CN109035276A - 一种图像边缘提取方法、装置及自动驾驶系统 - Google Patents
一种图像边缘提取方法、装置及自动驾驶系统 Download PDFInfo
- Publication number
- CN109035276A CN109035276A CN201810668094.8A CN201810668094A CN109035276A CN 109035276 A CN109035276 A CN 109035276A CN 201810668094 A CN201810668094 A CN 201810668094A CN 109035276 A CN109035276 A CN 109035276A
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- point
- marginal point
- amplitude
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000006424 Flood reaction Methods 0.000 claims description 11
- 238000013316 zoning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000037452 priming Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000014509 gene expression Effects 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Abstract
本发明提供图像边缘提取方法、装置及自动驾驶系统，用于图像处理领域中对图像的边缘进行快速提取。该图像边缘提取方法包括：获取目标图像的灰度图像；计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
Description
技术领域
本发明涉及图像处理领域，特别涉及一种图像边缘提取方法、装置及自动驾驶系统。
背景技术
在图像处理领域的实际应用中，基于边缘匹配的应用非常广泛。例如，特定图像在目标图像中的搜索定位；双目立体视觉左、右相机图像的实时立体匹配等。边缘匹配是区别于区域匹配的用于衡量两幅图像相似度的一种十分常见和有效的方法。而作为边缘匹配的前提，对图像进行准确而快速的边缘提取就显得尤为必要，例如图1中的灰度图像提取出其边缘图。
发明内容
本发明提供一种图像边缘提取方法、装置及自动驾驶系统，以解决现有技术中缺乏对图像进行准确而快速的边缘提取的技术问题。
为了达到上述目的，根据本发明的第一个方面，提供一种图像边缘提取方法，并采用如下具体方案：
一种图像边缘提取方法包括：获取目标图像的灰度图像；计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
进一步地，所述获取目标图像的灰度图像包括：对所述目标图像执行邻域算子为3*3的Sobel边缘检测计算，获取所述目标图像的边缘幅值与边缘角度；对所述边缘幅值与所述边缘角度进行预设量化表示，并通过乘以预设系数，使得所述边缘幅值与所述边缘角度以灰度图像进行表示。
进一步地，所述计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像包括：构建所述边缘幅值与所述边缘角度的LUT；根据根据算子中心位置所对应的实时图像的像素，计算该像素的Gx和Gy，再使用Gx和Gy计算在所述LUT中的索引，从而在所述LUT中查找出该点所述边缘幅值与所述边缘角度值，其中，Gx、Gy为算子中心位置在所述实时图像中对应像素的X方向边缘幅值和Y方向边缘幅值。
进一步地，所述根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果包括：根据预设分区规则把所述边缘角度划分为四个区域；遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区；根据分区结果，对所述边缘点进行邻域配置，获取所述边缘点对应的两相邻边缘点；对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果。
进一步地，所述根据预设分区规则把所述边缘角度划分为四个区域包括：将所述边缘角度量化为四个分区：0区：337.5°～22.5°或157.5°～202.5°；1区：22.5°～67.5°或202.5°～247.5°；2区：67.5°～112.5°或247.5°～292.5°；3区：112.5°～157.5°或292.5°～337.5°。
进一步地，所述遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区包括：根据所述边缘角度，计算每个所述边缘点所在分区：
其中0°≤θ<360°；Int{.}为取整运算符；％为取模运算符，对8位表示的角度图像，计算式为：
其中0≤θ<255，N即为根据边缘角度值所述边缘点所对应的分区。
进一步地，所述对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果包括：定义所述边缘点为当前边缘点，幅值为S，两相邻边缘点的幅值分别为S1和S2：判断S、S1及S2是否满足预设条件，并在不满足预设条件时，将所述当前边缘点的幅值置为0；其中所述预设条件为：
S>S1，且S≥S2。
进一步地，其特征在于，所述基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘包括：步骤一：遍历所述边缘幅值图像，根据预设高阈值与预设低阈值对所述边缘峰值检测结果中的边缘点进行标记，分别标记为：有效边缘点、待定边缘点与无效边缘点；步骤二：以有效边缘点为中心，作为初始种子点，分别向右和向左查询，将所述有效边缘点与所述待定边缘点均城为非无效边缘点，并标记为有效边缘点，直到遇到所述无效边缘点，记录第一个所述非无效边缘点的位置x_right与最后一个所述非无效边缘点的位置x_left，并将此区间称为标记游程；步骤三：以所述标记游程为中心，向相邻行扩展，扩展区间为x_left-1到x_right+1，并从左到右扫描，在所述扩展区间将以下两类非无效边缘点作为二级种子点进入堆栈待处理：a.第一个非无效边缘点；b.非无效边缘点，并且左边相邻像素为无效边缘点；遍历所述二级种子点，将所述二级种子点作为所述初始种子点，重复执行所述步骤二至所述步骤三，直到所堆栈中的种子点处理结束；步骤四：返回执行所述步骤一，处理所述边缘幅值图像中的下一个有效边缘点，直到所述边缘幅值图像中的边缘点处理结束。
根据本发明的第二个方面，提供一种图像边缘提取装置，并采用如下技术方案：
一种图像边缘提取装置包括：获取模块，用于获取目标图像的灰度图像；计算模块，用于计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；检测模块，用于根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；分割模块，用于基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
进一步地，所述计算模块包括：构建模块，用于构建所述边缘幅值与所述边缘角度的LUT；第一计算子模块，用于根据算子中心位置所对应的实时图像的像素，计算该像素的Gx和Gy，再使用Gx和Gy计算在所述LUT中的索引，从而在所述LUT中查找出该点所述边缘幅值与所述边缘角度值，其中，Gx、Gy为算子中心位置在所述实时图像中对应像素的X方向边缘幅值和Y方向边缘幅值。
进一步地，所述检测模块包括：分区模块，用于根据预设分区规则把所述边缘角度划分为四个区域；第二计算子模块，用于遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区；配置模块，用于根据分区结果，对所述边缘点进行邻域配置，获取所述边缘点对应的两相邻边缘点；检测子模块，用于对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果。
进一步地，所述分割模块包括：标记模块，用于遍历所述边缘幅值图像，根据预设高阈值与预设低阈值对所述边缘峰值检测结果中的边缘点进行标记，分别标记为：有效边缘点、待定边缘点与无效边缘点；查询模块，用于以有效边缘点为中心，作为初始种子点，分别向右和向左查询，将所述有效边缘点与所述待定边缘点均城为非无效边缘点，并标记为有效边缘点，直到遇到所述无效边缘点，记录第一个所述非无效边缘点的位置x_right与最后一个所述非无效边缘点的位置x_left，并将此区间称为标记游程；扫描模块，用于以所述标记游程为中心，向相邻行扩展，扩展区间为x_left-1到x_right+1，并从左到右扫描，在所述扩展区间将以下两类非无效边缘点作为二级种子点进入堆栈待处理：a.第一个非无效边缘点；b.非无效边缘点，并且左边相邻像素为无效边缘点；遍历所述二级种子点，将所述二级种子点作为所述初始种子点，重复启动所述查询模块与所述扫描模块，直到所堆栈中的种子点处理结束；返回执行模块，用于返回执行所述步骤一，处理所述边缘幅值图像中的下一个有效边缘点，直到所述边缘幅值图像中的边缘点处理结束。
根据本发明的第三个方面，提供一种自动驾驶系统，并采用如下技术方案：
一种自动驾驶系统上述的图像边缘提取装置。
在本发明中，为了提高图像边缘的分割速度，对边缘幅值及边缘角度均进行了量化，首先用灰度图像来表示目标图像，使用LUT对边缘幅值图像和角度图像进行快速索引，对计算得到的边缘幅值图像及边缘幅值角度，通过邻域配置的方法，进行幅值的峰值检测，再通过泛洪法对检测结果进行双阈值分割，相对于传统采用的迭代法，泛洪法对图像的边缘分割，效率更高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明背景技术中灰度图及其边缘图；
图2为本发明实施例提供的图像边缘提取方法的流程图；
图3为本发明实施例提供的一种相机的具体部分结构示意图；
图4为本发明实施例提供的双阈值分割原理流程图；
图5为本发明实施例提供的双阈值分割示例图；
图6为本发明实施例提供的泛洪法边缘连接原理示意图；
图7为本发明实施例提供的Sobel算计定义示意图；
图8为本发明实施例提供的边缘角度值与8位量化值示意图；
图9为本发明实施例提供的边缘幅值图像示例一示意图；
图10为本发明实施例提供的边缘幅值图像示例二示意图；
图11为本发明实施例提供的边缘幅值和角度LUT计算流程图；
图12为本发明实施例提供的峰值检测邻域配置示意图；
图13为本发明实施例提供的峰值检测示例示意图；
图14为为本发明实施例提供的图像边缘提取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参见图1所示，一种图像边缘提取方法包括：
S101：获取目标图像的灰度图像；
S103：计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；
S105：根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；
S107：基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
在步骤S101中，获取目标图像的灰度图像，首先要将目标图像以灰度图像表示，具体的，通过Sobel边缘检测计算幅值与角度，然后将边缘幅值和角度的8位表示，即灰度图像表示。在步骤S103中，计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；在该步骤中，在边缘幅值和角度计算中涉及开平方根和反正切计算，耗时相当多，为了提高计算效率，我们拟用LUT(Look Up Table)实现。在步骤S105中，根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；具体而言，在应用中，图像的边缘通常都有一定程度的模糊，如图3所示。其主要导致因素包括：光照造成的阴影；成像光学系统引起的模糊；甚至是成像物体本身。实际上，边缘幅值沿(边缘)角度方向的峰值处一般对应真正的边缘，因而对其它边缘必须进行抑制，故边缘图像峰值检测也称为非极大值抑制(non-maximal suppression)。故在本实施例中，先将边缘角度量化为四个不同的区，对不同区采用不同的邻域像素配置进行峰值检测。在步骤S107中，基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。在本步骤中，首先需要了解一个双阈值分割原理，泛洪法也是基于双阈值分割原理，是在双阈值分割原理的基础上的一种扩展方法。具体而言，在实际图像中，边缘幅值图像包括虚假或噪声边缘点，我们称之为伪边缘点。其导致因素主要包括：图像传感器噪声、成像光学系统缺陷。用简单阈值分割的方法无法将真实边缘点和伪边缘点进行较好分离。通常，感兴趣的边缘都由若干相邻边缘形成的集合，用滞后阈值(hysteresis thresholding)分割，即双阈值分割，可较好地分离出感兴趣边缘。双阈值分割原理如图4所示，其将边缘幅值高于高阈值的设定为边缘点，低于低阈值的设定为非边缘点，介于其间的若8邻域有边缘点则设置为边缘点，否则设置为非边缘点。图5为双阈值分割示例，其中，(a)图为边缘幅值图像，(b)为(a)图的双阈值分割结果图像，(c)图为峰值检测结果图像，(d)图为双阈值分割结果图像。从图中可看出，双阈值分割对噪声有很好的抑制作用，和峰值检测相配合，可较为有效地检测到真实边缘。而泛洪法实现原理如图6所示，其是一种行扩展方法，关键的扩展步骤为：
A.以初始种子点为中心进行行处理。
以有效边缘点为中心，称为初始种子点，如图6中标记为A的像素点，图中A为初始种子点，分别向右和向左查询，将非无效边缘点(有效边缘点或待定边缘点)标记为有效边缘点，直到遇到无效边缘点，记录两端最后一个非无效边缘点的位置x_right和x_left，并将此区间称为标记游程，如图6中双箭头线所覆盖的像素。
B.以标记游程为中心，向相邻行(上一行和下一行)扩展。扩展区间为x_left-1到x_right+1，从左到右扫描，在扩展区间将以下两类非无效边缘点作为二级种子点，如图6中标记为B的像素点，即二级种子点，进入堆栈：a.第一个非无效边缘点；b.为非无效边缘点，并且左边相邻像素为无效边缘点。
综上，本发明为了提高图像边缘的分割速度，对边缘幅值及边缘角度均进行了量化，首先用灰度图像来表示目标图像，使用LUT对边缘幅值图像和角度图像进行快速索引，对计算得到的边缘幅值图像及边缘幅值角度，通过邻域配置的方法，进行幅值的峰值检测，再通过泛洪法对检测结果进行双阈值分割，相对于传统采用的迭代法，泛洪法对图像的边缘分割，效率更高。
作为优选的实施方式，所述获取目标图像的灰度图像包括：对所述目标图像执行邻域算子为3*3的Sobel边缘检测计算，获取所述目标图像的边缘幅值与边缘角度；对所述边缘幅值与所述边缘角度进行预设量化表示，并通过乘以预设系数，使得所述边缘幅值与所述边缘角度以灰度图像进行表示。
具体如图7所示，定义Sobel算子为3*3邻域算子，其沿x方向和沿y方向的边缘分别为：
上式中，A、B、C、D、E、F、G、H、J代表图像对应位置像素的灰度值，Gx、Gy为算子中心位置(即E)在图像中对应像素的X方向边缘幅值和Y方向边缘幅值。并且该位置处的边缘幅值S和角度θ计算式分别为：
参见图8为边缘角度示例，其中DN值为角度的8位量化值。在数字处理中，我们希望把边缘幅值和角度进行量化表示，拟用8位进行表示。
对于8位表示图像，边缘幅值有：
其中两个不等号表示相应的灰度差最大为255。由于边缘幅值的值域为[0，286]，因此我们对边缘幅值乘以系数0.89，便可用8位进行表示。
对于边缘角度，其值域为[0，360]，乘以系数0.708，即可进行8位表示。图8为边缘角度8位表示示例。对灰度图像进行边缘幅值和角度计算后，可形成边缘幅值图像和边缘角度图像，分别如图9和图10所示。在图10中，对于边缘幅值非常小的点，其对应角度为随机值。
作为优选的实施方式，所述计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像包括：构建所述边缘幅值与所述边缘角度的LUT；根据算子中心位置所对应的实时图像的像素，计算该像素的Gx和Gy，再使用Gx和Gy计算在所述LUT中的索引，从而在所述LUT中查找出该点所述边缘幅值与所述边缘角度值，其中，Gx、Gy为算子中心位置在所述实时图像中对应像素的X方向边缘幅值和Y方向边缘幅值。
具体而言，在边缘幅值和角度计算中涉及开平方根和反正切计算，耗时相当多，为了提高计算效率，本实施例拟用LUT(Look Up Table)实现，计算框图如图11所示。对于8位灰度图像，Gx和Gy都可用9位进行表示，其中8位为数字位，另外1位为符号位；根据Gx和Gy形成LUT索引，在511×511LUT中得到幅值和角度。Gx和Gy和索引Idx、Idy之间的映射关系为
因此，LUT中边缘幅值S、角度θ与索引Idx、Idy的映射关系计算式分别为：
以上计算用来构建边缘幅值和角度的LUT。
作为优选的实施方式，所述根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果包括：根据预设分区规则把所述边缘角度划分为四个区域；遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区；根据分区结果，对所述边缘点进行邻域配置，获取所述边缘点对应的两相邻边缘点；对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果。
首先，所述根据预设分区规则把所述边缘角度划分为四个区域包括：将所述边缘角度量化为四个分区：0区：337.5°～22.5°或157.5°～202.5°；1区：22.5°～67.5°或202.5°～247.5°；2区：67.5°～112.5°或247.5°～292.5°；3区：112.5°～157.5°或292.5°～337.5°。
然后，进行邻域配置判断。根据边缘角度，计算其所在分区编号：
其中0°≤θ<360°；Int{.}为取整运算符；％为取模运算符，对8位表示的角度图像，计算式为：
其中0≤θ<255，N即为根据边缘角度值所述边缘点所对应的分区，参见图12所示。
优选地，所述对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果包括：定义所述边缘点为当前边缘点，幅值为S，两相邻边缘点的幅值分别为S1和S2：判断S、S1及S2是否满足预设条件，并在不满足预设条件时，将所述当前边缘点的幅值置为0；其中所述预设条件为：S>S1，且S大于等于S2，具体的，当前边缘点的幅值为S，两相邻边缘点的幅值分别为S1和S2，峰值点判据为图13为峰值检测示例，如图所示，(a)为灰度图像，(b)为边缘幅值图像，(c)为边缘幅值的峰值图像，峰值检测前，边缘宽度为4到5个像素，峰值检测后，边缘宽度仅有1到2个像素。峰值检测可对真实边缘进行较为可靠的区分。
优选地，其特征在于，所述基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘包括：步骤一：遍历所述边缘幅值图像，根据预设高阈值与预设低阈值对所述边缘峰值检测结果中的边缘点进行标记，分别标记为：有效边缘点、待定边缘点与无效边缘点；步骤二：以有效边缘点为中心，作为初始种子点，分别向右和向左查询，将所述有效边缘点与所述待定边缘点均城为非无效边缘点，并标记为有效边缘点，直到遇到所述无效边缘点，记录第一个所述非无效边缘点的位置x_right与最后一个所述非无效边缘点的位置x_left，并将此区间称为标记游程；步骤三：以所述标记游程为中心，向相邻行扩展，扩展区间为x_left-1到x_right+1，并从左到右扫描，在所述扩展区间将以下两类非无效边缘点作为二级种子点进入堆栈待处理：a.第一个非无效边缘点；b.非无效边缘点，并且左边相邻像素为无效边缘点；遍历所述二级种子点，将所述二级种子点作为所述初始种子点，重复执行所述步骤二至所述步骤三，直到所堆栈中的种子点处理结束；步骤四：返回执行所述步骤一，处理所述边缘幅值图像中的下一个有效边缘点，直到所述边缘幅值图像中的边缘点处理结束；步骤五：将标记后的所述有效边缘点进行连线，得到所述图像边缘。
在本发明中，为了提高图像边缘的分割速度，对边缘幅值及边缘角度均进行了量化，首先用灰度图像来表示目标图像，使用LUT对边缘幅值图像和角度图像进行快速索引，对计算得到的边缘幅值图像及边缘幅值角度，通过邻域配置的方法，进行幅值的峰值检测，再通过泛洪法对检测结果进行双阈值分割，相对于传统采用的迭代法，泛洪法对图像的边缘分割，效率更高。
参见图14所示，本发明提供的一种图像边缘提取装置，包括：获取模块102，用于获取目标图像的灰度图像；计算模块104，用于计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；检测模块106，用于根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；分割模块108，用于基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
可选地，所述计算模块104包括：构建模块(图中未示)，用于构建所述边缘幅值与所述边缘角度的LUT；第一计算子模块(图中未示)，用于根据算子中心位置所对应的实时图像的像素，计算该像素的Gx和Gy，再使用Gx和Gy计算在所述LUT中的索引，从而在所述LUT中查找出该点所述边缘幅值与所述边缘角度值，其中，Gx、Gy为算子中心位置在所述实时图像中对应像素的X方向边缘幅值和Y方向边缘幅值。可选地，所述检测模块106包括：分区模块(图中未示)，用于根据预设分区规则把所述边缘角度划分为四个区域；第二计算子模块(图中未示)，用于遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区；配置模块(图中未示)，用于根据分区结果，对所述边缘点进行邻域配置，获取所述边缘点对应的两相邻边缘点；检测子模块(图中未示)，用于对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果。
可选地，所述分割模块108包括：标记模块(图中未示)，用于遍历所述边缘幅值图像，根据预设高阈值与预设低阈值对所述边缘峰值检测结果中的边缘点进行标记，分别标记为：有效边缘点、待定边缘点与无效边缘点；查询模块(图中未示)，用于以有效边缘点为中心，作为初始种子点，分别向右和向左查询，将所述有效边缘点与所述待定边缘点均城为非无效边缘点，并标记为有效边缘点，直到遇到所述无效边缘点，记录第一个所述非无效边缘点的位置x_right与最后一个所述非无效边缘点的位置x_left，并将此区间称为标记游程；扫描模块(图中未示)，用于以所述标记游程为中心，向相邻行扩展，扩展区间为x_left-1到x_right+1，并从左到右扫描，在所述扩展区间将以下两类非无效边缘点作为二级种子点进入堆栈待处理：a.第一个非无效边缘点；b.非无效边缘点，并且左边相邻像素为无效边缘点；遍历所述二级种子点，将所述二级种子点作为所述初始种子点，重复启动所述查询模块与所述扫描模块，直到所堆栈中的种子点处理结束；返回执行模块(图中未示)，用于返回执行所述步骤一，处理所述边缘幅值图像中的下一个有效边缘点，直到所述边缘幅值图像中的边缘点处理结束。
本发明提供的一种自动驾驶系统包括上述的图像边缘提取装置。
在本发明中，为了提高图像边缘的分割速度，对边缘幅值及边缘角度均进行了量化，首先用灰度图像来表示目标图像，使用LUT对边缘幅值图像和角度图像进行快速索引，得到的边缘幅值图像及边缘幅值角度，通过邻域配置的方法，进行幅值的峰值检测，再通过泛洪法对检测结果进行双阈值分割，相对于传统采用的迭代法，泛洪法对图像的边缘分割，效率更高。
以上所述，仅为本发明的具体实施方式，但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以权利要求的保护范围为准。
Claims (13)
1.一种图像边缘提取方法，其特征在于，包括：
获取目标图像的灰度图像；
计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；
根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；
基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
2.根据权利要求1所述的图像边缘提取方法，其特征在于，所述获取目标图像的灰度图像包括：
对所述目标图像执行邻域算子为3*3的Sobel边缘检测计算，获取所述目标图像的边缘幅值与边缘角度；
对所述边缘幅值与所述边缘角度进行预设量化表示，并通过乘以预设系数，使得所述边缘幅值与所述边缘角度以灰度图像进行表示。
3.根据权利要求1所述的图像边缘提取方法，其特征在于，所述计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像包括：
构建所述边缘幅值与所述边缘角度的LUT；
根据算子中心位置所对应的实时图像的像素，计算该像素的Gx和Gy，再使用Gx和Gy计算在所述LUT中的索引，从而在所述LUT中查找出该点所述边缘幅值与所述边缘角度值，其中，Gx、Gy为算子中心位置在所述实时图像中对应像素的X方向边缘幅值和Y方向边缘幅值。
4.根据权利要求1所述的图像边缘提取方法，其特征在于，所述根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果包括：
根据预设分区规则把所述边缘角度划分为四个区域；
遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区；
根据分区结果，对所述边缘点进行邻域配置，获取所述边缘点对应的两相邻边缘点；
对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果。
5.根据权利要求4所述的图像边缘提取方法，其特征在于，所述根据预设分区规则把所述边缘角度划分为四个区域包括：
将所述边缘角度量化为四个分区：
0区：337.5°～22.5°或157.5°～202.5°；
1区：22.5°～67.5°或202.5°～247.5°；
2区：67.5°～112.5°或247.5°～292.5°；
3区：112.5°～157.5°或292.5°～337.5°。
6.根据权利要求4所述的图像边缘提取方法，其特征在于，所述遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区包括：
根据所述边缘角度，计算每个所述边缘点所在分区：
其中0°≤θ<360°；Int{.}为取整运算符；％为取模运算符，对8位表示的角度图像，计算式为：
其中0≤θ<255，N即为根据边缘角度值所述边缘点所对应的分区。
7.根据权利要求4所述的图像边缘提取方法，其特征在于，所述对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果包括：
定义所述边缘点为当前边缘点，幅值为S，两相邻边缘点的幅值分别为S1和S2：
判断S、S1及S2是否满足预设条件，并在不满足预设条件时，将所述当前边缘点的幅值置为0；
其中所述预设条件为：
S>S1，且S≥S2。
8.根据权利要求1所述的图像边缘提取方法，其特征在于，其特征在于，所述基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘包括：
步骤一：遍历所述边缘幅值图像，根据预设高阈值与预设低阈值对所述边缘峰值检测结果中的边缘点进行标记，分别标记为：有效边缘点、待定边缘点与无效边缘点；
步骤二：以有效边缘点为中心，作为初始种子点，分别向右和向左查询，将所述有效边缘点与所述待定边缘点均城为非无效边缘点，并标记为有效边缘点，直到遇到所述无效边缘点，记录第一个所述非无效边缘点的位置x_right与最后一个所述非无效边缘点的位置x_left，并将此区间称为标记游程；
步骤三：以所述标记游程为中心，向相邻行扩展，扩展区间为x_left-1到x_right+1，并从左到右扫描，在所述扩展区间将以下两类非无效边缘点作为二级种子点进入堆栈待处理：a.第一个非无效边缘点；b.非无效边缘点，并且左边相邻像素为无效边缘点；
遍历所述二级种子点，将所述二级种子点作为所述初始种子点，重复执行所述步骤二至所述步骤三，直到所堆栈中的种子点处理结束；
步骤四：返回执行所述步骤一，处理所述边缘幅值图像中的下一个有效边缘点，直到所述边缘幅值图像中的边缘点处理结束。
9.一种图像边缘提取装置，其特征在于，包括：
获取模块，用于获取目标图像的灰度图像；
计算模块，用于计算所述灰度图像的边缘幅值与边缘角度，生成边缘幅值图像与边缘角度图像；
检测模块，用于根据所述边缘角度图像对所述边缘幅值图像进行边缘峰值检测，获取所述边缘幅值图像的各个边缘点，得到一边缘峰值检测结果；
分割模块，用于基于泛洪方法对所述边缘峰值检测结果进行双阈值分割，得到所述目标图像的图像边缘。
10.根据权利要求9所述的图像边缘提取装置，其特征在于，所述计算模块包括：
构建模块，用于构建所述边缘幅值与所述边缘角度的LUT；
第一计算子模块，用于根据算子中心位置所对应的实时图像的像素，计算该像素的Gx和Gy，再使用Gx和Gy计算在所述LUT中的索引，从而在所述LUT中查找出该点所述边缘幅值与所述边缘角度值，其中，Gx、Gy为算子中心位置在所述实时图像中对应像素的X方向边缘幅值和Y方向边缘幅值。
11.根据权利要求9所述的图像边缘提取装置，其特征在于，所述检测模块包括：
分区模块，用于根据预设分区规则把所述边缘角度划分为四个区域；
第二计算子模块，用于遍历所述边缘幅值图像及所述边缘角度图像，根据所述边缘角度计算出每个所述边缘点所在分区；
配置模块，用于根据分区结果，对所述边缘点进行邻域配置，获取所述边缘点对应的两相邻边缘点；
检测子模块，用于对所述边缘点的幅值，及所述两相邻边缘点的幅值分别进行峰值检测，得到所述边缘峰值检测结果。
12.根据权利要求9所述的图像边缘提取装置，其特征在于，所述分割模块包括：
标记模块，用于遍历所述边缘幅值图像，根据预设高阈值与预设低阈值对所述边缘峰值检测结果中的边缘点进行标记，分别标记为：有效边缘点、待定边缘点与无效边缘点；
查询模块，用于以有效边缘点为中心，作为初始种子点，分别向右和向左查询，将所述有效边缘点与所述待定边缘点均城为非无效边缘点，并标记为有效边缘点，直到遇到所述无效边缘点，记录第一个所述非无效边缘点的位置x_right与最后一个所述非无效边缘点的位置x_left，并将此区间称为标记游程；
扫描模块，用于以所述标记游程为中心，向相邻行扩展，扩展区间为x_left-1到x_right+1，并从左到右扫描，在所述扩展区间将以下两类非无效边缘点作为二级种子点进入堆栈待处理：a.第一个非无效边缘点；b.非无效边缘点，并且左边相邻像素为无效边缘点；
遍历所述二级种子点，将所述二级种子点作为所述初始种子点，重复启动所述查询模块与所述扫描模块，直到所堆栈中的种子点处理结束；
返回执行模块，用于返回执行所述步骤一，处理所述边缘幅值图像中的下一个有效边缘点，直到所述边缘幅值图像中的边缘点处理结束。
13.一种自动驾驶系统，其特征在于，包括权利要去9-12任一项所述的图像边缘提取装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810668094.8A CN109035276B (zh) | 2018-06-26 | 2018-06-26 | 一种图像边缘提取方法、装置及自动驾驶系统 |
| US16/250,789 US10839518B2 (en) | 2018-06-26 | 2019-01-17 | Image edge extraction method and device, and automated driving system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810668094.8A CN109035276B (zh) | 2018-06-26 | 2018-06-26 | 一种图像边缘提取方法、装置及自动驾驶系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109035276A true CN109035276A (zh) | 2018-12-18 |
| CN109035276B CN109035276B (zh) | 2022-03-18 |
Family
ID=64611201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810668094.8A Active CN109035276B (zh) | 2018-06-26 | 2018-06-26 | 一种图像边缘提取方法、装置及自动驾驶系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10839518B2 (zh) |
| CN (1) | CN109035276B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569831A (zh) * | 2019-08-09 | 2019-12-13 | 吴彦直 | 一种电力设备铭牌的特征匹配方法及系统 |
| CN110717935A (zh) * | 2019-08-26 | 2020-01-21 | 北京中科慧眼科技有限公司 | 一种基于图像特征信息的图像匹配方法，装置与系统 |
| CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
| CN113658153A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
| CN116760207A (zh) * | 2023-07-28 | 2023-09-15 | 广州航海学院 | 一种多设备无线充电桌面面板装置 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018109764A1 (en) * | 2016-12-14 | 2018-06-21 | Eyes Ltd | System and methods for fully automated data analysis, reporting and quantification for medical and general diagnosis, and for edge detection in digitized images |
| CN111179291B (zh) * | 2019-12-27 | 2023-10-03 | 凌云光技术股份有限公司 | 一种基于邻域关系的边缘像素点提取方法及装置 |
| CN111415376B (zh) * | 2020-02-27 | 2023-09-22 | 湖南大学 | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 |
| CN112598652B (zh) * | 2020-12-25 | 2024-01-30 | 凌云光技术股份有限公司 | 一种基于梯度变换的液晶屏边缘断线检测方法 |
| CN113192100B (zh) * | 2021-05-24 | 2023-07-28 | 大连大学 | 分时重叠植株图像关键特征区域边缘路径获取方法 |
| CN113836479A (zh) * | 2021-09-27 | 2021-12-24 | 常州市宏发纵横新材料科技股份有限公司 | 一种边缘点提取方法、计算机设备及存储介质 |
| CN114037832B (zh) * | 2021-12-17 | 2023-05-12 | 北京中宇瑞德建筑设计有限公司 | 一种卫星遥感图像中典型区域的提取方法及系统 |
| CN114862880B (zh) * | 2022-07-06 | 2022-09-02 | 山东泰恒石材有限公司 | 一种基于异性石料的切割优化方法及系统 |
| CN116309193B (zh) * | 2023-05-23 | 2023-08-25 | 武汉大学人民医院（湖北省人民医院） | 一种免疫样本的图像处理方法及装置 |
| CN116935496B (zh) * | 2023-09-18 | 2023-11-17 | 深圳市希格莱特科技有限公司 | 一种电子烟烟雾视觉检测方法 |
| CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060204953A1 (en) * | 2005-02-22 | 2006-09-14 | Nikolai Ptitsyn | Method and apparatus for automated analysis of biological specimen |
| US20130163869A1 (en) * | 2011-12-21 | 2013-06-27 | Sejong University Industry Academy Cooperation Foundation | Apparatus and method for extracting edge in image |
| CN107103611A (zh) * | 2017-05-19 | 2017-08-29 | 深圳市唯特视科技有限公司 | 一种基于最大稳定均匀区域的图像分割方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4835459B2 (ja) * | 2007-02-16 | 2011-12-14 | 富士通株式会社 | 表認識プログラム、表認識方法および表認識装置 |
| TWI494824B (zh) * | 2010-08-24 | 2015-08-01 | Quanta Comp Inc | 光學觸控系統及方法 |
| US8965132B2 (en) * | 2011-11-18 | 2015-02-24 | Analog Devices Technology | Edge tracing with hysteresis thresholding |
| US20190302963A1 (en) * | 2016-06-01 | 2019-10-03 | Carnegie Mellon University | Hybrid depth and infrared image sensing and method for enhanced touch tracking on ordinary surfaces |
| JP6236600B1 (ja) * | 2017-06-02 | 2017-11-29 | 株式会社Ｇｐｒｏ | 飛行パラメータ測定装置及び飛行パラメータ測定方法 |
-
2018
- 2018-06-26 CN CN201810668094.8A patent/CN109035276B/zh active Active
-
2019
- 2019-01-17 US US16/250,789 patent/US10839518B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060204953A1 (en) * | 2005-02-22 | 2006-09-14 | Nikolai Ptitsyn | Method and apparatus for automated analysis of biological specimen |
| US20130163869A1 (en) * | 2011-12-21 | 2013-06-27 | Sejong University Industry Academy Cooperation Foundation | Apparatus and method for extracting edge in image |
| CN107103611A (zh) * | 2017-05-19 | 2017-08-29 | 深圳市唯特视科技有限公司 | 一种基于最大稳定均匀区域的图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| ÖZZAMAN, GÖKHAN: "《Real time color based object tracking》", 《MASTER"S THESIS》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569831A (zh) * | 2019-08-09 | 2019-12-13 | 吴彦直 | 一种电力设备铭牌的特征匹配方法及系统 |
| CN110569831B (zh) * | 2019-08-09 | 2023-02-07 | 吴彦直 | 一种电力设备铭牌的特征匹配方法及系统 |
| CN110717935A (zh) * | 2019-08-26 | 2020-01-21 | 北京中科慧眼科技有限公司 | 一种基于图像特征信息的图像匹配方法，装置与系统 |
| CN110717935B (zh) * | 2019-08-26 | 2022-05-17 | 北京中科慧眼科技有限公司 | 一种基于图像特征信息的图像匹配方法，装置与系统 |
| CN110751680A (zh) * | 2019-10-17 | 2020-02-04 | 中国科学院云南天文台 | 一种具有快速对齐算法的图像处理方法 |
| CN113658153A (zh) * | 2021-08-24 | 2021-11-16 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
| CN113658153B (zh) * | 2021-08-24 | 2024-01-26 | 凌云光技术股份有限公司 | 一种轮廓数据特征点检测方法及装置 |
| CN116760207A (zh) * | 2023-07-28 | 2023-09-15 | 广州航海学院 | 一种多设备无线充电桌面面板装置 |
| CN116760207B (zh) * | 2023-07-28 | 2024-02-06 | 广州航海学院 | 一种多设备无线充电桌面面板装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109035276B (zh) | 2022-03-18 |
| US10839518B2 (en) | 2020-11-17 |
| US20190392585A1 (en) | 2019-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035276A (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
| CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
| CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
| CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
| CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
| CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
| Jin et al. | Corn plant sensing using real‐time stereo vision | |
| CN108682039B (zh) | 一种双目立体视觉测量方法 | |
| CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
| CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
| CN105865344A (zh) | 一种基于机器视觉的工件尺寸测量方法和装置 | |
| CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
| CN109461132B (zh) | 基于特征点几何拓扑关系的sar图像自动配准方法 | |
| CN107092871A (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
| CN112767497A (zh) | 基于圆形标定板的高鲁棒性标定装置及定位方法 | |
| CN102682435A (zh) | 基于空间相对高度信息的多聚焦图像边缘检测方法 | |
| IL184993A (en) | Method for extracting edge in photogrammetry with subpixel accuracy | |
| Gurney | The use of contextual information to improve land cover classification of digital remotely sensed data | |
| CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
| CN107835998A (zh) | 用于识别数字图像中的表面类型的分层平铺方法 | |
| EP1317735A1 (en) | Segmentation of digital images | |
| CN115690107B (zh) | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 | |
| CN117058222A (zh) | 一种tbm岩渣形态识别方法及系统 | |
| JPH05215547A (ja) | ステレオ画像間対応点決定方法 | |
| CN108805896B (zh) | 一种应用于城市环境的距离图像分割方法 |
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 |