CN109493357B - 一种数码影像近景图像的边界提取方法 - Google Patents
一种数码影像近景图像的边界提取方法 Download PDFInfo
- Publication number
- CN109493357B CN109493357B CN201811369596.7A CN201811369596A CN109493357B CN 109493357 B CN109493357 B CN 109493357B CN 201811369596 A CN201811369596 A CN 201811369596A CN 109493357 B CN109493357 B CN 109493357B
- Authority
- CN
- China
- Prior art keywords
- boundary
- matrix
- value
- difference matrix
- image
- 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
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种数码影像近景图像的边界提取方法,包括以下步骤:A)导入图像灰度矩阵,建立差异矩阵;B)将差异矩阵的元素值按数值大小分三段处理,并以数值0、1以及2表示,根据分段结果找到第一边界点和第二边界点;C)遍历差异矩阵,将仅与一个第一边界点相邻的第二边界点划归为第一边界点;D)剔除与多个第一边界点相邻的第一边界点,剩余的第一边界点作为图像边界。本发明的实质性效果是:基于差异矩阵能够快速筛选出边界区域,而后仅对边界区域内的数据进行剔除及合并,即可得出边界结果,由于边界区域的数据量明显小于整张图像,因而计算量将大幅降低,边界提取效率高。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种数码影像近景图像的边界提取方法。
背景技术
边缘提取指数字图像处理中,对于图片轮廓的一个处理。对于边界处,灰度值变化比较剧烈的地方,就定义为边缘。图像边界提取可以用于物体识别以及动作跟踪领域,可以显著提高设备的自动化程度,使设备具有具有代替更多人类工作的潜能。目前图像边界提取技术已经广泛应用于工业生产自动化中,并已在自动驾驶领域获得初步应用。在目前图像边界提取的应用场景中,对图像边界识别的速率有了越来越高的要求,反而对边界识别的精准度的要求有所降低。主要原因是目前的图像边界提取应用场景向动态化实时化发展。比如,在自动驾驶领域中,对摄像头实时采集的光学图像,快速的提取出大部分的边界轮廓,即可以实现行人、道路以及设备的识别。此时,对于图像边界识别的精准度要求并不高,但对图像边界识别的速率有较高要求。但目前的图像边界提取方法对边界提取的精准度和全面度较高,但数据处理方法复杂,效率低下。因而需要研发出一种能够高效快速提取图像边界的方法。
中国专利CN107393002A,公开日2017年11月24日,一种对地形边界进行提取的设备和方法,设备包括:格网创建模块,对根据目标地形的实测等高线数据所确定的区域进行划分以形成由多个格网单元组成的规则格网;数据分析模块,根据每个格网单元中包含的高程点的数量对每个格网单元赋予第一标志值或第二标志值以形成最终格网区域,其中,最终格网区域是由具有第一标志值的所有格网单元组成的区域;边界提取模块,根据最终格网区域来提取地形边界。其虽然能够准确提取边界,但计算复杂,数据处理量大,不能满足实时性需要。
发明内容
本发明要解决的技术问题是:目前的图像边界提取方法效率低,不满足实时性需求的技术问题。提出了一种基于差异矩阵的能够快速提取图像边界的数码影像近景图像的边界提取方法。
为解决上述技术问题,本发明所采取的技术方案为:一种数码影像近景图像的边界提取方法,包括以下步骤:A)导入图像灰度矩阵,建立差异矩阵,所述差异矩阵与所述图像灰度矩阵行列数相同,所述差异矩阵的元素值为表示对应位置的灰度矩阵元素和相邻四个元素的差异程度;B)将差异矩阵的元素值按数值大小分三段处理,由小到大分别以数值0、1以及2表示,根据分段结果找到第一边界点和第二边界点;C)遍历差异矩阵的第二边界点,将仅与一个第一边界点相邻的第二边界点划归为第一边界点;D)遍历差异矩阵的第一边界点,剔除与超过三个第一边界点相邻的第一边界点,剩余的第一边界点作为图像边界。差异矩阵中的元素表示对应位置的灰度矩阵元素和相邻四个元素的差异程度,差异矩阵中元素值较大即表示其为边界区域的可能性越大,由于图像中大部分区域的元素与其周围元素的差异并不大,对应差异矩阵位置的元素值较小,因而可以快速将非边界区域剔除,仅需对少量数据进行处理,即可以提取出边界。步骤C以及步骤D中的相邻均指相邻四个点的相邻位置。
作为优选,所述图像灰度矩阵为MxN矩阵,其的元素值为Hij,i∈[1,M],j∈[1,N],差异矩阵的元素值为Cij,i∈[1,M],j∈[1,N],其中,若l=(i-1)<0或k=(j-1)<0或l=(i+1)>M或k=(j+1)>N则取Hlk=Hij。M为矩阵行数,N为矩阵列数,计算与周围四个元素的差值的绝对值的和作为元素值,能够有效将边界区域的元素值凸显出来,方便后续筛选,且不需要计算导数以及二阶导数,计算速度快,能够满足实时性需求。
作为优选,所述将差异矩阵的元素值分段处理的方法为:B1)获得差异矩阵全部元素值的平均值E;B2)将差异矩阵中元素值小于平均值E的元素值设为0;B3)获得经步骤B2处理后的差异矩阵的全部元素的平均值F;B4)将差异矩阵中元素值大于0且小于平均值F的元素值设为1,将差异矩阵中元素值大于平均值F的元素值设为2,完成将差异矩阵的元素值分段。分为三段可以将明显的边界和非明显的边界区分开来,而后进行适当合并,既可以形成更加完整的边界。
作为优选,所述第一边界点为差异矩阵中的元素值为2、且相邻四个点中至少存在一个值为0的点和一个值为2的点。
作为优选,所述第二边界点为差异矩阵中的元素值为1、且相邻四个点中至少存在一个值为0的点和一个值为非0的点。
本发明的实质性效果是:基于差异矩阵能够快速筛选出边界区域,边界区域即指步骤B中分段后以数字1、2表示的区域,已过滤掉大部分以数字0表示的区域,而后仅对边界区域内的数据进行剔除及合并,即可得出边界结果,由于边界区域的数据量明显小于整张图像,因而计算量将大幅降低,边界提取效率高。
附图说明
图1为实施例一边界提取方法流程框图。
图2为实施例一差异矩阵元素值分段处理方法流程框图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的具体实施方式作进一步具体说明。
实施例一:
一种数码影像近景图像的边界提取方法,如图1所示,为实施例一边界提取方法流程框图,本实施例包括以下步骤:A)导入图像灰度矩阵,建立差异矩阵,差异矩阵与图像灰度矩阵行列数相同,差异矩阵的元素值为表示对应位置的灰度矩阵元素和相邻四个元素的差异程度;B)将差异矩阵的元素值按数值大小分三段处理,由小到大分别以数值0、1以及2表示,根据分段结果找到第一边界点和第二边界点;C)遍历差异矩阵,将仅与一个第一边界点相邻的第二边界点划归为第一边界点;D)剔除与多个第一边界点相邻的第一边界点,剩余的第一边界点作为图像边界。差异矩阵中的元素表示对应位置的灰度矩阵元素和相邻四个元素的差异程度,差异矩阵中元素值较大即表示其为边界区域的可能性越大,由于图像中大部分区域的元素与其周围元素的差异并不大,对应差异矩阵位置的元素值较小,因而可以快速将非边界区域剔除,仅需对少量数据进行处理,即可以提取出边界。第一边界点为差异矩阵中的元素值为2、且相邻四个点中至少存在一个值为0的点和一个值为2的点。第二边界点为差异矩阵中的元素值为1、且相邻四个点中至少存在一个值为0的点和一个值为非0的点。
图像灰度矩阵为MxN矩阵,其的元素值为Hij,i∈[i,M],j∈[1,N],差异矩阵的元素值为Cij,i∈[1,M],j∈[1,N]其中,,若l=(i-1)<O或k=(j-1)<O或l=(i+1)>M或k=(j+1)>N则取Hlk=Hij。与周围四个元素的差值的绝对值的和,能够有效将边界区域的元素值凸显出来,方便后续筛选,且不需要计算导数以及二阶导数,计算速度快,能够满足实时性需求。
如图2所示,为实施例一差异矩阵元素值分段处理方法流程框图,包括以下步骤:B1)获得差异矩阵全部元素值的平均值E;B2)将差异矩阵中元素值小于平均值E的元素值设为0;B3)获得经步骤B2处理后的差异矩阵的全部元素的平均值F;B4)将差异矩阵中元素值大于0且小于平均值F的元素值设为1,将差异矩阵中元素值大于平均值F的元素值设为2,完成将差异矩阵的元素值分段。分为三段可以将明显的边界和非明显的边界区分开来,而后进行适当合并,既可以形成更加完整的边界。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (6)
1.一种数码影像近景图像的边界提取方法,其特征在于,
包括以下步骤:
A)导入图像灰度矩阵,建立差异矩阵,所述差异矩阵与所述图像灰度矩阵行列数相同,所述差异矩阵的元素值为表示对应位置的灰度矩阵元素和相邻四个元素的差异程度;
B)将差异矩阵的元素值按数值大小分三段处理,由小到大分别以数值0、1以及2表示,根据分段结果找到第一边界点和第二边界点;
C)遍历差异矩阵的第二边界点,将仅与一个第一边界点相邻的第二边界点划归为第一边界点;
D)剔除与超过三个第一边界点相邻的第一边界点,剩余的第一边界点作为图像边界;
2.根据权利要求1所述的一种数码影像近景图像的边界提取方法,其特征在于,
将差异矩阵的元素值分段的方法为:
B1)获得差异矩阵全部元素值的平均值E;
B2)将差异矩阵中元素值小于平均值E的元素值设为0;
B3)获得经步骤B2处理后的差异矩阵的全部元素的平均值F;
B4)将差异矩阵中元素值大于0且小于平均值F的元素值设为1,将差异矩阵中元素值大于平均值F的元素值设为2,完成将差异矩阵的元素值分段。
3.根据权利要求1所述的一种数码影像近景图像的边界提取方法,其特征在于,
所述第一边界点为差异矩阵中的元素值为2、且相邻四个点中至少存在一个值为0的点和一个值为2的点。
4.根据权利要求2所述的一种数码影像近景图像的边界提取方法,其特征在于,
所述第一边界点为差异矩阵中的元素值为2、且相邻四个点中至少存在一个值为0的点和一个值为2的点。
5.根据权利要求1所述的一种数码影像近景图像的边界提取方法,其特征在于,
所述第二边界点为差异矩阵中的元素值为1、且相邻四个点中至少存在一个值为0的点和一个值为非0的点。
6.根据权利要求2所述的一种数码影像近景图像的边界提取方法,其特征在于,
所述第二边界点为差异矩阵中的元素值为1、且相邻四个点中至少存在一个值为0的点和一个值为非0的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811369596.7A CN109493357B (zh) | 2018-11-16 | 2018-11-16 | 一种数码影像近景图像的边界提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811369596.7A CN109493357B (zh) | 2018-11-16 | 2018-11-16 | 一种数码影像近景图像的边界提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493357A CN109493357A (zh) | 2019-03-19 |
CN109493357B true CN109493357B (zh) | 2021-06-18 |
Family
ID=65696213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811369596.7A Active CN109493357B (zh) | 2018-11-16 | 2018-11-16 | 一种数码影像近景图像的边界提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493357B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292725A (zh) * | 2012-02-29 | 2013-09-11 | 鸿富锦精密工业(深圳)有限公司 | 特殊边界量测系统及方法 |
EP3296954A1 (en) * | 2017-01-27 | 2018-03-21 | Sick IVP AB | Method and arrangements for identifying a pixel as a local extreme point |
CN107067012B (zh) * | 2017-04-25 | 2018-03-16 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
CN107909555B (zh) * | 2017-11-27 | 2020-06-02 | 北京大恒图像视觉有限公司 | 一种保持锐度的网格噪声消除方法 |
-
2018
- 2018-11-16 CN CN201811369596.7A patent/CN109493357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109493357A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109753885B (zh) | 一种目标检测方法、装置以及行人检测方法、系统 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN107274445B (zh) | 一种图像深度估计方法和系统 | |
Teoh et al. | Symmetry-based monocular vehicle detection system | |
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
CN109903331B (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN110287826B (zh) | 一种基于注意力机制的视频目标检测方法 | |
CN108038409A (zh) | 一种行人检测方法 | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
WO2019197021A1 (en) | Device and method for instance-level segmentation of an image | |
CN110176024A (zh) | 在视频中对目标进行检测的方法、装置、设备和存储介质 | |
CN112215925A (zh) | 自适应采煤机随动跟踪多摄像头视频拼接方法 | |
CN111414938B (zh) | 一种板式换热器内气泡的目标检测方法 | |
CN112241745A (zh) | 一种基于光照不变颜色空间的特征点提取方法 | |
CN111028263B (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
Wu et al. | ALS data based forest stand delineation with a coarse-to-fine segmentation approach | |
Bisio et al. | Traffic analysis through deep-learning-based image segmentation from UAV streaming | |
CN111079516B (zh) | 基于深度神经网络的行人步态分割方法 | |
CN109493357B (zh) | 一种数码影像近景图像的边界提取方法 | |
CN111047614A (zh) | 一种基于特征提取的复杂场景图像的目标角点提取方法 | |
CN114419489A (zh) | 特征提取网络的训练方法、装置、终端设备和介质 | |
CN111222514B (zh) | 一种基于视觉定位的局部地图优化方法 |
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 |