CN108830873A - 深度图像物体边缘提取方法、装置、介质及计算机设备 - Google Patents

深度图像物体边缘提取方法、装置、介质及计算机设备 Download PDF

Info

Publication number
CN108830873A
CN108830873A CN201810701449.9A CN201810701449A CN108830873A CN 108830873 A CN108830873 A CN 108830873A CN 201810701449 A CN201810701449 A CN 201810701449A CN 108830873 A CN108830873 A CN 108830873A
Authority
CN
China
Prior art keywords
edge
pixels
depth image
pixel
final
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
Application number
CN201810701449.9A
Other languages
English (en)
Other versions
CN108830873B (zh
Inventor
刘童
刘向阳
唐小军
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201810701449.9A priority Critical patent/CN108830873B/zh
Publication of CN108830873A publication Critical patent/CN108830873A/zh
Priority to US16/615,644 priority patent/US11379988B2/en
Priority to PCT/CN2019/084392 priority patent/WO2020001149A1/zh
Application granted granted Critical
Publication of CN108830873B publication Critical patent/CN108830873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明实施例公开了一种深度图像物体边缘提取方法、装置、存储介质及计算机设备，提供一种实现简单，且边缘提取准确的方案。所述深度图像物体边缘提取方法包括：采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，结合所述至少两个边缘像素集得到最终边缘像素集。本发明实施例方案实现简单，且能够获得更为准确的边缘像素集，从而获得准确的像素级分割结果。

Description

深度图像物体边缘提取方法、装置、介质及计算机设备
技术领域
本发明涉及图像处理技术，具体涉及一种深度图像物体边缘提取方法、装置、存储介质及计算机设备。
背景技术
深度摄像头获取深度信息是通过发射红外结构光，并接收其被物体反射回的光束而计算出物体表面到摄像头的距离的。现有的深度图像分割方法有的基于随机霍夫(Hough)变换，有的基于法向分量边缘融合，有的基于形态学水线区域，有的基于数学形态学，都比较复杂。
发明内容
为解决上述技术问题，本发明实施例提供一种深度图像物体边缘提取方法、装置、存储介质及计算机设备，提供一种实现简单，且边缘提取结果准确的方案。
为了解决上述技术问题，本发明实施例提供了一种深度图像物体边缘提取方法，所述方法包括：
采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，结合所述至少两个边缘像素集得到最终边缘像素集。
进一步地，在采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集前，所述方法还包括：确定与待分割深度图像相关的至少一帧相关深度图像，将确定的所述相关深度图像与所述待分割深度图像进行一次或两次以上的融合，得到所述第一深度图像。
进一步地，所述结合所述至少两个边缘像素集得到最终边缘像素集，包括：用至少一个其他边缘像素集补偿基础边缘像素集，得到所述最终边缘像素集，其中，所述基础边缘像素集采用第一边缘检测算法计算得到，所述至少一个其他边缘像素集采用至少一个其他边缘检测算法计算获得；或者
取至少两个边缘像素集的并集为所述最终边缘像素集；或者，
对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集。
进一步地，所述用至少一个其他边缘像素集补偿基础边缘像素集，包括：将所述基础边缘像素集加入最终边缘像素集；对所述至少一个其他边缘像素集进行以下处理：从所述其他边缘像素集中选择与所述最终边缘像素集中的点直接相连的点加入最终边缘像素集。
进一步地，所述采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，包括：确定至少两种边缘检测算法，根据为每种边缘检测算法预设的权重值确定每种边缘检测算法待处理的帧数，用所述确定的边缘检测算法按照所述确定的帧数对与第一深度图像相关的相关深度图像进行计算，获得边缘像素集；
所述结合所述至少两个边缘像素集得到最终边缘像素集，包括：对于第一图像中的每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集。
进一步地，所述第一边缘检测算法为：提取深度值为零的像素。
进一步地，所述方法还包括：对所述最终边缘像素集进行连通域分析得到分割结果；根据先验信息对所述分割结果进行去噪处理。
为了解决上述技术问题，本发明实施例还提供了一种深度图像物体边缘提取装置，包括初始像素集获取模块和最终像素集获取模块，其中：
所述初始像素集获取模块，用于采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集；
所述最终像素集获取模块，用于结合所述至少两个边缘像素集得到最终边缘像素集。
进一步地，所述装置还包括第一深度图像获取模块，用于确定与待分割深度图像相关的至少一帧相关深度图像，将确定的所述相关深度图像与所述待分割深度图像进行一次或两次以上的融合，得到所述第一深度图像。
进一步地，所述最终像素集获取模块结合所述至少两个边缘像素集得到最终边缘像素集，包括：
所述最终像素集获取模块用至少一个其他边缘像素集补偿基础边缘像素集，得到所述最终边缘像素集，其中，所述基础边缘像素集采用第一边缘检测算法计算得到，所述至少一个其他边缘像素集采用至少一个其他边缘检测算法计算获得；或者，
所述最终像素集获取模块取至少两个边缘像素集的并集为所述最终边缘像素集；或者，
所述最终像素集获取模块对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集。
进一步地，所述最终像素集获取模块用至少一个其他边缘像素集补偿基础边缘像素集，包括：所述最终像素集获取模块将所述基础边缘像素集加入最终边缘像素集；所述最终像素集获取模块对所述至少一个其他边缘像素集进行以下处理：从所述其他边缘像素集中选择与所述最终边缘像素集中的点直接相连的点加入最终边缘像素集。
进一步地，所述初始像素集获取模块采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，包括：所述初始像素集获取模块确定至少两种边缘检测算法，根据为每种边缘检测算法预设的权重值确定每种边缘检测算法待处理的帧数，用所述确定的边缘检测算法按照所述确定的帧数对与第一深度图像相关的相关深度图像进行计算，获得边缘像素集；
所述最终像素集获取模块结合所述至少两个边缘像素集得到最终边缘像素集，包括：所述最终像素集获取模块对于第一图像中的每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集。
进一步地，所述装置还包括分割模块，其用于对所述最终边缘像素集进行连通域分析得到分割结果，以及根据先验信息对所述分割结果进行去噪处理。
为了解决上述技术问题，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现上述方法的步骤。
为了解决上述技术问题，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述方法的步骤。
本发明实施例提供了一种深度图像物体边缘提取方法、装置、存储介质及计算机设备，采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，结合所述至少两个边缘像素集得到最终边缘像素集。与现有技术相比，本发明实施例方案实现简单，能够获得更为准确的边缘像素集，进而获得像素级的分割结果。
此外，本发明实施例方案还通过对多帧深度图像进行融合，以达到去除噪声的目的，从而获得更加稳定和准确的分割结果。
本发明实施例方案可用于样本采集、自动标注、机器学习及深度学习的GroundTruth获取和训练数据生成等方面。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。本发明的其它特征和优点将在随后的说明书实施例中阐述，并且，部分地从说明书实施例中变得显而易见，或者通过实施本发明而了解。本发明实施例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。附图中各部件的形状和大小不反映真实比例，目的只是示意说明本发明内容。
图1为本发明实施例1深度图像物体边缘提取方法流程图；
图2为本发明实施例2深度图像物体边缘提取装置结构示意图；
图3为本发明实施例2中另一种深度图像物体边缘提取装置的结构示意图；
图4为本发明实施例2中另一种深度图像物体边缘提取装置的结构示意图；
图5为本发明应用示例流程图；
图6(a)为本发明应用示例待分割图的彩色图像；
图6(b)为本发明应用示例待分割图的深度图像；
图6(c)为本发明应用示例待分割图深度图像的局部图；
图7为本发明应用示例中Canny边缘检测结果图；
图8为本发明应用示例对最终边缘像素集进行连通域分析的二值化结果图；
图9为本发明应用示例噪声产生的分割结果；
图10(a)为本发明应用示例深度图像最终分割结果；
图10(b)为本发明应用示例最终分割结果与原图的对应关系图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。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。
实施例1
图1为本发明实施例1的深度图像物体边缘提取方法流程图，如图1所示，所述方法包括：
步骤11，采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集；
步骤12，结合所述至少两个边缘像素集得到最终边缘像素集。
在对单个物体的深度图像中分割物体时，由于噪声的影响，仅利用单帧图像的0值像素或边缘像素集合都不能得到准确、稳定的结果，因此本发明实施例提出用至少两种边缘检测算法得到至少两个边缘像素集，通过边缘像素集的结合获得一个更为准确的最终边缘像素集，从而实现稳定、准确的像素级的物体分割。
在一个可选实施例中，为了去除噪声的影响，在采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集前，所述方法还可包括以下步骤：确定与待分割深度图像相关的至少一帧相关深度图像，将确定的所述相关深度图像与所述待分割深度图像进行一次或两次以上的融合，得到所述第一深度图像。采用对多帧深度图像进行融合获得第一深度图像，基于此第一深度图像得到的边缘像素集更加准确，噪声较少，分割效果也更好。所述与待分割深度图像相关的相关深度图像是与待分割深度图像内容基本相同的图像，可以是待分割深度图像之前至少一帧的深度图像，也可以是待分割深度图像之后至少一帧的深度图像，或者是上述两者的结合。第一深度图像可以是如前所述的融合后的深度图像，也可以是待分割深度图像本身。
对于图1所述流程，方式一是用确定的每一种边缘检测算法对同一第一深度图像进行计算获得该第一深度图像的一个边缘像素集，将获得的至少两个边缘像素集进行结合得到最终边缘像素集。在此方式一中，获得的边缘像素集的数量与边缘检测算法的数量相同。该第一深度图像可以是待分割深度图像本身或者是如前所述的待分割深度图像与相关深度图像融合后得到的第一深度图像。
一个可选实施例中，上述步骤11中计算获得第一深度图像的至少两个边缘像素集包括：用第一边缘检测算法获得第一深度图像的基础边缘像素集，用至少一个其他边缘检测算法计算获得所述第一深度图像的至少一个其他边缘像素集；上述步骤12中所述的结合至少两个边缘像素集得到最终边缘像素集包括：用至少一个其他边缘像素集补偿所述基础边缘像素集，得到所述最终边缘像素集。除采用上述结合方式外，还可以采用其他结合方式，例如取至少两个边缘像素集的并集为所述最终边缘像素集；或者，对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集。
其中，补偿时，可以先将基础边缘像素集加入最终边缘像素集，再对所述至少一个其他边缘像素集进行以下处理：从其他边缘像素集中选择与最终边缘像素集中的点直接相连的点加入最终边缘像素集。直到所有其他边缘像素集中没有与最终边缘像素集中的点直接相连的点。所述直接相连可以是四连通域相连也可以是八连通域相连，即对于任一点x，可以将该点上、下、左、右四个紧邻位置的点认为是直接相连，也可以将该点上、下、左、右、左上、右上、左下、右下四个紧邻位置和四个斜向相邻位置的点均认为是直接相连。本实施例提供一种简单可靠的补偿算法，除此补偿算法外，不排除采用其他现有补偿算法进行计算。基于补偿后的边缘像素集进行分割可以达到像素级分割效果。
对于图1所述流程，方式二是用确定的边缘检测算法对与第一深度图像相关的相关深度图像进行计算获得至少两个边缘像素集，将获得的至少两个边缘像素集进行结合得到最终边缘像素集。在此方式二中，获得的边缘像素集的数量与所述相关深度图像的数量相同，即每一帧深度图像得到一个对应边缘像素集。
具体地，确定至少两种边缘检测算法，根据为每种边缘检测算法预设的权重值确定每种边缘检测算法待处理的帧数，用所述确定的边缘检测算法按照所述确定的帧数对与第一深度图像相关的相关深度图像进行计算，获得边缘像素集；对于第一图像中的每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集。
此处所述第二预设阈值与前述第一预设阈值可以相同也可以不同。
其中，所述第一深度图像可以是确定的待分割深度图像，此时与第一深度图像相关的相关深度图像包括待分割深度图像和与待分割深度图像相关的相关深度图像，与待分割深度图像相关的相关深度图像可以是待分割深度图像之前至少一帧的深度图像，也可以是第一深度图像之后至少一帧的深度图像，或者是上述两者的结合，具体实现时，为简便起见，可以直接根据总帧数选取相应的深度图像作为与第一深度图像相关的相关深度图像。此外，该第一深度图像还可以是融合后的深度图像，此时与第一深度图像相关的相关深度图像可以包括，第一深度图像、待分割深度图像和与待分割深度图像相关的相关深度图像。由于边缘检测算法处理的深度图像均与第一深度图像有关，故本方式中得到的边缘像素集仍称为第一深度图像的边缘像素集。
在一个可选实施例中，方式二中根据为每种边缘检测算法预设的权重值确定每种边缘检测算法处理的深度图像的帧数，例如可以采用以下方式之一：
直接确定每种边缘检测算法处理的深度图像的帧数：确定每种边缘检测算法的权重值，用每种边缘算法的权重值乘以一预设参数得到每种边缘检测算法处理的深度图像的帧数，如确定两种边缘检测算法，对应权重值为w1和w2，确定预设参数a为不小于1的正整数，第一边缘检测算法处理的图像帧数为w1*a，第二边缘检测算法处理的图像帧数为w2*a；
先确定与第一深度图像相关的相关深度图像的总帧数，再根据每种边缘检测算法的权重值确定每种边缘检测算法处理的深度图像的帧数：确定与第一深度图像相关的相关深度图像共计n帧，根据每种边缘检测算法的权重值确定每种边缘检测算法处理的深度图像的帧数。例如，确定两种边缘检测算法，第一边缘检测算法的权重值为w1，处理的深度图像的帧数为n1，第二边缘检测算法的权重值为w2，处理的深度图像的帧数为n2，则w1/w2＝n1/n2，且n1+n2＝n。优选地，对效果较好或者结果较可靠的边缘检测算法取高于其他边缘检测算法的权值。
在一个可选实施例中，所述当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集，其中的第二预设阈值例如可以设为边缘像素集的半数，即如果有半数以上像素集中包含一像素点A，则将该像素点A计入最终边缘像素集，否则不计入。
在本实施例中，可采用的边缘检测算法例如包括零值像素获取法、Canny边缘检测算法、Roberts边缘检测算法、Prewitt边缘检测算法、Sobel边缘检测算法、Laplacian边缘检测算法、Log边缘检测算法等。优选第一边缘检测算法为零值像素获取法，即提取深度值为零的像素。
在一个可选实施例中，所述方法还包括：对所述最终边缘像素集进行连通域分析得到分割结果，根据先验信息对所述分割结果进行去噪处理。所述先验信息例如包括以下信息的一种或多种：物体的位置信息、尺寸信息、形状信息等，根据先验信息对所述分割结果进行去噪处理，可以去除非物体即噪声产生的分割结果。
采用本实施例所述方法，采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，结合所述至少两个边缘像素集得到最终边缘像素集，通过多种边缘像素集的结合获得一个更为准确的最终边缘像素集，从而实现稳定、准确的像素级物体分割。
实施例2
本实施例描述实现实施例1方法的深度图像物体边缘提取装置，实施例1中的描述同样适用于本实施例。图2为实现实施例1方法的装置结构示意图，如图2所示，所述深度图像物体边缘提取装置包括初始像素集获取模块21和最终像素集获取模块，其中：
所述初始像素集获取模块21，用于采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集；
所述最终像素集获取模块22，用于结合所述至少两个边缘像素集得到最终边缘像素集。
如图3所示，在一可选实施例中，所述装置还可包括第一深度图像获取模块20，用于确定与待分割深度图像相关的至少一帧相关深度图像，将确定的所述相关深度图像与所述待分割深度图像进行一次或两次以上的融合，得到所述第一深度图像。
在一可选实施例中，所述最终像素集获取模块22结合所述至少两个边缘像素集得到最终边缘像素集，包括：
所述最终像素集获取模块22用至少一个其他边缘像素集补偿基础边缘像素集，得到所述最终边缘像素集，其中，所述基础边缘像素集采用第一边缘检测算法计算得到，所述至少一个其他边缘像素集采用至少一个其他边缘检测算法计算获得；或者，
所述最终像素集获取模块22取至少两个边缘像素集的并集为所述最终边缘像素集；或者，
所述最终像素集获取模块22对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集。
一种可选的补偿方式为，所述最终像素集获取模块22将所述基础边缘像素集加入最终边缘像素集；并对所述至少一个其他边缘像素集进行以下处理：从所述其他边缘像素集中选择与所述最终边缘像素集中的点直接相连的点加入最终边缘像素集。
在一可选实施例中，所述初始像素集获取模块21采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，包括：
所述初始像素集获取模块21确定至少两种边缘检测算法，根据为每种边缘检测算法预设的权重值确定每种边缘检测算法待处理的帧数，用所述确定的边缘检测算法按照所述确定的帧数对与第一深度图像相关的相关深度图像进行计算，获得边缘像素集；
所述最终像素集获取模块22结合所述至少两个边缘像素集得到最终边缘像素集，包括：所述最终像素集获取模块22对于第一图像中的每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集。
如图4所示，在一可选实施例中，所述装置还可包括分割模块23，其用于对所述最终边缘像素集进行连通域分析得到分割结果，以及根据先验信息对所述分割结果进行去噪处理。
采用本实施例所述装置，用多个不同的边缘检测算法得到多个边缘像素集，通过多个边缘像素集的结合获得一个更为准确的最终边缘像素集，从而实现稳定、准确的像素级的物体分割。
应用示例
本示例以进行深度图像融合和用一个边缘像素集补偿基础边缘像素集为例对上述实施例1方法进行具体说明，其他实施方式可以参照本示例执行。在本示例中，采用零值像素获取法得到基础边缘像素集。所述边缘像素即图像中物体边缘位置的像素。准确获取图像中物体的边缘像素可以实现稳定准确的物体分割。
如图5所示，包括以下步骤：
步骤51，提取静止场景下物体的多帧深度图像，确定其中一帧为待分割深度图像，其他帧深度图像为与该待分割深度图像相关的相关深度图像；
本实施例所述深度图像是指通过深度摄像头获取的包含深度信息的图像，例如深度摄像头发射红外结构光，并接收该红外结构光被物体反射回的光束，根据反射回的光束计算出物体表面到摄像头的距离信息，该距离信息即为深度信息。
与待分割深度图像相关的相关深度图像是与待分割深度图像同在一预设时间窗内的图像，例如可以是待分割深度图像之前至少一帧的深度图像，也可以是待分割深度图像之后至少一帧的深度图像，或者是上述两者的结合。
步骤52，将提取的多帧深度图像进行融合得到第一深度图像；
由于深度图像中深度信息的获取是利用了反射光，而物体边缘因其角度变化，用于接收反射光的成像单元可能无法接收到物体边缘位置的反射光，故在深度图像中大多数物体边缘部分像素的深度值为0即0值像素。但考虑到因光线原因，单幅图像物体边缘部分0值像素集合可能不太稳定，例如图像中某一个点在t1时刻为0，但在t2时刻不为0，因此为了尽量去除噪声的影响，先提取静止场景下物体的包含待分割深度图像和相关深度图像在内的多帧深度图像，然后将它们融合为一幅图像即第一深度图像。在其他应用示例中，也可以不进行融合，而是直接选取一幅待分割深度图像作为第一深度图像。
对于深度图像中的0值像素，融合的方法可采用以下之一：取并集法、取交集法、阈值法、连续区间法等，而对于深度图像中的非零值像素即普通像素可采用均值滤波。对于连续N帧深度图像而言，所谓取并集法即对所有帧的0值像素集合取并集；类似的取交集法即对所有帧的0值像素集合取交集；阈值法为对于每一个像素统计其值为0的帧的数目N0，当N0大于预先设定的阈值Nth1时，认为该像素是一个0值像素，否则认为它不是一个0值像素，例如统计9帧图像，当有5帧或5帧以上为0时，则认为该像素是0值像素，反之则认为不是；连续区间法为对每一个像素统计其值连续为0的帧序列的长度Nlength，如果Nlength大于另一个预先设定的阈值Nth2时，认为该像素是一个0值像素。不同的深度传感器噪声的模型不同，实际应用时，可以用这些融合方法分别实验，取效果最好的，也可以将不同融合方法的结果再融合即多次融合。通过多帧融合可以提高0值像素集的稳定性。
步骤53，用第一边缘检测算法从第一深度图像中提取深度数据为零的像素点集(P0)作为基础边缘像素集；
较优地，选择取边缘效果较可靠的算法作为第一边缘检测算法。如前所述，基于深度图像中深度信息的特点，故本示例中第一边缘检测算法为零值像素提取法，即提取深度数据为零的像素组成基础边缘像素集。如图6(a)和(b)所示，图6(a)为原图，图6(b)为提取出的基础边缘像素集对应的深度图像，图中深色点为深度值为零的像素。
步骤54，采用第二边缘检测算法提取深度图边缘像素点集(Pc)作为第二边缘像素集；
由于噪声等原因，深度值为零的点集形成的边缘可能并不闭合，会存在断开的部分，如图6(b)中所示，图6(c)是图6(b)的局部图，以边缘上A点与B点为例，A点与B点之间断开，表示第一边缘像素集中缺失该部分边缘像素点，因此可以利用其他边缘检测算法提取第一深度图像中的边缘像素获得其他边缘像素集，用其他边缘像素集对基础像素集进行补偿。例如用第二边缘检测算法获得第二边缘像素集，如果用第二边缘像素集补偿基础边缘像素集得到的边缘像素集所显示的物体边缘仍存在缺失，即边缘不闭合，则还可以再选择第三边缘检测算法以获得第三边缘像素集，用第三边缘像素集继续进行补偿，以此类推，直到得到边缘闭合的最终边缘像素集。
在本示例中，其他边缘检测算法可以采用现有的边缘检测算法，本示例中采用Canny边缘检测算法，先应用高斯滤波来平滑图像，以去除噪声；然后寻找图像中的强度梯度，Canny算法的基本思想是找寻一幅图像中灰度强度变化最强的位置，所谓变化最强，即指梯度方向，需要获取两方面数据，一是梯度的强度信息，另一个是梯度的方向信息，通过计算图像水平方向与垂直方向的梯度，根据梯度计算图像每个像素的梯度强度和梯度方向；之后进行非极大抑制，目的是将边缘细化，使模糊的边界变得清晰，简单的说，就是保留了每个像素点上梯度强度的极大值，而删掉其他的值；经过非极大抑制后图像中仍然有很多噪声点，即可能会有非边缘像素被包含到结果中，应用双阈值法实现边缘选取，即设定一个阈值上界和阈值下界，图像中的像素点如果大于阈值上界则认为必然是边缘像素，小于阈值下界则认为必然不是边缘像素，两者之间的像素则再进行进一步判断。边缘提取的二值化输出结果如图7所示。除此之外还可以采用其他现有边缘检测方法，如Roberts算子、Prewitt算子、Sobel算子等一阶微分算子，以及Laplacian算子、LOG算子等二阶微分算子计算深度图像边缘。
较优地，为了直接使用上述现有的边缘检测算法，可以先将步骤52中得到的第一深度图像映射为一个灰度图像，例如对第一深度图像进行转换处理，将其深度信息转换至0-255区间范围内，可以通过将深度信息乘一转换系数(或称缩放系数)以使取值在0-255范围内。用Canny边缘检测算法对转换后的第一深度图像进行边缘提取即可得到如图7所示结果。
步骤55，用第二边缘像素集补偿基础边缘像素集获取物体边缘像素候选集合(PE)即最终边缘像素集；
将基础边缘像素集(P0)与第二边缘像素集(Pc)相结合得到更加完整的物体边缘(PE)。
一种效果较好的结合的方式是：考虑到P0中的点更可靠，所以先使P0中的点全部进入PE；而如果需要PC中的点p进入PE，则需要满足当且仅当p与P0中的点直接或间接相连，即存在从p到P0中某点p’的一条路径pp’，路径上的每个点都属于P0或PE；或者是：先将P0中的点全部进入PE，然后判断PC中的点p是否与PE中的任意一点相连，如果有连接，则将该p点加入PE，直到PC中的点全部判断完毕。此处所述相连是指直接相连，可以是四连通域相连也可以是八连通域相连，即对于任一点x，可以将该点上、下、左、右四个紧邻位置的点认为是直接相连，也可以将该点上、下、左、右、左上、右上、左下、右下四个紧邻位置和四个斜向相邻位置的点均认为是直接相连。
除了上述结合方案外，还可以采用取并集的结合方式，例如取所述至少两个边缘像素集的并集为最终边缘像素集，即只要有一种边缘检测算法认为该像素点位于边缘，则将该像素点记入最终边缘像素集。
此外，还可以采用投票的方式进行结合，即对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集，例如采用奇数个边缘检测算法计算获得第一深度图像的奇数个边缘像素集，对于每一像素点，如果有半数以上的边缘像素集中包含该像素点，即有半数以上的边缘检测算法认为该像素点位于边缘，则将该像素点计入最终边缘像素集，否则不计入。
本示例中，采用第二边缘像素集补偿基础边缘像素集即可得到闭合的边缘，故无需再使用其他边缘像素集进行补偿。如果用第二边缘像素集补偿基础边缘像素集得到的最终边缘像素集仍存在边缘缺失，则可再选择一边缘检测算法得到第三边缘像素集，用该第三边缘像素集对前述存在边缘缺失的最终边缘像素集进行补偿，直到获得边缘闭合的最终边缘像素集。
步骤56，对于得到的最终边缘像素集，进行连通域分析即可得到物体对应的轮廓；
图8所示为连通域分析结果，可见，由于用第二边缘像素集(Pc)补偿了基础边缘像素集(P0)得到了更为准确的最终边缘像素集合，基于该最终边缘像素集合得到的分割结果可以达到像素级效果。
步骤57，进行后处理后得到分割掩码。
由于噪声的影响，可能会得到多个分割结果，图9中圈中的分割结果即为噪声产生的分割结果，为了去掉噪声产生的分割结果，工作人员可预先输入先验信息，包括以下一种或多种：物体的位置信息、尺寸信息、形状信息，在得到分割结果后，自动根据预先输入的先验信息去除不符合条件的分割结果。
图10(a)中唯一连通区即为最终分割结果，用原图与最终分割结果比对后可见采用本示例方法获得的最终分割结果刚好将原图前景中的物体分割出来，如图10(b)所示。
其他设计要求与实施例一类似，在此不再赘述。
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存储有计算机程序；所述计算机程序被执行后，能够实现前述一个或多个实施例提供的分割方法，例如，执行如图1所示方法。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时能够实现前述一个或多个实施例提供的分割方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理单元的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
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 (15)

1.一种深度图像物体边缘提取方法，其特征在于，所述方法包括：
采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，结合所述至少两个边缘像素集得到最终边缘像素集。
2.根据权利要求1所述的方法，其特征在于，在采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集前，所述方法还包括：
确定与待分割深度图像相关的至少一帧相关深度图像，将确定的所述相关深度图像与所述待分割深度图像进行一次或两次以上的融合，得到所述第一深度图像。
3.根据权利要求1所述的方法，其特征在于，所述结合所述至少两个边缘像素集得到最终边缘像素集，包括：
用至少一个其他边缘像素集补偿基础边缘像素集，得到所述最终边缘像素集，其中，所述基础边缘像素集采用第一边缘检测算法计算得到，所述至少一个其他边缘像素集采用至少一个其他边缘检测算法计算获得；或者
取至少两个边缘像素集的并集为所述最终边缘像素集；或者，
对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集。
4.根据权利要求3所述的方法，其特征在于，所述用至少一个其他边缘像素集补偿基础边缘像素集，包括：
将所述基础边缘像素集加入所述最终边缘像素集；
对所述至少一个其他边缘像素集进行以下处理：从所述其他边缘像素集中选择与所述最终边缘像素集中的点直接相连的点加入所述最终边缘像素集。
5.根据权利要求1所述的方法，其特征在于，
所述采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，包括：
确定至少两种边缘检测算法，根据为每种边缘检测算法预设的权重值确定每种边缘检测算法待处理的帧数，用所述确定的边缘检测算法按照所述确定的帧数对与第一深度图像相关的相关深度图像进行计算，获得边缘像素集；
所述结合所述至少两个边缘像素集得到最终边缘像素集，包括：
对于第一图像中的每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集。
6.根据权利要求3或5所述的方法，其特征在于，所述第一边缘检测算法为：提取深度值为零的像素。
7.根据权利要求1-5中任一权利要求所述的方法，其特征在于，所述方法还包括：
对所述最终边缘像素集进行连通域分析得到分割结果；
根据先验信息对所述分割结果进行去噪处理。
8.一种深度图像物体边缘提取装置，其特征在于，包括初始像素集获取模块和最终像素集获取模块，其中：
所述初始像素集获取模块，用于采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集；
所述最终像素集获取模块，用于结合所述至少两个边缘像素集得到最终边缘像素集。
9.根据权利要求8所述的装置，其特征在于，
所述装置还包括第一深度图像获取模块，用于确定与待分割深度图像相关的至少一帧相关深度图像，将确定的所述相关深度图像与所述待分割深度图像进行一次或两次以上的融合，得到所述第一深度图像。
10.根据权利要求8所述的装置，其特征在于，所述最终像素集获取模块结合所述至少两个边缘像素集得到最终边缘像素集，包括：
所述最终像素集获取模块用至少一个其他边缘像素集补偿基础边缘像素集，得到所述最终边缘像素集，其中，所述基础边缘像素集采用第一边缘检测算法计算得到，所述至少一个其他边缘像素集采用至少一个其他边缘检测算法计算获得；或者，
所述最终像素集获取模块取至少两个边缘像素集的并集为所述最终边缘像素集；或者，
所述最终像素集获取模块对于每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第一预设阈值时，将所述像素点计入所述最终边缘像素集。
11.根据权利要求10所述的装置，其特征在于，所述最终像素集获取模块用至少一个其他边缘像素集补偿基础边缘像素集，包括：
所述最终像素集获取模块将所述基础边缘像素集加入所述最终边缘像素集；
所述最终像素集获取模块对所述至少一个其他边缘像素集进行以下处理：从所述其他边缘像素集中选择与所述最终边缘像素集中的点直接相连的点加入所述最终边缘像素集。
12.根据权利要求8所述的装置，其特征在于，
所述初始像素集获取模块采用至少两种边缘检测算法计算获得第一深度图像的至少两个边缘像素集，包括：
所述初始像素集获取模块确定至少两种边缘检测算法，根据为每种边缘检测算法预设的权重值确定每种边缘检测算法待处理的帧数，用所述确定的边缘检测算法按照所述确定的帧数对与第一深度图像相关的相关深度图像进行计算，获得边缘像素集；
所述最终像素集获取模块结合所述至少两个边缘像素集得到最终边缘像素集，包括：
所述最终像素集获取模块对于第一图像中的每一像素点执行以下处理：当包含所述像素点的边缘像素集的数量超过第二预设阈值时，将所述像素点计入所述最终边缘像素集。
13.根据权利要求8-12中任一权利要求所述的装置，其特征在于，
所述装置还包括分割模块，其用于对所述最终边缘像素集进行连通域分析得到分割结果，以及根据先验信息对所述分割结果进行去噪处理。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7中任一项所述方法的步骤。
CN201810701449.9A 2018-06-29 2018-06-29 深度图像物体边缘提取方法、装置、介质及计算机设备 Active CN108830873B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810701449.9A CN108830873B (zh) 2018-06-29 2018-06-29 深度图像物体边缘提取方法、装置、介质及计算机设备
US16/615,644 US11379988B2 (en) 2018-06-29 2019-04-25 Method and apparatus for extracting edge of object in depth image and computer readable storage medium
PCT/CN2019/084392 WO2020001149A1 (zh) 2018-06-29 2019-04-25 用于在深度图像中提取物体的边缘的方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810701449.9A CN108830873B (zh) 2018-06-29 2018-06-29 深度图像物体边缘提取方法、装置、介质及计算机设备

Publications (2)

Publication Number Publication Date
CN108830873A true CN108830873A (zh) 2018-11-16
CN108830873B CN108830873B (zh) 2022-02-01

Family

ID=64134528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810701449.9A Active CN108830873B (zh) 2018-06-29 2018-06-29 深度图像物体边缘提取方法、装置、介质及计算机设备

Country Status (3)

Country Link
US (1) US11379988B2 (zh)
CN (1) CN108830873B (zh)
WO (1) WO2020001149A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109452941A (zh) * 2018-11-23 2019-03-12 中国科学院自动化研究所 基于图片正畸与边界提取的肢体周径测量方法及系统
WO2020001149A1 (zh) * 2018-06-29 2020-01-02 京东方科技集团股份有限公司 用于在深度图像中提取物体的边缘的方法、装置和计算机可读存储介质
CN112634302A (zh) * 2020-12-28 2021-04-09 航天科技控股集团股份有限公司 基于深度学习的移动端类矩形物体边缘检测方法
CN112697042A (zh) * 2020-12-07 2021-04-23 深圳市繁维科技有限公司 手持式tof相机及其强适应包裹体积测量方法
CN114383521A (zh) * 2020-10-02 2022-04-22 贝克休斯油田作业有限责任公司 自动涡轮叶片与护罩间隙测量

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445513B (zh) * 2020-02-24 2024-01-16 浙江科技学院 基于深度图像的植株冠层体积获取方法、装置、计算机设备和存储介质
CN112560779B (zh) * 2020-12-25 2024-01-05 中科云谷科技有限公司 进料口溢料识别方法、设备及搅拌站进料控制系统
CN114187267B (zh) * 2021-12-13 2023-07-21 沭阳县苏鑫冲压件有限公司 基于机器视觉的冲压件缺陷检测方法
CN115423829B (zh) * 2022-07-29 2024-03-01 江苏省水利科学研究院 一种单波段遥感影像水体快速提取方法及系统
CN115682941B (zh) * 2022-12-27 2023-03-07 广东技术师范大学 一种基于结构光相机的包装箱几何尺寸测量方法
CN115797750B (zh) * 2023-02-02 2023-04-25 天津滨海迅腾科技集团有限公司 一种基于深度学习算法的大尺寸图像快速传输方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256625A (zh) * 2007-12-19 2008-09-03 重庆大学 多方法结合的人耳图像边缘提取方法
CN101859385A (zh) * 2010-06-29 2010-10-13 上海大学 基于图像的局部模糊篡改盲检测方法
US20110249910A1 (en) * 2010-04-08 2011-10-13 General Electric Company Image quality assessment including comparison of overlapped margins
CN102521802A (zh) * 2011-11-28 2012-06-27 广东省科学院自动化工程研制中心 一种数学形态学和LoG算子结合的边缘检测算法
CN104272323A (zh) * 2013-02-14 2015-01-07 Lsi公司 使用至少一个附加图像的图像增强和边缘验证方法和设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8983177B2 (en) * 2013-02-01 2015-03-17 Mitsubishi Electric Research Laboratories, Inc. Method for increasing resolutions of depth images
CN103440662B (zh) * 2013-09-04 2016-03-09 清华大学深圳研究生院 Kinect深度图像获取方法与装置
WO2015088803A1 (en) * 2013-12-12 2015-06-18 General Electric Comapny Method for defect indication detection
CN103927717B (zh) * 2014-03-28 2017-03-15 上海交通大学 基于改进型双边滤波的深度图像恢复方法
CN104954770A (zh) * 2014-03-31 2015-09-30 联咏科技股份有限公司 图像处理装置及其方法
CN105825494B (zh) * 2015-08-31 2019-01-29 维沃移动通信有限公司 一种图像处理方法及移动终端
CN107578053B (zh) * 2017-09-25 2020-03-24 重庆虚拟实境科技有限公司 轮廓提取方法及装置、计算机装置及可读存储介质
CN108830873B (zh) * 2018-06-29 2022-02-01 京东方科技集团股份有限公司 深度图像物体边缘提取方法、装置、介质及计算机设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256625A (zh) * 2007-12-19 2008-09-03 重庆大学 多方法结合的人耳图像边缘提取方法
US20110249910A1 (en) * 2010-04-08 2011-10-13 General Electric Company Image quality assessment including comparison of overlapped margins
CN101859385A (zh) * 2010-06-29 2010-10-13 上海大学 基于图像的局部模糊篡改盲检测方法
CN102521802A (zh) * 2011-11-28 2012-06-27 广东省科学院自动化工程研制中心 一种数学形态学和LoG算子结合的边缘检测算法
CN104272323A (zh) * 2013-02-14 2015-01-07 Lsi公司 使用至少一个附加图像的图像增强和边缘验证方法和设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020001149A1 (zh) * 2018-06-29 2020-01-02 京东方科技集团股份有限公司 用于在深度图像中提取物体的边缘的方法、装置和计算机可读存储介质
US11379988B2 (en) * 2018-06-29 2022-07-05 Boe Technology Group Co., Ltd. Method and apparatus for extracting edge of object in depth image and computer readable storage medium
CN109452941A (zh) * 2018-11-23 2019-03-12 中国科学院自动化研究所 基于图片正畸与边界提取的肢体周径测量方法及系统
CN114383521A (zh) * 2020-10-02 2022-04-22 贝克休斯油田作业有限责任公司 自动涡轮叶片与护罩间隙测量
CN114383521B (zh) * 2020-10-02 2024-03-08 贝克休斯油田作业有限责任公司 自动涡轮叶片与护罩间隙测量
CN112697042A (zh) * 2020-12-07 2021-04-23 深圳市繁维科技有限公司 手持式tof相机及其强适应包裹体积测量方法
CN112697042B (zh) * 2020-12-07 2023-12-05 深圳市繁维科技有限公司 手持式tof相机及其强适应包裹体积测量方法
CN112634302A (zh) * 2020-12-28 2021-04-09 航天科技控股集团股份有限公司 基于深度学习的移动端类矩形物体边缘检测方法
CN112634302B (zh) * 2020-12-28 2023-11-28 航天科技控股集团股份有限公司 基于深度学习的移动端类矩形物体边缘检测方法

Also Published As

Publication number Publication date
WO2020001149A1 (zh) 2020-01-02
US11379988B2 (en) 2022-07-05
CN108830873B (zh) 2022-02-01
US20210358132A1 (en) 2021-11-18

Similar Documents

Publication Publication Date Title
CN108830873A (zh) 深度图像物体边缘提取方法、装置、介质及计算机设备
Zhao et al. Multi-scale optimal fusion model for single image dehazing
Li et al. Image matting for fusion of multi-focus images in dynamic scenes
CN104408460B (zh) 一种车道线检测及跟踪检测方法
Jie et al. An improved adaptive threshold canny edge detection algorithm
CN107067382A (zh) 一种改进的图像边缘检测方法
AU2014346263B2 (en) Complex background-oriented optical character recognition method and device
CN103606132A (zh) 基于空域和时域联合滤波的多帧数字图像去噪方法
CN108377374B (zh) 用于产生与图像相关的深度信息的方法和系统
Kalra et al. A Hybrid approach using sobel and canny operator for digital image edge detection
Xiao et al. Multi-focus image fusion based on depth extraction with inhomogeneous diffusion equation
CN104217208A (zh) 目标检测方法和装置
CN106204570B (zh) 一种基于非因果分数阶梯度算子的角点检测方法
CN108550145A (zh) 一种sar图像质量评估方法和装置
CN107203981A (zh) 一种基于雾气浓度特征的图像去雾方法
CN104574312A (zh) 标靶图像求圆心的方法和装置
CN108133488A (zh) 一种红外图像前景检测方法及设备
CN106327464A (zh) 一种边缘检测方法
CN114596329A (zh) 一种气体图像增强及气体泄露检测方法和系统
Phoulady et al. An approach for overlapping cell segmentation in multi-layer cervical cell volumes
CN105787912A (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN114612410A (zh) 一种新型服装检测装置
Bhadauria et al. Comparison between various edge detection methods on satellite image
CN116934746B (zh) 划伤缺陷检测方法、系统、设备及其介质
CN106537451A (zh) 一种基于图像梯度矢量流场的血管脊点提取方法及装置

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