CN108389215A - 一种边缘检测方法、装置、计算机存储介质及终端 - Google Patents
一种边缘检测方法、装置、计算机存储介质及终端 Download PDFInfo
- Publication number
- CN108389215A CN108389215A CN201810214552.0A CN201810214552A CN108389215A CN 108389215 A CN108389215 A CN 108389215A CN 201810214552 A CN201810214552 A CN 201810214552A CN 108389215 A CN108389215 A CN 108389215A
- Authority
- CN
- China
- Prior art keywords
- pixel
- current detection
- fringe region
- edge
- detection window
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 44
- 238000005516 engineering process Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003595 spectral effect Effects 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
一种边缘检测方法、装置、计算机存储介质及终端,其中,边缘检测方法包括:生成多特征显著图幅值的归一化直方图;生成归一化直方图的高斯分布拟合曲线;根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;从边缘区域中删除被确定为无效的像素点。本发明实施例通过对边缘区域中各像素点进行是否有效的判断,提升了边缘检测的准确性。
Description
技术领域
本文涉及但不限于图像处理技术,尤指一种边缘检测方法、装置、计算机存储介质及终端。
背景技术
图像边缘是图像的最基本特征之一,是指图像的周围像素点的灰度值有明显不同的像素点的集合它包含了用于识别的有用信息,为人们描述或识别目标以及解析图像提供了一个重要的特征参数。边缘检测是图像处理、图像分析和计算机视觉领域中的研究内容之一,被广泛应用在目标识别、图像分割等方面。彩色图像的图像边缘包含更多的细节信息,检测更为复杂。
目前,相关技术进行边缘检测时,主要将彩色图像转化为灰度图像以邻域内灰度值突变的点作为边缘;上述边缘检测方法会导致具有同一亮度、不同色相的边缘漏检,针对彩色图像的边缘检测方法,已公开的申请号为CN 103679737 B的文件中陈述了一种基于多通道信息选择的彩色图像边缘检测方法,通过红绿蓝(RGB)空间内彩色图像各个通道上的边缘信息,选择适用的梯度信息定位与连接图像的边缘,保留仅在单个通道上显著的图像边缘,提高边缘检测的完整度;已公开的申请号为CN 102567969 B的文件中陈述了一种彩色图像边缘检测方法,经过提取各颜色通道图像、生成颜色拮抗图像、计算边缘信息分布图像和边缘细化处理等过程,通过简单参数选择,可以检测自然彩色图像中亮度、颜色边缘信息,也可以有选择的提取亮度或颜色边缘信息;已公开的申请号CN 105957067 A的文件中陈述了一种基于颜色差分的彩色图像边缘检测方法,通过对平滑滤波操作具备了更强的鲁棒性,排除大量的噪声边缘,只保留反映物体基本结构的真实边缘。
目前,进行彩色图像的边缘检测时容易出现像素点误判的情况,影响边缘检测的准确性。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种边缘检测方法及装置,能够提升边缘检测的准确性。
本发明实施例提供了一种边缘检测方法,包括:
生成多特征显著图幅值的归一化直方图;
生成归一化直方图的高斯分布拟合曲线;
根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
从边缘区域中删除被确定为无效的像素点。
可选的,所述确定边缘区域中的各像素点是否有效包括:
将所述高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
所述边缘区域中的像素点对应的多特征显著图幅值大于所述边缘阈值时,确定所述像素点有效;
所述边缘区域中的像素点对应的多特征显著图幅值小于或等于所述边缘阈值时,确定所述像素点无效。
可选的,所述生成多特征显著图幅值的归一化直方图之前,所述边缘检测方法还包括:
根据输入的彩色图像生成灰度梯度图像和色度梯度图像;
对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理,以获得所述多特征显著图。
可选的,所述进行噪声消除处理包括:
对生成的所述灰度梯度图像和色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
所述元素差值的绝对值大于所述方差阈值时,将所述当前检测窗口内元素的中值替换所述中心元素后,获得所述多特征显著图。
另一方面,本发明实施例还提供一种边缘检测装置,包括:归一化单元、拟合单元、确定单元和删除单元;其中,
归一化单元用于:生成多特征显著图幅值的归一化直方图;
拟合单元用于:生成归一化直方图的高斯分布拟合曲线;
确定单元用于:根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
删除单元用于:从边缘区域中删除被确定为无效的像素点。
可选的,所述确定单元具体用于:
将所述高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
所述边缘区域中的像素点对应的多特征显著图幅值大于所述边缘阈值时,确定所述像素点有效;
所述边缘区域中的像素点对应的多特征显著图幅值小于或等于所述边缘阈值时,确定所述像素点无效。
可选的,所述边缘检测装置还包括滤波处理单元,用于:
根据输入的彩色图像生成灰度梯度图像和色度梯度图像;
对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理,以获得所述多特征显著图。
可选的,所述滤波处理单元用于对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理包括:
对生成的所述灰度梯度图像和色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
所述元素差值的绝对值大于所述方差阈值时,将所述当前检测窗口内元素的中值替换所述中心元素后,获得所述多特征显著图。
再一方面,本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行上述边缘检测方法。
还一方面,本发明实施例还提供一种终端,包括:存储器和处理器;其中,
处理器被配置为执行存储器中的程序指令;
程序指令在处理器读取执行以下操作:
生成多特征显著图幅值的归一化直方图;
生成归一化直方图的高斯分布拟合曲线;
根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
从边缘区域中删除被确定为无效的像素点。与相关技术相比,本申请技术方案包括:生成多特征显著图幅值的归一化直方图;生成归一化直方图的高斯分布拟合曲线;根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;从边缘区域中删除被确定为无效的像素点。本发明实施例通过对边缘区域中各像素点进行是否有效的判断,提升了边缘检测的准确性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例边缘检测方法的流程图;
图2为本发明实施例边缘检测装置的结构框图;
图3为本发明应用示例生成多特征显著图的流程示意图;
图4为本应用示例修正边缘区域的方法示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为本发明另一实施例边缘检测方法的流程图,如图1所示,包括:
步骤101、生成多特征显著图幅值的归一化直方图;这里,多特征显著图幅值包括多特征显著图的幅值;
需要说明的是,本发明实施例可以采用相关理论实施生成上述归一化直方图,在此不做赘述。
步骤102、生成归一化直方图的高斯分布拟合曲线;
需要说明的是,本发明实施例可以采用相关理论实施生成上述高斯分布拟合曲线,在此不做赘述。
步骤103、根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
可选的,本发明实施例边缘区域包括边缘检测获得边缘区域。边缘检测算法可以包括凯尼(Canny)、索贝尔(Sobel)等算子;
可选的,本发明实施例确定边缘区域中的各像素点是否有效包括:
将高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
边缘区域中的像素点对应的多特征显著图幅值大于所述边缘阈值时,确定所述像素点有效;
边缘区域中的像素点对应的多特征显著图幅值小于或等于所述边缘阈值时,确定所述像素点无效。
需要说明的是,本发明实施例第一预设比值可以根据归一化直方图的高斯分布拟合曲线和相关理论进行分析确定,第一预设比值可以是0.75~0.85 内的一个取值,例如、可以是0.8。
步骤104、从边缘区域中删除被确定为无效的像素点。
可选的,生成多特征显著图幅值的归一化直方图之前,本发明实施例边缘检测方法还包括:
根据输入的彩色图像生成灰度梯度图像和色度梯度图像;
对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理,以获得所述多特征显著图。
可选的,本发明实施例对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理包括:
对生成的所述灰度梯度图像和色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
元素差值的绝对值大于所述方差阈值时,将所述当前检测窗口内元素的中值替换所述中心元素后,获得所述多特征显著图。
需要说明的是,本发明实施例检测窗口为相关技术由技术人员分析确定的窗口;例如、尺寸为3*3或5*5的窗口;第二预设比值可以等于1,也可以由本领域技术人员根据实际应用情况进行分析确定。另外,检测直线的实质是寻找几何形状为直线的像素值变化最大的点,在边缘区域图像的灰度和颜色等特征都存在不同程度的变化;本发明实施例融合灰度梯度和色调梯度生成多特征显著图以增强边缘区域,基于多特征显著图幅值的归一化直方图的高斯分布拟合曲线进行边缘区域的修正,提升了直线检测的准确性,减少了后续检测过程的计算量。
相关技术进行直线检测时,输入的彩色图像包含有大量因成像系统获取图像时受到外界条件的限制和随机干扰而产生的噪声,去除图像中的噪声对图像的正确分析与理解十分重要;其中,噪声包括:椒盐噪声、脉冲噪声和高斯噪声等,极值中值滤波可有效去除椒盐噪声;相关技术中使用的极值中值滤波算法包括根据突变噪声点通常是窗口中的极值点进行滤波;本申请发明人分析发现极值点并不一定是噪声点,图像中的边缘点或细节点也可能是检测窗口中的极值点,因此会导致边缘像素点或细节点的模糊;本发明实施例基于窗口元素的特性进行滤波后,通过检测窗口内的中值替换中心点像素值,在去除噪声的同时,有效的避免了边缘区域的模糊,提升了直线检测的准确性。
本发明实施例边缘检测方法可以应用于包括彩色图像在内的边缘检测。
与相关技术相比,本申请技术方案包括:生成多特征显著图幅值的归一化直方图;生成归一化直方图的高斯分布拟合曲线;根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;从边缘区域中删除被确定为无效的像素点。本发明实施例通过对边缘区域中各像素点进行是否有效的判断,提升了边缘检测的准确性。
图2为本发明另一实施例边缘检测装置的结构框图,如图2所示,包括:归一化单元2-1、拟合单元2-2、确定单元2-3和删除单元2-4;其中,
归一化单元2-1用于:生成多特征显著图幅值的归一化直方图;
拟合单元用2-2于:生成归一化直方图的高斯分布拟合曲线;
确定单元2-3用于:根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
删除单元2-4用于:从边缘区域中删除被确定为无效的像素点。
可选的,本发明实施例确定单元2-3具体用于:
将所述高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
所述边缘区域中的像素点对应的多特征显著图幅值大于所述边缘阈值时,确定所述像素点有效;
所述边缘区域中的像素点对应的多特征显著图幅值小于或等于所述边缘阈值时,确定所述像素点无效。
可选的,本发明实施例边缘检测装置还包括滤波处理单元2-5,用于:
根据输入的彩色图像生成灰度梯度图像和色度梯度图像;
对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理,以获得所述多特征显著图。
可选的,本发明实施例滤波处理单元2-5用于对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理包括:
对生成的所述灰度梯度图像和色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
所述元素差值的绝对值大于所述方差阈值时,将所述当前检测窗口内元素的中值替换所述中心元素后,获得所述多特征显著图。
与相关技术相比,本申请技术方案包括:生成多特征显著图幅值的归一化直方图;生成归一化直方图的高斯分布拟合曲线;根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;从边缘区域中删除被确定为无效的像素点。本发明实施例通过对边缘区域中各像素点进行是否有效的判断,提升了边缘检测的准确性。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行上述边缘检测方法。
本发明实施例还提供一种终端,包括:存储器和处理器;其中,
处理器被配置为执行存储器中的程序指令;
程序指令在处理器读取执行以下操作:
生成多特征显著图幅值的归一化直方图;
生成归一化直方图的高斯分布拟合曲线;
根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
从边缘区域中删除被确定为无效的像素点。
以下通过应用示例对本发明实施例方法进行清楚详细的说明,应用示例仅用于陈述本发明,并不用于限定本发明的保护范围。
应用示例
本应用示例进行直线检测时,主要包括生成多特征显著图和边缘区域的修正部分;其中,
图3为本发明应用示例生成多特征显著图的流程示意图,如图3所示,包括:
步骤301、输入彩色图像;
步骤3021、提取输入的彩色图像的灰度特征;
可选的,本应用示例提取灰度特征的运算公式包括:
Gray=R*0.299+G*0.587+B*0.114
其中,Gray表示灰度值,R表示红光波段值,G表示绿光波段值,B表示蓝光波段值。
步骤3031、提取输入的彩色图像的色调特征;
本应用示例HIS(I表示亮度或强度、H表示色调(色调也称色别,是指彩色的类别,是彩色彼此相互区分的特征)、S表示饱和度)颜色空间用于直观定性的描述色彩;其中,
色调:在B小于等于G时,H=θ,在B大于G时,H=360-θ;
步骤3022、根据提取的灰度特征生成灰度梯度图像;
步骤3032、根据提取的色度特征生成色度梯度图像;
本应用示例可以根据梯度公式,基于相关技术利用sobel算子求取,分别得到梯度幅值和角度。
步骤3023、对生成的灰度梯度图像进行噪声消除处理;
可选的,本应用示例进行噪声消除处理包括:
对生成的灰度梯度图像进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
元素差值的绝对值大于方差阈值时,将当前检测窗口内元素的中值替换中心元素,以实现噪声消除处理。
步骤3033、对生成的色度梯度图像进行噪声消除处理;
可选的,本应用示例进行噪声消除处理包括:
对生成的色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
元素差值的绝对值大于方差阈值时,将当前检测窗口内元素的中值替换中心元素,以实现噪声消除处理。
本发明实施例根据检测窗口的移动,逐步完成噪声消除处理。
步骤3041、根据完成噪声消除处理的灰度梯度图像和色度梯度图像生成多特征显著图;
本应用示例基于相关理论获得的多特征显著图的幅值为:
Fusion=k1*Gh+k2*Ggray
其中,Fusion表示多特征显著图幅值,k1和k2表示加权系数,Gh表示色调梯度幅值,Ggray表示灰度梯度幅值。
图4为本应用示例修正边缘区域的方法示意图,如图4所示,包括:
步骤401、获取多特征显著图像的幅值;
步骤4021、采用边缘检测算法(如Canny)提取边缘区域;
步骤4031、生成多特征显著图幅值的归一化直方图;
步骤4032、生成归一化直方图的高斯分布拟合曲线;
步骤4033、将高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
步骤4041、根据边缘阈值确定提取的边缘区域中的各像素点是否有效;
可选的,确定提取的边缘区域中的各像素点是否有效包括:
边缘区域中的像素点对应的多特征显著图幅值大于边缘阈值时,确定像素点有效;
边缘区域中的像素点对应的多特征显著图幅值小于或等于边缘阈值时,确定像素点无效。
步骤4042、从提取的边缘区域中删除被确定为无效的像素点。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的每个模块/单元可以采用硬件的形式实现,例如通过集成电路来实现其相应功能,也可以采用软件功能模块的形式实现,例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本发明不限制于任何特定形式的硬件和软件的结合。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种边缘检测方法,包括:
生成多特征显著图幅值的归一化直方图;
生成归一化直方图的高斯分布拟合曲线;
根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
从边缘区域中删除被确定为无效的像素点。
2.根据权利要求1所述的边缘检测方法,其特征在于,所述确定边缘区域中的各像素点是否有效包括:
将所述高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
所述边缘区域中的像素点对应的多特征显著图幅值大于所述边缘阈值时,确定所述像素点有效;
所述边缘区域中的像素点对应的多特征显著图幅值小于或等于所述边缘阈值时,确定所述像素点无效。
3.根据权利要求1或2所述的边缘检测方法,其特征在于,所述生成多特征显著图幅值的归一化直方图之前,所述边缘检测方法还包括:
根据输入的彩色图像生成灰度梯度图像和色度梯度图像;
对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理,以获得所述多特征显著图。
4.根据权利要求3所述的边缘检测方法,其特征在于,所述进行噪声消除处理包括:
对生成的所述灰度梯度图像和色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
所述元素差值的绝对值大于所述方差阈值时,将所述当前检测窗口内元素的中值替换所述中心元素后,获得所述多特征显著图。
5.一种边缘检测装置,包括:归一化单元、拟合单元、确定单元和删除单元;其中,
归一化单元用于:生成多特征显著图幅值的归一化直方图;
拟合单元用于:生成归一化直方图的高斯分布拟合曲线;
确定单元用于:根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
删除单元用于:从边缘区域中删除被确定为无效的像素点。
6.根据权利要求5所述的边缘检测装置,其特征在于,所述确定单元具体用于:
将所述高斯分布拟合曲线的峰值乘以第一预设比值后作为边缘阈值;
所述边缘区域中的像素点对应的多特征显著图幅值大于所述边缘阈值时,确定所述像素点有效;
所述边缘区域中的像素点对应的多特征显著图幅值小于或等于所述边缘阈值时,确定所述像素点无效。
7.根据权利要求5或6所述的边缘检测装置,其特征在于,所述边缘检测装置还包括滤波处理单元,用于:
根据输入的彩色图像生成灰度梯度图像和色度梯度图像;
对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理,以获得所述多特征显著图。
8.根据权利要求7所述的边缘检测装置,其特征在于,所述滤波处理单元用于对生成的灰度梯度图像和色度梯度图像分别进行噪声消除处理包括:
对生成的所述灰度梯度图像和色度梯度图像分别进行极值中值滤波处理;
确定极值中值滤波处理的当前检测窗口中,中心元素为当前检测窗口的极大值点时,将当前检测窗口内的极大值点和次大值点的差值作为元素差值;中心元素为当前检测窗口的极小值点时,将当前检测窗口内的极小值点和次小值点的差值作为所述元素差值;
计算当前检测窗口的方差,将计算获得方差乘以第二预设比值后作为方差阈值;
所述元素差值的绝对值大于所述方差阈值时,将所述当前检测窗口内元素的中值替换所述中心元素后,获得所述多特征显著图。
9.一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1~4中任一项所述的边缘检测方法。
10.一种终端,包括:存储器和处理器;其中,
处理器被配置为执行存储器中的程序指令;
程序指令在处理器读取执行以下操作:
生成多特征显著图幅值的归一化直方图;
生成归一化直方图的高斯分布拟合曲线;
根据高斯分布拟合曲线的峰值确定边缘区域中的各像素点是否有效;
从边缘区域中删除被确定为无效的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810214552.0A CN108389215B (zh) | 2018-03-15 | 2018-03-15 | 一种边缘检测方法、装置、计算机存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810214552.0A CN108389215B (zh) | 2018-03-15 | 2018-03-15 | 一种边缘检测方法、装置、计算机存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108389215A true CN108389215A (zh) | 2018-08-10 |
CN108389215B CN108389215B (zh) | 2021-04-23 |
Family
ID=63067768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810214552.0A Active CN108389215B (zh) | 2018-03-15 | 2018-03-15 | 一种边缘检测方法、装置、计算机存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108389215B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161211A (zh) * | 2019-12-04 | 2020-05-15 | 成都华为技术有限公司 | 一种图像检测方法及装置 |
CN111681256A (zh) * | 2020-05-07 | 2020-09-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111968144A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种图像边缘点获取方法及装置 |
CN112884666A (zh) * | 2021-02-02 | 2021-06-01 | 杭州海康慧影科技有限公司 | 图像处理方法、装置及计算机存储介质 |
CN113538491A (zh) * | 2021-09-15 | 2021-10-22 | 风脉能源(武汉)股份有限公司 | 一种基于自适应阈值的边缘识别方法、系统及存储介质 |
CN114004832A (zh) * | 2021-12-29 | 2022-02-01 | 深圳江行联加智能科技有限公司 | 输煤皮带异常振动检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566688A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于邻域方向性信息的sar图像降斑方法 |
CN101571919A (zh) * | 2009-05-26 | 2009-11-04 | 重庆大学 | 基于光学非下采样轮廓波变换的人脸识别方法 |
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
-
2018
- 2018-03-15 CN CN201810214552.0A patent/CN108389215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571919A (zh) * | 2009-05-26 | 2009-11-04 | 重庆大学 | 基于光学非下采样轮廓波变换的人脸识别方法 |
CN101566688A (zh) * | 2009-06-05 | 2009-10-28 | 西安电子科技大学 | 基于邻域方向性信息的sar图像降斑方法 |
CN102521836A (zh) * | 2011-12-15 | 2012-06-27 | 江苏大学 | 一种基于特定类灰度图像的边缘检测方法 |
CN105913415A (zh) * | 2016-04-06 | 2016-08-31 | 吴晓军 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
Non-Patent Citations (1)
Title |
---|
刘林等: "基于多颜色空间和累计直方图的视频场景分类", 《第十五届全国图像图形学学术会议》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161211A (zh) * | 2019-12-04 | 2020-05-15 | 成都华为技术有限公司 | 一种图像检测方法及装置 |
CN111161211B (zh) * | 2019-12-04 | 2023-11-03 | 成都华为技术有限公司 | 一种图像检测方法及装置 |
CN111681256A (zh) * | 2020-05-07 | 2020-09-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111681256B (zh) * | 2020-05-07 | 2023-08-18 | 浙江大华技术股份有限公司 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
CN111968144A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种图像边缘点获取方法及装置 |
CN111968144B (zh) * | 2020-09-07 | 2024-03-29 | 凌云光技术股份有限公司 | 一种图像边缘点获取方法及装置 |
CN112884666A (zh) * | 2021-02-02 | 2021-06-01 | 杭州海康慧影科技有限公司 | 图像处理方法、装置及计算机存储介质 |
CN112884666B (zh) * | 2021-02-02 | 2024-03-19 | 杭州海康慧影科技有限公司 | 图像处理方法、装置及计算机存储介质 |
CN113538491A (zh) * | 2021-09-15 | 2021-10-22 | 风脉能源(武汉)股份有限公司 | 一种基于自适应阈值的边缘识别方法、系统及存储介质 |
CN113538491B (zh) * | 2021-09-15 | 2021-11-23 | 风脉能源(武汉)股份有限公司 | 一种基于自适应阈值的边缘识别方法、系统及存储介质 |
CN114004832A (zh) * | 2021-12-29 | 2022-02-01 | 深圳江行联加智能科技有限公司 | 输煤皮带异常振动检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108389215B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389215A (zh) | 一种边缘检测方法、装置、计算机存储介质及终端 | |
JP4323791B2 (ja) | デジタルカラー画像処理方法 | |
CN105654436A (zh) | 一种基于前景背景分离的背光图像增强去噪方法 | |
US7068840B2 (en) | Determination of an illuminant of digital color image by segmentation and filtering | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN105493141B (zh) | 非结构化道路边界检测 | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
CN110009653A (zh) | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 | |
CN115908186A (zh) | 一种遥感测绘图像增强方法 | |
CN113269770A (zh) | 一种视觉缺陷检测用图像增强方法、系统及设备 | |
CN114596329A (zh) | 一种气体图像增强及气体泄露检测方法和系统 | |
CN107292897A (zh) | 用于yuv域的图像边缘提取方法、装置及终端 | |
CN110223253A (zh) | 一种基于图像增强的去雾方法 | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN116310889A (zh) | 无人机环境感知数据的处理方法、控制终端以及存储介质 | |
CN113128372B (zh) | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 | |
CN111401275B (zh) | 一种用于识别草地边缘的信息处理方法和装置 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Hidayat et al. | Real-time Texture Boundary Detection from Ridges in the Standard Deviation Space. | |
Huang et al. | Single image dehazing via color balancing and quad-decomposition atmospheric light estimation | |
Wirth et al. | Combination of color and focus segmentation for medical images with low depth-of-field | |
CN112288745B (zh) | 基于小波变换的产品表面缺陷检测方法、存储器和处理器 | |
Gauch | Segmentation and edge detection | |
CN109614852A (zh) | 一种基于图像处理的车灯检测技术 |
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 |