CN108399626A - 一种图像中直线段的检测方法、装置及设备 - Google Patents
一种图像中直线段的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN108399626A CN108399626A CN201810174952.3A CN201810174952A CN108399626A CN 108399626 A CN108399626 A CN 108399626A CN 201810174952 A CN201810174952 A CN 201810174952A CN 108399626 A CN108399626 A CN 108399626A
- Authority
- CN
- China
- Prior art keywords
- image
- straightway
- scale
- line segment
- binary map
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 241001212149 Cathetus Species 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 21
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像中直线段的检测方法，包括：获取受检图像；对受检图像进行多种不同尺度大小的尺度变换，以便生成受检图像的多个变换图像；采用预设直线段检测算法，分别对各个变换图像进行直线段检测，并分别根据检测到的直线段生成各个变换图像的直线段二值图；分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度的平均值；将图像余弦相似度的平均值最大的直线段二值图所对应的直线段确定为受检图像的直线段。本申请通过择优策略从多尺度图像检测结果中选出最优结果，可保障检测结果的精确度和稳定性。本申请还公开了一种图像中直线段的检测装置、设备及计算机可读存储介质，也具有上述有益效果。
Description
技术领域
本申请涉及图像处理技术领域，特别涉及一种图像中直线段的检测方法、装置、设备及计算机可读存储介质。
背景技术
在图像处理技术领域，直线段检测一直是研究热点。利用图像中的直线段原始特征，可以解决许多应用问题，如视觉定位、三维重建、消失点估计和立体匹配等。
现有的直线段检测算法，包括霍夫变换算法和Line Segment Detector(LSD)算法等，都存在一定的局限性：现实生活和应用中的图片往往都无法杜绝噪声干扰，而当图片中存在噪声干扰时，它们的检测结果都不太理想，检测性能较差，即检测的稳定性不高。
因此，采用何种抗干扰性强的直线段检测方法，以便有效提高检测结果的准确性和稳定性，是本领域技术人员所亟待解决的技术问题。
发明内容
本申请的目的在于提供一种图像中直线段的检测方法、装置、设备及计算机可读存储介质，以便有效地提高直线段检测结果的准确性和稳定性。
为解决上述技术问题，本申请提供一种图像中直线段的检测方法，包括：
获取受检图像；
对所述受检图像进行多种不同尺度大小的尺度变换，以便生成所述受检图像的多个变换图像；
采用预设直线段检测算法，分别对各个所述变换图像进行直线段检测，并分别根据检测到的直线段生成各个所述变换图像的直线段二值图；
分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值；
将所述图像余弦相似度的平均值最大的直线段二值图所对应的所述直线段确定为所述受检图像的直线段。
可选地，所述对所述受检图像进行多种不同尺度大小的尺度变换包括：
根据公式I′σs＝I*Hσs对所述受检图像进行多种不同尺度大小的尺度变换；
其中，I(x,y)为像素大小为M×N的受检图像；σs为尺度因子；I′(x,y,σs)为对应于σs的变换图像；为卷积运算的高斯核函数；*为卷积运算；s＝1,2,…,S，S为尺度因子的个数。
可选地，所述尺度因子为σs＝σ1ms-1；其中，σ1为初始值，m为公比。
可选地，所述分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值包括：
根据公式分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度，并计算平均值；
其中，Bi＝[b1i,b2i,…，bMNi]和Bj＝[b1j,b2j,…，bMNj]分别为M×N大小的两个直线段二值图Bi和Bj的向量形式；G＝[g(k,t)]MN×MN为转换矩阵，|Pk-Pt|2＝(x-x′)2+(y-y′)2为第k个像素点Pk和第t个像素点Pt间的距离，(x,y)为像素点Pk的坐标，(x′,y′)为像素点Pt的坐标；σ2为高斯分布方差；k,t＝1,2,…,MN。
可选地，所述高斯分布方差为σ2＝1。
可选地，所述预设直线段检测算法为Line Segment Detector算法。
本申请还提供了一种图像中直线段的检测装置，包括：
获取模块：用于获取受检图像；
变换模块：用于对所述受检图像进行多种不同尺度大小的尺度变换，以便生成所述受检图像的多个变换图像；
检测模块：用于采用预设直线段检测算法，分别对各个所述变换图像进行直线段检测，并分别根据检测到的直线段生成各个所述变换图像的直线段二值图；
计算模块：用于分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值；
确定模块：用于将所述图像余弦相似度的平均值最大的直线段二值图所对应的所述直线段确定为所述受检图像的直线段。
可选地，所述计算模块具体用于：
根据公式分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度，并计算平均值；
其中，Bi＝[b1i,b2i,…，bMNi]和Bj＝[b1j,b2j,…，bMNj]分别为M×N大小的两个直线段二值图Bi和Bj的向量形式；G＝[g(k,t)]MN×MN为转换矩阵，|Pk-Pt|2＝(x-x′)2+(y-y′)2为第k个像素点Pk和第t个像素点Pt间的距离，(x,y)为像素点Pk的坐标，(x′,y′)为像素点Pt的坐标；σ2为高斯分布方差；k,t＝1,2,…,MN。
本申请还提供了一种图像中直线段的检测设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如上所介绍的任一种图像中直线段的检测方法的步骤。
本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上所介绍的任一种图像中直线段的检测方法的步骤。
本申请所提供的图像中直线段的检测方法包括：获取受检图像；对所述受检图像进行多种不同尺度大小的尺度变换，以便生成所述受检图像的多个变换图像；采用预设直线段检测算法，分别对各个所述变换图像进行直线段检测，并分别根据检测到的直线段生成各个所述变换图像的直线段二值图；分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值；将所述图像余弦相似度的平均值最大的直线段二值图所对应的所述直线段确定为所述受检图像的直线段。
可见，相比于现有技术，本申请所提供的图像中直线段的检测方法，采取了多尺度图像检测和择优选取策略，对多种尺度图像的直线段检测结果进行比较分析，并以图像余弦相似度平均值为评价标准。由于当图像中存在不同程度的干扰时，其能够得到最精确检测结果时所对应的最佳图像尺度不同，而本申请可以通过择优策略从多尺度图像检测结果中选取出最优检测结果，进而可以有效保障直线段检测结果的精确度和稳定性。本申请所提供的图像中直线段的检测装置、设备及计算机可读存储介质可以实现上述图像中直线段的检测方法，同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例所提供的一种图像中直线段的检测方法的流程图；
图2为根据噪声方差为0的变换图像得到的图像余弦相似度平均值的曲线图；
图3为根据噪声方差为0.005的变换图像得到的图像余弦相似度平均值的曲线图；
图4为根据噪声方差为0.01的变换图像得到的图像余弦相似度平均值的曲线图；
图5为根据噪声方差为0.02的变换图像得到的图像余弦相似度平均值的曲线图；
图6为本申请实施例所提供的一张受检图像；
图7为对图6采用通用LSD算法得到的检测结果图；
图8为对图6采用EDLines算法得到的检测结果图；
图9为对图6采用本申请实施例所提供的直线段检测方法的检测结果图；
图10为本申请实施例所提供的直线段检测方法与通用LSD算法和EDLines算法的稳定性曲线对比图；
图11为本申请实施例所提供的一种图像中直线段的检测装置的结构框图。
具体实施方式
本申请的核心在于提供一种图像中直线段的检测方法、装置、设备及计算机可读存储介质，以便有效地提高直线段检测结果的准确性和稳定性。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种图像中直线段的检测方法的流程图，主要包括以下步骤：
步骤1：获取受检图像。
步骤2：对受检图像进行多种不同尺度大小的尺度变换，以便生成受检图像的多个变换图像。
具体地，本申请实施例所提供的直线段检测方法中，采取了多尺度图像检测和择优选取策略，即利用通用的直线段检测算法分别对多种尺度的图像进行检测，然后从中选出最为准确的检测结果。在获取到受检图像之后，可以通过对其进行变换来得到该受检图像的多个不同尺度大小的变换图像。当然，这里所得到的变换图像都是具有统一像素大小的图像，以便统一进行分析。
一般地，可以通过卷积运算来对受检图像进行尺度变换。变换的尺度越大，受检图像中的细节特征接受到的平滑处理程度或者说是模糊化程度就越大；否则反之。大尺度图像体现的主要是图像的概貌特征，而小尺度图像体现的主要是图像的细节特征。
尺度变换对受检图像的原图进行模糊化时，既一定程度上弱化了图像的细节特征而不利于精确检测，也同时对原图中的干扰噪声进行了弱化而利于精确检测。因此，当细节特征的保留和噪声的弱化达到了最好的平衡时，所得到的直线段检测结果就是最为精确的。
步骤3：采用预设直线段检测算法，分别对各个变换图像进行直线段检测，并分别根据检测到的直线段生成各个变换图像的直线段二值图。
具体地，当对各个不同尺度的变换图像进行了直线段检测之后，可以根据每个变换图像的直线段列表，生成该变换图像的直线段二值图。二值图是指图中的每一个像素均只有两种可能的取值或灰度等级状态的图像，常应用于图像的各种处理应用中；利用二值图的两种取值/灰度等级状态，可以将每个变换图像中的所有直线段表示出来。
步骤4：分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度的平均值。
在得到了多个变换图像的直线段二值图之后，需要通过一定的择优选择策略进行最优结果的选取。由于当尺度变换后细节特征的保留和噪声的弱化达到了最好的平衡时，图像的直线段检测结果进入了一个相对稳定的状态，相当于极值附近的变换率最低。因此，可以通过比较尺度邻域范围内的各直线段二值图的图像余弦相似度平均值来确定最优的检测结果。
至于图像余弦相似度的定义，本领域技术人员可以根据实际应用情况自行设定，而所说的图像余弦相似度平均值可以为图像余弦相似度的算术平均值或者几何平均值等，本申请实施例同样不进行限定。
步骤5：将图像余弦相似度的平均值最大的直线段二值图所对应的直线段确定为受检图像的直线段。
如前所述，尺度邻域范围内的各直线段二值图的图像余弦相似度平均值可以作为直线段检测结果的评价指标，因此，图像余弦相似度平均值最大的直线段二值图所对应的变换图像的检测结果，就是最接近于受检图像的准确结果。
可见，本申请实施例所提供的图像直线段的检测方法，采取了多尺度图像检测和择优选取策略，对多种尺度图像的直线段检测结果进行比较分析，并以图像余弦相似度平均值为评价标准。由于当图像中存在不同程度的干扰时，其能够得到最精确检测结果时所对应的最佳图像尺度不同，而本申请可以通过择优策略从多尺度图像检测结果中选取出最优检测结果，进而可以有效保障直线段检测结果的精确度和稳定性。
本申请所提供的图像中直线段的检测方法，在上述实施例的基础上：
作为一种优选实施例，对受检图像进行多种不同尺度大小的尺度变换包括：
根据公式I′σs＝I*Hσs对受检图像进行多种不同尺度大小的尺度变换；
其中，I(x,y)为像素大小为M×N的受检图像；σs为尺度因子；I′(x,y,σs)为对应于σs的变换图像；为卷积运算的高斯核函数；*为卷积运算；s＝1,2,…,S，S为尺度因子的个数。
具体地，可利用本申请实施例所提供的高斯核函数H(x,y,σs)来对受检图像的原图I(x,y)进行卷积，以获取变换图像I′(x,y,σs)。
作为一种优选实施例，尺度因子为σs＝σ1ms-1；其中，σ1为初始值，m为公比。
具体地，本申请实施例所提供的直线段检测方法中所采用的尺度因子为等比数列，相邻两个尺度因子的比值为固定的m。
作为一种优选实施例，分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度的平均值包括：
根据公式分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度，并计算平均值；
对于一张像素大小为M×N的图像，可以将其视为M×N维图像欧氏空间中的一个点，并表示成一个M×N维的向量，而该向量中的每一个分量为M×N的图像对应位置处的像素点的灰度值。式中，Bi＝[b1i,b2i,…，bMNi]和Bj＝[b1j,b2j,…，bMNj]分别为M×N大小的两个直线段二值图Bi和Bj的向量形式；G＝[g(k,t)]MN×MN为转换矩阵，|Pk-Pt|2＝(x-x′)2+(y-y′)2为第k个像素点Pk和第t个像素点Pt间的距离，(x,y)为像素点Pk的坐标，(x′,y′)为像素点Pt的坐标；σ2为高斯分布方差；k,t＝1,2,…,MN。
具体地，本申请实施例所提供的直线段检测方法中，所采用的图像余弦相似度计算公式将图像的空间属性引入到了传统的欧式距离计算中，因而可以弥补传统图像余弦相似度计算公式的不足。其中，传统图像余弦相似度计算公式为：
当两幅相近的图像中含有相同长度和方向、但行/列位置不同的直线段时，若使用该传统图像余弦相似度计算公式，则得到的结果必将因为向量乘积运算的正交性而为0，显然，该结果是错误的。
为了避免该类错误，本申请实施例提出了一定程度上可以表征图像空间属性的转换矩阵G，利用含有转换矩阵G的图像余弦相似度计算公式可以得到较为准确的相似度结果，从而可以进一步提高直线段检测结果的精确度。
此外，如前所述，这里所说的平均值可以为图像余弦相似度的算术平均值，也可以为几何平均值即乘积的项数次方根，本领域技术人员可以自行选择并设计实现。
作为一种优选实施例，高斯分布方差为σ2＝1。
具体地，为了简化计算，可以选择为标准的高斯核函数，即令其高斯分布方差取为1。
作为一种优选实施例，预设直线段检测算法为Line Segment Detector算法。
优选地，本申请实施例优选将Line Segment Detector(LSD)算法作为预设直线段检测算法，它将线段定义为有着相似梯度方向的区域，同时使用Helmholtz原理来控制错误检测的数量，并且具有无参数优势，是近年来出现的一种较为优秀的局部算法。
请参阅图2至图5，图2至图5均为本申请所提供的直线段检测方法所得到的图像余弦相似度平均值的曲线图；其中，图2至图5对应的变换图像中的噪声方差分别为0、0.005、0.01和0.02。曲线图的横坐标为尺度因子σs的大小，纵坐标为图像余弦相似度的平均值，虚线处对应着平均值的最大值。
可以看出，本申请所提供的直线段检测方法可以在不同的噪声强度下自动选取出最佳的尺度因子σs及其对应的最佳检测结果。
请参阅图6至图10，其中，图6为本申请实施例所提供的一张受检图像；图7为对图6采用通用LSD算法得到的检测结果图；图8为对图6采用EDLines算法得到的检测结果图；图9为对图6采用本申请实施例所提供的直线段检测方法的检测结果图；图10为本申请实施例所提供的直线段检测方法与通用LSD算法和EDLines算法的稳定性曲线对比图。
从图6至图9中可以看出，对于同一张受检图像，通用LSD算法和EDLines算法得到的检测结果均不太理想，不少直线段被丢失，而采用本申请实施例提供的直线段检测方法所得到的检测结果基本上保留了建筑物的轮廓线，其效果明显优于现有技术。
图10中，本申请实施例提供的直线段检测方法的具体参数为：尺度因子个数为S＝5，预设尺度邻域半径为δ＝1，尺度因子初始值为σs＝0.8，公比为图中横坐标为受检图像中的噪声方差，纵坐标为根据预设稳定性评价模型计算得到的算法的稳定性，其计算表达式为：
ST＝α·Rσs+β·LR；
其中，α和β均为权重系数，优选地，可取α＝2/3，β＝1/3；ST为稳定性；Rσs为图像余弦相似度；LR为线段平均长度比值：
L0为对受检图像原图进行检测得到的线段平均长度；L为对变换图像进行检测得到的线段平均长度。
下面对本申请实施例所提供的图像中直线段的检测装置进行介绍。
请参阅图11，图11为本申请所提供的一种图像中直线段的检测装置的结构框图；包括获取模块1、变换模块2、检测模块3、计算模块4和确定模块5；
获取模块1用于获取受检图像；
变换模块2用于对受检图像进行多种不同尺度大小的尺度变换，以便生成受检图像的多个变换图像；
检测模块3用于采用预设直线段检测算法，分别对各个变换图像进行直线段检测，并分别根据检测到的直线段生成各个变换图像的直线段二值图；
计算模块4用于分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度平均值；
确定模块5用于将图像余弦相似度平均值最大的直线段二值图所对应的直线段确定为受检图像的直线段。
可见，本申请所提供的图像中直线段的检测装置，采取了多尺度图像检测和择优选取策略，对多种尺度图像的直线段检测结果进行比较分析，并以图像余弦相似度平均值为评价标准。由于当图像中存在不同程度的干扰时，其能够得到最精确检测结果时所对应的最佳图像尺度不同，而本申请可以通过择优策略从多尺度图像检测结果中选取出最优检测结果，进而可以有效保障直线段检测结果的精确度和稳定性。。
本申请所提供的图像中直线段的检测装置，在上述实施例的基础上，作为一种优选实施例，计算模块4具体用于：
根据公式分别计算各个直线段二值图与对应于预设尺度邻域范围内的其他直线段二值图的图像余弦相似度，并计算平均值；
其中，Bi＝[b1i,b2i,…，bMNi]和Bj＝[b1j,b2j,…，bMNj]分别为M×N大小的两个直线段二值图Bi和Bj的向量形式；G＝[g(k,t)]MN×MN为转换矩阵，|Pk-Pt|2＝(x-x′)2+(y-y′)2为第k个像素点Pk和第t个像素点Pt间的距离，(x,y)为像素点Pk的坐标，(x′,y′)为像素点Pt的坐标；σ2为高斯分布方差；k,t＝1,2,…,MN。
本申请还提供了一种图像中直线段的检测设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行计算机程序以实现如以上任一实施例所介绍的图像中直线段的检测方法的步骤。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如以上任一实施例所介绍的图像中直线段的检测方法的步骤。
本申请所提供的图像中直线段的检测装置、设备及计算机可读存储介质的具体实施方式与上文所描述的图像中直线段的检测方法可相互对应参照，这里就不再赘述。
本申请中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需说明的是，在本申请文件中，诸如“第一”和“第二”之类的关系术语，仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种图像中直线段的检测方法，其特征在于，包括：
获取受检图像；
对所述受检图像进行多种不同尺度大小的尺度变换，以便生成所述受检图像的多个变换图像；
采用预设直线段检测算法，分别对各个所述变换图像进行直线段检测，并分别根据检测到的直线段生成各个所述变换图像的直线段二值图；
分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值；
将所述图像余弦相似度的平均值最大的直线段二值图所对应的所述直线段确定为所述受检图像的直线段。
2.根据权利要求1所述的检测方法，其特征在于，所述对所述受检图像进行多种不同尺度大小的尺度变换包括：
根据公式I′(x,y,σs)＝I(x,y)*H(x,y,σs)对所述受检图像进行多种不同尺度大小的尺度变换；
其中，I(x,y)为像素大小为M×N的受检图像；σs为尺度因子；I′(x,y,σs)为对应于σs的变换图像；为卷积运算的高斯核函数；*为卷积运算；s＝1,2,…,S，S为尺度因子的个数。
3.根据权利要求2所述的检测方法，其特征在于，所述尺度因子为σs＝σ1ms-1；其中，σ1为初始值，m为公比。
4.根据权利要求1所述的检测方法，其特征在于，所述分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值包括：
根据公式分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度，并计算平均值；
其中，Bi＝[b1i,b2i,…，bMNi]和Bj＝[b1j,b2j,…，bMNj]分别为M×N大小的两个直线段二值图Bi和Bj的向量形式；G＝[g(k,t)]MN×MN为转换矩阵，|Pk-Pt|2＝(x-x′)2+(y-y′)2为第k个像素点Pk和第t个像素点Pt间的距离，(x,y)为像素点Pk的坐标，(x′,y′)为像素点Pt的坐标；σ2为高斯分布方差；k,t＝1,2,…,MN。
5.根据权利要求4所述的检测方法，其特征在于，所述高斯分布方差为σ2＝1。
6.根据权利要求1至5任一项所述的检测方法，其特征在于，所述预设直线段检测算法为Line Segment Detector算法。
7.一种图像中直线段的检测装置，其特征在于，包括：
获取模块：用于获取受检图像；
变换模块：用于对所述受检图像进行多种不同尺度大小的尺度变换，以便生成所述受检图像的多个变换图像；
检测模块：用于采用预设直线段检测算法，分别对各个所述变换图像进行直线段检测，并分别根据检测到的直线段生成各个所述变换图像的直线段二值图；
计算模块：用于分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度的平均值；
确定模块：用于将所述图像余弦相似度的平均值最大的直线段二值图所对应的所述直线段确定为所述受检图像的直线段。
8.根据权利要求7所述的检测装置，其特征在于，所述计算模块具体用于：
根据公式分别计算各个所述直线段二值图与对应于预设尺度邻域范围内的其他所述直线段二值图的图像余弦相似度，并计算平均值；
其中，Bi＝[b1i,b2i,…，bMNi]和Bj＝[b1j,b2j,…，bMNj]分别为M×N大小的两个直线段二值图Bi和Bj的向量形式；G＝[g(k,t)]MN×MN为转换矩阵，|Pk-Pt|2＝(x-x′)2+(y-y′)2为第k个像素点Pk和第t个像素点Pt间的距离，(x,y)为像素点Pk的坐标，(x′,y′)为像素点Pt的坐标；σ2为高斯分布方差；k,t＝1,2,…,MN。
9.一种图像中直线段的检测设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序以实现如权利要求1至6任一项所述的图像中直线段的检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像中直线段的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810174952.3A CN108399626A (zh) | 2018-03-02 | 2018-03-02 | 一种图像中直线段的检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810174952.3A CN108399626A (zh) | 2018-03-02 | 2018-03-02 | 一种图像中直线段的检测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108399626A true CN108399626A (zh) | 2018-08-14 |
Family
ID=63092046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810174952.3A Pending CN108399626A (zh) | 2018-03-02 | 2018-03-02 | 一种图像中直线段的检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399626A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288624A (zh) * | 2019-06-28 | 2019-09-27 | 苏州大学 | 一种图像中直线段的检测方法、装置及相关设备 |
| CN112949616A (zh) * | 2021-05-13 | 2021-06-11 | 北京世纪好未来教育科技有限公司 | 一种题目处理方法、装置、电子设备及计算机存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101521740A (zh) * | 2009-04-01 | 2009-09-02 | 北京航空航天大学 | 基于多尺度不变特征的实时运动估计方法 |
| CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
| CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
| CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
| CN103268483A (zh) * | 2013-05-31 | 2013-08-28 | 沈阳工业大学 | 开放式环境非接触采集下的掌纹识别方法 |
| CN103310439A (zh) * | 2013-05-09 | 2013-09-18 | 浙江大学 | 一种基于尺度空间的图像最稳极值区域检测方法 |
| CN103533650A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 一种基于余弦相似度提高定位精度的室内定位方法 |
| CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
-
2018
- 2018-03-02 CN CN201810174952.3A patent/CN108399626A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101521740A (zh) * | 2009-04-01 | 2009-09-02 | 北京航空航天大学 | 基于多尺度不变特征的实时运动估计方法 |
| CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
| CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
| CN102609701A (zh) * | 2012-01-10 | 2012-07-25 | 河海大学 | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 |
| CN103310439A (zh) * | 2013-05-09 | 2013-09-18 | 浙江大学 | 一种基于尺度空间的图像最稳极值区域检测方法 |
| CN103268483A (zh) * | 2013-05-31 | 2013-08-28 | 沈阳工业大学 | 开放式环境非接触采集下的掌纹识别方法 |
| CN103533650A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 一种基于余弦相似度提高定位精度的室内定位方法 |
| CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIWEI WANG ET AL: "On the Euclidean Distance of Images", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 》 * |
| RONNY: "尺度空间理论", 《HTTPS://WWW.CNBLOGS.COM/RONNY/P/3886013.HTML》 * |
| YOHANN SALAUN ET AL: "Multiscale line segment detector for robust and accurate SfM", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
| 崔莹 等: "结合结构相似度的自适应多尺度SAR图像变化检测", 《中国图象图形学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288624A (zh) * | 2019-06-28 | 2019-09-27 | 苏州大学 | 一种图像中直线段的检测方法、装置及相关设备 |
| CN112949616A (zh) * | 2021-05-13 | 2021-06-11 | 北京世纪好未来教育科技有限公司 | 一种题目处理方法、装置、电子设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105404861B (zh) | 人脸关键特征点检测模型的训练、检测方法及系统 | |
| Rabbani et al. | Segmentation of point clouds using smoothness constraint | |
| CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
| CN107392215A (zh) | 一种基于sift算法的重图检测方法 | |
| CN106682678B (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
| CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
| CN111767960A (zh) | 一种应用于图像三维重建的图像匹配方法及系统 | |
| CN101718528A (zh) | 基于数字图像的快速求解圆参数方法 | |
| Wei et al. | A sub-pixel edge detection algorithm based on Zernike moments | |
| CN108399626A (zh) | 一种图像中直线段的检测方法、装置及设备 | |
| CN103077528A (zh) | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 | |
| CN109766896A (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
| CN112258471B (zh) | 一种卷帘门状态检测方法和系统 | |
| CN107993193B (zh) | 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法 | |
| CN111445480B (zh) | 一种基于新型模板的图像旋转角度和缩放系数测量方法 | |
| Caseiro et al. | Foreground segmentation via background modeling on Riemannian manifolds | |
| CN110619624B (zh) | 一种图像分解方法及装置 | |
| Mukherjee et al. | Variability of Cobb angle measurement from digital X-ray image based on different de-noising techniques | |
| CN109902695B (zh) | 一种面向像对直线特征匹配的线特征矫正与提纯方法 | |
| CN110663046B (zh) | 用于方向梯度直方图计算的硬件加速器 | |
| CN113033233A (zh) | 一种几何变形qr码的定位方法、装置及存储介质 | |
| Li et al. | Unmanned aerial vehicle image matching based on improved RANSAC algorithm and SURF algorithm | |
| Šukilović | Curvature based shape detection | |
| Rao et al. | A real-time auto-recognition method for pointer-meter under uneven illumination | |
| Fayolle et al. | Robustness of a multiscale scheme of feature points detection |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180814 |