CN108830899B - 一种基于几何特征的快速自适应角点结合的圆心检测方法 - Google Patents

一种基于几何特征的快速自适应角点结合的圆心检测方法 Download PDF

Info

Publication number
CN108830899B
CN108830899B CN201810561892.0A CN201810561892A CN108830899B CN 108830899 B CN108830899 B CN 108830899B CN 201810561892 A CN201810561892 A CN 201810561892A CN 108830899 B CN108830899 B CN 108830899B
Authority
CN
China
Prior art keywords
image
corner
points
gray
circle
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.)
Active
Application number
CN201810561892.0A
Other languages
English (en)
Other versions
CN108830899A (zh
Inventor
夏红伟
丁致远
马广程
温奇咏
王常虹
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201810561892.0A priority Critical patent/CN108830899B/zh
Publication of CN108830899A publication Critical patent/CN108830899A/zh
Application granted granted Critical
Publication of CN108830899B publication Critical patent/CN108830899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Abstract

本发明提供了一种基于几何特征的快速自适应角点结合的圆心检测方法，属于图像处理算法技术领域。本发明利用两次阙值不同的阙值二值化对标志物进行处理；再通过改进后的SUSAN算法对标志物图像进行角点检测，对圆心和半径进行粗定位；然后对二值化后的圆形图像进行Canny算子检测出边缘，再对边缘进行半径约束，得到细化且连续的边缘；最后对此时检测出的边缘进行处理，结合多次处理和加权平均的方式来得到具有良好精度的圆心坐标。本发明避免了梯度计算，减少了噪声所带来的干扰，提高了算法的速率，具有良好的精度，简单易实现并具有良好的运行速率且满足实时性。

Description

一种基于几何特征的快速自适应角点结合的圆心检测方法
技术领域
本发明涉及一种基于几何特征的快速自适应角点结合的圆心检测方法，属于图像处理算法技术领域。
背景技术
一般圆形标志点的圆心坐标的精度由圆的边缘检测的精度所决定。论文“基于非极大值抑制的圆目标亚像素中心定位”(仪器仪表学报，王静，201207)利用图像中的梯度信息结合非极大值抑制法的方式来获取连续细化的理想边缘，实现了像素级边缘的定位；再结合5×5的Zernike矩对边缘进行亚像素级定位，最后利用最小二乘法的方式两次拟合来获得圆形标志点的中心坐标，在仿真图像和实测图像中验证其良好的精度和较短的运行时间。该方法的缺点是：虽然可以通过细化边缘的方式来获得精度更高的圆形标志点的坐标，但是不能消除孤立的噪声点，而实际中获得的图像梯度信息往往受到噪声的影响而发生变化，从而影响了对标志点中心定位的精度。
论文“Canny算子对人工标志中心的亚像素精度定位”(测绘科学技术学报，范生宏，200602)采用Canny算子对带有圆形标志点进行边缘分割，再结合模式识别以及原理简单、易实现的最小二乘法检测圆形坐标的中心坐标，解决了标志识别率低的问题，实验结果显示该方法具有亚像素级的精度以及良好的实时性。该方法的缺点是：利用Canny算子提取边缘信息，所得到的边缘只能是像素级的，而椭圆拟合的方法产生的效果有限，而且在实际中容易出现边缘间断的情况。而通过边界跟踪使边缘连续的方式运算量大，可能产生孤立点；如果利用曲率滤波的方式会提高算法的复杂性，导致实时性变差。
论文“基于空间矩的圆标志中心亚像素定位算法”(吉林大学学报(工学版)，郭玉波，200901)提出了一种新的基于空间矩的圆曲线亚像素边缘检测算法，再结合最小二乘法来计算圆形标志点的中心坐标。该方法克服了在进行圆形标志点中心定位时，传统的Lyvers空间矩算法所带来的较大的定位误差，仿真结果显示该方法具有良好精度。该方法的缺点是：对理想图像和噪声图像进行了实验并验证了其方法良好的精度和实时性，但是该方法中存在着大量对非线性方程组的迭代求解过程，大量的迭代过程严重影响了该算法的时间效率。
发明内容
本发明的目的是为了解决上述现有技术存在的问题，进而提供一种基于几何特征的快速自适应角点结合的圆心检测方法。
本发明的目的是通过以下技术方案实现的：
一种基于几何特征的快速自适应角点结合的圆心检测方法，包括：
步骤一、选取对图像感兴趣的部分，即包含标志物的图像部分，再对感兴趣的部分分别进行两次阈值不同的二值化，分别得到一个等边三角形和一个圆形；
步骤二、对阈值处理后的等边三角形图像采用一种快速的角点检测方法检测出标志物中的等边三角形的角点，根据三角形的角点及几何关系对圆心和半径进行粗定位；
步骤三、对二值化后的圆形图像进行Canny算子检测出边缘，再结合之前等边三角形图像处理所得的圆心坐标和半径对边缘进行半径约束，得到细化且连续的边缘；
步骤四、对此时检测出的边缘进行处理，结合多次处理和加权平均的方式来得到具有良好精度的圆心坐标。
所述步骤一在对图像的二值化处理中，对标志物中的不同图案采用不同的灰度值，且它们的灰度关系为背景灰度值>等边三角形灰度值>圆形灰度值，灰度值的差值大于50。
所述步骤二中角点检测方法，为一种改进的SUSAN角点检测方法，分为两步骤，包括：
步骤一、首先利用简单的特征函数初步筛选出候选点，由于角点可看作是两条或多条边缘的角点，所以它至少在一个方向上具有高的灰度变化，可定义初始函数如下：
Figure BDA0001683490820000031
式中括号内的
Figure BDA0001683490820000032
分别是水平和垂直方向上的灰度导数，如果CRF大于一个事先定义好的阈值f，则该像素点作为候选点进入下一步处理，否则予以剔除；其中的阈值f的设置取决于两个因素，一是图像的对比度，二是可筛选出的候选角点的数量。故可定义为：
f＝a×STD(I)
式中，I代表整个图像，STD(I)是图像全部像素灰度值的标准差，系数a决定了可检测角点的数量，a一般取0.05至0.2；
步骤二、对筛选出的候选点做进一步的处理：即在SUSAN原则基础上提出了新的角点响应函数，首先要确定灰度差阈值t和模板的尺寸；灰度差阈值t决定了能检测到角点的最小对比度，也决定了所能忽略噪声的最大容限，因而直接影响了检测质量，为了提高算法的自动处理能力，采用基于模板区域的局部自适应阈值t的计算方法，如下式所示：
Figure BDA0001683490820000033
式中Ω(r0)表示已r0为中心的模板区域，STD(Ω(r0))为模板内像素灰度的标准差，β为调节系数，取值为0.05～0.2，选定任意方形模板尺寸；
具体的方法是将模板的中心置于待测像素处，利用局部自适应阈值t和核像素和模板内其他像素的灰度差比较，将模板边界像素标记为“1”或“0”，由于标志物中等边三角形的角点为锐角，所以如果出现标记为“1”的像素所组成的序列为连续且数目在1和4之间，则判断为角点，再根据检测出的角点坐标可根据简单的几何关系对圆心和半径进行粗定位。
所述步骤四中的处理方法为在半径约束处理后的边缘上任取三点，组成一个内切三角形，利用三角形的外心公式求取圆心坐标。
所述内切三角形的任意一个角的角度值大于30°。
本发明的有益效果为：
本发明采用所提出的特殊标志物，再结合几何特征可以快速检测出较高精度的圆心坐标，简单易实现并具有良好的运行速率且满足实时性。
本发明利用改进的SUSAN角点检测方法提高了角点的检测精度和抗噪能力，并提高了算法的速率。
本发明通过角点及几何特征的方式和圆形边缘的方式结合，短时间内计算大量中心坐标，并根据计算出的圆心坐标的均值和方差结合着加权平均的方式计算出最终圆心坐标。在具有良好的精度的前提下，同时也满足了实时性。
附图说明
图1为本发明一种基于几何特征的快速自适应角点结合的圆心检测方法的标志物图像。
图2为本发明一种基于几何特征的快速自适应角点结合的圆心检测方法的算法流程图。
具体实施方式
下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述实施例。
如图1和图2所示，本实施例所涉及的一种基于几何特征的快速自适应角点结合的圆心检测方法，包括：
步骤一、选取对图像感兴趣的部分，即包含标志物的图像部分，再对感兴趣的部分分别进行两次阈值不同的二值化，分别得到一个等边三角形和一个圆形；
步骤二、对阈值处理后的等边三角形图像采用一种快速的角点检测方法检测出标志物中的等边三角形的角点，根据三角形的角点及几何关系对圆心和半径进行粗定位；
步骤三、对二值化后的圆形图像进行Canny算子检测出边缘，再结合之前等边三角形图像处理所得的圆心坐标和半径对边缘进行半径约束，得到细化且连续的边缘；
步骤四、对此时检测出的边缘进行处理，结合多次处理和加权平均的方式来得到具有良好精度的圆心坐标。
所述步骤一在对图像的二值化处理中，对标志物中的不同图案采用不同的灰度值，且它们的灰度关系为背景灰度值>等边三角形灰度值>圆形灰度值，灰度值的差值大于50。
所述步骤二中角点检测方法，为一种改进的SUSAN角点检测方法，分为两步骤，包括：
步骤一、首先利用简单的特征函数初步筛选出候选点，由于角点可看作是两条或多条边缘的角点，所以它至少在一个方向上具有高的灰度变化，可定义初始函数如下：
Figure BDA0001683490820000061
式中括号内的
Figure BDA0001683490820000062
分别是水平和垂直方向上的灰度导数，如果CRF大于一个事先定义好的阈值f，则该像素点作为候选点进入下一步处理，否则予以剔除；其中的阈值f的设置取决于两个因素，一是图像的对比度，二是可筛选出的候选角点的数量。故可定义为：
f＝a×STD(I)
式中，I代表整个图像，STD(I)是图像全部像素灰度值的标准差，系数a决定了可检测角点的数量，a一般取0.05至0.2；
步骤二、对筛选出的候选点做进一步的处理：即在SUSAN原则基础上提出了新的角点响应函数，首先要确定灰度差阈值t和模板的尺寸；灰度差阈值t决定了能检测到角点的最小对比度，也决定了所能忽略噪声的最大容限，因而直接影响了检测质量，为了提高算法的自动处理能力，采用基于模板区域的局部自适应阈值t的计算方法，如下式所示：
Figure BDA0001683490820000063
式中Ω(r0)表示已r0为中心的模板区域，STD(Ω(r0))为模板内像素灰度的标准差，β为调节系数，取值为0.05～0.2，选定任意方形模板尺寸；
具体的方法是将模板的中心置于待测像素处，利用局部自适应阈值t和核像素和模板内其他像素的灰度差比较，将模板边界像素标记为“1”或“0”，由于标志物中等边三角形的角点为锐角，所以如果出现标记为“1”的像素所组成的序列为连续且数目在1和4之间，则判断为角点，再根据检测出的角点坐标可根据简单的几何关系对圆心和半径进行粗定位。
所述步骤四中的处理方法为在半径约束处理后的边缘上任取三点，组成一个内切三角形，利用三角形的外心公式求取圆心坐标。
所述内切三角形的任意一个角的角度值大于30°。
实施例1
本实施例中，一种基于几何特征的快速自适应角点结合的圆心检测方法所利用的标志物图像如图1所示，标志物由一个灰度值较小的等边三角形和一个与其内切黑色的圆形所组成。
首先选取对图像感兴趣的部分，也就是包含标志物的图像部分，也被称为RIO(region of interest)，再对感兴趣的部分分别进行两次阈值不同的二值化，分别得到一个等边三角形和一个圆形。
对阈值处理后的等边三角形图像采用一种快速的角点检测方法检测出标志物中的等边三角形的角点，根据三角形的角点及几何关系对圆心和半径进行粗定位。对二值化后的圆形图像进行Canny算子检测出边缘，再结合之前等边三角形图像处理所得的圆心坐标和半径对边缘进行半径约束，得到细化且连续的边缘。再对此时检测出的边缘进行一种简单的处理，结合多次处理和加权平均的方式来得到具有良好精度的圆心坐标。流程图如图2所示。
在对图像的二值化处理中，为了能够更好地显示出等边三角形和圆形，对标志物中的不同图案采用不同的灰度值，且他们的灰度关系为背景灰度值>等边三角形灰度值>圆形灰度值，灰度值的差值大于50。
对二值化处理后的等边三角形图案进行角点检测，所采用的是一种改进的SUSAN算法，具有快速、精度高且抗噪的优点。利用改进的SUSAN角点检测方法提高了角点的检测精度和抗噪能力，并提高了算法的速率，该方法分为两大步骤。
首先是初步筛选出候选角点。通常图像中的角点数量只占整个图像像素数量的极少部分，而角点响应函数一般都比较复杂，因此没有必要对每一个像素使用相同的响应函数，可首先利用简单的特征函数筛选出候选点。由于角点可看作是两条或多条边缘的角点，所以它至少在一个方向上具有高的灰度变化，可定义初始函数如下。
Figure BDA0001683490820000081
式中括号内的两项分别是水平和垂直方向上的灰度导数。如果CRF大于一个事先定义好的阈值f，则该像素点作为候选点进入下一步处理，否则予以剔除；其中的阈值f的设置取决于两个因素，一是图像的对比度，二是可筛选出的候选角点的数量。故可定义为：
f＝a×STD(I)
式中，I代表整个图像，STD(I)是图像全部像素灰度值的标准差，系数a决定了可检测角点的数量，a一般取0.05至0.2；
第二步是对筛选出的候选点做进一步的处理：即在SUSAN原则基础上提出了新的角点响应函数，首先要确定灰度差阈值t和模板的尺寸。灰度差阈值t决定了能检测到角点的最小对比度，也决定了所能忽略噪声的最大容限，因而直接影响了检测质量。为了提高算法的自动处理能力，采用基于模板区域的局部自适应阈值t的计算方法，如下式所示。
Figure BDA0001683490820000082
式中Ω(r0)表示已r0为中心的模板区域，STD(Ω(r0))为模板内像素灰度的标准差，β为调节系数，取值一般为0.05～0.2。由于算法中模板的尺寸不影响检测精度，为了减小计算所用的时间，本实施例采用5×5的方形模板(其中的3×3区域不存在标记角点的像素)。具体的方法是将模板的中心置于待测像素处，利用局部自适应阈值t和核像素和模板内其他像素的灰度差比较，将模板边界像素标记为“1”或“0”。由于标志物中等边三角形的角点为锐角，所以如果出现标记为“1”的像素所组成的序列为连续且数目在1和4之间，则判断为角点。再根据检测出的角点坐标可根据简单的几何关系对圆心和半径进行粗定位。
对二值化处理后的圆形图像首先进行Canny算子进行边缘检测，将所检测出的边缘通过之前粗定位的圆心坐标和半径对其进行半径约束，达到去噪和细化边缘的目的。由任意一个三角形的外心就是与该三角形相切的圆的圆心的几何关系，可以任意的在半径约束后的边缘上任取三点，组成一个内切三角形，利用内切三角形的外心公式可得到标志物的圆心。不过内切三角形的任意一个角的角度值应大于30°，否则会产生较大误差。
为了更好地提高圆心坐标的精度，采用了多次检测和加权平均的方法。由于利用几何特征检测圆心坐标的方式简单和运行速度快，可多次对圆心坐标进行计算并存储，再根据存储的圆心坐标计算出均值和方差，以计算出的均值和方差我根本利用加权平均的方法，得到最终的圆心坐标。
本实施例基于几何特征的快速自适应角点结合的圆心检测方法首先通过改进后的SUSAN算法对标志物图像进行角点检测，避免了梯度计算，减少了噪声所带来的干扰。对图像利用几何特征可以再次降低噪声干扰，并且消除孤立点和噪声点。在标志物中的圆形标志采集三个边缘点利用几何关系求取圆心，运行速度快，并具有良好的精度；再结合大量的循环以及加权平均的方式提高了中心定位的精度。
以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种基于几何特征的快速自适应角点结合的圆心检测方法，其特征在于，包括：
步骤一、选取对图像感兴趣的部分，即包含标志物的图像部分，再对感兴趣的部分分别进行两次阈值不同的二值化，分别得到一个等边三角形和一个圆形；
步骤二、对阈值处理后的等边三角形图像采用角点检测方法检测出标志物中的等边三角形的角点，根据三角形的角点及几何关系对圆心和半径进行粗定位；
步骤三、对二值化后的圆形图像进行Canny算子检测出边缘，再结合之前等边三角形图像处理所得的圆心坐标和半径对边缘进行半径约束，得到细化且连续的边缘；
步骤四、对此时检测出的边缘进行处理，结合多次处理和加权平均的方式来得到具有良好精度的圆心坐标。
2.根据权利要求1所述的一种基于几何特征的快速自适应角点结合的圆心检测方法，其特征在于，所述步骤一在对图像的二值化处理中，对标志物中的不同图案采用不同的灰度值，且它们的灰度关系为背景灰度值>等边三角形灰度值>圆形灰度值，灰度值的差值大于50。
3.根据权利要求1所述的一种基于几何特征的快速自适应角点结合的圆心检测方法，其特征在于，所述步骤二中角点检测方法，为一种改进的SUSAN角点检测方法，分为两步骤，包括：
步骤一、首先利用简单的特征函数初步筛选出候选点，由于角点可看作是两条或多条边缘的角点，所以它至少在一个方向上具有高的灰度变化，定义初始函数如下：
Figure FDA0003210789520000011
式中括号内的
Figure FDA0003210789520000012
分别是水平和垂直方向上的灰度导数，如果CRF大于一个事先定义好的阈值f，则该像素点作为候选点进入下一步处理，否则予以剔除；其中的阈值f的设置取决于两个因素，一是图像的对比度，二是可筛选出的候选角点的数量，故定义为：
f＝a×STD(I)
式中，I代表整个图像，STD(I)是图像全部像素灰度值的标准差，系数a决定了可检测角点的数量，a一般取0.05至0.2；
步骤二、对筛选出的候选点做进一步的处理：即在SUSAN原则基础上提出了新的角点响应函数，首先要确定灰度差阈值t和模板的尺寸；灰度差阈值t决定了能检测到角点的最小对比度，也决定了所能忽略噪声的最大容限，因而直接影响了检测质量，为了提高算法的自动处理能力，采用基于模板区域的局部自适应阈值t的计算方法，如下式所示：
Figure FDA0003210789520000021
式中Ω(r0)表示以r0为中心的模板区域，STD(Ω(r0))为模板内像素灰度的标准差，β为调节系数，取值为0.05～0.2，选定任意方形模板尺寸；
具体的方法是将模板的中心置于待测像素处，利用局部自适应阈值t和核像素和模板内其他像素的灰度差比较，将模板边界像素标记为“1”或“0”，由于标志物中等边三角形的角点为锐角，所以如果出现标记为“1”的像素所组成的序列为连续且数目在1和4之间，则判断为角点，再根据检测出的角点坐标根据简单的几何关系对圆心和半径进行粗定位。
4.根据权利要求1所述的一种基于几何特征的快速自适应角点结合的圆心检测方法，其特征在于，所述步骤四中的处理方法为在半径约束处理后的边缘上任取三点，组成一个内接三角形，利用三角形的外心公式求取圆心坐标。
5.根据权利要求4所述的一种基于几何特征的快速自适应角点结合的圆心检测方法，其特征在于，所述内接三角形的任意一个角的角度值大于30°。
CN201810561892.0A 2018-06-04 2018-06-04 一种基于几何特征的快速自适应角点结合的圆心检测方法 Active CN108830899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810561892.0A CN108830899B (zh) 2018-06-04 2018-06-04 一种基于几何特征的快速自适应角点结合的圆心检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810561892.0A CN108830899B (zh) 2018-06-04 2018-06-04 一种基于几何特征的快速自适应角点结合的圆心检测方法

Publications (2)

Publication Number Publication Date
CN108830899A CN108830899A (zh) 2018-11-16
CN108830899B true CN108830899B (zh) 2021-09-17

Family

ID=64143407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810561892.0A Active CN108830899B (zh) 2018-06-04 2018-06-04 一种基于几何特征的快速自适应角点结合的圆心检测方法

Country Status (1)

Country Link
CN (1) CN108830899B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113405451B (zh) * 2020-10-15 2022-05-31 南京航空航天大学 一种基于单目视觉的齿形结构装配测量方法
CN113091622B (zh) * 2021-02-22 2022-12-06 长沙银汉空间科技有限公司 一种大坝位移和倾角测量方法及系统
CN113326803B (zh) * 2021-06-24 2023-04-07 中南大学 一种起重机吊钩/吊物摆角检测方法和系统
CN113870203B (zh) * 2021-09-18 2024-04-02 西安交通大学 一种针对重影边界圆心定位的高精度运动测量方法
CN114943710B (zh) * 2022-05-27 2024-03-19 华南理工大学 利用改进最小二乘拟合对薄壁圆管类零件圆心定位的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903260A (zh) * 2014-03-24 2014-07-02 大连理工大学 一种摄像机内参数快速标定的靶标方法
EP3113078A1 (en) * 2015-07-03 2017-01-04 Ricoh Company, Ltd. Method and system for detecting regular shape

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903260A (zh) * 2014-03-24 2014-07-02 大连理工大学 一种摄像机内参数快速标定的靶标方法
EP3113078A1 (en) * 2015-07-03 2017-01-04 Ricoh Company, Ltd. Method and system for detecting regular shape

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种快速自适应的角点检测算法;张志刚等;《计算机应用与软件》;20070731;第24卷(第7期);全文 *

Also Published As

Publication number Publication date
CN108830899A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108830899B (zh) 一种基于几何特征的快速自适应角点结合的圆心检测方法
Kim et al. Adaptive smoothness constraints for efficient stereo matching using texture and edge information
CN105654501B (zh) 基于模糊阈值的自适应图像分割方法
CN104268872B (zh) 基于一致性的边缘检测方法
CN109859226B (zh) 一种图形分割的棋盘格角点亚像素的检测方法
CN109060290B (zh) 基于视频和亚像素技术对风洞密度场进行测量的方法
CN107292869B (zh) 基于各向异性高斯核和梯度搜索的图像斑点检测方法
CN108007388A (zh) 一种基于机器视觉的转盘角度高精度在线测量方法
CN107464256B (zh) 一种目标检测与可能性判别修正的关联方法
CN104899888B (zh) 一种基于Legendre矩的图像亚像素边缘检测方法
CN104574417B (zh) 一种图像边缘灰度起伏性度量与自适应检测方法
CN106340010B (zh) 一种基于二阶轮廓差分的角点检测方法
CN109447061A (zh) 基于巡检机器人的电抗器油位计识别方法
CN109447062A (zh) 基于巡检机器人的指针型仪表识别方法
CN109035326A (zh) 基于亚像素图像识别的高精度定位技术
CN110211178A (zh) 一种利用投影计算的指针式仪表识别方法
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
CN111524139B (zh) 一种基于双边滤波器的角点检测方法和检测系统
CN112085675A (zh) 深度图像去噪方法、前景分割方法及人体运动监测方法
CN109886989A (zh) 一种基于Canny算子的探地雷达自动层位追踪方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN111126371B (zh) 一种基于图像处理的粗指针表盘示数读取方法
CN105243661A (zh) 一种基于susan算子的角点检测方法
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
CN108615041B (zh) 一种角点检测方法

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