倍。也就是说,每增加一层金字塔可以提速16倍。因此,例如,在金字塔的第四层执行一次完整的匹配,计算的次数与原图像相比减少了4096倍。
综上所述,本参数的自适应方法明显提高了参数调试的运行效率。因为图像金字塔技术能够快速定位到感兴趣区域,根据模板图像可以自动计算出最优的金字塔层数,金字塔层数会影响匹配的速度,所以大大提高了运行效率。同时通过将算法参数与金字塔层数耦合及自动计算参数,避免了额外的参数输入,极大的方便了现场工程师调试过程,降低了调试难度。本方法采用保持边缘滤波方法能够在保证精度要求的情况下,对于图像噪声和光照不均等现象有很好的抑制作用,能够极大的提升算法的鲁棒性。
用户设定ROI后,梯度阈值参数、角度步长、缩放步长、金字塔层数和噪声阈值(最小对比度阈值)即可自动计算得到,无需人工设置。之后,用户只需设置匹配分数阈值、匹配个数和待匹配图像,即可采用上述模板图像对待匹配图像进行模板匹配,非常方便。
基于上述实施例提供的参数的自适应方法,本发明还提供一种模板匹配中参数的自适应系统,请参阅图9,所述系统包括:模板图像获取模块10、对比度计算模块20、梯度阈值计算模块30、最小连通区域计算模块40、步长计算模块50和金字塔层数计算模块60。
所述模板图像获取模块10,用于获取输入的模板图像或者用户设置的模板图像。本实施例中,模板图像由用户设置,具体的,模板图像获取模块10接收用户的框选指令。用户通过框选指令在训练图像上选定感兴趣区域(ROI),如图3中白色框所示,该感兴趣区域作为模板图像。
所述对比度计算模块20,用于根据模板图像计算得到模板图像的对比度方差或对比度标准差σc。由于对比度变化比较大的部分在图像中显示为边缘,因此,本实施例采用高通滤波器对边缘进行估计,选择如下滤波核N:
滤波核N为滤波器的系数构成的矩阵表示。在模板图像中的任意一点,滤波器的响应g(x,y)是滤波器系数与由该滤波器包围的图像像素的乘积之和。
由于滤波核N的均值为0,方差为8,因此可得对比度方差为
其中,I为模板图像,W为模板图像的宽度,H为模板图像的高度,*代表模板图像与滤波核N做卷积运算。为了减少运算量,本发明根据方差与标准差关系推导出标准差为
本实施例将所述对比度标准差作为最小对比度阈值。所述最小对比度阈值可用于后续的最小梯度阈值的设定,同时也可以用来做噪声点的删除。
所述梯度阈值计算模块30,用于对所述模板图像进行边缘检测,计算梯度幅值,设置梯度幅值的梯度阈值取值范围;根据所述梯度阈值获取模板图像的边缘区域;对所述边缘区域进行细化;基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点;对所述边缘区域进行Blob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在所述取值范围内,将所述相关函数最大时对应的梯度阈值作为梯度阈值参数;其中,所述取值范围内的最小梯度阈值为对比度方差或对比度标准差的k倍,k为0或者正数。本实施例中,所述k为3。最小梯度阈值选取3倍对比度标准差,依据正态分布的[-3σ,3σ]进行选择的,不考虑小概率事件。
进一步的,所述梯度阈值计算模块30包括梯度幅值计算单元、取值范围设置单元、边缘区域获取单元、边缘细化单元、去噪单元、求平均计算单元、梯度阈值更新单元和相关函数单元。
所述梯度幅值计算单元,用于计算边缘的梯度幅值。具体的,在X方向和Y方向分别采用Sobel(索贝尔)算法计算X方向的梯度fx和Y方向的梯度fy,X、Y两个方向的核可以分别表示为:
由X方向的梯度fx和Y方向的梯度fy计算得到梯度幅值
所述取值范围设置单元,用于设置梯度幅值的梯度阈值T的取值范围。即设置最小梯度阈值Tmin和最大梯度阈值Tmax;最小梯度阈值Tmin预设为3倍对比度标准差,最大梯度阈值Tmax可设置为边缘检测中的边缘点的最大灰度值,可有效的提高计算速度。当然,在其他实施例中,最小梯度阈值Tmin和/或最大梯度阈值Tmax也可以不设置,最小梯度阈值Tmin默认为0,最大梯度阈值Tmax默认为255,计算速度较慢。
所述边缘区域获取单元,用于根据当前的梯度阈值T获取模板图像的边缘区域。梯度阈值T从最小梯度阈值Tmin开始,根据一定的增量递增,直到选取到最大梯度阈值Tmax。
所述边缘细化单元,用于对所述边缘区域进行细化,以将边缘区域转化为单像素轮廓。细化有多重方法可以选择,如Zhang细化算法等。如图5所示,i0为边缘像素,其灰度为255,即i0=255;本实施例进行细化的方式为:边缘像素i0至少有两个相邻的像素的灰度为0,则将边缘像素i0的灰度变为0。具体如下:
1、若i2=0且i4=0,则将i0置为0;即,与边缘像素i0相邻的上方和左边的像素的灰度为0,则将边缘像素i0的灰度变为0。
2、若i2=0且i5=0,则将i0置为0;即,与边缘像素i0相邻的上方和右边的像素的灰度为0,则将边缘像素i0的灰度变为0。
3、若i7=0且i4=0,则将i0置为0;即,与边缘像素i0相邻的下方和左边的像素的灰度为0,则将边缘像素i0的灰度变为0。
4、若i5=0且i7=0,则将i0置为0。即,与边缘像素i0相邻的下方和右边的像素的灰度为0,则将边缘像素i0的灰度变为0。
所述去噪单元,用于基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点。对于曲率变化较大的像素点通常是噪点,因此需要将其滤除,增加模板图像的信噪比,使匹配更稳定。图像曲率的计算比较耗时,故本实施例采用腐蚀操作来等价曲率计算,具体采用下面四种核进行腐蚀操作:
采用上述四种核对细化后的边缘进行腐蚀操作,进而删除曲率超过预设值的像素点。预设值可根据具体需求或者实际模板而定。
所述求平均计算单元,用于对所述边缘区域进行Blob分析,得到连通区域;计算连通区域的平均长度或平均强度。连通区域的平均长度计算方法为边缘点总个数spt除以区域的个数sr。所述平均强度是指同一个连通区域内梯度幅值的平均值。本实施例采用平均长度进行说明。
所述梯度阈值更新单元,用于判断当前梯度阈值T是否达到最大梯度阈值Tmax;若达到则启动相关函数单元;若未达到则将当前梯度阈值T增大一个增量step,变为新的梯度阈值后输出给边缘区域获取单元。
所述相关函数单元,用于保存所述平均长度或平均强度作为当前梯度阈值T的相关函数g(T),在当前梯度阈值T达到最大梯度阈值Tmax时,获取相关函数g(T)的最大值对应的梯度阈值Topt作为最终的梯度阈值(即梯度阈值参数)。
所述最小连通区域计算模块40,用于根据梯度阈值参数获得边缘像素的位置,进行Blob分析,得到每个连通区域(Blob)的尺寸,对连通区域的轮廓尺寸计算累积直方图,第一个超过预设阈值的连通区域的轮廓尺寸作为最小连通区域的尺寸。
所述步长计算模块50,用于根据边缘像素到模板图像中心的最远距离计算得到角度步长和缩放步长。具体的,本实施例,模板匹配中采用高斯金字塔,高斯金字塔的核大小为5×5,因此物体旋转之后可识别的最小距离为5,如图8所示,根据余弦定理可得:
d2=l2+l2-2·l·l·cosθ, 公式6。
若d=5,因此可得角度步长为同理缩放步长若d=5,
所述金字塔层数计算模块60,用于对所述模板图像进行图像金字塔分层,以最顶层金字塔图像中的最小连通区域可识别为标准,计算得到金字塔层数。本实施例中国,最顶层金字塔图像中的最小连通区域尺寸至少保留4个像素,依此标准可计算得到金字塔层数。
由于模板匹配中参数的自适应系统的原理、特点在上述对应的方法实施例中已详细阐述,在此不再赘述。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分步骤可以通过程序来控制相关硬件完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘或光盘等。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种模板匹配中参数的自适应方法,其特征在于,包括如下步骤:
对比度计算步骤,根据模板图像计算得到模板图像的对比度方差或对比度标准差;
梯度阈值计算步骤,对所述模板图像进行边缘检测,计算梯度幅值,设置梯度幅值的梯度阈值取值范围;根据所述梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在所述取值范围内,将所述相关函数最大时对应的梯度阈值作为梯度阈值参数;其中,所述取值范围内的最小梯度阈值为对比度方差或对比度标准差的k倍,k为0或者正数。
2.根据权利要求1所述的模板匹配中参数的自适应方法,其特征在于,所述梯度阈值计算步骤之后,还包括:
最小连通区域计算步骤,根据梯度阈值参数获得边缘像素的位置,进行Blob分析,得到每个连通区域的尺寸,对连通区域的尺寸计算累积直方图,第一个超过预设阈值的连通区域的尺寸作为最小连通区域的尺寸。
3.根据权利要求1或2所述的模板匹配中参数的自适应方法,其特征在于,所述梯度阈值计算步骤之后,还包括:
步长计算步骤,根据梯度阈值参数获得边缘像素的位置,根据边缘像素到模板图像中心的最远距离计算得到角度步长和缩放步长。
4.根据权利要求1或2所述的模板匹配中参数的自适应方法,其特征在于,所述自适应方法还包括:
金字塔层数计算步骤,对所述模板图像进行图像金字塔分层,以最顶层金字塔图像中的最小连通区域可识别为标准,计算得到金字塔层数。
5.根据权利要求1所述的模板匹配中参数的自适应方法,其特征在于,所述根据梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域的步骤,包括:
根据梯度阈值获取模板图像的边缘区域;
对所述边缘区域进行细化;
基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点;
对所述边缘区域进行Blob分析,得到连通区域。
6.一种模板匹配中参数的自适应系统,其特征在于,包括:
对比度计算模块,用于根据模板图像计算得到模板图像的对比度方差或对比度标准差;
梯度阈值计算模块,用于对所述模板图像进行边缘检测,计算梯度幅值,设置梯度幅值的梯度阈值取值范围;根据所述梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域,并计算连通区域的平均长度或平均强度;将平均长度或平均强度作为梯度阈值的相关函数;在所述取值范围内,将所述相关函数最大时对应的梯度阈值作为梯度阈值参数;其中,所述取值范围内的最小梯度阈值为对比度方差或对比度标准差的k倍,k为0或者正数。
7.根据权利要求6所述的模板匹配中参数的自适应系统,其特征在于,所述自适应系统还包括:
最小连通区域计算模块,用于根据梯度阈值参数获得边缘像素的位置,进行Blob分析,得到每个连通区域的尺寸,对连通区域的尺寸计算累积直方图,第一个超过预设阈值的连通区域的尺寸作为最小连通区域的尺寸。
8.根据权利要求6或7所述的模板匹配中参数的自适应系统,其特征在于,所述自适应系统还包括:
步长计算模块,用于根据梯度阈值参数获得边缘像素的位置,根据边缘像素到模板图像中心的最远距离计算得到角度步长和缩放步长。
9.根据权利要求6或7所述的模板匹配中参数的自适应系统,其特征在于,所述自适应系统还包括:
金字塔层数计算模块,用于对所述模板图像进行图像金字塔分层,以最顶层金字塔图像中的最小连通区域可识别为标准,计算得到金字塔层数。
10.根据权利要求6所述的模板匹配中参数的自适应系统,其特征在于,梯度阈值计算模块根据梯度阈值获取模板图像的边缘区域;对所述边缘区域进行Blob分析,得到连通区域,具体包括:
梯度阈值计算模块根据梯度阈值获取模板图像的边缘区域;对所述边缘区域进行细化;基于腐蚀运算得到并删除细化后的边缘区域曲率超过预设值的像素点;对所述边缘区域进行Blob分析,得到连通区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710763189.3A CN107590512B (zh) | 2017-08-30 | 2017-08-30 | 一种模板匹配中参数的自适应方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710763189.3A CN107590512B (zh) | 2017-08-30 | 2017-08-30 | 一种模板匹配中参数的自适应方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590512A true CN107590512A (zh) | 2018-01-16 |
CN107590512B CN107590512B (zh) | 2019-11-26 |
Family
ID=61050482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710763189.3A Active CN107590512B (zh) | 2017-08-30 | 2017-08-30 | 一种模板匹配中参数的自适应方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590512B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543056A (zh) * | 2018-11-08 | 2019-03-29 | 博众精工科技股份有限公司 | 一种具有旋转、缩放不变性的灰度模板匹配算法 |
CN111680683A (zh) * | 2019-03-30 | 2020-09-18 | 上海铼锶信息技术有限公司 | 一种roi参数的获取方法及系统 |
CN112418090A (zh) * | 2020-11-23 | 2021-02-26 | 中国科学院西安光学精密机械研究所 | 一种天空背景下红外弱小目标实时检测方法 |
CN113409344A (zh) * | 2021-05-11 | 2021-09-17 | 深圳市汇川技术股份有限公司 | 模板信息获取方法、设备及计算机可读存储介质 |
CN113592750A (zh) * | 2021-07-30 | 2021-11-02 | 成都市晶林科技有限公司 | 一种基于梯度直方图的红外增强方法 |
CN114187267A (zh) * | 2021-12-13 | 2022-03-15 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
CN114240986A (zh) * | 2021-11-12 | 2022-03-25 | 东莞拓斯达技术有限公司 | 图像处理方法、终端设备及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982534A (zh) * | 2012-11-01 | 2013-03-20 | 北京理工大学 | 基于弦线切线法的Canny边缘检测双阈值获取方法 |
CN103856781A (zh) * | 2014-03-18 | 2014-06-11 | 江西理工大学 | 一种自适应阈值的视频流多纹理方向错误隐藏方法 |
-
2017
- 2017-08-30 CN CN201710763189.3A patent/CN107590512B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982534A (zh) * | 2012-11-01 | 2013-03-20 | 北京理工大学 | 基于弦线切线法的Canny边缘检测双阈值获取方法 |
CN103856781A (zh) * | 2014-03-18 | 2014-06-11 | 江西理工大学 | 一种自适应阈值的视频流多纹理方向错误隐藏方法 |
Non-Patent Citations (2)
Title |
---|
WEI JIAN MO: "An edge detection algorithm based on adaptive threshold", 《EMCS2015》 * |
刘慧勤: "目标检测技术研究", 《中国优秀硕士论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543056A (zh) * | 2018-11-08 | 2019-03-29 | 博众精工科技股份有限公司 | 一种具有旋转、缩放不变性的灰度模板匹配算法 |
CN111680683A (zh) * | 2019-03-30 | 2020-09-18 | 上海铼锶信息技术有限公司 | 一种roi参数的获取方法及系统 |
CN111680683B (zh) * | 2019-03-30 | 2023-06-02 | 上海铼锶信息技术有限公司 | 一种roi参数的获取方法及系统 |
CN112418090A (zh) * | 2020-11-23 | 2021-02-26 | 中国科学院西安光学精密机械研究所 | 一种天空背景下红外弱小目标实时检测方法 |
CN113409344A (zh) * | 2021-05-11 | 2021-09-17 | 深圳市汇川技术股份有限公司 | 模板信息获取方法、设备及计算机可读存储介质 |
CN113592750A (zh) * | 2021-07-30 | 2021-11-02 | 成都市晶林科技有限公司 | 一种基于梯度直方图的红外增强方法 |
CN113592750B (zh) * | 2021-07-30 | 2023-10-20 | 成都市晶林科技有限公司 | 一种基于梯度直方图的红外增强方法 |
CN114240986A (zh) * | 2021-11-12 | 2022-03-25 | 东莞拓斯达技术有限公司 | 图像处理方法、终端设备及计算机可读存储介质 |
CN114187267A (zh) * | 2021-12-13 | 2022-03-15 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
CN114187267B (zh) * | 2021-12-13 | 2023-07-21 | 沭阳县苏鑫冲压件有限公司 | 基于机器视觉的冲压件缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107590512B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
US20050149360A1 (en) | Object based image retrieval | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN110230978A (zh) | 一种耐火砖几何尺寸测量方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
CN114240845B (zh) | 一种应用于切削工件的光切法表面粗糙度测量方法 | |
CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN111325728B (zh) | 产品缺陷检测方法、装置、设备及存储介质 | |
Pramunendar et al. | A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment. | |
EP3671635B1 (en) | Curvilinear object segmentation with noise priors | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 | |
Zhang et al. | Retinal vessel segmentation using Gabor filter and textons | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
Tamilmani et al. | Early detection of brain cancer using association allotment hierarchical clustering | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |