CN108647697A - 一种基于改进Hough变换的目标边界检测方法和装置 - Google Patents
一种基于改进Hough变换的目标边界检测方法和装置 Download PDFInfo
- Publication number
- CN108647697A CN108647697A CN201810447033.9A CN201810447033A CN108647697A CN 108647697 A CN108647697 A CN 108647697A CN 201810447033 A CN201810447033 A CN 201810447033A CN 108647697 A CN108647697 A CN 108647697A
- Authority
- CN
- China
- Prior art keywords
- distance
- ballot
- straight line
- point
- matrix
- 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
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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进Hough变换的目标边界检测方法,包括:(1)对输入图像进行边缘检测;(2)建立投票矩阵;(3)对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;(4)根据上述(θ,b)分别计算权重w1,w2,w3,w4,(5)根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;(6)重复步骤3‑5,以θstep为步长遍历θ∈(0,2π]和相应的b,完成像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;(7)重复步骤3‑6,完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4;(8)根据投票矩阵确定各边界直线。本发明方法可以实现快速、准确、鲁棒的边界直线检测。
Description
技术领域
本发明属于视频与图像处理技术领域,更具体地,涉及一种基于改进Hough变换的目标边界检测方法。
背景技术
图像与视频技术在日常生产和生活中的作用越发重要,特别是随着智能手机和移动互联网的普及,大量的办公与娱乐应用中关于图像和视频的处理越来普及。然而,绝大多数场景下,相机并不能在理想角度下进行图像采集,这使得所得图像存在扭曲,为解决该问题必须进行图像矫正。如图1所示,手机拍摄一份文档(或者学生上课拍摄ppt)的时候,一方面,拍摄角度无法垂直于目标,另一方面,除了所需目标,还会拍进去一些不想要的背景。因此需要进行校正。
实际中大量的图像矫正都是根据目标的边界来完成,而绝大多数目标例如证件、文档、车牌等都是矩形,这使得准确的检测并定位目标的边界成为基础而重要的问题。现有边界检测方法可分为以下步骤(1)对图像边缘进行提取、(2)基于Hough变换进行直线检测、(3)在检测所得直线中选择目标边界。然而,实际应用中,物体边缘并非理想直线,通过(2)往往可以得到多个接近的直线,需要对Hough变换的结果进行合并;此外,该方法流程较长、运算起来也较为复杂。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于改进Hough变换的目标边界检测方法和系统,其目的在于通过改进的霍夫变换实现边缘的快速检测,以实现快速、准确、鲁棒的边界直线检测。
为实现上述目的,按照本发明的一个方面,提供了一种基于改进Hough变换的目标边界检测方法,包括
(1)对输入图像进行边缘检测得到目标的边缘;
(2)建立投票矩阵H1、H2、H3、H4并全部初始化为0,矩阵的大小均为M*N,其中M=2π/θstep,θstep为角度遍历步长,N为输入图像的对角线长度;
(3)对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;
(4)根据上述(θ,b)分别计算权重w1,w2,w3,w4,其中w1反比例于点(x,y)和图像左边界的距离,w2反比例于点(x,y)和图像右边界的距离,w3反比例于点(x,y)和图像上边界的距离,w4反比例于点(x,y)和图像下边界的距离;
(5)根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;
(6)重复步骤(3)-(5),以θstep为步长遍历θ∈(0,2π]和相应的b,完成该像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;
(7)重复步骤(3)-(6),完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4.;
(8)将H1中取值最大的点所对应的角度θ1和距离b1表示的直线对应目标左侧边界,H2中取值最大的点所对应的角度θ2和距离b2表示的直线对应目标左侧边界,H3中取值最大的点所对应的角度θ3和距离b3表示的直线对应目标顶部边界,H4中取值最大的点所对应的角度θ4和距离b4表示的直线对应目标底部边界。
本发明的一个实施例中,在所述步骤(5)和(6)之间还包括:
对矩阵Hi进行临近点修正,其规则为Hi(θ,b+Δb)=Hi(θ,b+Δb)+wig(Δb),其中i=1,2,3,4,Δb∈[-d,d],d为预设值,函数g为正值且为减函数。
本发明的一个实施例中,所述步骤(8)之后还包括:
根据步骤(8)所得的目标边界直线,计算得到目标的四个顶点坐标,进而根据四个顶点坐标完成图像矫正。
本发明的一个实施例中,所述θstep的取值为3度。
本发明的一个实施例中,所述函数g定义为g(x)=exp(-|x|)。
本发明的一个实施例中,所述d取值为3。
本发明的一个实施例中,对权重w的计算定义为:
w1:f1(x)=1-x/width;
w2:f2(x)=x/width;
w3:f3(y)=1-y/height;
w4:f4(y)=y/height;
其中width和height分别为输入图像的宽和高。
本发明的一个实施例中,所述边缘检测采用的方法为边缘检测算子或机器学习方法。
按照本发明的另一方面,还提供了一种基于改进Hough变换的目标边界检测装置,包括:边缘检测模块、投票矩阵建立模块、距离计算模块、权重计算模块、投票赋值模块、角度遍历模块、边缘遍历模块以及边界确定模块,其中:
所述边缘检测模块,用于对输入图像进行边缘检测得到目标的边缘;
所述投票矩阵建立模块,用于建立投票矩阵H1、H2、H3、H4并全部初始化为0,矩阵的大小均为M*N,其中M=2π/θstep,θstep为角度遍历步长,N为输入图像的对角线长度;
所述距离计算模块,用于对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;
所述权重计算模块,用于根据上述(θ,b)分别计算权重w1,w2,w3,w4,其中w1反比例于点(x,y)和图像左边界的距离,w2反比例于点(x,y)和图像右边界的距离,w3反比例于点(x,y)和图像上边界的距离,w4反比例于点(x,y)和图像下边界的距离;
所述投票赋值模块,用于根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;
所述角度遍历模块,用于重复步骤(3)-(5),以θstep为步长遍历θ∈(0,2π]和相应的b,完成该像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;
所述边缘遍历模块,用于重复步骤(3)-(6),完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4.;
所述边界确定模块,用于将H1中取值最大的点所对应的角度θ1和距离b1表示的直线对应目标左侧边界,H2中取值最大的点所对应的角度θ2和距离b2表示的直线对应目标左侧边界,H3中取值最大的点所对应的角度θ3和距离b3表示的直线对应目标顶部边界,H4中取值最大的点所对应的角度θ4和距离b4表示的直线对应目标底部边界。
本发明的一个实施例中,所述边界检测装置还包括矩阵修正模块:
所述矩阵修正模块,用于在投票赋值模块完成投票矩阵赋值后,对矩阵Hi进行临近点修正,其规则为Hi(θ,b+Δb)=Hi(θ,b+Δb)+wig(Δb),其中i=1,2,3,,4Δb∈[-d,d],d为预设值,函数g为正值且为减函数。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有如下有益效果:
(1)能准确提取边界,对不连续边界和扭曲形变的边界具有鲁棒性
(2)相对于现有方法中先检测直线,再进行边界提取与合并的流程,本方案将直线检测和边界提取在一步中完成,大大缩短了流程,降低了复杂度。
附图说明
图1是本发明实施例中一种待处理目标图像的示意图;
图2是本发明实施例中一种基于改进Hough变换的目标边界检测方法的流程示意图;
图3是本发明实施例中计算原点到过点直线的垂直距离示意图;
图4是本发明实施例中一种基于改进Hough变换的目标边界检测装置的结构示意图;
图5是本发明实施例中另一种基于改进Hough变换的目标边界检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示,本发明提供了一种基于改进Hough变换的目标边界检测方法,包括:
(1)对输入图像进行边缘检测得到目标的边缘;
具体地,检测所用方法包括但不限于边缘检测算子(Canny、Sobel、Prewitt等)、机器学习等方法。
(2)建立投票矩阵H1、H2、H3、H4并全部初始化为0,矩阵的大小均为M*N,其中M=2π/θstep,θstep为角度遍历步长,N为输入图像的对角线长度;
本步骤中,对角线的长度以像素为单位,θstep可以根据需要取值,例如取值为2、3、5或者10,在此没有要求,但也不宜太大,以最终能得到比较好的边界直线为准。
(3)如图3所示,对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;
(4)根据上述(θ,b)分别计算权重w1,w2,w3,w4,其中w1反比例于点(x,y)和图像左边界的距离,w2反比例于点(x,y)和图像右边界的距离,w3反比例于点(x,y)和图像上边界的距离,w4反比例于点(x,y)和图像下边界的距离;
具体地,对权重可按如下函数计算:
w1:f1(x)=1-x/width;
w2:f2(x)=x/width;
w3:f3(y)=1-y/height;
w4:f4(y)=y/height;
其中width和height分别为输入图像的宽和高。
(5)根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;
(6)重复步骤(3)-(5),以θstep为步长遍历θ∈(0,2π]和相应的b,完成该像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;
对于不同的θ有不同的b,遍历区间为2π,而遍历步长为θstep,所以投票矩阵的行数M=2π/θstep。
(7)重复步骤(3)-(6),完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4.;
(8)将H1中取值最大的点所对应的角度θ1和距离b1表示的直线对应目标左侧边界,H2中取值最大的点所对应的角度θ2和距离b2表示的直线对应目标左侧边界,H3中取值最大的点所对应的角度θ3和距离b3表示的直线对应目标顶部边界,H4中取值最大的点所对应的角度θ4和距离b4表示的直线对应目标底部边界。
进一步地,在所述步骤(5)和(6)之间,还包括:对矩阵Hi进行临近点修正,其规则为Hi(θ,b+Δb)=Hi(θ,b+Δb)+wig(Δb),其中i=1,2,3,4,Δb∈[-d,d],d为预设值,且函数g为正值且为减函数。
例如,所述函数g可以定义为g(x)=exp(-|x|)。一般地,d的取值较小,例如取值为3。
进一步地,在所述步骤(5)之后,所述方法还包括,根据步骤(8)所得的目标边界直线,计算得到目标的四个顶点坐标,进而根据四个顶点坐标完成图像矫正。
进一步地,如图4所示,本发明还提供了一种基于改进Hough变换的目标边界检测装置,其特征在于,包括:边缘检测模块、投票矩阵建立模块、距离计算模块、权重计算模块、投票赋值模块、角度遍历模块、边缘遍历模块以及边界确定模块,其中:
所述边缘检测模块,用于对输入图像进行边缘检测得到目标的边缘;
所述投票矩阵建立模块,用于建立投票矩阵H1、H2、H3、H4并全部初始化为0,矩阵的大小均为M*N,其中M=2π/θstep,θstep为角度遍历步长,N为输入图像的对角线长度;
所述距离计算模块,用于对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;
所述权重计算模块,用于根据上述(θ,b)分别计算权重w1,w2,w3,w4,其中w1反比例于点(x,y)和图像左边界的距离,w2反比例于点(x,y)和图像右边界的距离,w3反比例于点(x,y)和图像上边界的距离,w4反比例于点(x,y)和图像下边界的距离;
所述投票赋值模块,用于根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;
所述角度遍历模块,用于重复步骤(3)-(5),以θstep为步长遍历θ∈(0,2π]和相应的b,完成该像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;
所述边缘遍历模块,用于重复步骤(3)-(6),完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4.;
所述边界确定模块,用于将H1中取值最大的点所对应的角度θ1和距离b1表示的直线对应目标左侧边界,H2中取值最大的点所对应的角度θ2和距离b2表示的直线对应目标左侧边界,H3中取值最大的点所对应的角度θ3和距离b3表示的直线对应目标顶部边界,H4中取值最大的点所对应的角度θ4和距离b4表示的直线对应目标底部边界。
进一步地,如图5所示,所述边界检测装置还包括矩阵修正模块:
所述矩阵修正模块,用于在投票赋值模块完成投票矩阵赋值后,对矩阵Hi进行临近点修正,其规则为Hi(θ,b+Δb)=Hi(θ,b+Δb)+wig(Δb),其中i=1,2,3,,4Δb∈[-d,d],d为预设值,函数g为正值且为减函数。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进Hough变换的目标边界检测方法,其特征在于,包括:
(1)对输入图像进行边缘检测得到目标的边缘;
(2)建立投票矩阵H1、H2、H3、H4并全部初始化为0,矩阵的大小均为M*N,其中M=2π/θstep,θstep为角度遍历步长,N为输入图像的对角线长度;
(3)对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;
(4)根据上述(θ,b)分别计算权重w1,w2,w3,w4,其中w1反比例于点(x,y)和图像左边界的距离,w2反比例于点(x,y)和图像右边界的距离,w3反比例于点(x,y)和图像上边界的距离,w4反比例于点(x,y)和图像下边界的距离;
(5)根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;
(6)重复步骤(3)-(5),以θstep为步长遍历θ∈(0,2π]和相应的b,完成该像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;
(7)重复步骤(3)-(6),完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4.;
(8)将H1中取值最大的点所对应的角度θ1和距离b1表示的直线对应目标左侧边界,H2中取值最大的点所对应的角度θ2和距离b2表示的直线对应目标左侧边界,H3中取值最大的点所对应的角度θ3和距离b3表示的直线对应目标顶部边界,H4中取值最大的点所对应的角度θ4和距离b4表示的直线对应目标底部边界。
2.如权利要求1所述的基于改进Hough变换的目标边界检测方法,其特征在于,在所述步骤(5)和(6)之间还包括:
对矩阵Hi进行临近点修正,其规则为Hi(θ,b+Δb)=Hi(θ,b+Δb)+wig(Δb),其中i=1,2,3,4,Δb∈[-d,d],d为预设值,函数g为正值且为减函数。
3.如权利要求1或2所述的基于改进Hough变换的目标边界检测方法,其特征在于,所述步骤(8)之后还包括:
根据步骤(8)所得的目标边界直线,计算得到目标的四个顶点坐标,进而根据四个顶点坐标完成图像矫正。
4.如权利要求1或2所述的基于改进Hough变换的目标边界检测方法,其特征在于,所述θstep的取值为3度。
5.如权利要求2所述的基于改进Hough变换的目标边界检测方法,其特征在于,所述函数g定义为g(x)=exp(-|x|)。
6.如权利要求2所述的基于改进Hough变换的目标边界检测方法,其特征在于,所述d取值为3。
7.如权利要求1或2所述的基于改进Hough变换的目标边界检测方法,其特征在于,对权重w定义为:
w1:f1(x)=1-x/width;
w2:f2(x)=x/width;
w3:f3(y)=1-y/height;
w4:f4(y)=y/height;
其中width和height分别为输入图像的宽和高。
8.如权利要求1或2所述的基于改进Hough变换的目标边界检测方法,其特征在于,所述边缘检测采用的方法为边缘检测算子或机器学习方法。
9.一种基于改进Hough变换的目标边界检测装置,其特征在于,包括:边缘检测模块、投票矩阵建立模块、距离计算模块、权重计算模块、投票赋值模块、角度遍历模块、边缘遍历模块以及边界确定模块,其中:
所述边缘检测模块,用于对输入图像进行边缘检测得到目标的边缘;
所述投票矩阵建立模块,用于建立投票矩阵H1、H2、H3、H4并全部初始化为0,矩阵的大小均为M*N,其中M=2π/θstep,θstep为角度遍历步长,N为输入图像的对角线长度;
所述距离计算模块,用于对边缘点(x,y),作一条直线l1穿过点(x,y),从原点向该直线l1引出垂线为l2,l2与横轴的夹角为θ,原点到直线l1的距离为b=xcosθ+ysinθ;
所述权重计算模块,用于根据上述(θ,b)分别计算权重w1,w2,w3,w4,其中w1反比例于点(x,y)和图像左边界的距离,w2反比例于点(x,y)和图像右边界的距离,w3反比例于点(x,y)和图像上边界的距离,w4反比例于点(x,y)和图像下边界的距离;
所述投票赋值模块,用于根据公式Hi(θ,b)=Hi(θ,b)+wi将权重赋值到投票矩阵中,其中i=1,2,3,4;
所述角度遍历模块,用于重复步骤(3)-(5),以θstep为步长遍历θ∈(0,2π]和相应的b,完成该像素点(x,y)下的各种θ和b条件下候选直线的投票赋值;
所述边缘遍历模块,用于重复步骤(3)-(6),完成全图所有边缘像素点在各种θ和b条件下候选直线的投票,得到最终的投票矩阵H1,H2,H3,H4.;
所述边界确定模块,用于将H1中取值最大的点所对应的角度θ1和距离b1表示的直线对应目标左侧边界,H2中取值最大的点所对应的角度θ2和距离b2表示的直线对应目标左侧边界,H3中取值最大的点所对应的角度θ3和距离b3表示的直线对应目标顶部边界,H4中取值最大的点所对应的角度θ4和距离b4表示的直线对应目标底部边界。
10.如权利要求9所述的基于改进Hough变换的目标边界检测装置,其特征在于,还包括矩阵修正模块:
所述矩阵修正模块,用于在投票赋值模块完成投票矩阵赋值后,对矩阵Hi进行临近点修正,其规则为Hi(θ,b+Δb)=Hi(θ,b+Δb)+wig(Δb),其中i=1,2,3,,4Δb∈[-d,d],d为预设值,函数g为正值且为减函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447033.9A CN108647697B (zh) | 2018-05-11 | 2018-05-11 | 一种基于改进Hough变换的目标边界检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447033.9A CN108647697B (zh) | 2018-05-11 | 2018-05-11 | 一种基于改进Hough变换的目标边界检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647697A true CN108647697A (zh) | 2018-10-12 |
CN108647697B CN108647697B (zh) | 2020-06-23 |
Family
ID=63754431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810447033.9A Active CN108647697B (zh) | 2018-05-11 | 2018-05-11 | 一种基于改进Hough变换的目标边界检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647697B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455201A (zh) * | 2019-08-13 | 2019-11-15 | 东南大学 | 基于机器视觉的茎秆作物高度测量方法 |
CN112801111A (zh) * | 2020-12-18 | 2021-05-14 | 广东工业大学 | 基于梯度方向的图像直线边缘点分类方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200282B2 (en) * | 2001-12-12 | 2007-04-03 | Sony Corporation | Implementation of Hough transform and its application in line detection and video motion analysis |
US7437006B2 (en) * | 2002-03-06 | 2008-10-14 | Siemens Corporate Research, Inc. | Error propogation and variable-bandwidth mean shift for feature space analysis |
US7672507B2 (en) * | 2004-01-30 | 2010-03-02 | Hewlett-Packard Development Company, L.P. | Image processing methods and systems |
CN102156884A (zh) * | 2011-04-25 | 2011-08-17 | 中国科学院自动化研究所 | 一种直线段检测和提取方法 |
CN102629319A (zh) * | 2012-03-27 | 2012-08-08 | 中国科学院自动化研究所 | 基于特定边界检测子的鲁棒虹膜区域分割方法 |
WO2013008746A1 (ja) * | 2011-07-14 | 2013-01-17 | 株式会社メガチップス | 直線検出装置および直線検出方法 |
CN104331876A (zh) * | 2014-10-09 | 2015-02-04 | 北京配天技术有限公司 | 直线检测、图像处理的方法及相关装置 |
US20150131873A1 (en) * | 2013-11-14 | 2015-05-14 | Adobe Systems Incorporated | Exemplar-based feature weighting |
CN105160309A (zh) * | 2015-08-24 | 2015-12-16 | 北京工业大学 | 基于图像形态学分割及区域生长的三车道检测方法 |
-
2018
- 2018-05-11 CN CN201810447033.9A patent/CN108647697B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200282B2 (en) * | 2001-12-12 | 2007-04-03 | Sony Corporation | Implementation of Hough transform and its application in line detection and video motion analysis |
US7437006B2 (en) * | 2002-03-06 | 2008-10-14 | Siemens Corporate Research, Inc. | Error propogation and variable-bandwidth mean shift for feature space analysis |
US7672507B2 (en) * | 2004-01-30 | 2010-03-02 | Hewlett-Packard Development Company, L.P. | Image processing methods and systems |
CN102156884A (zh) * | 2011-04-25 | 2011-08-17 | 中国科学院自动化研究所 | 一种直线段检测和提取方法 |
WO2013008746A1 (ja) * | 2011-07-14 | 2013-01-17 | 株式会社メガチップス | 直線検出装置および直線検出方法 |
CN102629319A (zh) * | 2012-03-27 | 2012-08-08 | 中国科学院自动化研究所 | 基于特定边界检测子的鲁棒虹膜区域分割方法 |
US20150131873A1 (en) * | 2013-11-14 | 2015-05-14 | Adobe Systems Incorporated | Exemplar-based feature weighting |
CN104331876A (zh) * | 2014-10-09 | 2015-02-04 | 北京配天技术有限公司 | 直线检测、图像处理的方法及相关装置 |
CN105160309A (zh) * | 2015-08-24 | 2015-12-16 | 北京工业大学 | 基于图像形态学分割及区域生长的三车道检测方法 |
Non-Patent Citations (4)
Title |
---|
CR JUNG等: ""Rectangle detection based on a windowed Hough transform"", 《IEEE XPLORE》 * |
SHENGHUA XU等: ""Straight line extraction via multi-scale Hough transform based on pre-storage weight matrix"", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
张翌: ""复杂场景下直线与曲线检测方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
秦开怀等: ""一种基于Hough变换的圆和矩形的快速检测方法"", 《中国图象图形学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455201A (zh) * | 2019-08-13 | 2019-11-15 | 东南大学 | 基于机器视觉的茎秆作物高度测量方法 |
CN110455201B (zh) * | 2019-08-13 | 2020-11-03 | 东南大学 | 基于机器视觉的茎秆作物高度测量方法 |
CN112801111A (zh) * | 2020-12-18 | 2021-05-14 | 广东工业大学 | 基于梯度方向的图像直线边缘点分类方法及装置 |
CN112801111B (zh) * | 2020-12-18 | 2023-05-26 | 广东工业大学 | 基于梯度方向的图像直线边缘点分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108647697B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10151664B2 (en) | Method and system for measuring lens distortion | |
CN105261022B (zh) | 一种基于外轮廓的pcb板卡匹配方法及装置 | |
CN112308095A (zh) | 图片预处理及模型训练方法、装置、服务器及存储介质 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN104715487B (zh) | 一种基于伪Zernike矩的亚像素边缘检测方法 | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN106228548A (zh) | 一种屏幕裂痕的检测方法及装置 | |
CN108122256A (zh) | 一种逼近状态下旋转目标位姿测量的方法 | |
CN102609941A (zh) | 基于ToF深度相机的三维注册方法 | |
JP2011238228A (ja) | スクリーン領域検知方法及びシステム | |
CN101976464B (zh) | 基于单应性矩阵的多平面动态的增强现实注册的方法 | |
CN104616258B (zh) | 一种针对道路图像的快速去雾方法 | |
CN108874187A (zh) | 一种投影仪笔记系统 | |
CN108765333B (zh) | 一种基于深度卷积神经网络的深度图完善方法 | |
CN108765584A (zh) | 激光点云数据集增广方法、装置及可读存储介质 | |
CN108171674B (zh) | 针对任意视角投影仪图像的视觉矫正方法 | |
CN112396050B (zh) | 图像的处理方法、设备以及存储介质 | |
CN108647697A (zh) | 一种基于改进Hough变换的目标边界检测方法和装置 | |
US20200193561A1 (en) | Automatic Detection, Counting, and Measurement of Lumber Boards Using a Handheld Device | |
CN109242917A (zh) | 一种基于棋盘格的相机分辨率标定方法 | |
CN112183325A (zh) | 基于图像对比的公路车辆检测方法 | |
CN107330906A (zh) | 基于曲线拟合的改进细化算法 | |
CN106960184A (zh) | 一种书本边框的图像定位方法 | |
CN105678731A (zh) | 一种识别带钢瓢曲的方法 | |
CN103473807A (zh) | 一种3d模型变换系统及方法 |
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 |