CN107909083B - 一种基于轮廓匹配优化的矩形检测提取方法 - Google Patents
一种基于轮廓匹配优化的矩形检测提取方法 Download PDFInfo
- Publication number
- CN107909083B CN107909083B CN201711105030.9A CN201711105030A CN107909083B CN 107909083 B CN107909083 B CN 107909083B CN 201711105030 A CN201711105030 A CN 201711105030A CN 107909083 B CN107909083 B CN 107909083B
- Authority
- CN
- China
- Prior art keywords
- rectangle
- edge
- outline
- regular grid
- hough transform
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,包括以下步骤:步骤1:检测和提取原始影像边缘轮廓,得到边缘影像;步骤2:计算边缘影像中每一个非边缘像素距离最近边缘像素的距离D(p),然后进行归一化距离变换,得到归一化后的距离S(p),p为非边缘像素;步骤3:采用规则网格覆盖边缘影像,并对规则网格中的矩形赋初始值;步骤4:计算每一个规则网格中的矩形及该矩形邻域集中的矩形的综合轮廓匹配度,选取轮廓匹配度最大的矩形作为提取的初始矩形;步骤5:去除重复矩形和非矩形,得到最终的边缘影像的提取矩形。本发明的方法将矩形视为一个整体,表示为一个五维向量参数,通过对矩形的轮廓与影像中提取边缘匹配度的优化,实现矩形的高精度检测和提取。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种基于轮廓匹配优化的矩形检测提取方法。
背景技术
大量人工物体形状呈现为矩形特征,例如自然场景图像中的路牌、车牌,高分遥感影像中的汽车、建筑物、盐田。这种矩形特征与自然场景目标中具有分型特征的形状具有显著的区别,为自动检测、提取这些目标提供了极佳的特征。尤其是伴随着我国资源三号、高分二号等一批高空间分辨率遥感卫星发射,获取了大量急需实时处理的高分遥感影像。然而,当前以分割为基础的面向对象方法在提取这些目标时,常常会遇到边缘模糊、断裂、弯曲、内部差异大等状况,导致分割效果较差,进而影响最终的提取结果。因此,有针对性的矩形检测提取方法研究十分必要。
现有的矩形检测方法多是采用自底向上的先分解后组合的策略。这种策略首先从影像中提取边缘或者直线,然后由矩形对边平行、邻边垂直的约束条件,对提取的边缘或直线进行组合、分类,进而实现最终的矩形检测提取。例如目前引用最多的基于Hough直线变换的矩形检测方法(Jung,Claudio Rosito,and Rodrigo Schramm.2004.RectangleDetection based on a Windowed Hough Transform.Paper presented at the ComputerGraphics and Image Processing,Xvii Brazilian Symposium.),在边缘提取后,根据矩形的平行、垂直约束条件,在Hough变换空间中寻找满足这些条件的极值点对,实现矩形的检测提取。但由于所采用的方法中包含逐像素滑窗策略,使得这一方法速度较慢。此外,边缘弯曲等状况也会导致直线检测的失败,进而导致矩形的漏检。其它一些依赖于直线检测结果并组合的策略(河谷大和,小坂清人,吴藤弘康.图像处理装置和矩形检测方法:中国,201210439013.X[P].2012-11-06.),通常也会遇到类似边缘弯曲、断裂的漏检状况。
发明内容
针对上述问题,本发明提出了一种基于轮廓匹配优化的矩形检测提取方法,采用矩形整体检测策略,通过对矩形轮廓与检测边缘匹配度的优化,实现矩形的检测提取。
本发明的具体技术方案是一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,包括以下步骤:
步骤1:检测和提取原始影像边缘轮廓,得到边缘影像;
步骤2:计算边缘影像中每一个非边缘像素距离最近边缘像素的距离D(p),然后进行归一化距离变换,得到归一化后的距离S(p),p为非边缘像素;
步骤3:采用规则网格覆盖边缘影像,并对规则网格中的矩形赋初始值;
步骤4:计算每一个规则网格中的矩形及该矩形邻域集中的矩形的综合轮廓匹配度,选取轮廓匹配度最大的矩形作为提取的初始矩形;
步骤5:去除重复矩形和非矩形,得到最终的边缘影像的提取矩形。
更进一步地,所述的步骤1中检测和提取原始影像边缘轮廓的方法为采用Sobel算子、Prewitt算子、Canny算子的方法或用图像分割算法计算闭合轮廓的方法。
更进一步地,采用倒角距离变换的方法,计算所述的步骤2中每一个非边缘像素距离最近边缘像素的距离D(p)。
更时一步地,按下式(I)对D(p)进行归一化距离变换,
其中,σd为尺度因子参数,用于降低噪声的影响。
更进一步地,所述的步骤3中赋有初始值的规则网格Rij表达为下式(II),
Rij=(i·(1-ξ)H0,j·(1-ξ)W0,W0,H0,0)……(II)
其中,i∈{i|i≥0,i·(1-ξ)H0≤Nr},
j∈{j|j≥0,j·(1-ξ)W0≤Nc},W0,H0为规则网格中赋有初始值的矩形的宽和高,ξ是规则网格覆盖的重叠率,取值范围为[0,1],Nr和Nc分别是原始影像的行数和列数。
本发明的有益效果是:本发明的方法通过归一化距离变化,使得轮廓匹配度外力的计算能够尽可能多的反应靠近轮廓的边缘像素,并且为后续的重复矩形移除和非矩形移除提供了关键指标;通过轮廓匹配度的外力引入,使得矩形的检测提取能够提取符合预定尺度的矩形,防止矩形的过度收缩或者膨胀;多尺度的邻域集的迭代优化,以较快的速度达到预设的精度;规则网格和近似矩形的初始化策略,配合多尺度邻域迭代优化方法,实现了多个矩形目标的检测提取。
本发明对矩形目标的边缘模糊、断裂、弯曲、局部缺失等状况,具有较好的鲁棒性,并具有多个矩形目标的检测提取能力。
附图说明
图1为本发明的基于轮廓匹配优化的矩形检测提取方法流程图;
图2为实施例采用的原始影像;
图3为影像边缘提取结果图;
图4为归一化距离变换结果图;
图5是规则网格生成结果图;
图6是匹配度优化迭代结果图;
图7是重叠矩形和非矩形去除结果图。
具体实施方式
下面结合说明书附图对本发明的具体技术方案作进一步地描述。
如附图1所示,本实施例中的矩形目标提取方法主要分成以下五个主要部分:
如附图2所示,在本实施例中,所采用的原始影像为高空间分辨率遥感影像,分辨率达1米,图像尺寸为1772行×2342列,待检测提取的目标是盐田。
步骤1:检测和提取原始影像边缘轮廓,得到边缘影像。常规的Sobel算子、Prewitt算子、Canny算子,以及图像分割算法的闭合轮廓,均可应用于边缘提取。由于现有软件或者计算机视觉开源库中均提供了大量的边缘检测提取算法,例如Matlab以及Open CV,此处不再赘述。本实施例中,使用Canny算子进行提取,结果如附图3所示;
步骤2:计算边缘影像中每一个非边缘像素距离最近边缘像素的距离D(p),然后进行归一化距离变换,得到归一化后的距离S(p),p为非边缘像素。通过对边缘影像进行倒角距离变换,计算边缘影像中每一个非边缘像素距离其最近边缘像素的距离,如附图4所示。鉴于倒角距离变换技术比较成熟,现有软件或者计算机视觉开源库中均提供了此算法,例如Matlab以及Open CV,此处不再赘述。
按下式(I)对D(p)进行归一化距离变换,
其中,σd为尺度因子参数,用于降低噪声的影响,σd根据处理的原始影像的尺寸、待提取的目标大小而设定,本例中设置为10;
步骤3:采用规则网格覆盖边缘影像,并对规则网格中的矩形赋初始值。
赋有初始值的规则网格Rij表达为下式(II),
Rij=(i·(1-ξ)H0,j·(1-ξ)W0,W0,H0,0)……(II)
其中,i∈{i|i≥0,i·(1-ξ)H0≤Nr},
j∈{j|j≥0,j·(1-ξ)W0≤Nc},W0,H0为规则网格中赋有初始值的矩形的宽和高,ξ是规则网格覆盖的重叠率,取值范围为[0,1],本例设置为0.55,Nr和Nc分别是原始影像的行数和列数,即1772和2342。生成的网格如附图5所示;
步骤4:计算每一个规则网格中的矩形及该矩形邻域集中的矩形的综合轮廓匹配度,选取轮廓匹配度最大的矩形作为提取的初始矩形。具体方法包括以下步骤:
1)给需计算的规则网格中一个矩形设置一个存储空间R=(x,y,w,h,θ),设置一个迭代优化算法的尺度参数的存储空间t,采用的迭代优化算法为多尺度爬山算法,给t设置初始尺度1,其中,x,y初始为该矩形的中心点坐标,w,h初始为该矩形的宽和高,θ初始为该矩形的夹角,
2)按照下式(III)计算矩形R=(x,y,w,h,θ)的邻域集N,N={NR|NR=R+k1a1+k2a2+k3a3+k4a4+k5a5,k1,k2,k3,k4,k5∈{-1,0,1}}……(III)
其中,a1=0.5tW0(cosθ,-sinθ,0,0,0),a2=0.5tW0(sinθ,cosθ,0,0,0),a3=tW0(0,0,1,0,0),a4=tW0(0,0,0,1,0),a5=45t(0,0,0,0,1),
3)将矩形R按下式(IV)栅格化,得到栅格化的矩形表达式ER,
其中,
c=(x,y),M为整数集,
4)按下式(V)计算轮廓匹配度外力FE,
5)按下式(VI)计算轮廓匹配度内力FI,
其中,σw,σh为调控Fw,Fh的尺度因子,σw,σh根据待提取的目标大小的变化程度来设置,本实施例中设置为1.2,
6)按下式(VII)计算综合轮廓匹配度F,
7)如果t的数值小于预设的精度,本实施例的预设的精度为0.005,则跳转至步骤8),否则,提取t的数值除以2后,再次给t赋值,按照步骤2)更新邻域集,然后任意取出邻域集中的一个矩形赋值给存储空间R=(x,y,w,h,θ),按步骤3)-6)计算综合轮廓匹配度,如果当前计算的矩形综合轮廓匹配度大于前一个矩形的综合轮廓匹配度,则认为当前矩形为最匹配矩形,否则,前一个矩形为最匹配矩形,重复步骤7),
8)终止迭代,以最匹配矩形为提取的初始矩形。
通过以上方法,可以求出规则网格中每一个矩形对应的初始矩形,如附图6所示。
步骤5:去除重复矩形和非矩形,得到最终的边缘影像的提取矩形。具体方法是,在所有规则网格中的矩形对应的初始矩形中,选取任意一对初始矩形,如果小于设定的第一阈值3,这个阈值是根据待估的矩形大小设定的,一般可设定为H0,即预估矩形的高。
则视为这两个矩形为重复矩形,保留其中FE较大的矩形,移除较小的矩形,将所有初始矩形两两比较完毕后,再将FE小于设定的第二阈值0.7的矩形视为非矩形予以移除,最终剩余的初始矩形为最终的边缘影像的提取矩形,如附图7所示。这个阈值是根据前面的参数σd的设置情况而设定的,通常取根据实际需求来,设置过大了,容易导致矩形漏提;设置过小,会有太多非矩形被提取。
本发明的方法利用轮廓匹配度的优化,实现了具有矩形形状的盐田高精度提取,所得的结果是严格的矩形形状,能够满足GIS数据库直接入库的要求。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (5)
1.一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,包括以下步骤:
步骤1:检测和提取原始影像边缘轮廓,得到边缘影像;
步骤2:计算边缘影像中每一个非边缘像素距离最近边缘像素的距离D(p),然后进行归一化距离变换,得到归一化后的距离S(p),p为非边缘像素;
步骤3:采用规则网格覆盖边缘影像,并对规则网格中的矩形赋初始值;
步骤4:计算每一个规则网格中的矩形及该矩形邻域集中的矩形的综合轮廓匹配度,选取轮廓匹配度最大的矩形作为提取的初始矩形;
步骤5:去除重复矩形和非矩形,得到最终的边缘影像的提取矩形。
2.如权利要求1所述的一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,所述的步骤1中检测和提取原始影像边缘轮廓的方法为采用Sobel算子、Prewitt算子、Canny算子的方法或用图像分割算法计算闭合轮廓的方法。
3.如权利要求1所述的一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,采用倒角距离变换的方法,计算所述的步骤2中每一个非边缘像素距离最近边缘像素的距离D(p)。
4.如权利要求3所述的一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,按下式(I)对D(p)进行归一化距离变换,
其中,σd为尺度因子参数,用于降低噪声的影响。
5.如权利要求1所述的一种基于轮廓匹配优化的矩形检测提取方法,其特征在于,所述的步骤3中赋有初始值的规则网格Rij表达为下式(II),
Rij=(i·(1-ξ)H0,j·(1-ξ)W0,W0,H0,0)……(II)
其中,i∈{i|i≥0,i·(1-ξ)H0≤Nr},
j∈{j|j≥0,j·(1-ξ)W0≤Nc},W0,H0为规则网格中赋有初始值的矩形的宽和高,ξ是规则网格覆盖的重叠率,取值范围为[0,1],Nr和Nc分别是原始影像的行数和列数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711105030.9A CN107909083B (zh) | 2017-11-10 | 2017-11-10 | 一种基于轮廓匹配优化的矩形检测提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711105030.9A CN107909083B (zh) | 2017-11-10 | 2017-11-10 | 一种基于轮廓匹配优化的矩形检测提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909083A CN107909083A (zh) | 2018-04-13 |
CN107909083B true CN107909083B (zh) | 2019-03-15 |
Family
ID=61844697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711105030.9A Active CN107909083B (zh) | 2017-11-10 | 2017-11-10 | 一种基于轮廓匹配优化的矩形检测提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909083B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409265B (zh) * | 2018-10-15 | 2021-05-18 | 中国科学院地理科学与资源研究所 | 一种基于陆地资源卫星影像的浮筏养殖区域提取方法 |
CN109654997B (zh) * | 2019-02-01 | 2020-10-30 | 河南科技大学 | 一种基于机器视觉的穴盘孔精准定位装置及方法 |
CN109799531B (zh) * | 2019-03-20 | 2022-04-01 | 成都理工大学 | 一种基于地震分频相干属性的裂缝储层预测方法 |
CN110455274B (zh) * | 2019-08-02 | 2021-07-06 | 中科新松有限公司 | 基于倒角距离形状匹配的agv初始定位方法及定位系统 |
CN113177997A (zh) * | 2021-04-25 | 2021-07-27 | 上海雷鸣文化传播有限公司 | 一种基于神经网络图形算法实现水墨效果渲染的方法 |
CN113706498A (zh) * | 2021-08-25 | 2021-11-26 | 广东奥普特科技股份有限公司 | 一种锂电池极片视觉检测装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3232235B2 (ja) * | 1996-03-26 | 2001-11-26 | 松下電工株式会社 | 画像処理方法 |
JP2003263642A (ja) * | 2002-03-07 | 2003-09-19 | Canon Inc | 画像処理装置及びその方法 |
CN102052898A (zh) * | 2009-11-02 | 2011-05-11 | 重庆工商大学 | 使用计算机摄像头三基色测量微小二维位移的方法及装置 |
CN103198443A (zh) * | 2011-11-11 | 2013-07-10 | 株式会社Pfu | 图像处理装置和直线检测方法 |
CN103198444A (zh) * | 2011-11-11 | 2013-07-10 | 株式会社Pfu | 图像处理装置和矩形检测方法 |
CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
WO2017125907A1 (en) * | 2016-01-19 | 2017-07-27 | Agt International Gmbh | A method and system for object detection |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9245348B2 (en) * | 2012-06-15 | 2016-01-26 | Microsoft Technology Licensing, Llc | Determining a maximum inscribed size of a rectangle |
US9160946B1 (en) * | 2015-01-21 | 2015-10-13 | A2iA S.A. | Systems and methods for capturing images using a mobile device |
-
2017
- 2017-11-10 CN CN201711105030.9A patent/CN107909083B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3232235B2 (ja) * | 1996-03-26 | 2001-11-26 | 松下電工株式会社 | 画像処理方法 |
JP2003263642A (ja) * | 2002-03-07 | 2003-09-19 | Canon Inc | 画像処理装置及びその方法 |
CN102052898A (zh) * | 2009-11-02 | 2011-05-11 | 重庆工商大学 | 使用计算机摄像头三基色测量微小二维位移的方法及装置 |
CN103198443A (zh) * | 2011-11-11 | 2013-07-10 | 株式会社Pfu | 图像处理装置和直线检测方法 |
CN103198444A (zh) * | 2011-11-11 | 2013-07-10 | 株式会社Pfu | 图像处理装置和矩形检测方法 |
CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
WO2017125907A1 (en) * | 2016-01-19 | 2017-07-27 | Agt International Gmbh | A method and system for object detection |
Also Published As
Publication number | Publication date |
---|---|
CN107909083A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909083B (zh) | 一种基于轮廓匹配优化的矩形检测提取方法 | |
CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN109446895B (zh) | 一种基于人体头部特征的行人识别方法 | |
CN101901343B (zh) | 基于立体约束的遥感影像道路提取方法 | |
US20180122083A1 (en) | Method and device for straight line detection and image processing | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
CN101398886A (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN101147159A (zh) | 利用统计模板匹配进行对象检测的快速方法 | |
CN101833767B (zh) | 数字图像中基于梯度与颜色特征的直线自动匹配方法 | |
CN103414861A (zh) | 一种投影仪画面自适应几何矫正的方法 | |
Xiao et al. | Shadow removal from single rgb-d images | |
CN113362385A (zh) | 一种基于深度图像的货物体积测量方法及设备 | |
Wang | Automatic extraction of building outline from high resolution aerial imagery | |
KR20130059212A (ko) | 지역적 특징의 통계적 학습을 통한 강건한 얼굴인식방법 | |
CN103152569A (zh) | 一种基于深度信息的视频感兴趣区域压缩方法 | |
CN104463126A (zh) | 一种扫描文档图像的倾斜角自动检测方法 | |
CN102324043B (zh) | 基于dct的特征描述算子及优化空间量化的图像匹配方法 | |
CN104200460B (zh) | 基于图像特征和互信息的图像配准方法 | |
JP6754717B2 (ja) | 物体候補領域推定装置、物体候補領域推定方法、及び物体候補領域推定プログラム | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 | |
Neverova et al. | 2 1/2 D scene reconstruction of indoor scenes from single RGB-D images | |
Khaliluzzaman et al. | Zebra-crossing detection based on geometric feature and vertical vanishing point | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN102968793A (zh) | 基于dct域统计特性的自然图像与计算机生成图像的鉴别方法 | |
CN105069773B (zh) | 基于掩膜与canny相结合的自适应边缘检测计算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |