CN108898147A - 一种基于角点检测的二维图像边缘平直化方法、装置 - Google Patents

一种基于角点检测的二维图像边缘平直化方法、装置 Download PDF

Info

Publication number
CN108898147A
CN108898147A CN201810678570.4A CN201810678570A CN108898147A CN 108898147 A CN108898147 A CN 108898147A CN 201810678570 A CN201810678570 A CN 201810678570A CN 108898147 A CN108898147 A CN 108898147A
Authority
CN
China
Prior art keywords
profile
corner detection
angle
image
point
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
CN201810678570.4A
Other languages
English (en)
Other versions
CN108898147B (zh
Inventor
王伟华
肖曦
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201810678570.4A priority Critical patent/CN108898147B/zh
Publication of CN108898147A publication Critical patent/CN108898147A/zh
Application granted granted Critical
Publication of CN108898147B publication Critical patent/CN108898147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06T5/70—
    • 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

Landscapes

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

Abstract

一种基于角点检测的二维图像边缘平直化方法、装置、系统及计算机可读存储介质，所述方法包括：对输入的原图进行二值化处理并去噪后得到二值图像；使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组并生成轮廓图像；使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；最后输出处理后的图像。本发明对图像中的物体的粗糙直边进行平直化处理和近似直线的曲边缘进行直线化处理，以便对目标物体进行喷涂轨迹规划，提高喷涂机器人工作效率。

Description

一种基于角点检测的二维图像边缘平直化方法、装置
技术领域
本发明涉及计算机图像处理和计算机边缘检测领域，特别涉及一种基于角点检测的二维图像边缘平直化方法、装置、系统及计算机可读存储介质。
背景技术
喷涂机器人是一种重要的涂装生产装备，在国内外广泛应用于汽车家具等产品的涂装生产线。为了实现喷涂机器人的自动化和智能化，国内外企业和高校对喷涂机器人做了诸多研究，例如对待喷涂物体的喷涂轨迹自动规划进行研究。在对目标物体进行喷涂轨迹自动规划前，需要获得目标物体的完整轮廓信息。通过摄像机获取的目标物体图像经过二值化处理后得到的轮廓边缘是粗糙的、不规整的，直接对其进行轮廓检测，得到的轮廓信息不便于开展喷涂轨迹规划。因此，需要对图像中的物体的粗糙直边进行平直化处理和近似直线的曲边缘进行直线化处理，以便对目标物体进行喷涂轨迹规划，提高喷涂机器人工作效率。
发明内容
发明目的：针对喷涂机器人的自动规划喷涂轨迹系统对目标物体拍摄的图片二值化后的轮廓边缘存在粗糙、不规整、不便于喷涂轨迹规划的问题，本发明提出了一种基于角点检测的二维图像边缘平直化方法，解决图像中的物体的粗糙直边进行平直化处理和近似直线的曲边缘进行直线化处理，以便对目标物体进行喷涂轨迹规划，提高喷涂机器人工作效率。
为达到上述目的，本发明的第一方面提供了一种基于角点检测的二维图像边缘平直化方法，包括如下步骤：
对输入的原图进行二值化处理得到二值图像；
对所述二值图像进行去噪处理；
使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；
使用所述轮廓坐标点数组生成轮廓图像；
使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；
按照轮廓坐标点数组的排序，重新排列角点坐标数组的顺序；
遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；
输出处理后的图像。
在一些实施例中，所述轮廓跟踪算法包括如下步骤：
(1)按从上到下、从左到右的顺序扫描所述二值图象，寻找没有标记跟踪结束记号的第一个边界起始点A0，A0是具有最小行和列值的边界点；定义一个扫描方向变量dir,该变量用于记录上一步中沿着前一个边界点到当前边界点的移动方向，其初始化取值为：对于4连通区域取dir＝3，对于8连通区域取dir＝7；
(2)按逆时针方向搜索当前像素的3*3邻域，起始搜索方向设定如下：对于4连通区域取(dir+3)mod 4，其中mod表示取余运算；对于8连通区域，若dir为奇数取(dir+7)mod 8；若dir为偶数取(dir+6)mod 8；在3*3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An,n为大于2的自然数；同时更新变量dir为新的方向值；
(3)如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0，则停止搜索，结束跟踪，否则重复步骤(2)继续搜索；
(4)由边界点A0、A1、A2、……、An-2构成的边界便为要跟踪的轮廓，每个边界点的坐标集合构成所述轮廓坐标点数组。
在一些实施例中，所述角点检测算法包括Harris角点检测算法、Moravec角点检测算法、FAST角点检测算法、Shi-Tomasi角点检测算法或其他角点检测算法。
在一些实施例中，其中所述Harris角点检测算法包括如下步骤：
(1)计算图像中I(x,y)在X和Y两个方向的梯度Ix和Iy：
所述I(x,y)指所述图像在(x，y)坐标点的像素值；
(2)计算图像中I(x,y)在X和Y两个方向梯度的乘积：
(3)使用高斯函数对和Ixy进行高斯加权，生成偏导数矩阵M的元素A，B和C：
其中，w为窗口函数，表示每一次进行角点检测处理的矩形大小的范围；
(4)计算图像中每个像素的Harris响应值R，并对小于一阈值t的R置为零：
R＝{R:detM-α(traceM)2＜t} (4)
其中，det表示对矩阵M进行行列式计算，trace表示矩阵迹的计算，α表示经验常数；
(5)在3*3或5*5的邻域内进行非最大值抑制计算，得到局部最大值点即为图像中的角点；得到所有的角点并形成角点坐标数组。
在一些实施例中，所述公式(4)中，增大α的值，将减少角点响应值R，降低角点检测的灵敏性，减少被检测角点的数量；减少α的值，将增大角点响应值R，提高角点检测的灵敏性，增加被检测角点的数量；根据对轮廓精度的需要设置所述α的值。
在一些实施例中，所述判断两角点间的轮廓是否近似于直线的方法是：判断起始角点与结束角点连线和起始角点与两角点间轮廓的中点的连线的夹角是否小于给定值，如果是，则把该段轮廓视为近似直线。
在一些实施例中，其中计算平面两向量的夹角可以使用数量积公式：α·β＝|α|*|β|cosθ，所述α、β分别表示起始角点与结束角点连线、起始角点与两角点间轮廓的中点连线的向量，所述θ表示两向量α、β之间的夹角。
本发明的第二方面提供了一种基于角点检测的二维图像边缘平直化装置，包括：
图像输入模块，对输入的原图进行二值化处理得到二值图像；
预处理模块，对所述二值图像进行去噪处理；
轮廓提取模块，使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；并使用所述轮廓坐标点数组生成轮廓图像；
角点检测模块，使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；按照轮廓坐标点数组的排序，重新排列角点坐标数组的顺序；
角点间轮廓调整模块，用于遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；
图像输出模块，输出处理后的图像。
本发明的第三方面提供了一种基于角点检测的二维图像边缘平直化系统，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行如前所述的方法。
综上所述，本发明提供了一种基于角点检测的二维图像边缘平直化方法、装置、系统及计算机可读存储介质，所述方法包括：对输入的原图进行二值化处理得到二值图像；使用中值滤波法对所述二值图像进行去噪处理；使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；使用所述轮廓坐标点数组生成轮廓图像；使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；按照轮廓坐标点数组的排序，重新排列角点坐标数组顺序；遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；最后输出处理后的图像。
本发明的上述技术方案具有如下有益的技术效果：本发明对图像中的物体的粗糙直边进行平直化处理和近似直线的曲边缘进行直线化处理，可以得到清晰的、平滑的物体轮廓，以便对目标物体进行喷涂轨迹规划，提高喷涂机器人工作效率。
附图说明
图1为本发明的主要流程图；
图2为第一幅未处理原图；
图3对第一幅原图进行二值化处理后的图像；
图4为未对轮廓进行近似直线化处理的轮廓检测结果；
图5为对轮廓进行近似直线化处理的轮廓检测结果；
图6为第二幅未处理原图；
图7对第二幅原图进行二值化后的图像；
图8为未对轮廓进行近似直线化处理的轮廓检测结果；
图9为对轮廓进行近似直线化处理的轮廓检测结果。
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了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
结合附图和具体实施方式对本发明做进一步详细描述。
如图1所示，步骤1：对输入的原图即目标图像进行二值化处理，使整个图像呈现出明显的黑白效果，以凸显出目标图像的轮廓。图2和图6为原图，图3和图7是原图经过二值化处理后的二值图像，可以看出，经过二值化处理后图中物体的轮廓边缘是粗糙的，不平整的。
步骤2：使用中值滤波法对二值图像进行去噪处理；所述中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，让周围的像素值接近的真实值，从而消除孤立的噪声点。具体方法可采用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的二维数据序列。二维模板通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。中值滤波法是现有技术中常用的去噪方法，在此不再赘述，当然也可以采用其他的去噪方法。
步骤3：使用轮廓跟踪算法对二值图像进行轮廓跟踪，获取轮廓坐标点数组。图4和图8是直接利用轮廓跟踪算法进行轮廓检测的，得到的轮廓边缘也是粗糙不平整的，这样的轮廓不利于进行喷涂轨迹自动规划。其中，所述轮廓跟踪是通过顺序找出边界点来跟踪边界的，可以通过某点的上下左右四个点来判断该点是否是边界点，如果上下左右都是黑点则该点不是边界点，否则就是边界点。轮廓跟踪算法的实现步骤如下：
(1)首先按从上到下，从左到右的顺序扫描二值图象，寻找没有标记跟踪结束记号的第一个边界起始点A0，A0是具有最小行和列值的边界点。定义一个扫描方向变量dir,该变量用于记录上一步中沿着前一个边界点到当前边界点的移动方向，其初始化取值对于4连通区域取dir＝3，对于8连通区域取dir＝7。
(2)按逆时针方向搜索当前像素的3*3邻域，其起始搜索方向设定如下：对于4连通区域取(dir+3)mod 4，其中mod表示取余运算；对于8连通区域，若dir为奇数取(dir+7)mod8；若dir为偶数取(dir+6)mod 8；在3*3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An,n为大于2的自然数；同时更新变量dir为新的方向值。
(3)如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0，则停止搜索，结束跟踪，否则重复步骤(2)继续搜索。
(4)由边界点A0、A1、A2、……、An-2构成的边界便为要跟踪的轮廓，每个边界点的坐标集合构成所述轮廓坐标点数组。
步骤4：使用轮廓坐标点数组生成轮廓图像，其中属于数组内的轮廓坐标点为1，其余为0。
步骤5：使用Harris角点检测算法或其他角点检测算法对轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组。角点检测算法的基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，则可以认为该窗口中存在角点。
其中Harris角点检测算法步骤如下所示：
(1)计算图像I(x,y)在X和Y两个方向的梯度Ix和Iy：
(2)计算图像I(x,y)在X和Y两个方向梯度的乘积：
(3)使用高斯函数对和Ixy进行高斯加权(加权值σ一般默认为1)，生成矩阵M的元素A，B和C：
其中，M是偏导数矩阵，A，B，C都是矩阵中的偏导数，通过公式(3)来计算；w表示窗口函数，w窗口函数也可以写作w(c,r)，表示每一次进行角点检测处理的矩形大小的范围，也叫做窗口，c和r表示在窗口内的横坐标和纵坐标。
(4)计算图像中每个像素的Harris响应值R，并对小于某一阈值t的R置为零：
R＝{R:detM-α(traceM)2＜t} (4)
其中，det表示对矩阵M进行行列式计算，trace表示矩阵迹的计算，α表示经验常数，通常取值范围为0.04-0.06；
(5)在3*3或5*5的邻域内进行非最大值抑制计算，得到局部最大值点即为图像中的角点。如此得到所有的角点并形成角点坐标数组。所述非最大值抑制计算为搜索并判断是否具有局部极大值，如果是就保留该局部极大值，不是局部极大值就抑制(如设置为0)。
在所述公式(4)中，增大α的值，将减少角点响应值R，降低角点检测的灵敏性，减少被检测角点的数量；减少α的值，将增大角点响应值R，提高角点检测的灵敏性，增加被检测角点的数量，可以根据对轮廓精度的需要设置所述α的值。
步骤6：轮廓跟踪就是通过顺序找出边界点来跟踪边界的，得到的轮廓坐标点是沿着轮廓某一方向排序的，利用其特性，按照轮廓坐标点数组的排序，重新排列角点坐标数组顺序。
步骤7：遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替原有的轮廓，否则，保留两角点间的轮廓。其中判断两角点间的轮廓是否近似于直线的方法是判断起始角点与结束角点连线与起始角点和两角点间轮廓的中点的连线的夹角是否小于给定值，如果是，则把该段轮廓视为近似直线。其中计算平面两向量的夹角可以使用数量积公式：α·β＝|α|*|β|cosθ，所述α、β分别表示起始角点与结束角点连线、起始角点与两角点间轮廓的中点连线的向量，所述θ表示两向量α、β之间的夹角。
步骤8：输出处理后图像，如图5和图9所示，本发明很好地将物体轮廓(包括内轮廓)中粗糙直边缘平直化，其余轮廓保留下来。图3矩形的左边轮廓和图7物体的下边轮廓是近似直线的，本发明也能将其检测出来并将其平直化，获得平直的轮廓。
本发明的第二方面提供了一种基于角点检测的二维图像边缘平直化装置，包括：
图像输入模块，对输入的原图进行二值化处理得到二值图像；
预处理模块，对所述二值图像进行去噪处理；
轮廓提取模块，使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；并使用所述轮廓坐标点数组生成轮廓图像；
角点检测模块，使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；按照轮廓坐标点数组的排序，重新排列角点坐标数组的顺序；
角点间轮廓调整模块，用于遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；
图像输出模块，输出处理后的图像。
本发明的第三方面提供了一种基于角点检测的二维图像边缘平直化系统，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行如前所述的方法。
综上所述，本发明提供了一种基于角点检测的二维图像边缘平直化方法、装置、系统及计算机可读存储介质，所述方法包括：对输入的原图进行二值化处理得到二值图像；使用中值滤波法对所述二值图像进行去噪处理；使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；使用所述轮廓坐标点数组生成轮廓图像；使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；按照轮廓坐标点数组的排序，重新排列角点坐标数组顺序；遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；最后输出处理后的图像。本发明对图像中的物体的粗糙直边进行平直化处理和近似直线的曲边缘进行直线化处理，以便对目标物体进行喷涂轨迹规划，提高喷涂机器人工作效率。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于角点检测的二维图像边缘平直化方法，其特征在于，包括如下步骤：
对输入的原图进行二值化处理得到二值图像；
对所述二值图像进行去噪处理；
使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；
使用所述轮廓坐标点数组生成轮廓图像；
使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；
按照轮廓坐标点数组的排序，重新排列角点坐标数组的顺序；
遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；
输出处理后的图像。
2.根据权利要求1所述的一种基于角点检测的二维图像边缘平直化方法，其特征在于，所述轮廓跟踪算法包括如下步骤：
(1)按从上到下、从左到右的顺序扫描所述二值图象，寻找没有标记跟踪结束记号的第一个边界起始点A0，A0是具有最小行和列值的边界点；定义一个扫描方向变量dir,该变量用于记录上一步中沿着前一个边界点到当前边界点的移动方向，其初始化取值为：对于4连通区域取dir＝3，对于8连通区域取dir＝7；
(2)按逆时针方向搜索当前像素的3*3邻域，起始搜索方向设定如下：对于4连通区域取(dir+3)mod 4，其中mod表示取余运算；对于8连通区域，若dir为奇数取(dir+7)mod 8；若dir为偶数取(dir+6)mod 8；在3*3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An,n为大于2的自然数；同时更新变量dir为新的方向值；
(3)如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0，则停止搜索，结束跟踪，否则重复步骤(2)继续搜索；
(4)由边界点A0、A1、A2、……、An-2构成的边界便为要跟踪的轮廓，每个边界点的坐标集合构成所述轮廓坐标点数组。
3.根据权利要求1所述的一种基于角点检测的二维图像边缘平直化方法，其特征在于，所述角点检测算法包括Harris角点检测算法、Moravec角点检测算法、FAST角点检测算法、Shi-Tomasi角点检测算法或其他角点检测算法。
4.根据权利要求3所述的一种基于角点检测的二维图像边缘平直化方法，其特征在于，其中所述Harris角点检测算法包括如下步骤：
(1)计算图像中I(x,y)在X和Y两个方向的梯度Ix和Iy：
所述I(x,y)指所述图像在(x，y)坐标点的像素值；
(2)计算图像中I(x,y)在X和Y两个方向梯度的乘积：
(3)使用高斯函数对和Ixy进行高斯加权，生成偏导数矩阵M的元素A，B和C：
其中，w为窗口函数，表示每一次进行角点检测处理的矩形大小的范围；
(4)计算图像中每个像素的Harris响应值R，并对小于一阈值t的R置为零：
R＝{R:detM-α(traceM)2＜t} (4)
其中，det表示对矩阵M进行行列式计算，trace表示矩阵迹的计算，α表示经验常数；
(5)在3*3或5*5的邻域内进行非最大值抑制计算，得到局部最大值点即为图像中的角点；得到所有的角点并形成角点坐标数组。
5.根据权利要求4所述的一种基于角点检测的二维图像边缘平直化方法，其特征在于，所述公式(4)中，增大α的值，将减少角点响应值R，降低角点检测的灵敏性，减少被检测角点的数量；减少α的值，将增大角点响应值R，提高角点检测的灵敏性，增加被检测角点的数量；根据对轮廓精度的需要设置所述α的值。
6.根据权利要求1所述的一种基于角点检测的二维图像边缘平直化方法，其特征在于，所述判断两角点间的轮廓是否近似于直线的方法是：判断起始角点与结束角点连线和起始角点与两角点间轮廓的中点的连线的夹角是否小于给定值，如果是，则把该段轮廓视为近似直线。
7.根据权利要求6所述的一种基于角点检测的二维图像边缘平直化方法，其特征在于，其中计算平面两向量的夹角可以使用数量积公式：α·β＝|α|*|β|cosθ，所述α、β分别表示起始角点与结束角点连线、起始角点与两角点间轮廓的中点连线的向量，所述θ表示两向量α、β之间的夹角。
8.一种基于角点检测的二维图像边缘平直化装置，其特征在于，包括：
图像输入模块，对输入的原图进行二值化处理得到二值图像；
预处理模块，对所述二值图像进行去噪处理；
轮廓提取模块，使用轮廓跟踪算法对所述去噪后的二值图像进行轮廓跟踪，获取轮廓坐标点数组；并使用所述轮廓坐标点数组生成轮廓图像；
角点检测模块，使用角点检测算法对所述轮廓图像进行角点检测，获取轮廓上的所有角点坐标，得到角点坐标数组；按照轮廓坐标点数组的排序，重新排列角点坐标数组的顺序；
角点间轮廓调整模块，用于遍历角点坐标数组，判断两角点之间的轮廓是否近似于直线，如果是，直接连线两角点以代替两角点间原有的轮廓，否则，保留两角点间的轮廓；
图像输出模块，输出处理后的图像。
9.一种基于角点检测的二维图像边缘平直化系统，其特征在于，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行权利要求1-7任一项所述的方法。
CN201810678570.4A 2018-06-27 2018-06-27 一种基于角点检测的二维图像边缘平直化方法、装置 Active CN108898147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810678570.4A CN108898147B (zh) 2018-06-27 2018-06-27 一种基于角点检测的二维图像边缘平直化方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810678570.4A CN108898147B (zh) 2018-06-27 2018-06-27 一种基于角点检测的二维图像边缘平直化方法、装置

Publications (2)

Publication Number Publication Date
CN108898147A true CN108898147A (zh) 2018-11-27
CN108898147B CN108898147B (zh) 2021-03-02

Family

ID=64346661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810678570.4A Active CN108898147B (zh) 2018-06-27 2018-06-27 一种基于角点检测的二维图像边缘平直化方法、装置

Country Status (1)

Country Link
CN (1) CN108898147B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509200A (zh) * 2018-12-26 2019-03-22 深圳市繁维医疗科技有限公司 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质
CN110647821A (zh) * 2019-08-28 2020-01-03 盛视科技股份有限公司 通过图像识别进行物体标识的方法和装置
CN110956178A (zh) * 2019-12-04 2020-04-03 深圳先进技术研究院 一种基于图像相似度计算的植物生长测量方法、系统及电子设备
CN111445391A (zh) * 2020-03-09 2020-07-24 稿定（厦门）科技有限公司 图像轮廓点调整方法、介质、设备及装置
CN112837256A (zh) * 2019-11-04 2021-05-25 珠海零边界集成电路有限公司 一种用于Harris角点检测的电路系统及检测方法
CN113421278A (zh) * 2021-06-22 2021-09-21 咪咕互动娱乐有限公司 基于边缘检测的范围检测方法、装置、设备及存储介质
CN113657410A (zh) * 2021-08-18 2021-11-16 深圳壹账通智能科技有限公司 基于人工智能的图像轮廓提取方法及相关设备
CN113744177A (zh) * 2020-05-28 2021-12-03 中科寒武纪科技股份有限公司 图像的角点检测方法、装置和存储介质
CN113763379A (zh) * 2021-09-23 2021-12-07 成都唐源电气股份有限公司 吊弦断股检测方法、装置、计算机设备及存储介质
WO2022161172A1 (zh) * 2021-01-29 2022-08-04 深圳光峰科技股份有限公司 图像中图形角点的识别方法、装置、介质及电子设备
CN117351213A (zh) * 2023-12-06 2024-01-05 杭州蓝芯科技有限公司 基于3d视觉的箱体分割定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593649A (zh) * 2013-10-24 2014-02-19 惠州华阳通用电子有限公司 一种用于车道偏离预警的车道线检测方法
CN103679721A (zh) * 2013-12-10 2014-03-26 中国船舶重工集团公司第七0九研究所 采用邻域法霍夫变换的图像轮廓简化方法
CN104359402A (zh) * 2014-11-17 2015-02-18 南京工业大学 一种用于矩形引脚元件视觉定位的检测方法
CN103063159B (zh) * 2012-12-31 2015-06-17 南京信息工程大学 一种基于ccd的零件尺寸测量方法
CN107392141A (zh) * 2017-07-19 2017-11-24 武汉大学 一种基于显著性检测和lsd直线检测的机场提取方法
US20180122083A1 (en) * 2014-10-09 2018-05-03 Shenzhen A&E Intelligent Technology Institute Co., Ltd. Method and device for straight line detection and image processing
CN108009986A (zh) * 2017-11-27 2018-05-08 山东师范大学 基于边缘信息的碎片拼接方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103063159B (zh) * 2012-12-31 2015-06-17 南京信息工程大学 一种基于ccd的零件尺寸测量方法
CN103593649A (zh) * 2013-10-24 2014-02-19 惠州华阳通用电子有限公司 一种用于车道偏离预警的车道线检测方法
CN103679721A (zh) * 2013-12-10 2014-03-26 中国船舶重工集团公司第七0九研究所 采用邻域法霍夫变换的图像轮廓简化方法
US20180122083A1 (en) * 2014-10-09 2018-05-03 Shenzhen A&E Intelligent Technology Institute Co., Ltd. Method and device for straight line detection and image processing
CN104359402A (zh) * 2014-11-17 2015-02-18 南京工业大学 一种用于矩形引脚元件视觉定位的检测方法
CN107392141A (zh) * 2017-07-19 2017-11-24 武汉大学 一种基于显著性检测和lsd直线检测的机场提取方法
CN108009986A (zh) * 2017-11-27 2018-05-08 山东师范大学 基于边缘信息的碎片拼接方法和装置

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509200B (zh) * 2018-12-26 2023-09-29 深圳市繁维医疗科技有限公司 基于轮廓提取的棋盘格角点检测方法以及计算机可读存储介质
CN109509200A (zh) * 2018-12-26 2019-03-22 深圳市繁维医疗科技有限公司 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质
CN110647821A (zh) * 2019-08-28 2020-01-03 盛视科技股份有限公司 通过图像识别进行物体标识的方法和装置
CN112837256A (zh) * 2019-11-04 2021-05-25 珠海零边界集成电路有限公司 一种用于Harris角点检测的电路系统及检测方法
CN112837256B (zh) * 2019-11-04 2023-05-12 珠海零边界集成电路有限公司 一种用于Harris角点检测的电路系统及检测方法
CN110956178B (zh) * 2019-12-04 2023-04-18 深圳先进技术研究院 一种基于图像相似度计算的植物生长测量方法、系统及电子设备
CN110956178A (zh) * 2019-12-04 2020-04-03 深圳先进技术研究院 一种基于图像相似度计算的植物生长测量方法、系统及电子设备
CN111445391A (zh) * 2020-03-09 2020-07-24 稿定（厦门）科技有限公司 图像轮廓点调整方法、介质、设备及装置
CN113744177A (zh) * 2020-05-28 2021-12-03 中科寒武纪科技股份有限公司 图像的角点检测方法、装置和存储介质
WO2022161172A1 (zh) * 2021-01-29 2022-08-04 深圳光峰科技股份有限公司 图像中图形角点的识别方法、装置、介质及电子设备
CN113421278B (zh) * 2021-06-22 2023-08-15 咪咕互动娱乐有限公司 基于边缘检测的范围检测方法、装置、设备及存储介质
CN113421278A (zh) * 2021-06-22 2021-09-21 咪咕互动娱乐有限公司 基于边缘检测的范围检测方法、装置、设备及存储介质
CN113657410A (zh) * 2021-08-18 2021-11-16 深圳壹账通智能科技有限公司 基于人工智能的图像轮廓提取方法及相关设备
CN113763379A (zh) * 2021-09-23 2021-12-07 成都唐源电气股份有限公司 吊弦断股检测方法、装置、计算机设备及存储介质
CN113763379B (zh) * 2021-09-23 2023-07-18 成都唐源电气股份有限公司 吊弦断股检测方法、装置、计算机设备及存储介质
CN117351213A (zh) * 2023-12-06 2024-01-05 杭州蓝芯科技有限公司 基于3d视觉的箱体分割定位方法及系统
CN117351213B (zh) * 2023-12-06 2024-03-05 杭州蓝芯科技有限公司 基于3d视觉的箱体分割定位方法及系统

Also Published As

Publication number Publication date
CN108898147B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN108898147A (zh) 一种基于角点检测的二维图像边缘平直化方法、装置
Zhao et al. Multi-focus image fusion with a natural enhancement via a joint multi-level deeply supervised convolutional neural network
Jurie et al. A simple and efficient template matching algorithm
Olson Maximum-likelihood image matching
Li et al. Robust welding seam tracking and recognition
CN110796687B (zh) 天空背景红外成像多目标跟踪方法
CN104978715A (zh) 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法
Kaneko et al. Feature selection for reliable tracking using template matching
CN106204570B (zh) 一种基于非因果分数阶梯度算子的角点检测方法
CN105787962B (zh) 一种基于uuv水下回收的单目视觉跟踪方法
CN110400294B (zh) 一种红外目标探测系统及探测方法
Zou et al. Conditional generative adversarial network-based training image inpainting for laser vision seam tracking
Elias et al. JUDOCA: Junction detection operator based on circumferential anchors
CN106709499A (zh) 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法
CN109308713A (zh) 一种基于前视声纳的改进核相关滤波水下目标跟踪方法
Zhang Multiple moving objects detection and tracking based on optical flow in polar-log images
CN111709893A (zh) 一种基于信息熵和锐化调整的orb-slam2改进算法
CN105913084A (zh) 一种基于密集轨迹和dhog的超声心动视频影像分类方法
Zou et al. A high-accuracy and robust seam tracking system based on adversarial learning
Weng et al. Underwater object detection and localization based on multi-beam sonar image processing
CN111126508A (zh) 一种基于hopc改进的异源图像匹配方法
CN111178111A (zh) 二维码检测方法、电子设备、存储介质及系统
CN102917222A (zh) 基于自适应六边形搜索及五帧背景对齐的动背景视频对象提取
Takada et al. Human tracking in crowded scenes using target information at previous frames
Wan et al. A fast algorithm for recognizing translated, rotated, reflected, and scaled objects from only their projections

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