CN108022233A - 一种基于改进型Canny算子的工件边缘提取方法 - Google Patents

一种基于改进型Canny算子的工件边缘提取方法 Download PDF

Info

Publication number
CN108022233A
CN108022233A CN201610956533.6A CN201610956533A CN108022233A CN 108022233 A CN108022233 A CN 108022233A CN 201610956533 A CN201610956533 A CN 201610956533A CN 108022233 A CN108022233 A CN 108022233A
Authority
CN
China
Prior art keywords
mrow
mtd
pixel
edge
msub
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
CN201610956533.6A
Other languages
English (en)
Inventor
林浒
孙兰
孙一兰
王诗宇
李伦兴
窦冬洋
蒋宁
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.)
Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd
Original Assignee
Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd
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 Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd filed Critical Shenyang Gaojing Numerical Control Intelligent Technology Co Ltd
Priority to CN201610956533.6A priority Critical patent/CN108022233A/zh
Publication of CN108022233A publication Critical patent/CN108022233A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明涉及一种基于改进型Canny算子的工件边缘提取方法，包括：从零点开始对原始图像进行卷积处理；对卷积结果进行加权处理，获取加权处理后灰度图；对加权处理后灰度图计算梯度方向和幅值；对梯度进行非极大值抑制；运用高低阈值确定图像边缘；提取和连接图像边缘。本发明方法为改进型的Canny算子弥补了经典Canny算子在滤波阶段因高斯滤波参数的选取对图像边缘和噪声间难以兼顾的问题，以及双阈值设置的自适应性问题。实验结果表明，改进型的Canny算子更好地权衡了噪声和边缘信息之间的关系，对工件边缘特征有更好地提取效果。

Description

一种基于改进型Canny算子的工件边缘提取方法
技术领域
本发明涉及工业机器人视觉定位领域，具体涉及一种基于改进型Canny算子的工件边缘提取方法。
背景技术
图像的边缘指的是图像中灰度值有突变的地方，是待测工件与背景图样的分界线。边缘的获取是机器人视觉系统中的一个重要环节。图像的边缘包含了待测工件的大量信息，是图像最基本的特征之一。边缘提取的效果直接关系到后续图像处理中的拟合、分类和识别过程。在工程应用中，图像的边缘也常被作为人们检测工件缺陷、定义工件尺寸以及定位工件的识别依据。因此准确提取工件边缘信息对于整个视觉系统来说至关重要。
Canny边缘检测算子是John F.Canny于1986年提出的一个多级边缘检测算子。更为重要的是，Canny创立了边缘检测计算理论来解释Canny算子的工作流程。Canny算子首次建立了边缘检测的数学模型，将图像的边缘检测转化为检测单位函数极大值问题，并依据好的边缘检测算子应有的指标提出来判定边缘检测算子的三个准则。因此，Canny算子具有高信噪比和高检测精度等优点，在工程实践中被广泛的应用。但是，Canny算子依然存在一定的不足之处，由于经典的Canny算子选用高斯滤波器来对图像进行平滑处理，其平滑参数σ的选取对滤波效果起到了决定性的影响。除此之外，虽然经典的Canny算子采用高低两个阈值来提取边缘，相比于单阈值的方式虽然更加灵活，但依然存在阈值分割的共性问题。
发明内容
针对经典Canny算子在机器人视觉系统中对工件边缘特征提取过程中存在的缺点与不足，本发明从图像中边缘处灰度值近似度角度入手，引入灰度权重参数，有效的权衡了噪声和边缘之间的关系。同时将最大类间方差法引入Canny算子，使其在边缘连接环节中的阈值设置上有较好的自适应性。最后将其运用到机器人视觉系统中，可以精确地提取目标边缘，为后续的定位、分拣匹配等过程提供有价值的信息。
本发明为实现上述目的所采用的技术方案是：
一种基于改进型Canny算子的工件边缘提取方法，包括以下步骤：
S1：对原始图像进行卷积处理获取卷积图像；
S2：对卷积图像进行加权处理，获取加权处理后灰度图像；
S3：对加权处理后灰度图像计算梯度方向和幅值；
S4：对加权处理后灰度图像，沿梯度方向对梯度幅值进行非极大值抑制，获取候选边缘；
S5：对候选边缘计算滞后阈值的高阈值、低阈值；
S6：对候选边缘根据滞后阈值的高阈值、低阈值提取和连接图像边缘。
所述对原始图像进行卷积处理获取卷积图像，具体为：通过该点的灰度值分布，判断出该点属于边缘区域或者平缓区域；对边缘区域采用基于灰度值相似性权重进行处理、对平缓区域采用空间距离权重进行处理，获取卷积图像。
所述采用基于灰度值相似性权重进行处理，包括：选取5*5模板对边缘区域进行卷积，令当前点领域内的像素点与当前点的灰度值做差，当差值小于预设阈值，则保留该像素点，若大于该阈值，则舍弃该像素点，用保留下来的像素点的平均灰度值替换当前点像素的原灰度值。
所述采用空间距离权重进行处理包括：选取5*5模板对平滑区域进行卷积，使得每一个像素点的灰度值都由其本身和邻域内的其他像素点的值灰度值经过加权平均后得到。
所述对卷积图像进行加权处理，获取加权处理后灰度图像，具体为：
计算卷积图像的每个像素点的灰度值加权值组合：
加权系数m(i,j,k,l)取决于像素间的空间位置关系和灰度值分布：
其中，(i,j)表示图像中当前的像素点，(k,l)表示邻域点，其中(j-2≤k≤j+2)，(i-2≤l≤i+2)，f(·)表示对应像素点的灰度值，σd是空域滤波器标准差，σr是灰度滤波器标准差。
所述对加权处理后灰度图计算梯度方向和幅值，具体为：运用一对卷积阵列分别作用于x和y方向：
运用下列公式计算梯度幅值和方向：
其中，梯度方向θ取这四个可能的角度之一：0度、45度、90度、135度。
所述对加权处理后灰度图像，沿梯度方向对梯度幅值进行非极大值抑制，获取候选边缘，具体为：对邻域的中心像素M，比较其梯度幅值与沿着梯度方向的相邻两个像素的梯度幅值，如果M的梯度幅值不比沿梯度线的两个相邻像素的梯度幅值大，则令像素M的灰度值置0。
所述对候选边缘计算滞后阈值的高阈值、低阈值，具体为：
假设分割图像目标和背景的灰度阈值为T，图像中目标像素和背景像素的数量分别为N1和N2，像素总数N为N1和N2之和；目标像素和背景像素所占比重分别为ω1和ω2，平均灰度值分别为μ1和μ2，图像总的平均灰度值为μ，因此它们满足如下关系：
ω1＝N1/N (3)
ω2＝N2/N (4)
ω1+ω2＝1 (5)
μ＝ω1×μ1+ω2×μ2 (6)
H＝ω1×(μ1-μ)2+ω2×(μ2-μ)2 (7)
最后，通过遍历T,对灰度直方图进行积分操作，得到N1和N2,求出使H最大的阈值Tup，0≤T≤255；将此时的Tup作为滞后阈值的高阈值，并定义滞后阈值的低阈值Tdown∈[Tup/3,Tup/2]。
所述对候选边缘根据滞后阈值的高阈值、低阈值提取和连接图像边缘具体为：
若该像素位置的灰度值超过滞后阈值的高阈值Tup，该像素被保留为边缘像素；
若该像素位置的灰度值小于滞后阈值的低阈值Tdown，该像素被排除；
若该像素位置的灰度值在[Tdown,Tup]之间，该像素仅仅连接到一个高于滞后阈值的高阈值Tup的像素时被保留，否则该像素被排除。
本发明具有以下优点及有益效果：
1.针对性强，克服了因高斯滤波参数的选取而造成的边缘信息和噪声之间难以兼顾的问题，改进后的方法在保证能够很好的抑制噪声的同时又能很好的保护边缘信息。
2.根据图像信息的变化，可以自适应的设置高低阈值，精确检测到图像的边缘信息，排除虚假信息的影响，保证图像边缘的连续性，具有较好的自适应性。
附图说明
图1为本发明整体流程图；
图2为经典的Canny边缘检测算子的流程图；
图3(a)为σ＝2时的高斯滤波器图；图3(b)为σ＝3时的高斯滤波器图图；3(c)为σ＝4时的高斯滤波器图；
图4为传统方法中选取较大滤波参数时的效果图；
图5为传统方法中选取较小滤波参数时的效果图；
图6为实验对象的灰度直方图；
图7为使用本发明进行边缘特征提取的效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明的总体流程如图1所示，基于改进型的Canny算子的工件边缘特征提取方法主要包括以下步骤：
1：对原始图像进行卷积处理获取卷积图像；
2：对卷积图像进行加权处理：通过将该点灰度值与阈值进行比较，判断出该点属于边缘区域或者平缓区域；对边缘区域采用基于灰度值相似性权重进行处理、对平缓区域采用空间距离权重进行处理，获取卷积图像；
3：对加权处理后灰度图像计算梯度方向和幅值；
4：对加权处理后灰度图像，沿梯度方向对梯度幅值进行非极大值抑制，获取候选边缘；
5：对候选边缘计算滞后阈值的高阈值、低阈值；
6：对候选边缘根据滞后阈值的高阈值、低阈值提取和连接图像边缘。
如图2所示，为经典的Canny边缘检测算子的流程图，Canny算子本身是一个多阶段的优化算子，因此相比于其他经典的梯度边缘检测算子的效果都要好。为了降低计算强度，提高图像处理的速度，经典的Canny算子在滤波阶段采用高斯滤波器对图像进行平滑处理。高斯滤波是一种线性平滑滤波，高斯滤波器如图3所示。由图3可知，的选取影响着高斯滤波器的参数，因此也决定着图像的平滑程度。当选取的参数σ较大时，虽然提高了高斯滤波器的降噪效果，但也会明显的模糊图像的边缘，对高频细节的保护并不明显，增加了错检率，如图4所示。而当选取较小的参数σ时，对噪音的抑制效果便有所降低，同时也会降低边缘的定位精度，如图5所示。
本发明采用基于灰度值相似性权重进行处理，包括：在边缘区域，选取5*5模板对边缘区域进行卷积，令当前点领域内的像素点与当前点的灰度值做差，当差值小于预设阈值，则保留该像素点，若大于该阈值，则舍弃该像素点，用保留下来的像素点的平均灰度值替换当前点像素的原灰度值。灰度值相差较大的像素点不做考虑。
采用空间距离权重进行处理包括：选取5*5模板对平滑区域，用基于权重参数的高斯滤波器(高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器)对图像中每一个像素值进行扫描，使得每一个像素点的灰度值都由其本身和邻域内的其他像素点的灰度值经过加权平均后得到。
针对上述经典的Canny边缘检测算子出现的问题，本发明方法引入基于灰度的权重参数σr，经典的Canny算子中的高斯滤波器仅考虑了像素间空间位置上的关系，而灰度值的变化往往更能影响图像的边缘细节。本发明方法首先通过分析图像的灰度分布情况来判断边缘灰度的分布信息，图6是实验图片的灰度化后的灰度直方图，根据直方图中波谷和拐点的变化来获取边缘处的灰度信息。在图像变化平缓的区域，一定邻域内的像素灰度值非常接近，因此经典的Canny算子中的高斯滤波器可以有效的去除噪声，作为低通滤波器来消除由噪声产生的相关度较弱的像素；在图像变化剧烈的区域，我们将边缘点邻域内灰度相似的像素点的灰度平均值代替原灰度值，这样就使得图像边缘不模糊受损，这就保证了图像在高效高斯平滑的同时又确保了对图像边缘的保护。
算法改进后，图像的输出像素依赖于像素值的加权值组合：
加权系数m(i,j,k,l)取决于像素间的空间位置关系和灰度值分布：
其中，(i,j)表示当前的像素点，(k,l)表示邻域点，k∈(j-2，j+2)，l∈(i-2，i+2)，f(·)表示对应像素点的灰度值，σd是空域滤波器标准差，σr是灰度滤波器标准差，所述σd＝2、σr＝0.1为经验值。
计算梯度方向和幅值，目的是增强边缘，具体为：运用一对卷积阵列分别作用于x和y方向：
运用下列公式计算梯度幅值和方向：
其中，梯度方向θ一般取这四个可能的角度之一：0度、45度、90度、135度。
仅仅得到全局的梯度并不足以确定边缘，为确定边缘，必须保留局部梯度最大的点，而抑制非极大值，即将非局部极大值的点置零以得到细化的边缘，所述对梯度进行非极大值抑制，该步骤排除非边缘像素，仅仅保留了一些候选边缘，具体为：在每一点上，邻域的中心像素M与沿着梯度方向的两个像素相比较，如果M的梯度幅值不比沿梯度方向的两个相邻像素梯度幅值大，则将M的灰度值置0。
本发明还将一种自适应的阈值确定方法，即最大类间方差法引入到Canny算子中，使Canny算子在面对图像变化的情况下依然能够获得理想的效果，排除因阈值设置的不合理而造成的虚假边缘或边缘不连续等问题。最大类间差法的原理就是依据图像中背景和目标的灰度特性差别，当它们的差别越大时，其类间方差也越大，进而通过求取类间方差的最大值来获取使背景和目标两部分错分的概率最小的阈值。如图6所示，双峰分别代表了图像中目标和背景两部分灰度的分布情况。这里假设分割图像目标和背景的阈值为T，图像中目标像素和背景像素的数量分别为N1和N2，像素总数N为N1和N2之和；目标像素和背景像素所占比重分别为ω1和ω2，平均灰度值分别为μ1和μ2，图像总的平均灰度值为μ，因此它们满足如下关系：
ω1＝N1/N (3)
ω2＝N2/N (4)
ω1+ω2＝1 (5)
μ＝ω1×μ1+ω2×μ2 (6)
H＝ω1×(μ1-μ)2+ω2×(μ2-μ)2 (7)
最后通过法遍历求出使H最大的阈值T。T对应灰度图像双峰之间的谷底部分的灰度值，将此时的T作为滞后阈值的高阈值TUP，再定义滞后阈值的低阈值Tdown∈[Tup/3,Tup/2]。为了精确的检测到图像的边缘信息，排除虚假边缘的影响，并保证图像边缘的连续性，我们将在对梯度进行非极大值抑制后引入上述方法。这样就使得Canny算子可以根据图像的变化自适应的确定合适的高低阈值。
提取和连接图像边缘：若某一像素位置的灰度值超过高阈值，该像素被保留为边缘像素；若某一像素位置的灰度值小于低阈值，该像素被排除；若该素位置的灰度值在[Tdown,Tup]之间，该像素仅仅连接到一个高于滞后阈值的高阈值Tup的像素时被保留。图7是使用本发明方法提取的工件特征效果图，可见，通过判断对应点像素灰度值所处的阈值范围来选取不同的处理方式，使得要获取的图像边缘被较为完整的提取出来，同时对噪声的抑制效果以及边缘的连续性也比较理想。

Claims (9)

1.一种基于改进型Canny算子的工件边缘提取方法，其特征在于，包括以下步骤：
S1：对原始图像进行卷积处理获取卷积图像；
S2：对卷积图像进行加权处理，获取加权处理后灰度图像；
S3：对加权处理后灰度图像计算梯度方向和幅值；
S4：对加权处理后灰度图像，沿梯度方向对梯度幅值进行非极大值抑制，获取候选边缘；
S5：对候选边缘计算滞后阈值的高阈值、低阈值；
S6：对候选边缘根据滞后阈值的高阈值、低阈值提取和连接图像边缘。
2.根据权利要求1所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述对原始图像进行卷积处理获取卷积图像，具体为：通过该点的灰度值分布，判断出该点属于边缘区域或者平缓区域；对边缘区域采用基于灰度值相似性权重进行处理、对平缓区域采用空间距离权重进行处理，获取卷积图像。
3.根据权利要求2所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述采用基于灰度值相似性权重进行处理，包括：选取5*5模板对边缘区域进行卷积，令当前点领域内的像素点与当前点的灰度值做差，当差值小于预设阈值，则保留该像素点，若大于该阈值，则舍弃该像素点，用保留下来的像素点的平均灰度值替换当前点像素的原灰度值。
4.根据权利要求2所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述采用空间距离权重进行处理包括：选取5*5模板对平滑区域进行卷积，使得每一个像素点的灰度值都由其本身和邻域内的其他像素点的值灰度值经过加权平均后得到。
5.根据权利要求1所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述对卷积图像进行加权处理，获取加权处理后灰度图像，具体为：
计算卷积图像的每个像素点的灰度值加权值组合：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mi>f</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mi>m</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mi>m</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
加权系数m(i,j,k,l)取决于像素间的空间位置关系和灰度值分布：
<mrow> <mi>m</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>-</mo> <msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msub> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> <mi>d</mi> </msub> </mrow> </mfrac> <mo>}</mo> <mo>+</mo> <mi>exp</mi> <mo>{</mo> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> </mrow> <mrow> <mn>2</mn> <msub> <msup> <mi>&amp;sigma;</mi> <mn>2</mn> </msup> <mi>r</mi> </msub> </mrow> </mfrac> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，(i,j)表示图像中当前的像素点，(k,l)表示邻域点，其中(j-2≤k≤j+2)，(i-2≤l≤i+2)，f(·)表示对应像素点的灰度值，σd是空域滤波器标准差，σr是灰度滤波器标准差。
6.根据权利要求1所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述对加权处理后灰度图计算梯度方向和幅值，具体为：运用一对卷积阵列分别作用于x和y方向：
<mrow> <msub> <mi>G</mi> <mi>x</mi> </msub> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>+</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>+</mo> <mn>2</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>+</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <msub> <mi>G</mi> <mi>y</mi> </msub> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> <mtd> <mn>0</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mn>1</mn> </mrow> </mtd> <mtd> <mrow> <mo>+</mo> <mn>2</mn> </mrow> </mtd> <mtd> <mrow> <mo>+</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
运用下列公式计算梯度幅值和方向：
<mrow> <mi>G</mi> <mo>=</mo> <msqrt> <mrow> <msup> <msub> <mi>G</mi> <mi>x</mi> </msub> <mn>2</mn> </msup> <mo>+</mo> <msup> <msub> <mi>G</mi> <mi>y</mi> </msub> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
<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>
其中，梯度方向θ取这四个可能的角度之一：0度、45度、90度、135度。
7.根据权利要求1所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于所述对加权处理后灰度图像，沿梯度方向对梯度幅值进行非极大值抑制，获取候选边缘，具体为：对邻域的中心像素M，比较其梯度幅值与沿着梯度方向的相邻两个像素的梯度幅值，如果M的梯度幅值不比沿梯度线的两个相邻像素的梯度幅值大，则令像素M的灰度值置0。
8.根据权利要求1所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述对候选边缘计算滞后阈值的高阈值、低阈值，具体为：
假设分割图像目标和背景的灰度阈值为T，图像中目标像素和背景像素的数量分别为N1和N2，像素总数N为N1和N2之和；目标像素和背景像素所占比重分别为ω1和ω2，平均灰度值分别为μ1和μ2，图像总的平均灰度值为μ，因此它们满足如下关系：
ω1＝N1/N (3)
ω2＝N2/N (4)
ω1+ω2＝1 (5)
μ＝ω1×μ1+ω2×μ2 (6)
H＝ω1×(μ1-μ)2+ω2×(μ2-μ)2 (7)
最后，通过遍历T,对灰度直方图进行积分操作，得到N1和N2,求出使H最大的阈值Tup，0≤T≤255；将此时的Tup作为滞后阈值的高阈值，并定义滞后阈值的低阈值Tdown∈[Tup/3,Tup/2]。
9.根据权利要求1所述的一种基于改进型Canny算子的工件边缘提取方法，其特征在于，所述对候选边缘根据滞后阈值的高阈值、低阈值提取和连接图像边缘具体为：
若该像素位置的灰度值超过滞后阈值的高阈值Tup，该像素被保留为边缘像素；
若该像素位置的灰度值小于滞后阈值的低阈值Tdown，该像素被排除；
若该像素位置的灰度值在[Tdown,Tup]之间，该像素仅仅连接到一个高于滞后阈值的高阈值Tup的像素时被保留，否则该像素被排除。
CN201610956533.6A 2016-10-28 2016-10-28 一种基于改进型Canny算子的工件边缘提取方法 Pending CN108022233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610956533.6A CN108022233A (zh) 2016-10-28 2016-10-28 一种基于改进型Canny算子的工件边缘提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610956533.6A CN108022233A (zh) 2016-10-28 2016-10-28 一种基于改进型Canny算子的工件边缘提取方法

Publications (1)

Publication Number Publication Date
CN108022233A true CN108022233A (zh) 2018-05-11

Family

ID=62083824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610956533.6A Pending CN108022233A (zh) 2016-10-28 2016-10-28 一种基于改进型Canny算子的工件边缘提取方法

Country Status (1)

Country Link
CN (1) CN108022233A (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416789A (zh) * 2018-06-04 2018-08-17 武汉斑马快跑科技有限公司 图像边缘检测方法及系统
CN108499117A (zh) * 2018-04-11 2018-09-07 李�杰 可推动式吊篮秋千
CN109272018A (zh) * 2018-08-16 2019-01-25 国网浙江省电力有限公司温州供电公司 一种红外图片识别方法
CN109360217A (zh) * 2018-09-29 2019-02-19 国电南瑞科技股份有限公司 输变电设备图像边缘检测方法、装置及系统
CN109410230A (zh) * 2018-09-07 2019-03-01 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109447119A (zh) * 2018-09-26 2019-03-08 电子科技大学 一种结合形态学分割和svm的尿沉渣中管型识别方法
CN109472773A (zh) * 2018-09-29 2019-03-15 广东工业大学 一种针对led的缺陷检测方法
CN109543487A (zh) * 2018-11-22 2019-03-29 福州图腾易讯信息技术有限公司 一种基于条码边缘分割的自动感应触发方法及其系统
CN109584240A (zh) * 2018-12-20 2019-04-05 成都理工大学 滑坡后缘裂缝位移图像识别方法
CN110674799A (zh) * 2019-11-15 2020-01-10 南昌木本医疗科技有限公司 一种基于图像处理的植物提取参数设置系统
CN111027567A (zh) * 2019-10-30 2020-04-17 四川轻化工大学 一种基于算法学习的边缘提取方法
CN111062317A (zh) * 2019-12-16 2020-04-24 中国计量大学上虞高等研究院有限公司 一种扫描文档的裁边方法与系统
CN111127498A (zh) * 2019-12-12 2020-05-08 重庆邮电大学 一种基于边缘自生长的Canny边缘检测方法
CN111179289A (zh) * 2019-12-31 2020-05-19 重庆邮电大学 一种适用于网页长图宽图的图像分割方法
CN111192281A (zh) * 2020-01-02 2020-05-22 国网湖北省电力有限公司电力科学研究院 一种基于视觉感知机制的电气设备图像自动生成方法
CN111311525A (zh) * 2019-11-20 2020-06-19 重庆邮电大学 一种基于直方图概率修正的图像梯度场双区间均衡化算法
CN111415363A (zh) * 2020-04-20 2020-07-14 电子科技大学中山学院 一种图像边缘识别方法
CN111739058A (zh) * 2020-06-03 2020-10-02 大连理工大学 一种基于高斯滤波的分水岭算法的自由液面识别和提取的方法
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN112164086A (zh) * 2020-10-12 2021-01-01 华雁智能科技(集团)股份有限公司 一种精细化的图像边缘信息确定方法、系统及电子设备
CN112508945A (zh) * 2020-12-28 2021-03-16 内蒙动力机械研究所 一种基于计算机视觉的固体火箭发动机无损检测方法
CN112581474A (zh) * 2021-02-22 2021-03-30 常州微亿智造科技有限公司 一种基于正弦曲线扫描的工业部件视觉边缘检测方法
CN112801892A (zh) * 2021-01-11 2021-05-14 中国民航大学 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN113538479A (zh) * 2020-04-20 2021-10-22 深圳市汉森软件有限公司 图像边缘处理方法、装置、设备及存储介质
CN113674175A (zh) * 2021-08-23 2021-11-19 江苏科技大学 用于检测跨海大桥结构损害的水下机器人图像增强方法
CN114494210A (zh) * 2022-01-28 2022-05-13 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN114529459A (zh) * 2022-04-25 2022-05-24 东莞市兆丰精密仪器有限公司 一种对图像边缘进行增强处理的方法和系统及介质
CN115775241A (zh) * 2022-12-04 2023-03-10 武汉惠强新能源材料科技有限公司 用于锂电池隔膜生产的流延厚度均匀性检测方法
CN116152261A (zh) * 2023-04-24 2023-05-23 济南奥盛包装科技有限公司 一种印刷制品质量的视觉检测系统
CN117557590A (zh) * 2024-01-11 2024-02-13 杭州汇萃智能科技有限公司 一种高抗噪图像边缘特征提取方法、系统以及介质
CN117689716A (zh) * 2023-12-15 2024-03-12 广州赛志系统科技有限公司 板件视觉定位识别抓取方法、控制系统及板件生产线

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150725A (zh) * 2013-02-06 2013-06-12 华中科技大学 基于非局部均值的susan边缘检测方法及系统
WO2014102428A1 (es) * 2012-12-26 2014-07-03 Universidad De Almeria Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares
CN104036465A (zh) * 2014-06-17 2014-09-10 南京邮电大学 基于边缘检测的自适应非局部均值去噪方法
CN104200442A (zh) * 2014-09-19 2014-12-10 西安电子科技大学 基于改进的canny边缘检测的非局部均值MRI图像去噪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014102428A1 (es) * 2012-12-26 2014-07-03 Universidad De Almeria Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares
CN103150725A (zh) * 2013-02-06 2013-06-12 华中科技大学 基于非局部均值的susan边缘检测方法及系统
CN104036465A (zh) * 2014-06-17 2014-09-10 南京邮电大学 基于边缘检测的自适应非局部均值去噪方法
CN104200442A (zh) * 2014-09-19 2014-12-10 西安电子科技大学 基于改进的canny边缘检测的非局部均值MRI图像去噪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐亮等: "自适应阈值Canny边缘检测算法研究", 《软件导刊》 *
杨学志等: "结合区域分割和双边滤波的图像去噪新算法", 《中国图象图形学报》 *
田启川: "《虹膜识别原理及算法》", 30 June 2010, 国防工业出版社 *
穆晓芳等: "《数字图像处理技术》", 30 June 2009, 煤炭工业出版社 *

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108499117B (zh) * 2018-04-11 2019-10-18 浦江县神力链条有限公司 可推动式吊篮秋千
CN108499117A (zh) * 2018-04-11 2018-09-07 李�杰 可推动式吊篮秋千
CN108416789A (zh) * 2018-06-04 2018-08-17 武汉斑马快跑科技有限公司 图像边缘检测方法及系统
CN109272018A (zh) * 2018-08-16 2019-01-25 国网浙江省电力有限公司温州供电公司 一种红外图片识别方法
CN109410230B (zh) * 2018-09-07 2022-06-17 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109410230A (zh) * 2018-09-07 2019-03-01 南京航空航天大学 一种可抗噪声的改进Canny图像边缘检测方法
CN109447119A (zh) * 2018-09-26 2019-03-08 电子科技大学 一种结合形态学分割和svm的尿沉渣中管型识别方法
CN109360217A (zh) * 2018-09-29 2019-02-19 国电南瑞科技股份有限公司 输变电设备图像边缘检测方法、装置及系统
CN109472773A (zh) * 2018-09-29 2019-03-15 广东工业大学 一种针对led的缺陷检测方法
CN109472773B (zh) * 2018-09-29 2020-05-05 广东工业大学 一种针对led的缺陷检测方法
CN109543487A (zh) * 2018-11-22 2019-03-29 福州图腾易讯信息技术有限公司 一种基于条码边缘分割的自动感应触发方法及其系统
CN109584240A (zh) * 2018-12-20 2019-04-05 成都理工大学 滑坡后缘裂缝位移图像识别方法
CN111027567A (zh) * 2019-10-30 2020-04-17 四川轻化工大学 一种基于算法学习的边缘提取方法
CN110674799A (zh) * 2019-11-15 2020-01-10 南昌木本医疗科技有限公司 一种基于图像处理的植物提取参数设置系统
CN110674799B (zh) * 2019-11-15 2022-04-05 南昌木本医疗科技有限公司 一种基于图像处理的植物提取参数设置系统
CN111311525A (zh) * 2019-11-20 2020-06-19 重庆邮电大学 一种基于直方图概率修正的图像梯度场双区间均衡化算法
CN111127498A (zh) * 2019-12-12 2020-05-08 重庆邮电大学 一种基于边缘自生长的Canny边缘检测方法
CN111062317A (zh) * 2019-12-16 2020-04-24 中国计量大学上虞高等研究院有限公司 一种扫描文档的裁边方法与系统
CN111179289B (zh) * 2019-12-31 2023-05-19 重庆邮电大学 一种适用于网页长图宽图的图像分割方法
CN111179289A (zh) * 2019-12-31 2020-05-19 重庆邮电大学 一种适用于网页长图宽图的图像分割方法
CN111192281A (zh) * 2020-01-02 2020-05-22 国网湖北省电力有限公司电力科学研究院 一种基于视觉感知机制的电气设备图像自动生成方法
CN111415363B (zh) * 2020-04-20 2023-04-18 电子科技大学中山学院 一种图像边缘识别方法
CN113538479B (zh) * 2020-04-20 2023-07-14 深圳市汉森软件有限公司 图像边缘处理方法、装置、设备及存储介质
CN113538479A (zh) * 2020-04-20 2021-10-22 深圳市汉森软件有限公司 图像边缘处理方法、装置、设备及存储介质
CN111415363A (zh) * 2020-04-20 2020-07-14 电子科技大学中山学院 一种图像边缘识别方法
CN111739058A (zh) * 2020-06-03 2020-10-02 大连理工大学 一种基于高斯滤波的分水岭算法的自由液面识别和提取的方法
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN111985329B (zh) * 2020-07-16 2024-03-29 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN112164086A (zh) * 2020-10-12 2021-01-01 华雁智能科技(集团)股份有限公司 一种精细化的图像边缘信息确定方法、系统及电子设备
CN112508945A (zh) * 2020-12-28 2021-03-16 内蒙动力机械研究所 一种基于计算机视觉的固体火箭发动机无损检测方法
CN112801892A (zh) * 2021-01-11 2021-05-14 中国民航大学 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN112801892B (zh) * 2021-01-11 2022-07-01 中国民航大学 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN112581474A (zh) * 2021-02-22 2021-03-30 常州微亿智造科技有限公司 一种基于正弦曲线扫描的工业部件视觉边缘检测方法
CN113674175B (zh) * 2021-08-23 2024-07-23 江苏科技大学 用于检测跨海大桥结构损害的水下机器人图像增强方法
CN113674175A (zh) * 2021-08-23 2021-11-19 江苏科技大学 用于检测跨海大桥结构损害的水下机器人图像增强方法
CN114494210A (zh) * 2022-01-28 2022-05-13 江苏豪尚新材料科技有限公司 基于图像处理的塑料膜生产缺陷检测方法及系统
CN114529459A (zh) * 2022-04-25 2022-05-24 东莞市兆丰精密仪器有限公司 一种对图像边缘进行增强处理的方法和系统及介质
CN115775241A (zh) * 2022-12-04 2023-03-10 武汉惠强新能源材料科技有限公司 用于锂电池隔膜生产的流延厚度均匀性检测方法
CN116152261A (zh) * 2023-04-24 2023-05-23 济南奥盛包装科技有限公司 一种印刷制品质量的视觉检测系统
CN117689716A (zh) * 2023-12-15 2024-03-12 广州赛志系统科技有限公司 板件视觉定位识别抓取方法、控制系统及板件生产线
CN117689716B (zh) * 2023-12-15 2024-05-17 广州赛志系统科技有限公司 板件视觉定位识别抓取方法、控制系统及板件生产线
CN117557590A (zh) * 2024-01-11 2024-02-13 杭州汇萃智能科技有限公司 一种高抗噪图像边缘特征提取方法、系统以及介质

Similar Documents

Publication Publication Date Title
CN108022233A (zh) 一种基于改进型Canny算子的工件边缘提取方法
US11580647B1 (en) Global and local binary pattern image crack segmentation method based on robot vision
CN109800824B (zh) 一种基于计算机视觉与机器学习的管道缺陷识别方法
Jahedsaravani et al. An image segmentation algorithm for measurement of flotation froth bubble size distributions
CN103886589B (zh) 面向目标的自动化高精度边缘提取方法
CN107767387B (zh) 基于可变感受野尺度全局调制的轮廓检测方法
CN108898610A (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN111310558A (zh) 一种基于深度学习和图像处理法的路面病害智能提取方法
CN108416789A (zh) 图像边缘检测方法及系统
CN110148162A (zh) 一种基于复合算子的异源图像匹配方法
CN103778627B (zh) 一种基于sar图像的海域溢油检测方法
CN107220649A (zh) 一种素色布匹缺陷检测和分类方法
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
Suryakant Edge detection using fuzzy logic in Matlab
Saif et al. Gradient based image edge detection
Feng et al. A new edge detection algorithm based on Canny idea
Rani et al. Detection of edges using mathematical morphological operators
CN108090492B (zh) 基于尺度线索抑制的轮廓检测方法
Medina-Carnicer et al. Solving the process of hysteresis without determining the optimal thresholds
CN114943744A (zh) 基于局部Otsu阈值化的边缘检测方法
Wang et al. An edge detection method by combining fuzzy logic and neural network
Yu et al. Optimized self-adapting contrast enhancement algorithm for wafer contour extraction
CN110443790B (zh) 一种医学影像中软骨识别方法和识别系统
CN104063874A (zh) 基于权值模型的灰度图像二值化算法定量评估方法
Lee et al. Development of a crack type index

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: 20180511

RJ01 Rejection of invention patent application after publication