CN109427066A - 任意角度的边缘检测方法 - Google Patents
任意角度的边缘检测方法 Download PDFInfo
- Publication number
- CN109427066A CN109427066A CN201711200871.8A CN201711200871A CN109427066A CN 109427066 A CN109427066 A CN 109427066A CN 201711200871 A CN201711200871 A CN 201711200871A CN 109427066 A CN109427066 A CN 109427066A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- pixel
- edge detection
- angle
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 210000000707 wrist Anatomy 0.000 description 32
- 210000002321 radial artery Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 239000000203 mixture Substances 0.000 description 9
- 239000012634 fragment Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000012886 linear function Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012152 algorithmic method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种任意角度的边缘检测方法，包括：构建边缘检测角度区间边界；构建边缘检测角度区间中的任意角度；将构建的若干像素直线分别与高斯函数的一阶导数作卷积运算，并对卷积运算结果取绝对值，并对绝对值取局部极大值；对得到的局部极大值赋灰度值，其他非局部极大值像素灰度设为0；将具有灰度值的图像像素替换原图像像素；将不同边缘检测角度方向得到的若干图像进行灰度叠加，根据实际所需边缘图像要求对多次叠加后图像的灰度设二值化阈值，根据该阈值对图像进行二值化处理，最终得到所需边缘。本发明提供了可任意角度边缘检测的算法，降低了图像边缘检测算法复杂度。
Description
技术领域
本发明涉及一种图像处理方法，特别是关于一种任意角度的边缘检测方法。
背景技术
图像带给人类一个形象的思维世界，是人类认识世界的重要途径。存在于图像中的突变和不连续不平稳的结构我们称之为边缘。边缘往往携带着丰富的图像信息。这些边缘点构成了物体轮廓，而这些轮廓常是研究者感兴趣的地方，它集中体现研究目标的特征，对后续的图像分割、图像匹配、目标识别、计算机视觉有极为重要的铺垫作用，所以如何把轮廓不清晰的图像转换为清晰的边缘图像成为多年来人们一直深入研究的方向。在几十年的研究中，人们不断引入数学方法对图像边缘进行提取和解释。由最初的基于梯度原理的Prewitt算子、Sobel算子等到LoG算子和Canny算子，小波变换再到机器学习，体现了边缘检测问题的深度与难度。
基于梯度原理的多角度边缘检测算法方法采用N*N的梯度模板对二维图像进行卷积。由于模板一般为正方形，且其尺寸最大为5像素*5像素，所以模板能生成的梯度方向最多为16个，即0°、30°、45°、60°、90°、120°、135°、150°、180°、210°、225°、240°、270°、300°、315°和330°方向。经典的二维小波变换模极大值边缘检测方法只能在沿x方向和y方向求梯度后再根据幅角归类进行非极大值抑制。因此利用现有角度边缘检测方法对图像边缘进行任意角度边缘检测基本依靠旋转图像和旋转坐标的方式实现。然而旋转图像和旋转坐标时都会对图像进行插值运算，造成图像灰度信息的改变，因此在旋转图像和旋转坐标后对图像的边缘进行识别是无法保证图像边缘的准确性，而且在进行边缘识别后还需要根据旋转的角度将边缘图像旋转回原位置，这样又一次造成边缘图像信息的改变。另外，旋转图像和旋转坐标会引起图像尺寸的改变并且产生图像边界问题，这些问题都会增加图像处理难度。
发明内容
针对上述问题，本发明的目的是提供一种能够在不改变图像信息的前提下实现单像素任意角度边缘检测方法，以解决上述技术问题中的至少之一。
为实现上述目的，本发明提供了一种任意角度的边缘检测方法，包括以下步骤：
获取待检测图像的所有二维像素点的灰度值，所述待检测图像的大小为n×m，其中m、n均为正整数；
采用如下规则提取上述二维像素点中选中部分的像素点的灰度值：
(a)从所述待检测图像的最左上角的像素开始，连续选取k个像素；其中k选自正整数；
(b)依次对每一行均连续选取k个像素，只是每一行的起始位置均为上一行连续k个像素的结束位置，即依照紧凑连接模式选取；或者为上一行连续k个像素的结束位置加一，即依照宽松连接模式选取；
(c)从第二行开始选取时先遵照i次紧凑连接模式选取，再遵照j次宽松连接模式选取，如此循环r次，即到达所述待检测图像最底部的最下一行；其中，i、j、r均选自正整数，且用户能够通过设定i、j、r、k来实现任意提取角度的边缘检测；
将按上述方法提取的、存储成矩阵形式的若干灰度值矩阵与高斯函数的一阶导数fσ(x)作卷积运算，再对卷积运算结果取绝对值，并对绝对值取局部极大值；
在对应待检测图像的所有二维像素点的矩阵中，将得到的局部极大值位置赋予一不为零的灰度值，其它像素位置的灰度值设为0。
其中，所述高斯函数的一阶导数fσ(x)为其中σ为常数，取值范围为1～10。
其中，所述不为零的灰度值为255/边缘检测角度的个数。
其中，在将得到的局部极大值位置赋予一不为零的灰度值，其它像素位置的灰度值设为0的步骤之后，还包括将得到的灰度值矩阵表示的像素替换掉原图像上对应像素的步骤。
其中，用户进行4～8次独立的i、j、r、k的设定来实现4～8次不同提取角度的边缘检测。
其中，将不同边缘检测角度得到的若干灰度值矩阵以图像显示形式进行灰度叠加，对多次叠加后图像的灰度根据实际所需边缘图像要求而设二值化阈值，根据该二值化阈值对图像进行二值化处理，得到所需边缘。
其中，得到的所需边缘为单像素宽边缘。
基于上述技术方案可知，本发明的关脉识别方法相对于现有技术具有如下有益效果：
1、本发明提供了一种可以在[0°，360°]范围内实现任意角度边缘检测的算法；
2、本发明利用只需应用[45°，90°]边缘检测角度即可实现[0°，360°]角度区间的边缘检测，降低图像边缘检测算法复杂度；
3、本发明首次揭示了任意角度边缘检测算子构建公式；
4、本发明边缘检测角度构建方法比现有的基于角度的经典算子更具有可实现性；
5、本算法将二维图像边缘识别问题转化为一维曲线信号处理问题，降低了算法复杂度；
6、本算法生成的边缘为单像素宽边缘。
附图说明
图1是图像k个相邻像素的紧凑连接的示意图；
图2是图像k个相邻像素的宽松连接的示意图；
图3是图像边缘检测k个相邻像素的任意角度组成形式的示意图；
图4是图像2个相邻像素的紧凑连接的示意图；
图5是图像2个相邻像素的宽松连接的示意图；
图6是图像边缘检测2个相邻像素的任意角度组成形式的示意图；
图7是超出图像边界的部分对图像进行补0扩增的示意图；
图8是多个不同检测角度进行叠加的关系算式；
图9是多个不同检测角度进行叠加的示意图；
图10是角度优化及多个角度叠加的原图和对比图；
图11～14分别是检测圆、圆及字母、圆、圆及字母的角度叠加数量、连通域与像素数P之间的关系折线；
图15是手臂边缘断点连接示意图；
图16是手臂和腕部边缘图像；
图17是转化为一维曲线的边缘和经过滤波或高阶多项式拟合过的手臂腕部曲线；
图18是手臂腕部边缘与对应的曲率曲线图；
图19是带有桡动脉信息的手臂腕部边缘图像；
图20是分割出的桡动脉图像；
图21是桡动脉像素纵坐标平均化和直线拟合曲线；
图22是桡动脉的坐标显示图。
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白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
本发明公开了一种任意角度的边缘检测方法，其是通过获取待检测图像的灰度值，然后用若干不同角度的像素线扫过上述图像，分别提取上述若干像素线对应的像素点的灰度值，并将其存储为矩阵，将得到的矩阵分别与高斯函数的一阶导数fσ(x)作卷积运算，再对卷积运算结果取绝对值，并对绝对值取局部极大值；在对应待检测图像的所有二维像素点的矩阵中，将得到的局部极大值位置赋予一不为零的灰度值，其它像素位置的灰度值设为0，从而得到局部极大值点的断续点或连线。本领域技术人员可以基于这些点或连线进行插值或拟合得到连续线段，也可以根据多次不同角度的像素线得到的结果进行叠加，再二值化得到所需边缘，还可以基于进一步的连通域运算来求取单一值的连续边缘线。
具体地，本发明的任意角度的边缘检测方法，包括以下步骤：
获取待检测图像的所有二维像素点的灰度值，所述待检测图像的大小为n×m，其中m、n均为正整数；
采用如下规则提取上述二维像素点中选中部分的像素点的灰度值：
(a)从所述待检测图像的最左上角的像素开始，连续选取k个像素；其中k为大于等于1的正整数；
(b)依次对每一行均连续选取k个像素，只是每一行的起始位置均为上一行连续k个像素的结束位置，即依照紧凑连接模式选取；或者为上一行连续k个像素的结束位置加一，即依照宽松连接模式选取；
(c)选取时先遵照i次紧凑连接模式选取，再遵照j次宽松连接模式选取，如此循环r次，即到达所述待检测图像最底部的最下一行；其中，i、j、r均为正整数；根据上述设定可以得到如下公式：
循环次数r×(紧凑次数i+宽松次数j)+1＝行数m；
循环次数r×紧凑次数i×(每行像素个数k-1)+每行像素个数k×循环次数r×宽松次数j+每行像素个数k＝列数n；
将由此得到的从待检测图像最左上角的像素开始到待检测图像最下端一行的多次弯折的线段称之为“像素直线”。每次即可通过设置不同的k值来实现以不同的提取角度(亦称之为边缘检测角度)来提取对应像素直线覆盖的像素点的灰度值。
将按上述方法提取的、存储成矩阵形式的若干像素直线与高斯函数的一阶导数fσ(x)作卷积运算，再对卷积运算结果取绝对值，并对绝对值取局部极大值；该高斯函数的一阶导数fσ(x)为其中σ为常数，取值范围为1～10；卷积运算公式表示为hn，σ(θ)＝gn(θ)*fσ(x)，其中gn(θ)表示依据像素直线提取的灰度值矩阵，hn，σ(θ)表示卷积运算结果。
在对应待检测图像的所有二维像素点的矩阵中，将得到的局部极大值位置赋予一不为零的灰度值，其它像素位置的灰度值设为0。作为优选，该不为零的灰度值例如为255/边缘检测角度的个数。
作为优选，可以将不同边缘检测角度得到的若干灰度值矩阵以图像显示形式进行灰度叠加，对多次叠加后图像的灰度根据实际所需边缘图像要求而设二值化阈值，根据该二值化阈值对图像进行二值化处理，得到所需边缘。其具体计算方式例如参见图8、9所示，但图8、9只是示意性的，并不用于限制本发明。
作为优选，不同的边缘检测角度例如可以选取4～8个。如图10～14所示，经试验验证当不同的边缘检测角度选取4～8时效果最佳。
其中，采用上述规则提取二维像素点中选中部分的像素点的灰度值的步骤依据的原理是：
本发明定义了两种提取模式，分别称之为紧凑连接和宽松连接，其中：
如图1所示，紧凑连接是指下一行像素的首个提取位置位于与上一行像素的最后一个提取位置相同的位置，由此提取的灰度值用矩阵Qθ2L表示如下：
如图2所示，宽松连接是指下一行像素的首个提取位置位于与上一行像素的最后一个提取位置右边一位的位置，即加一的位置，由此提取的灰度值用矩阵Qθ2L表示如下：
如图3所示，上述紧凑连接和宽松连接可以遵照一定的规律进行混排，例如i次紧凑连接，j次宽松连接，然后这样重复r次。上述i、j、r均为不大于行数m的正整数。
本发明中不同的提取角度(边缘检测角度)方向，在数值设定上即表现为每一行提取的像素个数、行数、紧凑连接与宽松连接的重复次数等共同作用因子，可以通过设定这些参数来最终确定具体的提取角度方向。
例如：对于紧凑连接，每一行提取两个像素(k＝2)，一直重复到待检测图像最下面一行(i＝1，j＝0，r＝m-1)，则其提取角度方向，即边缘检测角度即45°。
再例如，对于一宽松连接一紧凑连接的交错排列(i＝1，j＝1)，每一行提取两个像素(k＝2)，一直重复到待检测图像最下面一行(r＝(m-1)/2)，则其提取角度方向，即边缘检测角度即59°，近似为60°。
本发明的边缘检测方法适应任意角度的检测的推导过程如下，其中每行的连续提取像素的个数k＝2。
(1)构建边缘检测角度区间边界
将图像的相邻像素点关系分为紧凑连接和宽松连接，以每行两个像素为例，紧凑连接如图4所示：从图像最左侧列的像素为起点，相邻行的像素点首尾像素垂直相连，每两行组成一个紧凑连接单元。根据这种方式若干紧凑连接单元连接成一条线直到图像边界，这条直线与它的y轴方向投影的夹角就是边缘检测角度。其矩阵Qθ2L表示方式为：
其边缘检测角度
宽松连接如图5所示：从图像左上角顶点起，以最左侧列和最上侧行的像素为起点，相邻行的像素点首尾像素对角相连，每两行组成一个宽松连接单元。根据这种方式若干宽松连接单元连接成一条线直到图像边界，这条直线与它的y轴方向投影的夹角就是边缘检测方向。其矩阵Qθ2R表示方式为：
其边缘检测角度
因此两像素的紧凑连接单元组成的边缘检测角度为该段角度区间的左边界。两像素的宽松连接单元组成的边缘检测角度为该段角度区间的右边界。所以该角度区间为(θ2L，θ2R)。
当像素个数为k个像素时，k个像素的紧凑连接单元组成的边缘检测角度区间的左边界其中k＝2，3，…。
k个像素的紧凑连接单元组成的边缘检测角度区间的右边界其中k＝2，3，…。
因此，检测角度区间边界的并集为(θ1，θ2)∪(θ3，θ4)∪…∪(θn-1，θn)；该并集的范围为(45°，90°)。
(2)构建边缘检测角度区间中的任意角度
以两像素相连的单元为例，区间中的任意角度组成形式如下：
如图6所示，i个紧凑连接和j个宽松连接组成一个单元重复出现r次，其行数m和列数n与i、j和r关系为：
r(i+j)+1＝m； (1)
ri(k-1)+krj+k＝n； (2)
因此每个角度区间里的边缘检测角度
另外，每个边界条件也符合上式。
所以通过上述方法能够将图像中的像素根据所需角度进行组合，对于算法实现超出图像边界的部分对图像进行补0扩增，如图7所示。
(3)将按上述方法构建的若干像素直线分别与高斯函数的一阶导数fσ(t)作卷积运算，并对卷积运算结果取绝对值，并对绝对值取局部极大值；以紧凑连接生成的边缘检测上界角度为例解释若干像素直线，以左侧边界为起点生成若干像素直线为X1、X2…Xm，以上侧边界为起点生成的若干像素直线为Y1…Ym-1；其中m为行，k为连接像素个数。
以宽松连接生成的边缘检测下界角度为例解释若干像素直线，以左侧边界为起点生成若干像素直线为X′1、X′2…X′m，以上侧边界为起点生成的若干像素直线为Y′1…Y′m-1；其中m为行，k为连接像素个数。
每一个像素直线都分别与高斯函数的一阶导数fσ(t)作卷积运算，并对卷积运算结果取绝对值得到：|fσ(t)*X1|，|fσ(t)*X2|，…|fσ(t)*Xm||fσ(t)*X′1|，|fσ(t)*X′2|，…|fσ(t)*X′m|和|fσ(t)*Y1|，…|fσ(t)*Ym-1||fσ(t)*Y′1|，…|fσ(t)*Y′m-1|。通过对构建的若干像素直线作卷积和取绝对值的运算，使边缘检测角度从[0°，360°]缩减到[0°，180°]。因此只需对边缘检测角度[0°，180°]的区间里对图像进行处理。
(4)对得到的|fσ(t)*X1|，|fσ(t)*X2|，…|fσ(t)*Xm|和|fσ(t)*Y1|，…|fσ(t)*Ym-1|进行局部极大值运算赋灰度值，其他非局部极大值像素灰度设为0，其灰度值为(255/边缘检测角度个数)。根据像素下标将具有灰度值的图像像素替换到原图像中相同像素下标位置上；
(5)将不同边缘检测角度方向得到的若干图像进行灰度叠加，根据实际所需边缘图像要求对多次叠加后图像的灰度设二值化阈值，根据该二值化阈值对图像进行二值化处理。最终得到所需边缘。
上述边缘检测角度范围为(45°，90°)，45°边缘检测角度就是一个像素依次连接组成的像素直线，即k＝1时。90°方向就是垂直分割图像，每列像素分别组成像素直线。因此，该检测角度范围[45°，90°]可以实现。
通过将图像矩阵转置和翻转可以将角度范围为[45°，90°]映射到[0°，45°]，[90°，135°]和[135°，180°]。具体方法如下：
将图像矩阵水平翻转，边缘检测角度区间为从[45°，90°]映射为[90°，135°]。将图像矩阵转置后，边缘检测角度区间为从[45°，90°]映射为[135°，180°]。将图像矩阵水平翻转和转置后边缘检测角度区间为从[45°，90°]映射为[0°，45°]。基于以上方法，实现[0°，360°]角度区间的边缘检测只需应用[45°，90°]边缘检测角度即可实现。
应用
本发明的任意角度的边缘识别方法可以应用于关脉识别中，该关脉识别方法例如包括以下步骤：
1、对待检测的手臂和腕部的边缘进行识别，生成手臂和腕部的边缘线条。识别手臂和腕部边缘的算法即为本申请的任意角度的边缘检测算法。
2、对手臂和腕部的边缘预处理，将手臂和腕部的边缘进一步优化，为后续腕部关脉的识别提供保障。该步骤具体包括识别手臂边缘最大连通域、手臂边缘断点连接、手臂腕部曲线拟合，如下所示：
(1)识别手臂边缘最大连通域：对生成的边缘图像进行连通域识别，找出图像右侧边界最大连通域。若最大连通域贯穿图像左右两侧边界，即连通域不存在断点，该最大连通域即可认为是手臂腕部边缘。
(2)手臂边缘断点连接：将手臂边缘片段连接起来，形成一个贯穿图像左右边界的手臂腕部整体边缘。在边缘存在断点情况下，最大连通域只是手臂腕部边缘的一部分，因此需要将其他手臂腕部边缘片段连接起来。以最大连通域左侧断点为原点对该点上、左上、左、左下、下5个方向2个像素范围内寻找边缘片段。若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值或者其它拟合方式在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域左侧断点为原点进一步寻找其他边缘片段，直至到达图像左侧边界。
(3)手臂腕部曲线拟合：消除二维图像边缘转为一维曲线过程中产生的阶跃点，使转换的一维手臂边缘曲线更平滑，突出手臂腕部边缘特征。
3、识别桡骨突茎算法用于识别桡骨突茎特征点：首先对提取的手臂腕部边缘进行特征提取，识别手部与桡骨突茎之间的凹陷处，寻找凹陷处的最低点。桡骨突茎在表皮顶部曲率变化特点是手腕凹陷到手臂存在一个曲率最大点，即边界变化弯曲幅度较大的点。其次，寻找离凹陷处附近最大曲率曲线的峰谷。最后，在曲率曲线峰谷附近识别手臂边缘是否有峰如果有峰，该点可识别为关脉x坐标；如果没有峰，该处的曲线峰谷识别为关脉x坐标。
4、桡动脉图像分割和关脉识别用于分割桡动脉图像并拟合成能够反映桡动脉走势的直线函数，具体步骤包括：
(1)区域构建和阈值设置，用于为二值化桡动脉提供阈值参考。
(2)二值化桡动脉区域，用于将桡动脉图像和其他图像分离。
(3)桡动脉直线拟合用于获得反映桡动脉走势的直线函数和最终的关脉坐标。
在一个实施方式中，该关脉识别方法包括以下步骤：
首先利用本申请的上述任意角度的边缘检测方法对整个图像进行边缘识别，生成手臂腕部边缘的连续或中断的点和/或线。
之后对手臂腕部边缘进行预处理，进一步优化手臂腕部边缘，为后续腕部关脉识别提供保障。该预处理过程包括识别手臂边缘最大连通域，手臂边缘断点连接，手臂腕部曲线拟合。
1)识别手臂边缘最大连通域：对生成的边缘图像进行连通域识别，找出图像右侧边界最大连通域。若最大连通域贯穿图像左右两侧边界，即连通域不存在断点，该最大连通域即可认为是手臂腕部边缘。
2)如图15所示，手臂边缘断点连接包括以下步骤：将手臂边缘片段连接起来，形成一个贯穿图像左右边界的手臂腕部整体边缘。在边缘存在断点情况下，最大连通域只是手臂腕部边缘的一部分，因此需要将其他手臂腕部边缘片段连接起来。以最大连通域左侧断点为原点对该点上、左上、左、左下、下5个方向2个像素范围内寻找边缘片段。若在搜寻范围内存在其他连通域，则将两个连通域相连，中间断点像素通过插值或者其它拟合方式在两个片断之间补像素点，最终形成一个新的连通域，并以新的连通域左侧断点为原点进一步寻找其他边缘片段，直至到达图像左侧边界。
3)如图16和图17所示，手臂腕部曲线拟合包括以下步骤：用低通滤波器或者多项式曲线拟合消除二维图像边缘转为一维曲线过程中产生的阶跃点，使转换的一维手臂边缘曲线更平滑，突出手臂腕部边缘特征。
识别桡骨突茎算法用于识别桡骨突茎特征点。如图18所示，首先对提取的手臂腕部边缘进行特征提取，识别手部与桡骨突茎之间的凹陷处，寻找凹陷处的最低点。桡骨突茎在表皮顶部曲率变化特点是手腕凹陷到手臂存在一个曲率最大点，即边界变化弯曲幅度较大的点。其次，寻找离凹陷处附近最大曲率曲线的峰谷。最后，在曲率曲线峰谷附近识别手臂边缘是否有峰如果有峰，该点可识别为关脉x坐标；如果没有峰，该处的曲线峰谷识别为关脉x坐标。
桡动脉图像分割和关脉识别。用之前生成的边缘图像(图19)中每一个像素为原点构建一个区域。根据桡动脉边界位置的区域像素均值和方差的统计规律，设定均值和方差的阈值。计算每个边缘像素区域中像素的均值和方差。将生成的每个边缘像素区域中像素的均值和方差逐次与阈值作比较，二值化符合阈值条件的区域(图20)。对二值化的桡动脉图像像素纵坐标求平均，获得描述桡动脉图像的曲线。对曲线进行二次多项式直线拟合，得到包含桡动脉走势的直线函数(图21)，将关脉x坐标代入该直线函数得到关脉的纵坐标。关脉在图像中位置即可确定，如图22所示。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，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。
Claims (7)
1.一种任意角度的边缘检测方法，包括以下步骤：
获取待检测图像的所有二维像素点的灰度值，所述待检测图像的大小为n×m，其中m、n均为正整数；
采用如下规则提取上述二维像素点中选中部分的像素点的灰度值：
(a)从所述待检测图像的最左上角的像素开始，连续选取k个像素；其中k选自正整数；
(b)依次对每一行均连续选取k个像素，只是每一行的起始位置均为上一行连续k个像素的结束位置，即依照紧凑连接模式选取；或者为上一行连续k个像素的结束位置加一，即依照宽松连接模式选取；
(c)从第二行开始选取时先遵照i次紧凑连接模式选取，再遵照j次宽松连接模式选取，如此循环r次，即到达所述待检测图像最底部的最下一行；其中，i、j、r均选自正整数，且用户能够通过设定i、j、r、k来实现任意提取角度的边缘检测；
将按上述方法提取的、存储成矩阵形式的若干灰度值矩阵与高斯函数的一阶导数fσ(x)作卷积运算，再对卷积运算结果取绝对值，并对绝对值取局部极大值；
在对应待检测图像的所有二维像素点的矩阵中，将得到的局部极大值位置赋予一不为零的灰度值，其它像素位置的灰度值设为0。
2.根据权利要求1所述的方法，其特征在于，所述高斯函数的一阶导数fσ(x)为其中σ为常数，取值范围为1～10。
3.根据权利要求1所述的方法，其特征在于，所述不为零的灰度值为255/边缘检测角度的个数。
4.根据权利要求1所述的方法，其特征在于，在将得到的局部极大值位置赋予一不为零的灰度值，其它像素位置的灰度值设为0的步骤之后，还包括将得到的灰度值矩阵表示的像素替换掉原图像上对应像素的步骤。
5.根据权利要求1所述的方法，其特征在于，用户进行4～8次独立的i、j、r、k的设定来实现4～8次不同提取角度的边缘检测。
6.根据权利要求5所述的方法，其特征在于，将不同边缘检测角度得到的若干灰度值矩阵以图像显示形式进行灰度叠加，对多次叠加后图像的灰度根据实际所需边缘图像要求而设二值化阈值，根据该二值化阈值对图像进行二值化处理，得到所需边缘。
7.根据权利要求6所述的方法，其特征在于，得到的所需边缘为单像素宽边缘。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710778429 | 2017-08-31 | ||
| CN2017107784297 | 2017-08-31 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109427066A true CN109427066A (zh) | 2019-03-05 |
| CN109427066B CN109427066B (zh) | 2021-11-05 |
Family
ID=65513630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711200871.8A Active CN109427066B (zh) | 2017-08-31 | 2017-11-24 | 任意角度的边缘检测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109427066B (zh) |
| WO (1) | WO2019041590A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264489A (zh) * | 2019-06-24 | 2019-09-20 | 北京奇艺世纪科技有限公司 | 一种图像边界检测方法、装置及终端 |
| CN110264488A (zh) * | 2019-06-20 | 2019-09-20 | 合肥工业大学 | 一种二值图像边缘提取装置 |
| CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
| CN111882570A (zh) * | 2020-07-28 | 2020-11-03 | 浙江水晶光电科技股份有限公司 | 边缘定位方法、装置、存储介质及电子设备 |
| CN114332140A (zh) * | 2022-03-16 | 2022-04-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059706B (zh) * | 2019-04-23 | 2023-04-07 | 上海工程技术大学 | 一种用于富椒盐噪声环境下单一直线的检测方法 |
| CN110490889B (zh) * | 2019-08-12 | 2023-05-09 | 中电科技（合肥）博微信息发展有限责任公司 | 一种基于边缘检测的雷达目标提取方法 |
| CN110956078B (zh) * | 2019-10-09 | 2023-06-30 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
| CN110838127B (zh) * | 2019-10-30 | 2023-06-23 | 合肥工业大学 | 一种用于智能汽车的特征图像边缘检测方法 |
| 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 |
| CN111199235A (zh) * | 2020-01-03 | 2020-05-26 | 深圳市京湾量子遥感科技有限公司 | 一种图像边缘提取方法 |
| CN111445491B (zh) * | 2020-03-24 | 2023-09-15 | 山东智翼航空科技有限公司 | 微型无人机三邻域极大差值边缘检测狭道导引方法 |
| CN111524139B (zh) * | 2020-04-02 | 2023-03-31 | 西安电子科技大学 | 一种基于双边滤波器的角点检测方法和检测系统 |
| CN113822839B (zh) * | 2020-06-18 | 2024-01-23 | 飞依诺科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
| CN112435235B (zh) * | 2020-11-23 | 2024-02-02 | 西安理工大学 | 一种基于图像分析的籽棉含杂率检测方法 |
| CN112489066B (zh) * | 2020-11-30 | 2023-07-04 | 国网山西省电力公司晋城供电公司 | 一种配电设备红外热成像图像边缘的提取方法 |
| CN113706522B (zh) * | 2021-09-08 | 2024-05-31 | 常州市新创智能科技有限公司 | 玻纤表面纸板屑检测方法、装置、存储介质和电子设备 |
| CN113850800B (zh) * | 2021-10-15 | 2024-04-30 | 郑州磨料磨具磨削研究所有限公司 | 一种硬脆材料划切缝崩边检测方法 |
| CN113727050B (zh) * | 2021-11-04 | 2022-03-01 | 山东德普检测技术有限公司 | 面向移动设备的视频超分辨率处理方法、装置、存储介质 |
| CN113870297B (zh) * | 2021-12-02 | 2022-02-22 | 暨南大学 | 一种图像边缘检测方法、装置及存储介质 |
| 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 |
| CN114677340B (zh) * | 2022-03-14 | 2024-05-24 | 上海第二工业大学 | 一种基于图像边缘的混凝土表面粗糙度的检测方法 |
| CN115060754B (zh) * | 2022-04-29 | 2024-05-24 | 上海沛圣科技有限公司 | 一种不锈钢制品表面质量检测方法 |
| CN115131387B (zh) * | 2022-08-25 | 2023-01-24 | 山东鼎泰新能源有限公司 | 基于图像处理的汽油机喷雾撞壁参数自动提取方法及系统 |
| CN115256400B (zh) * | 2022-08-26 | 2024-05-28 | 北京理工大学 | 机器人三自由度电驱动耦合关节的运动可行范围线性界定方法 |
| CN115564728B (zh) * | 2022-09-30 | 2023-08-11 | 苏州大学 | 一种图像角点检测方法、装置、设备及应用 |
| CN115578732B (zh) * | 2022-11-21 | 2023-03-28 | 山东爱福地生物股份有限公司 | 一种肥料生产线的标签识别方法 |
| CN115797925B (zh) * | 2023-02-13 | 2023-04-28 | 青岛佳美洋食品有限公司 | 一种鱼肉加工异物检测方法 |
| CN115908429B (zh) * | 2023-03-08 | 2023-05-19 | 山东歆悦药业有限公司 | 一种泡脚药粉研磨精度检测方法及系统 |
| CN116416268B (zh) * | 2023-06-09 | 2023-08-18 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
| CN116596924B (zh) * | 2023-07-17 | 2023-10-20 | 山东唐乐生物科技股份有限公司 | 基于机器视觉的甜菊糖苷质量检测方法及系统 |
| CN116645297B (zh) * | 2023-07-24 | 2023-11-07 | 济宁龙纳智能科技有限公司 | 基于人工智能的agv叉车控制方法 |
| CN116863249B (zh) * | 2023-09-01 | 2023-11-21 | 山东拓新电气有限公司 | 基于人工智能的煤矿传送带跑偏识别方法 |
| CN116883407B (zh) * | 2023-09-08 | 2023-11-24 | 山东省永星食品饮料有限公司 | 基于人工智能的瓶装水杂质检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156956A (zh) * | 2014-08-06 | 2014-11-19 | 中国科学院生物物理研究所 | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 |
| CN104537646A (zh) * | 2014-12-12 | 2015-04-22 | 南京理工大学 | 遥感图像的多角度自动mtf估计方法 |
| CN104715491A (zh) * | 2015-04-09 | 2015-06-17 | 大连理工大学 | 一种基于一维灰度矩的亚像素边缘检测方法 |
| CN105740869A (zh) * | 2016-01-28 | 2016-07-06 | 北京工商大学 | 一种基于多尺度多分辨率的方形算子边缘提取方法及系统 |
| CN105894521A (zh) * | 2016-04-25 | 2016-08-24 | 中国电子科技集团公司第二十八研究所 | 基于高斯拟合的亚像素边缘检测方法 |
| CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020191812A1 (en) * | 2001-04-24 | 2002-12-19 | Nam-Deuk Kim | Object edge watermarking |
| CN104156958B (zh) * | 2014-08-06 | 2017-07-11 | 中国科学院生物物理研究所 | 一种电路板布线边缘提取方法及提取平台 |
| CN104732556A (zh) * | 2015-04-13 | 2015-06-24 | 南通理工学院 | 基于染色矩阵算法的图像边缘检测方法 |
-
2017
- 2017-11-24 WO PCT/CN2017/112917 patent/WO2019041590A1/zh active Application Filing
- 2017-11-24 CN CN201711200871.8A patent/CN109427066B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156956A (zh) * | 2014-08-06 | 2014-11-19 | 中国科学院生物物理研究所 | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 |
| CN104537646A (zh) * | 2014-12-12 | 2015-04-22 | 南京理工大学 | 遥感图像的多角度自动mtf估计方法 |
| CN104715491A (zh) * | 2015-04-09 | 2015-06-17 | 大连理工大学 | 一种基于一维灰度矩的亚像素边缘检测方法 |
| CN105740869A (zh) * | 2016-01-28 | 2016-07-06 | 北京工商大学 | 一种基于多尺度多分辨率的方形算子边缘提取方法及系统 |
| CN105894521A (zh) * | 2016-04-25 | 2016-08-24 | 中国电子科技集团公司第二十八研究所 | 基于高斯拟合的亚像素边缘检测方法 |
| CN105975974A (zh) * | 2016-05-10 | 2016-09-28 | 深圳市金脉智能识别科技有限公司 | 一种手指静脉识别中提取roi图像的方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264488A (zh) * | 2019-06-20 | 2019-09-20 | 合肥工业大学 | 一种二值图像边缘提取装置 |
| CN110264488B (zh) * | 2019-06-20 | 2021-03-16 | 合肥工业大学 | 一种二值图像边缘提取装置 |
| CN110264489A (zh) * | 2019-06-24 | 2019-09-20 | 北京奇艺世纪科技有限公司 | 一种图像边界检测方法、装置及终端 |
| CN111127498A (zh) * | 2019-12-12 | 2020-05-08 | 重庆邮电大学 | 一种基于边缘自生长的Canny边缘检测方法 |
| CN111882570A (zh) * | 2020-07-28 | 2020-11-03 | 浙江水晶光电科技股份有限公司 | 边缘定位方法、装置、存储介质及电子设备 |
| CN114332140A (zh) * | 2022-03-16 | 2022-04-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
| CN114332140B (zh) * | 2022-03-16 | 2022-07-12 | 北京文安智能技术股份有限公司 | 一种交通道路场景图像的处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109427066B (zh) | 2021-11-05 |
| WO2019041590A1 (zh) | 2019-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109427066A (zh) | 任意角度的边缘检测方法 | |
| CN104573688B (zh) | 基于深度学习的移动平台烟草激光码智能识别方法及装置 | |
| CN105678806B (zh) | 一种基于Fisher判别的生猪行为轨迹自动跟踪方法 | |
| US9489561B2 (en) | Method and system for estimating fingerprint pose | |
| TWI434220B (zh) | 利用手掌靜脈之生物特徵辨識使用者之方法 | |
| CN109858325B (zh) | 一种表格检测方法和装置 | |
| Lu et al. | Finger vein identification using polydirectional local line binary pattern | |
| CN104933432B (zh) | 一种指腹折痕和指静脉图像的处理方法 | |
| CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
| CN106096569A (zh) | 一种手指静脉识别方法 | |
| CN110443128A (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
| CN108010082B (zh) | 一种几何匹配的方法 | |
| CN106023187A (zh) | 一种基于sift特征和角度相对距离的图像配准方法 | |
| CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
| CN108009986A (zh) | 基于边缘信息的碎片拼接方法和装置 | |
| CN110348289A (zh) | 一种基于二值图的手指静脉识别方法 | |
| JP2009211490A (ja) | 画像認識方法および装置 | |
| Gao et al. | The robustness of face-based CAPTCHAs | |
| CN111027637A (zh) | 一种文字检测方法及计算机可读存储介质 | |
| CN112926516B (zh) | 一种鲁棒的手指静脉图像感兴趣区域提取方法 | |
| CN104966296B (zh) | 滑窗N‑Smoothlets图像边缘检测方法 | |
| CN104156956B (zh) | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 | |
| US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
| CN114127798A (zh) | 非接触式指纹图像的巴掌分割 | |
| US20200364875A1 (en) | Document boundary detection using deep learning model and image processing algorithms |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190530 Address after: Room A-6934, Building No. 20, Yongan Road, Shilong Economic Development Zone, Mentougou, Beijing Applicant after: Beijing Zhongke Xinjian Medical Technology Co.,Ltd. Address before: No. 3, North Tu Cheng West Road, Chaoyang District, Beijing Applicant before: Institute of Microelectronics of the Chinese Academy of Sciences |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |