CN109558908A - 一种给定区域最优边缘的确定方法 - Google Patents
一种给定区域最优边缘的确定方法 Download PDFInfo
- Publication number
- CN109558908A CN109558908A CN201811438488.0A CN201811438488A CN109558908A CN 109558908 A CN109558908 A CN 109558908A CN 201811438488 A CN201811438488 A CN 201811438488A CN 109558908 A CN109558908 A CN 109558908A
- Authority
- CN
- China
- Prior art keywords
- edge
- point
- gradient
- image
- strongest
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
Abstract
本发明涉及图像特征提取技术领域,具体涉及一种给定区域最优边缘的确定方法,包括:对图像进行高斯滤波,然后分别计算图像中每一像素的梯度幅值和梯度方向,并组成梯度幅值图像和梯度方向图,再依据图像特征确定图像的初始边缘点集,即确定图像的最优边缘可能经过的点的集合。对每一个初始边缘点,搜索经过该点的具有最强能量的边缘信息,从搜索的所有边缘中,选取平均能量最大的边缘作为最优边缘。通过本申请的方法得到的最优边缘克服了常规边缘检测时由于光照不均匀的影响,同时综合了边缘梯度方向与图像梯度值大小的最优边缘搜索算法,在检测到的边缘中搜索能量最强的边缘,剔出伪边缘或弱边缘对目标检测、识别的影响。
Description
技术领域
本发明涉及图像特征提取技术领域,具体涉及一种给定区域最优边缘的确定方法。
背景技术
准确的目标边缘信息,对于后期目标的检测与识别具有重要意义,然而对于很多图像,由于光照环境的影响,通常会导致目标或所关心区域的梯度信息较弱,阈值化或常规边缘检测方法,都无法准确获得目标的准确边缘信息。阈值化方法分割图像的结果受阈值大小的影响,而且对于光照不均匀的情况处理效果不理想。另外由于给定区域内通常会存在多条边缘信息,通常在进行目标检测时,只需其中最强的一条边缘,故需要排除其它弱边缘信息,提取其中最强的边缘,而现有的常规边缘检测方法无法精确的剔除伪边缘或弱边缘信息。
发明内容
本发明提供一种给定区域最优边缘的确定方法,旨在解决现有技术中由于光照不均匀的影响导致检测边缘检测结果不准确以及无法精确的剔除伪边缘或弱边缘信息的技术问题。
一种给定区域最优边缘确定方法,包括:
采用canny算法对所述灰度图像进行边缘检测得到多个边缘子图像,根据所述多个边缘子图像获取多个边缘点序列,从每个所述边缘点序列中随机选取一个点组成初始边缘点集合;
搜索经过所述初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘;
获取所述多条待选边缘中平均能量最大的一个边缘作为最优边缘。
其中,还包括获取给定区域的灰度图像,计算所述灰度图像中每个像素点的梯度幅值和梯度方向,得到由所述梯度幅值组成的梯度幅值图像和由所述梯度方向组成的梯度方向图像。
其中,所述计算所述灰度图像中每个像素点的梯度幅值和梯度方向之前,还包括:采用高斯平滑滤对所述灰度图像进行去噪处理。
其中,所述计算所述灰度图像中每个像素点的梯度幅值和梯度方向,包括:
利用Sobe l算子分别计算所述灰度图像中每个像素点的梯度幅值和梯度方向,其中采用的垂直方向滤波模块为SEx,水平方向滤波模块为SEy;
其中,
其中,所述根据所述边缘点图像获取边缘点序列,包括:
获取所述边缘子图像中边缘点个数大于预设阈值的边缘点图像作为所述边缘点序列。
其中,所述搜索经过所述初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘;包括:
对于所述初始边缘点集合中的任意点,以该点为起点分别向右侧和左侧依次搜索得到多个连续的最强边缘点,连接所述多个最强边缘点得到一条所述待选边缘;
对所述初始边缘点集合中的每个点完成搜索后得到多条所述待选边缘。
其中,所述以该点为起点分别向右侧和左侧依次搜索得到多个连续的最强边缘点,包括:
首先以该点为起点搜索其右侧的多个邻域像素点,并计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,选取加权和最大的邻域像素点作为下一个最强边缘点,再以得到的最强边缘点为起点继续搜索,直到得到的最强边缘点为待测区域最右侧边界、最上边界或最下边界中的一种;
再以该点为起点搜索其左侧的多个邻域像素点,并计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,选取加权和最大的邻域像素点作为下一个最强边缘点,再以得到的最强边缘点为起点继续搜索,直到得到的最强边缘点为待测区域最左侧边界、最上边界或最下边界中的一种;
其中,所述右侧的多个邻域像素点包括所述起点的右方、右上方、右下方、正上方和正下方的五个像素点;所述左侧的多个邻域像素点包括所述起点的左方、左上方、左下方、正上方和正下方的五个像素点。
其中,所述计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,包括:
对于该起点的任意一个邻域像素点,判断该邻域像素点的梯度方向是否与所述起点的梯度方向一致,若一致,则该起点与该邻域像素点的梯度值的加权和等于该邻域像素点的梯度幅值;
否则,该起点与该邻域像素点的梯度值的加权和等于b倍的该邻域像素点的梯度幅值,其中b=0.6~0.8。
其中,所述搜索经过所述初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘,包括:
设所述梯度幅值图像ga的尺寸为m行n列,构造一个m×n的全零梯度能量矩阵f,将梯度幅值图像ga的最后一列值赋予该矩阵f,计算矩阵f中第1至(n-1)列中的每一点的能量值并赋予矩阵f;
从赋值后的矩阵f中搜索经过所述初始边缘点的能量最大的点集合,连接所述初始边缘点和能量最大的点集合中的点得到一条待选边缘;
对所述初始边缘点集合中的每个点搜索其能量最大的点集合后得到多条所述待选边缘;
其中,对于矩阵f中第1至(n-1)列中的任意一点f(x,y)的能量值通过以下公式计算:
f(x,y)=max{βga(x,y)+f(x-1,y+1),βga(x,y)+f(x,y+1),βga(x,y)+f(x+1,y+1)}
其中,ga(x,y)表示(x,y)点的梯度幅值;其中β为权值,若当前点ga(x,y)与其邻域像素的方向一致,则β值为1,若不一致,则其值为b。
其中,所述获取所述多条待选边缘中平均能量最大的一个边缘作为最优边缘;包括:
对于任意一条待选边缘,该待选边缘的点集合Edgei={Ptj},j=1,...N,计算其平均能量其中N表示当前条待选边缘包含的边缘点个数,其中ga(Ptj)表示当前条待选边缘中第j个边缘点的梯度幅值。
依据上述实施例的最优边缘确定方法,首先对图像进行高斯滤波,减小噪声影响,然后分别计算图像中每一像素的梯度幅值和梯度方向,并组成梯度幅值图像和梯度方向图,再依据梯度幅值和梯度方向确定图像的初始边缘点集合,即确定图像的最优边缘可能经过的点的集合。最后,对初始边缘点集合中的每一个初始边缘点,搜索经过该点的具有最强能量的边缘信息,从搜索的所有边缘中,选取平均能量最大的边缘作为最优边缘。通过本申请的方法得到的最优边缘克服了常规边缘检测时由于光照不均匀的影响,同时综合了边缘梯度方向与图像梯度值大小的最优边缘搜索算法,在检测到的边缘中搜索能量最强的边缘,剔出伪边缘或弱边缘对目标检测、识别的影响,使得检测到的边缘信息更加准确。
附图说明
图1为本申请实施例的方法流程图;
图2为本申请实施例的当前起点的邻域像素表示示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本实施例提供一种给定区域最优边缘的确定方法,如图1,该方法包括:
步骤101:采用canny算法对灰度图像进行边缘检测得到多个边缘子图像,根据多个边缘点图像获取多个边缘点序列,获取每个边缘点序列中随机选取一个点组成初始边缘点集合;
步骤102:搜索经过初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘;
步骤103:获取多条待选边缘中平均能量最大的一个边缘作为最优边缘。
进一步的,在步骤101之前还包括:对于给定区域图像进行预处理,具体的,采用高斯平滑滤对所述灰度图像进行去噪处理,消除噪声对边缘检测的影响。
进一步的,还包括:获取去噪后的灰度图像,计算灰度图像中每个像素点的梯度幅值和梯度方向,得到由梯度幅值组成的梯度幅值图像和由梯度方向组成的梯度方向图像。具体的,对去噪后的灰度图像,首先利用Sobel算子分别计算灰度图像中每个像素点的梯度幅值和梯度方向,其中采用的垂直方向滤波模块为SEx,水平方向滤波模块为SEy;
其中,
其中,对于灰度图像中的某一点,若其水平方向的梯度值为Gx,垂直方向的梯度值为Gy,则其梯度幅值为梯度方向为:Θ=arctg(Gy/Gx)。并将图像每个像素点的梯度幅值GA组成的图像表示为梯度幅值图像,记为ga,图像每个像素点的梯度方向Θ组成的图像表示为梯度方向图像,记为gc。
其中,由于反正切函数输出的角度范围为-90~+90度,故本实施例中,将此范围内的梯度方向量化为五个方向,如下表1所示:
表1
角度范围(度) | 方向 |
67.6~90 | I |
22.6~67.5 | II |
-22.5~22.5 | III |
-22.6~-67.5 | IV |
-67.6~-90 | V |
其中,步骤101中首先通过常规的canny边缘检测方法对其进行边缘检测,并从中确定若干能量较强的边缘图像,再从这些边缘图像中获取一些能量较强的边缘点组成初始边缘点集合,再对初始边缘点集合中的边缘点进行进一步的检测,具体包括:
A:首先对待检测的灰度图像采用canny算法进行边缘检测,得到多个边缘子图像;
B:从多个边缘子图像中确定边缘点个数大于设定阈值Tb的边缘子图像,其中获取的一个边缘子图像中所有的边缘点即为一个边缘点序列,由此得到多个边缘点序列,其中Tb的值依据待边缘检测区域大小而定。例如给定区域的尺寸为m×n,则
C:对步骤B中获取的每个边缘点序列,分别随机选取其中的一个边缘点组成初始边缘点集合。
在其他实施例中,还可以采用人机交互确定待搜索的最强边缘点可能经过的Q个边缘点集合,即可以用鼠标点击边缘点的方法确定边缘点集合,将这些点放入边缘点队列,并以此边缘点队列为起点,搜索经过此起点的最优边缘像素点集合,其中Q的取值可由用户根据图像特点自行确定,一般取3~5,本实施例取4。
其中,步骤102中,对步骤101中确定的初始边缘点集合中的每个点,分别搜索经过该点的最强能量边缘,其中每个点对应搜索出一条最强能量边缘,这些最强能量边缘组成待选边缘。为了兼顾方法的运算效率和搜索结果,本实施例提供以下局部边缘搜索法和全局边缘搜索法:
其中,局部边缘搜索方法包括:以初始边缘点集合中的每个点为起点,每次搜索其邻域边缘能量最大的点作为下一个边缘点,再以下一个边缘点为起点继续搜索,直到搜到给定区域的上下或左右边界未知。
即对于初始边缘点集合中的任意点,以该点为起点分别向右侧和左侧依次搜索得到多个连续的最强边缘点,连接所述多个最强边缘点得到一条待选边缘;对初始边缘点集合中的每个点完成搜索后得到多条待选边缘。
具体实现方法包括:
1)向右搜索
以初始边缘点集合中的任意一个点为起点,搜索其右侧的多个邻域像素点,并计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,选取加权和最大的邻域像素点作为下一个最强边缘点,再以得到的最强边缘点为起点继续搜索,直到得到的最强边缘点为待测区域最右侧边界、最上边界或最下边界中的一种。其中,向右搜索时该起点的多个邻域像素点包括该起点的右方、右上方、右下方、正上方和正下方的五个像素点,如图2中,中心黑色表示当前起点,则向右侧搜索时,其五个邻域像素点即为1、2、3、4、5所示的邻域像素,选择起点的像素梯度幅值与这五个领域像素点的梯度幅值的加权和最大的像素点即为下一个最强边缘点,将该最强边缘点作为起点继续搜索。
2)向左搜索
再以(1)中该点为起点搜索其左侧的多个邻域像素点,并计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,选取加权和最大的邻域像素点作为下一个最强边缘点,再以得到的最强边缘点为起点继续搜索,直到得到的最强边缘点为待测区域最左侧边界、最上边界或最下边界中的一种,如此对于初始边缘点集合中的任意一个点完成了搜索,得到了多个连续的最强边缘点,连接多个最强边缘点得到一条待选边缘。其中,向该起点的左侧邻域搜索时,分别搜索其左方、左上方、左下方、正上方和正下方的五个像素点,如图2中1、5、6、7、8五个邻域像素点。
通过对选择的起点完成了向左和向右搜索得到多个连续的最强边缘点,连接多个最强边缘点得到一条所述待选边缘。
3)对初始边缘点集合中的每一个点进行向左和向右搜索后得到多条待选边缘。
其中,在计算当前起点与其邻域一个邻域像素点的梯度幅值的加权和时具体包括:
对于该起点的任意一个邻域像素点,首先判断该邻域像素点的梯度方向是否与该起点的梯度方向一致,若一致,则该起点与该邻域像素点的梯度值的加权和等于该邻域像素点的梯度幅值;否则,该起点与该邻域像素点的梯度值的加权和等于b倍的该邻域像素点的梯度幅值,其中b小于1,具体的,本实施例中b=0.8。
计算时可以按照以下方法:设当前起点的梯度方向(具体根据表1确定)为Dp,若其任意一个邻域点c的梯度方向为Dc,判断当前起点的梯度方向Dp与该邻域点c的梯度方向Dc是否一致,若一致,则该起点与该邻域像素点的梯度值的加权和等于当前邻域点c的梯度幅值;否则该起点与该邻域像素点的梯度值的加权和等于该邻域像素点的梯度幅值的b倍。如公式(1)所示:
其中,Ac表示当前起点与该邻域像素点的梯度值的加权和,ga(c)表示当前任意一个邻域点c的梯度幅值。
其中,在其他实施例中,还可以通过全局搜索法在给定区域进行搜索,搜索出经过已知起始点P,横穿过给定区域的一条边缘能量最强的边缘,即将边缘检测问题转换为全局最优问题,具体实现步骤包括:
1)设给定区域的梯度幅值图像ga的尺寸为m行n列,构造一个m×n的全零梯度能量矩阵f,即矩阵f中的元素的值为0,将给定区域的梯度幅值图像ga的最后一列值赋予该矩阵f的最后一列,计算矩阵f中第1至(n-1)列中的每一点的能量值并赋予矩阵f,如此得到矩阵f。
2)从赋值后的矩阵f中搜索经过初始边缘点的能量最大的点集合,连接初始边缘点和能量最大的点集合中的所有点得到一条待选边缘;
3)对初始边缘点集合中的每个点搜索其能量最大的点集合后得到多条待选边缘。
其中,对于矩阵f中第1至(n-1)列中的任意一点f(x,y)的能量值通过以下公式计算:
f(x,y)=max{βga(x,y)+f(x-1,y+1),βga(x,y)+f(x,y+1),βga(x,y)+f(x+1,y+1)} (2)
其中,式(2)中,ga(x,y)表示(x,y)点的梯度幅值,x表示行,y表示列,f(x-1,y+1)表示点f(x,y)右上方的点,f(x,y+1)表示点f(x,y)右方的点,f(x+1,y+1)表示点f(x,y)右下方的点;其中β为权值,若当前点ga(x,y)与其邻域像素的方向一致,则β值为1,若不一致,则β值为b。
其中步骤103包括:对于任意一条待选边缘,该待选边缘的点集合Edgei={Ptj},j=1,...N,计算其平均能量其中N表示当前条待选边缘包含的边缘点个数,其中ga(Ptj)表示当前条待选边缘中第j个边缘点的梯度幅值,通过该方法计算出多条待选边缘中平均能量最大的一个边缘作为最优边缘,即找到目标边缘。
通过本申请的最优边缘确定方法,首先对图像进行高斯滤波,减小噪声影响,然后分别计算图像中每一像素的梯度幅值和梯度方向,并组成梯度幅值图像和梯度方向图,再依据图像特征确定图像的初始边缘点集,即确定图像的最优边缘可能经过的点的集合。最后,对每一个初始边缘点,搜索经过该点的具有最强能量的边缘信息,从搜索的所有边缘中,选取平均能量最大的边缘作为最优边缘。通过本申请的方法得到的最优边缘克服了常规边缘检测时由于光照不均匀的影响,同时综合了边缘梯度方向与图像梯度值大小的最优边缘搜索算法,在检测到的边缘中搜索能量最强的边缘,剔出伪边缘或弱边缘对目标检测、识别的影响,使得检测到的边缘信息更加准确。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种给定区域最优边缘的确定方法,其特征在于,包括:
采用canny算法对所述灰度图像进行边缘检测得到多个边缘子图像,根据所述多个边缘子图像获取多个边缘点序列,从每个所述边缘点序列中随机选取一个点组成初始边缘点集合;
搜索经过所述初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘;
获取所述多条待选边缘中平均能量最大的一个边缘作为最优边缘。
2.如权利要求1所述的最优边缘确定方法,其特征在于,还包括获取给定区域的灰度图像,计算所述灰度图像中每个像素点的梯度幅值和梯度方向,得到由所述梯度幅值组成的梯度幅值图像和由所述梯度方向组成的梯度方向图像。
3.如权利要求2所述的最优边缘确定方法,其特征在于,所述计算所述灰度图像中每个像素点的梯度幅值和梯度方向之前,还包括:
采用高斯平滑滤对所述灰度图像进行去噪处理。
4.如权利要求3所述的最优边缘确定方法,其特征在于,所述计算所述灰度图像中每个像素点的梯度幅值和梯度方向,包括:
利用Sobel算子分别计算所述灰度图像中每个像素点的梯度幅值和梯度方向,其中采用的垂直方向滤波模块为SEx,水平方向滤波模块为SEy;
其中,
5.如权利要求4所述的最优边缘确定方法,其特征在于,所述根据所述边缘点图像获取边缘点序列,包括:
获取所述边缘图像中边缘点个数大于预设阈值的边缘点图像作为所述边缘点序列。
6.如权利要求5所述的最优边缘确定方法,其特征在于,所述搜索经过所述初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘;包括:
对于所述初始边缘点集合中的任意点,以该点为起点分别向右侧和左侧依次搜索得到多个连续的最强边缘点,连接所述多个最强边缘点得到一条所述待选边缘;
对所述初始边缘点集合中的每个点完成搜索后得到多条所述待选边缘。
7.如权利要求6所述的最优边缘确定方法,其特征在于,所述以该点为起点分别向右侧和左侧依次搜索得到多个连续的最强边缘点,包括:
首先以该点为起点搜索其右侧的多个邻域像素点,并计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,选取加权和最大的邻域像素点作为下一个最强边缘点,再以得到的最强边缘点为起点继续搜索,直到得到的最强边缘点为待测区域最右侧边界、最上边界或最下边界中的一种;
再以该点为起点搜索其左侧的多个邻域像素点,并计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,选取加权和最大的邻域像素点作为下一个最强边缘点,再以得到的最强边缘点为起点继续搜索,直到得到的最强边缘点为待测区域的最左侧边界、最上边界或最下边界中的一种;
其中,所述右侧的多个邻域像素点包括所述起点的右方、右上方、右下方、正上方和正下方的五个像素点;所述左侧的多个邻域像素点包括所述起点的左方、左上方、左下方、正上方和正下方的五个像素点。
8.如权利要求7所述的最优边缘确定方法,其特征在于,所述计算该起点的像素梯度幅值与每个邻域像素点的梯度幅值的加权和,包括:
对于该起点的任意一个邻域像素点,判断该邻域像素点的梯度方向是否与所述起点的梯度方向一致,若一致,则该起点与该邻域像素点的梯度值的加权和等于该邻域像素点的梯度幅值;
否则,该起点与该邻域像素点的梯度值的加权和等于b倍的该邻域像素点的梯度幅值,其中b=0.6~0.8。
9.如权利要求8所述的最优边缘确定方法,其特征在于,所述搜索经过所述初始边缘点集合中的每个点的最强能量边缘,得到多条待选边缘,包括:
设所述梯度幅值图像ga的尺寸为m行n列,构造一个m×n的全零梯度能量矩阵f,将梯度幅值图像ga的最后一列值赋予该矩阵f,计算矩阵f中第1至(n-1)列中的每一点的能量值并赋予矩阵f;
从赋值后的矩阵f中搜索经过所述初始边缘点的能量最大的点集合,连接所述初始边缘点和能量最大的点集合中的点得到一条待选边缘;
对所述初始边缘点集合中的每个点搜索其能量最大的点集合后得到多条所述待选边缘;
其中,对于矩阵f中第1至(n-1)列中的任意一点f(x,y)的能量值通过以下公式计算:
f(x,y)=max{βga(x,y)+f(x-1,y+1),βga(x,y)+f(x,y+1),βga+f(x+1,y+1)}
其中,ga(x,y)表示(x,y)点的梯度幅值;其中β为权值,若当前点ga(x,y)与其邻域像素的方向一致,则β值为1,若不一致,则其值为b。
10.如权利要求1所述的最优边缘确定方法,其特征在于,所述获取所述多条待选边缘中平均能量最大的一个边缘作为最优边缘;包括:
对于任意一条待选边缘,该待选边缘的点集合Edgei={Ptj},j=1,...N,计算其平均能量其中N表示当前条待选边缘包含的边缘点个数,其中ga(Ptj)表示当前条待选边缘中第j个边缘点的梯度幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811438488.0A CN109558908B (zh) | 2018-11-28 | 2018-11-28 | 一种给定区域最优边缘的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811438488.0A CN109558908B (zh) | 2018-11-28 | 2018-11-28 | 一种给定区域最优边缘的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558908A true CN109558908A (zh) | 2019-04-02 |
CN109558908B CN109558908B (zh) | 2023-04-25 |
Family
ID=65867919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811438488.0A Active CN109558908B (zh) | 2018-11-28 | 2018-11-28 | 一种给定区域最优边缘的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558908B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232680A (zh) * | 2019-05-30 | 2019-09-13 | 广智微芯(扬州)有限公司 | 一种图像模糊度评价方法及装置 |
CN111445510A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中直线的检测方法 |
CN114187289A (zh) * | 2021-12-23 | 2022-03-15 | 武汉市坤瑞塑胶模具制品有限公司 | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 |
CN115082441A (zh) * | 2022-07-22 | 2022-09-20 | 山东微山湖酒业有限公司 | 一种基于计算机视觉的酿酒蒸馏工艺中甑料平铺方法 |
CN115131387A (zh) * | 2022-08-25 | 2022-09-30 | 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 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631869A (zh) * | 2015-12-25 | 2016-06-01 | 东软集团股份有限公司 | 一种管状物分割方法、装置及设备 |
-
2018
- 2018-11-28 CN CN201811438488.0A patent/CN109558908B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631869A (zh) * | 2015-12-25 | 2016-06-01 | 东软集团股份有限公司 | 一种管状物分割方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
彭国琴: "基于线裁剪的内容感知图像缩放技术研究", 《中国优秀硕士学位论文全文数据库》 * |
黄剑玲 等: "一种基于Canny的自适应图像边缘提取方法", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232680A (zh) * | 2019-05-30 | 2019-09-13 | 广智微芯(扬州)有限公司 | 一种图像模糊度评价方法及装置 |
CN110232680B (zh) * | 2019-05-30 | 2021-04-27 | 广智微芯(扬州)有限公司 | 一种图像模糊度评价方法及装置 |
CN111445510A (zh) * | 2020-03-24 | 2020-07-24 | 杭州东信北邮信息技术有限公司 | 一种图像中直线的检测方法 |
CN114187289A (zh) * | 2021-12-23 | 2022-03-15 | 武汉市坤瑞塑胶模具制品有限公司 | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 |
CN115082441A (zh) * | 2022-07-22 | 2022-09-20 | 山东微山湖酒业有限公司 | 一种基于计算机视觉的酿酒蒸馏工艺中甑料平铺方法 |
CN115082441B (zh) * | 2022-07-22 | 2022-11-11 | 山东微山湖酒业有限公司 | 一种基于计算机视觉的酿酒蒸馏工艺中甑料平铺方法 |
CN115131387A (zh) * | 2022-08-25 | 2022-09-30 | 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 |
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 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109558908B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558908A (zh) | 一种给定区域最优边缘的确定方法 | |
CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN106934806B (zh) | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 | |
CN103778436B (zh) | 一种基于图像处理的行人姿态检测方法 | |
Sarangi et al. | Gray-level image enhancement using differential evolution optimization algorithm | |
CN103632137B (zh) | 一种人眼虹膜图像分割方法 | |
CN112037185B (zh) | 染色体分裂相图像筛选方法、装置及终端设备 | |
Li et al. | A salt & pepper noise filter based on local and global image information | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN105608689B (zh) | 一种全景拼接消除图像特征误匹配方法及装置 | |
CN108319961B (zh) | 一种基于局部特征点的图像roi快速检测方法 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN104517287A (zh) | 一种图像匹配的方法及装置 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
Qiao et al. | An adaptive algorithm for grey image edge detection based on grey correlation analysis | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN106886796A (zh) | 图标位置识别方法、装置及终端设备 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
CN104156696B (zh) | 基于双方向图的快速局部不变特征描述子的构造方法 | |
JP6408414B2 (ja) | 動物体検出装置及びその背景モデル構築方法 | |
Al-Amaren et al. | Edge Map Extraction of an Image Based on the Gradient of its Binary Versions |
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 |