CN107730521A - 一种图像中屋脊型边缘的快速检测方法 - Google Patents
一种图像中屋脊型边缘的快速检测方法 Download PDFInfo
- Publication number
- CN107730521A CN107730521A CN201710949042.3A CN201710949042A CN107730521A CN 107730521 A CN107730521 A CN 107730521A CN 201710949042 A CN201710949042 A CN 201710949042A CN 107730521 A CN107730521 A CN 107730521A
- Authority
- CN
- China
- Prior art keywords
- edge
- point
- image
- roof
- connected 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000630 rising effect Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003116 impacting effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开属于图像处理技术领域，具体涉及一种图像中屋脊型边缘的快速检测方法，具体包括以下步骤：1)、进行图像中屋脊型边缘的所有边沿点的初步检测；2)、通过边沿连通区域实现上升沿点和下降沿点的精确检测；3)、对图像进行缩小得到不同尺度图像，针对每个尺度图像重复步骤1）和2）操作，得到每个尺度下的边沿点，融合完成原始图像边缘检测；4)、依据边沿点连通域中的骨架像素提取屋脊型边缘两侧像素作为屋脊型边缘的内容，实现屋脊型边缘内容检测；5)、断裂的屋脊型边缘排除，进一步提高检测结果。本发明利用了屋脊型边缘的像素亮度分布特性，通过对上升边沿点和下降边沿点进行配对分析，实现了图像中屋脊型边缘高速检测。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种图像中屋脊型边缘的快速检测方法。
背景技术
在图像处理和计算机视觉相关的领域中，经常需要检测大量的屋脊型边缘(中间亮度高，两侧亮度低；或者中间亮度低，两侧亮度高)；这是因为屋脊型边缘在日常图像中出现的概率较高，而且是一种较为稳定的特征；
目前比较主流的屋脊型边缘检测方法，是基于笔画检测算子的策略，该方法虽然效果不错，但是速度非常慢，严重影响了实时性。
发明内容
本发明针对现有技术的不足和缺陷，提供一种图像中屋脊型边缘的快速检测方法，充分利用了屋脊型边缘的像素亮度分布特性，通过对上升边沿点和下降边沿点进行配对分析，实现了图像中屋脊型边缘高速检测目的。
本发明采用的技术方案如下：
一种图像中该屋脊型边缘的快速检测方法，包括以下步骤：
1)、对图像进行灰度化处理，并计算灰度化处理后的图像中的每个像素的水平梯度值，根据每个像素的水平梯度值和阈值关系，实现图像中屋脊型边缘的所有上升边沿点和下降边沿点的初步检测，具体如下：
1.1)、将扫描到的图像进行灰度化处理得到二值化图：
为了便于计算梯度值，需要先将扫描到的彩色图像转变为二值化灰度图像，转换公式如下：
Gray＝(R+G+B)/3
直接将每个像素位置，三个通道的颜色值求取平均值；
1.2)、计算二值化图像中的每个像素的水平梯度：
逐像素扫描图像中的每一个像素点，采用Sobel算子计算计算该像素点位置的水平梯度值，采用当前像素右侧相邻像素的亮度值，与当前像素的亮度值进行相减得到水平梯度值，公式如下：
Grad＝Img(x+1,y)-Img(x,y)
其中x和y为当前像素的横坐标和纵坐标；
1.3)、检测二值化图像中所有上升边沿点：
设定边沿点检测的梯度幅值阈值th_grad＝20，逐像素扫描梯度图，对每一个像素位置的梯度幅值进行判断，如果梯度幅值满足如下条件，则设定为上升边沿点：
Grad(x,y)>th_grad
1.4)、检测二值化图像中所有下降边沿点：
逐像素扫描梯度图，对每一个像素位置的梯度幅值进行判断；如果梯度幅值满足如下条件，则设定为下降边沿点：
Grad(x,y)<-th_grad
2)、对二值化图像中的边沿点进行连通域提取、填充、拼接、形状分析得到边沿连通区域，将上升沿连通区域和上升沿连通区域进行配对，得到精确的上升沿点和下降沿点，具体如下：
由于图像中各种噪声干扰很多，一个像素点位置上的梯度值大于阈值，并不表示它就处于上升边沿，很可能只是一个噪声点而已；
本专利采用更为稳定的方法，通过连通域分析，来实现上升边沿或者下降边沿的检测，同时避免噪声干扰(下面以上升边沿的验证为例加以说明)：
2.1)、连通域提取：由于屋脊型边缘的两侧，在水平方向上，往往连续多个像素的梯度幅值都较大，因此边沿点都是连续的，很少出现孤立的边沿点；在步骤1)得到的边沿点二值图中，进行连通域提取，得到每个连通域的轮廓，将这些连通域作为边沿点区域；
2.2)、连通域填充：边沿点连通域内，可能会存在小面积的孔洞，或者黑点，这可能是由于该点的梯度不稳定，导致在边沿点检测中被漏失了；为了降低干扰，本专利通过对连通域进行填充的方式，来防止对后续步骤造成影响；
2.3)、连通域拼接：屋脊型的某一侧的边沿点连通域，虽然有数个像素的宽度，但是也是很容易发生断裂的，必须对这些连通域进行拼接处理，降低出错的概率；具体方法如下：
2.3.1)、连通域两两之间进行距离计算：这里使用最近距离：两个连通域的轮廓点之间的最短距离；如果轮廓点最近距离小于5个像素，则可以拼接为一个轮廓；
2.3.2)、拼接后的平滑性分析：对拼接后的连通域提取骨架；分析该骨架对应的曲线的平滑程度；计算骨架曲线上的每个点的曲率，将最大曲率作为平滑性衡量；如果最大曲率超过经验值，则认为拼接不正确，需要取消本次拼接；
2.4)、边沿连通域形状分析
屋脊型边缘的某一侧边沿连通域，一定是细长条形状；本步骤通过检测边沿连通域是否属于细长条形状，来防止异常情形的出现；方法如下：
2.4.1)、提取边沿连通域的骨架：采用烧草算法得到连通域的骨架像素；
2.4.2)、在每一个骨架像素点上作垂线，分别与两侧的轮廓相交，得到交点；
2.4.3)、计算轮廓上的交点到该骨架点的距离；
2.4.4)、统计所有的骨架像素点到轮廓的最大距离；
2.4.5)、如果最大距离大于经验阈值，这里设定为10个像素，这说明边沿连通域不是细长条形状，视为形状不正确的连通区域；细长条的轮廓点，到骨架像素的额距离都很小；
2.4.6)、舍弃形状不正确的边沿连通域；
2.5)、上升沿连通域和下降沿连通域的配对
屋脊型边缘的两侧，各自有一个边沿点连通域；它们形状接近，并且基本保持平行；本发明采用如下方法，实现边沿点连通域的配对(以上升沿连通域为例)：
2.5.1)、在当前上升或下降沿连通域周边，搜索最近距离小于经验阈值(这里的经验阈值为30个像素)的所有下降或上升沿连通域，得到待配对连通区域；
2.5.2)、通过骨架形状对待配对连通区域和当前连通区域进行形状比较：直接比较骨架形状，通过在骨架上提取等间距的像素点，然后将两个骨架线平移到重心重合，计算所有等间距点的彼此欧氏距离的总和；然后计算等间距点的平均距离；平均距离大于10个像素，认为形状不一致；
2.5.3)、连通域平行度的计算：比较两个连通域之间的每一个轮廓点，到另一个连通域上的轮廓点的最小距离；如果所有轮廓点的最小距离都小于20个像素，则认为是平行的；
2.5.4)、根据形状和平行度确定和当前连通区域精确配对的连通区域，将该连通域的骨架像素，作为精确边沿点，实现边沿点的精确确定。
进一步的，为了提高边沿点确定的精度，在匹配的时候需要考虑边缘是T字形边缘的情况，T字形边缘是最特殊的一种边缘；此时很可能的一种现象是：一侧是距离较长的上升/下降沿连通域，而另一侧的下降/上升沿连通域则断成了两截；此时，一侧两个连通域在形状上已经无法再与另一侧当前连通域进行匹配，故此需要用额外的方法来解决，具体如下：
确认与上升沿连通域距离小于30个像素的所有下降沿连通域；
计算所有的下降沿连通域与上升沿的平行度；
增大连通域拼接时的距离阈值为50个像素；
连接两个下降沿连通域；
重新计算拼接之后的下降沿连通域的平滑程度；
3)、对原始图像进行比例缩小得到不同尺度图像，针对每个尺度图像重复步骤1)和2)操作，得到每个尺度下的边沿点，按照尺度降序依次将对应尺度下的边沿点映射到原始图坐标中填补图像边沿点连通区域，最终确定原始图像边缘，完成原始图像边缘检测；具体如下：
屋脊型边缘的检测，会受到图像缩放的影响；这是由于计算图像的梯度值，与选择的用于相减的两个像素的位置的距离有关；在屋脊型边缘的某一侧，两个像素的距离越远，其梯度值越大；因此在不同的尺度来检测图像边沿点；
本专利采用如下的方法，来实现各个不同尺度层次的图像边沿点的检测：
3.1)、将图像缩小到原始尺寸的一半
本专利在解决多尺度问题时，每次都将图像缩小到原来的一半大小；这样可以使得各个尺度层次的边缘被检测出来；
3.2)、重复步骤1)-2)，检测缩小后的图像中的边沿点
3.3)、继续将图像缩小一半，直到图像的高和宽都小于50个像素为止
当图像的高和宽都小于50个像素时，说明各种宽度的屋脊型边缘基本已经被检测到；再往上，边缘的宽度已经很大，不能再当做边缘来进行处理，而是成为了区域了；
3.4)、将各个不同尺度层次的边沿点连通域，映射到原图像的坐标系之中
重新计算高尺度图像中的边沿点，在原始图像中的坐标；
将高尺度图像中，对应到原始尺度图像的同一个连通域的边沿点之间的空隙填补起来，形成完整的连通域；
将新的连通域合并到原始尺度连通域之中；
4)、依据边沿点连通域中的骨架像素提取屋脊型边缘两侧像素作为屋脊型边缘的内容，实现屋脊型边缘内容检测；
边沿点连通域中，骨架像素可以认为是上升边沿和下降边沿理想的边界点；将骨架像素作为屋脊型边缘两侧的范围；提取边缘两侧之间的像素，作为屋脊型边缘的内容；
5)、断裂的屋脊型边缘排除，进一步提高检测结果；
在屋脊型边缘的检测过程中，边缘的断裂，是很正常的事情；此时需要对检测到的所有的边缘，进行连接处理；此外，还需要将一些距离较短的短边缘进行过滤，防止其对检测结果的应用造成干扰；
5.1)、边缘连通域距离分析
这里使用最近距离：两个边缘的轮廓点之间的最短距离；如果轮廓点最近距离小于20个像素，则可以拼接为一个轮廓，形成一个边缘；
5.2)、拼接后形状分析
主要也是进行平滑性分析：对拼接后的边缘提取骨架；分析该骨架对应的曲线的平滑程度；计算骨架曲线上的每个点的曲率，将最大曲率作为平滑性衡量；如果最大曲率超过经验值，则认为拼接不正确，需要取消本次拼接；
5.3)、噪声滤除：长度小于10个像素的屋脊型边缘，应该进行滤除。
本发明通过充分利用了屋脊型边缘的像素亮度分布特性，通过对上升边沿点和下降边沿点进行配对分析，实现了图像中屋脊型边缘高速检测目的。在检测过程中，对T字型边缘以及断裂边缘进行了进一步的处理，提高了高速检测的准确性。
具体实施方式
屋脊型边缘是指图像中的一种特殊边缘，在这种边缘的垂直方向上的亮度曲线上，呈现出中间亮度高，两侧亮度低；或者中间亮度低，两侧亮度高的规律；典型的屋脊型边缘大量出现在生活中；
所述的图像中该屋脊型边缘的快速检测方法，包括以下步骤：
1)、扫描图像，对扫描到的图像进行灰度化处理，并计算灰度化处理后的图像中的每个像素的水平梯度值，根据每个像素的水平梯度值和阈值关系，实现图像中屋脊型边缘的所有上升边沿点和下降边沿点的初步检测，具体如下：
1.1)、将扫描到的图像进行灰度化处理得到二值化图：
为了便于计算梯度值，需要先将扫描到的彩色图像转变为二值化灰度图像，转换公式如下：
Gray＝(R+G+B)/3
直接将每个像素位置，三个通道的颜色值求取平均值；
1.2)、计算二值化图像中的每个像素的水平梯度：
逐像素扫描图像中的每一个像素点，采用Sobel算子计算计算该像素点位置的水平梯度值，采用当前像素右侧相邻像素的亮度值，与当前像素的亮度值进行相减得到水平梯度值，公式如下：
Grad＝Img(x+1,y)-Img(x,y)
其中x和y为当前像素的横坐标和纵坐标；
1.3)、检测二值化图像中所有上升边沿点：
设定边沿点检测的梯度幅值阈值th_grad＝20，逐像素扫描梯度图，对每一个像素位置的梯度幅值进行判断，如果梯度幅值满足如下条件，则设定为上升边沿点：
Grad(x,y)>th_grad
1.4)、检测二值化图像中所有下降边沿点：
逐像素扫描梯度图，对每一个像素位置的梯度幅值进行判断；如果梯度幅值满足如下条件，则设定为下降边沿点：
Grad(x,y)<-th_grad
2)、对二值化图像中的边沿点进行连通域提取、填充、拼接、形状分析得到边沿连通区域，将上升沿连通区域和上升沿连通区域进行配对，得到精确的上升沿点和下降沿点，具体如下：
由于图像中各种噪声干扰很多，一个像素点位置上的梯度值大于阈值，并不表示它就处于上升边沿，很可能只是一个噪声点而已；
本专利采用更为稳定的方法，通过连通域分析，来实现上升边沿或者下降边沿的检测，同时避免噪声干扰(下面以上升边沿的验证为例加以说明)：
2.1)、连通域提取
由于屋脊型边缘的两侧，在水平方向上，往往连续多个像素的梯度幅值都较大，因此边沿点都是连续的，很少出现孤立的边沿点；在步骤1)得到的边沿点二值图中，进行连通域提取，得到每个连通域的轮廓，将这些连通域作为边沿点区域；
2.2)、连通域填充
边沿点连通域内，可能会存在小面积的孔洞，或者黑点，这可能是由于该点的梯度不稳定，导致在边沿点检测中被漏失了；为了降低干扰，本专利通过对连通域进行填充的方式，来防止对后续步骤造成影响；
2.3)、连通域拼接
屋脊型的某一侧的边沿点连通域，虽然有数个像素的宽度，但是也是很容易发生断裂的，必须对这些连通域进行拼接处理，降低出错的概率；具体方法如下：
2.3.1)、连通域两两之间进行距离计算；
这里使用最近距离：两个连通域的轮廓点之间的最短距离；如果轮廓点最近距离小于5个像素，则可以拼接为一个轮廓；
2.3.2)、拼接后的平滑性分析；
对拼接后的连通域提取骨架；分析该骨架对应的曲线的平滑程度；计算骨架曲线上的每个点的曲率，将最大曲率作为平滑性衡量；如果最大曲率超过经验值，则认为拼接不正确，需要取消本次拼接；
2.4)、边沿连通域形状分析
屋脊型边缘的某一侧边沿连通域，一定是细长条形状；本步骤通过检测边沿连通域是否属于细长条形状，来防止异常情形的出现；方法如下：
2.4.1)、提取边沿连通域的骨架：采用烧草算法得到连通域的骨架像素；
2.4.2)、在每一个骨架像素点上作垂线，分别与两侧的轮廓相交，得到交点；
2.4.3)、计算轮廓上的交点到该骨架点的距离；
2.4.4)、统计所有的骨架像素点到轮廓的最大距离；
2.4.5)、如果最大距离大于10个像素，这说明边沿连通域不是细长条形状；细长条的轮廓点，到骨架像素的额距离都很小；
2.4.6)、舍弃形状不正确的边沿连通域；
2.5)、上升沿连通域和下降沿连通域的配对
屋脊型边缘的两侧，各自有一个边沿点连通域；它们形状接近，并且基本保持平行；本专利采用如下方法，实现边沿点连通域的配对(以上升沿连通域为例)：
2.5.1)、位置搜索：在当前的上升沿连通域周边，搜索最近距离小于30个像素的所有下降沿连通域；
2.5.2)、连通域形状的比较：直接比较骨架形状，通过在骨架上提取等间距的像素点，然后将两个骨架线平移到重心重合，计算所有等间距点的彼此欧氏距离的总和；然后计算等间距点的平均距离；平均距离大于10个像素，认为形状不一致；
2.5.3)、连通域平行度的计算：比较两个连通域之间的每一个轮廓点，到另一个连通域上的轮廓点的最小距离；如果所有轮廓点的最小距离都小于20个像素，则认为是平行的；
2.5.4)、T字形边缘问题：T字形边缘是最特殊的一种边缘；此时很可能的一种现象是：左侧是距离较长的上升沿连通域，而右侧的下降沿连通域则断成了两截；由于右侧两个连通域在形状上已经无法再与左侧的上升沿连通域进行匹配，故此需要用额外的方法来解决：
确认与上升沿连通域距离小于30个像素的所有下降沿连通域；
计算所有的下降沿连通域与上升沿的平行度；
增大连通域拼接时的距离阈值为50个像素；
连接两个下降沿连通域；
重新计算拼接之后的下降沿连通域的平滑程度；
2.5.5)、精确边沿点的确定：
将边沿点连通域的骨架像素，作为上升沿或者下降沿的精确边沿点；
3)、对原始图像进行比例缩小得到不同尺度图像，针对每个尺度图像重复步骤1)和2)操作，得到每个尺度下的边沿点，按照尺度降序依次将对应尺度下的边沿点映射到原始图坐标中填补图像边沿点连通区域，最终确定原始图像边缘，完成原始图像边缘检测；具体如下：
屋脊型边缘的检测，会受到图像缩放的影响；这是由于计算图像的梯度值，与选择的用于相减的两个像素的位置的距离有关；在屋脊型边缘的某一侧，两个像素的距离越远，其梯度值越大；因此在不同的尺度来检测图像边沿点；
本专利采用如下的方法，来实现各个不同尺度层次的图像边沿点的检测：
3.1)、将图像缩小到原始尺寸的一半
本专利在解决多尺度问题时，每次都将图像缩小到原来的一半大小；这样可以使得各个尺度层次的边缘被检测出来；
3.2)、重复步骤1)-2)，检测缩小后的图像中的边沿点
3.3)、继续将图像缩小一半，直到图像的高和宽都小于50个像素为止
当图像的高和宽都小于50个像素时，说明各种宽度的屋脊型边缘基本已经被检测到；再往上，边缘的宽度已经很大，不能再当做边缘来进行处理，而是成为了区域了；
3.4)、将各个不同尺度层次的边沿点连通域，映射到原图像的坐标系之中
重新计算高尺度图像中的边沿点，在原始图像中的坐标；
将高尺度图像中，对应到原始尺度图像的同一个连通域的边沿点之间的空隙填补起来，形成完整的连通域；
将新的连通域合并到原始尺度连通域之中；
4)、依据边沿点连通域中的骨架像素提取屋脊型边缘两侧像素作为屋脊型边缘的内容，实现屋脊型边缘内容检测；
边沿点连通域中，骨架像素可以认为是上升边沿和下降边沿理想的边界点；将骨架像素作为屋脊型边缘两侧的范围；提取边缘两侧之间的像素，作为屋脊型边缘的内容；
5)、断裂的屋脊型边缘排除，进一步提高检测结果；
在屋脊型边缘的检测过程中，边缘的断裂，是很正常的事情；此时需要对检测到的所有的边缘，进行连接处理；此外，还需要将一些距离较短的短边缘进行过滤，防止其对检测结果的应用造成干扰；
5.1)、边缘连通域距离分析
这里使用最近距离：两个边缘的轮廓点之间的最短距离；如果轮廓点最近距离小于20个像素，则可以拼接为一个轮廓，形成一个边缘；
5.2)、拼接后形状分析
主要也是进行平滑性分析：对拼接后的边缘提取骨架；分析该骨架对应的曲线的平滑程度；计算骨架曲线上的每个点的曲率，将最大曲率作为平滑性衡量；如果最大曲率超过经验值，则认为拼接不正确，需要取消本次拼接；
5.3)、噪声滤除：长度小于10个像素的屋脊型边缘，应该进行滤除。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种图像中屋脊型边缘的快速检测方法，其特征在于，包括以下步骤：
1)、对图像进行灰度化处理，并计算灰度化处理后的图像中的每个像素的水平梯度值，根据每个像素的水平梯度值和阈值关系，实现图像中屋脊型边缘的所有上升边沿点和下降边沿点的初步检测；
2)、对二值化图像中的边沿点进行连通域提取、填充、拼接、形状分析得到边沿连通区域，将上升沿连通区域和下降沿连通区域进行配对，得到精确的上升沿点和下降沿点；
3)、对原始图像进行比例缩小得到不同尺度图像，针对每个尺度图像重复步骤1）和2）操作，得到每个尺度下的边沿点，按照尺度降序依次将对应尺度下的边沿点映射到原始图坐标中填补图像边沿点连通区域，最终确定原始图像边缘，完成原始图像边缘检测；
4)、依据边沿点连通域中的骨架像素提取屋脊型边缘两侧像素作为屋脊型边缘的内容，实现屋脊型边缘内容检测。
2.根据权利要求1所述的图像中屋脊型边缘的快速检测方法，其特征在于，所述的方法还包括在步骤4）之后进行的断裂屋脊型边缘排除操作。
3.根据权利要求1-2任一项所述的图像中屋脊型边缘的快速检测方法，其特征在于，所述步骤2）中的连通区域形状分析是指分析边沿连通域是否属于细长条形状，具体方法如下：
a)、采用烧草算法提取边沿连通域的骨架像素；
b)、在每一个骨架像素点上作垂线，分别与两侧的轮廓相交，得到交点；
c)、计算轮廓上的交点到该骨架像素点的距离；
d)、统计所有的骨架像素点到轮廓的最大距离；
e)、如果最大距离大于阈值像素，则判定边沿连通域不是细长条形状视为形状不正确边沿连通区域；
f)、舍弃形状不正确的边沿连通域。
4.根据权利要求1-2任一项所述的图像中屋脊型边缘的快速检测方法，其特征在于，所述步骤2）中上升沿连通区域和下降沿连通区域进行配对的方法如下：
a)、在当前上升或下降沿连通域周边，搜索最近距离小于经验距离阈值的所有下降或上升沿连通域，得到待配对连通区域；
b)、通过骨架形状对待配对连通区域和当前连通区域进行形状比较；
c)、通过比较两个连通域之间的每一个轮廓点到另一个连通域上的轮廓点的最小距离判定待配对连通区域和当前连通区域的平行度；
d）、根据形状和平行度确定和当前连通区域精确配对的连通区域。
5.根据权利要求4所述的图像中屋脊型边缘的快速检测方法，其特征在于，所述步骤2）中上升沿连通区域和下降沿连通区域进行配对时在精确配对之前还需要进行连通区域对应的边缘是T字形边缘的处理，具体方法如下：
a）、确认与当前上升或下降沿连通域距离小于经验距离阈值的所有下降或上升沿连通域，得到和当前连通区域所有待配对的连通区域；
b）、计算所有待配对的连通区域和当前连通区域的平行度；
c）、设定连通域拼接时的距离阈值为50个像素；
d）、连接两个待匹配连通域；
e）、重新计算拼接之后的待匹配连通域的平滑程度。
6.根据权利要求4所述的图像中屋脊型边缘的快速检测方法，其特征在于，所述步骤a)中的经验距离阈值为30个像素。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710298044 | 2017-04-29 | ||
| CN2017102980440 | 2017-04-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107730521A true CN107730521A (zh) | 2018-02-23 |
| CN107730521B CN107730521B (zh) | 2020-11-03 |
Family
ID=61211057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710949042.3A Active CN107730521B (zh) | 2017-04-29 | 2017-10-12 | 一种图像中屋脊型边缘的快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730521B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765456A (zh) * | 2018-04-02 | 2018-11-06 | 上海鹰觉科技有限公司 | 基于直线边缘特征的目标跟踪方法、系统 |
| CN109359645A (zh) * | 2018-08-29 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | Agv编码标志、检测方法及计算机可读存储介质 |
| CN110148147A (zh) * | 2018-11-07 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
| CN110211145A (zh) * | 2019-05-29 | 2019-09-06 | 中国科学院软件研究所 | 一种基于反向烧草模型的骨架提取方法 |
| CN116883328A (zh) * | 2023-06-21 | 2023-10-13 | 查维斯机械制造(北京)有限公司 | 基于计算机视觉的牛胴体脊柱区域快速提取方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1719236A (zh) * | 2005-08-02 | 2006-01-11 | 湖南大学 | 多视觉空瓶质量检测方法及多视觉空瓶检测机器人 |
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN102184378A (zh) * | 2011-04-27 | 2011-09-14 | 茂名职业技术学院 | 一种pdf417标准二维条码图像切割的办法 |
| GB201304304D0 (en) * | 2013-03-11 | 2013-04-24 | Reeves Wireline Tech Ltd | Methods of and apparatus for identifying geological characteristics in boreholes |
| CN103745471A (zh) * | 2014-01-09 | 2014-04-23 | 南京信息工程大学 | 一种用于笔记本电池自动装盒的视觉检测和控制方法 |
| CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
| CN104778721A (zh) * | 2015-05-08 | 2015-07-15 | 哈尔滨工业大学 | 一种双目图像中显著性目标的距离测量方法 |
| US9412176B2 (en) * | 2014-05-06 | 2016-08-09 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
-
2017
- 2017-10-12 CN CN201710949042.3A patent/CN107730521B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1719236A (zh) * | 2005-08-02 | 2006-01-11 | 湖南大学 | 多视觉空瓶质量检测方法及多视觉空瓶检测机器人 |
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN102184378A (zh) * | 2011-04-27 | 2011-09-14 | 茂名职业技术学院 | 一种pdf417标准二维条码图像切割的办法 |
| GB201304304D0 (en) * | 2013-03-11 | 2013-04-24 | Reeves Wireline Tech Ltd | Methods of and apparatus for identifying geological characteristics in boreholes |
| CN103745471A (zh) * | 2014-01-09 | 2014-04-23 | 南京信息工程大学 | 一种用于笔记本电池自动装盒的视觉检测和控制方法 |
| CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
| US9412176B2 (en) * | 2014-05-06 | 2016-08-09 | Nant Holdings Ip, Llc | Image-based feature detection using edge vectors |
| CN104778721A (zh) * | 2015-05-08 | 2015-07-15 | 哈尔滨工业大学 | 一种双目图像中显著性目标的距离测量方法 |
Non-Patent Citations (5)
| Title |
|---|
| DEBASHIS SEN等: "Gradient histogram：thresholding in a region of interest for edge detection", 《IMAGE AND VISION COMPUTING》 * |
| P.V. HENSTOCK等: "Automatic gradient threshold determination for edge detection", 《 IEEE TRANSACTIONS ON IMAGE PROCESSING 》 * |
| 唐毅等: "基于几何特征的图像感兴趣区域的自动定位研究", 《计算机工程》 * |
| 张志龙等: "一种新的快速复杂连通区域扫描线填充算法", 《计算机工程与应用》 * |
| 徐文聪等: "夜间环境交通数据采集系统设计与实现", 《测控技术》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765456A (zh) * | 2018-04-02 | 2018-11-06 | 上海鹰觉科技有限公司 | 基于直线边缘特征的目标跟踪方法、系统 |
| CN108765456B (zh) * | 2018-04-02 | 2020-10-30 | 上海鹰觉科技有限公司 | 基于直线边缘特征的目标跟踪方法、系统 |
| CN109359645A (zh) * | 2018-08-29 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | Agv编码标志、检测方法及计算机可读存储介质 |
| CN109359645B (zh) * | 2018-08-29 | 2022-02-22 | 深圳市易成自动驾驶技术有限公司 | Agv编码标志、检测方法及计算机可读存储介质 |
| CN110148147A (zh) * | 2018-11-07 | 2019-08-20 | 腾讯大地通途（北京）科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
| CN110148147B (zh) * | 2018-11-07 | 2024-02-09 | 腾讯大地通途（北京）科技有限公司 | 图像检测方法、装置、存储介质和电子装置 |
| CN110211145A (zh) * | 2019-05-29 | 2019-09-06 | 中国科学院软件研究所 | 一种基于反向烧草模型的骨架提取方法 |
| CN110211145B (zh) * | 2019-05-29 | 2021-04-02 | 中国科学院软件研究所 | 一种基于反向烧草模型的骨架提取方法 |
| CN116883328A (zh) * | 2023-06-21 | 2023-10-13 | 查维斯机械制造(北京)有限公司 | 基于计算机视觉的牛胴体脊柱区域快速提取方法 |
| CN116883328B (zh) * | 2023-06-21 | 2024-01-05 | 查维斯机械制造(北京)有限公司 | 基于计算机视觉的牛胴体脊柱区域快速提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107730521B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730521A (zh) | 一种图像中屋脊型边缘的快速检测方法 | |
| CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
| CN113409313B (zh) | 基于计算机视觉的车轮焊缝表面缺陷检测方法 | |
| CN101408985B (zh) | 一种圆形光斑亚像素中心提取方法及装置 | |
| US20110069892A1 (en) | Method of comparing similarity of 3d visual objects | |
| CN105954301B (zh) | 一种基于机器视觉的瓶口质量检测方法 | |
| CN104697476A (zh) | 粗糙度光切轮廓曲线的自动检测方法及装置 | |
| CN103051872A (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
| CN111862055B (zh) | 一种基于图像处理的水准泡车削空腔缺陷检测方法 | |
| CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
| CN106651837A (zh) | 白玻璃板表面崩边缺陷检测方法 | |
| CN106355597A (zh) | 基于单目视觉的钢板折角自动测量机器人图像处理方法 | |
| CN109191516B (zh) | 结构光模组的旋转纠正方法、装置及可读存储介质 | |
| CN110889874B (zh) | 一种双目相机标定结果的误差评估方法 | |
| JP6260026B2 (ja) | 画像処理による架線位置測定装置及び架線位置測定方法 | |
| CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
| CN106709952A (zh) | 一种显示屏幕的自动标定方法 | |
| CN109741377A (zh) | 一种图像差异检测方法 | |
| CN105956509A (zh) | 基于聚类算法的一维条码检测的方法及装置 | |
| CN109447946A (zh) | 一种架空通信光缆异常检测方法 | |
| CN104166843B (zh) | 一种基于直线连续性的文档图像来源判别方法 | |
| WO2015085817A1 (zh) | 一种多光谱券类质量检测方法和系统 | |
| CN106447907B (zh) | 一种钞票图像异常的检测方法及装置 | |
| CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
| CN109084721B (zh) | 用于确定半导体器件中的目标结构的形貌参数的方法和设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230000 Yafu Park, Juchao Economic Development Zone, Chaohu City, Hefei City, Anhui Province Applicant after: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. Address before: 102, room 602, C District, Hefei National University, Mount Huangshan Road, 230000 Hefei Road, Anhui, China Applicant before: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |