CN109643451B - 线检测方法 - Google Patents
线检测方法 Download PDFInfo
- Publication number
- CN109643451B CN109643451B CN201780050503.1A CN201780050503A CN109643451B CN 109643451 B CN109643451 B CN 109643451B CN 201780050503 A CN201780050503 A CN 201780050503A CN 109643451 B CN109643451 B CN 109643451B
- Authority
- CN
- China
- Prior art keywords
- pixel
- gradient
- image
- pixels
- candidate
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本文描述的某些示例涉及用于检测图像中的线的方法。在一个这样的示例中,该方法包括标识图像中的候选换行区域。标识候选换行区域包括标识图像的第一像素和图像的第二像素,在第一像素和第二像素之间出现候选换行区域,第一像素的特性和第二像素的特性具有预定相似关系。该方法然后包括使用所标识的候选换行区域来辅助检测图像中的线。
Description
技术领域
本发明涉及用于检测图像中的线的方法、装置和计算机程序。
背景技术
通常希望检测数字图像中的线或边缘。这样的线例如可以表示对象的边缘、或对象的表面上的特征的形状。可以使用线检测算法来在算法上检测线,当被应用于图像时,线检测算法输出一组检测到的线。
发明内容
根据本发明的第一方面,提供了一种用于检测图像中的线的方法。该方法包括:标识图像中的候选换行区域,其中,标识候选换行区域包括标识图像的第一像素和图像的第二像素,在第一像素和第二像素之间出现候选换行区域,第一像素的特性和第二像素的特性具有预定相似关系。
该方法然后包括使用所标识的候选换行区域来辅助检测图像中的线。
特性可以是梯度角度。
在示例中,候选换行区域包括相对于第一像素和第二像素具有预定差异关系的像素。
候选换行区域的像素的相对于第一像素和第二像素的预定差异关系可以使得候选换行区域的像素具有低于第一像素的梯度幅度并且低于第二像素的梯度幅度的梯度幅度。
替代地或另外地,候选换行区域的像素的对于第一像素和第二像素的预定差异关系可以使得候选换行区域的像素具有与第一像素的梯度角度不同并且与第二像素的梯度角度不同的梯度角度。
在实施例中,预定相似关系使得第二像素的特性在第一像素的特性的预定义范围内。
该方法可以包括标识候选换行区域具有预定尺寸特性。
在另一示例中,该方法包括:基于第一像素的梯度幅度和第二像素的梯度幅度中的至少一个为候选换行区域的像素分配梯度幅度;并且基于第一像素的梯度角度和第二像素的梯度角度中的至少一个为候选换行区域的像素分配梯度角度,其中,检测图像中的线是基于所分配的梯度幅度和所分配的梯度角度的。
该方法还可以包括对至少一个像素的梯度幅度进行滤波,其中,滤波包括确定相邻像素是否具有预定义梯度幅度关系。
在一个实施例中,该方法包括标识图像中的线分量,其中,标识线分量包括:标识包括多个像素并且与线分量相对应的连续区域;以及通过连续区域确定最佳拟合线分量,其中:所述多个像素中的像素具有预定梯度幅度特性;所述多个像素中的像素具有预定梯度角度特性;并且该连续区域具有预定尺寸特性。
确定最佳拟合线分量可以包括:如果连续区域具有第一预定义宽度特性和第一预定义高度特性,其中,高度大于宽度,则:通过连续区域确定与预定数量的候选线分量中的每一个相对应的误差,其中,每个候选线分量的端点位于与连续区域的顶部边缘和底部边缘相关联的预定义位置处;并且将具有最低对应误差的候选线分量标识为最佳拟合线分量;如果连续区域具有第二预定义宽度特性和第二预定义高度特性,其中,宽度大于高度,则:通过连续区域确定与预定数量的候选线分量中的每一个相对应的误差,其中,每个候选线分量的端点位于与连续区域的左手边缘和右手边缘相关联的预定义位置处;并且将具有最低对应误差的候选线分量标识为最佳拟合线分量,以及如果第一连续区域不具有第一预定义宽度特性和第一预定义高度特性,并且不具有第二预定义宽度特性和第二预定义高度特性,则:基于对连续区域的回归分析确定最佳拟合线分量。
在一些示例中,预定义位置的数量取决于连续区域的高度和宽度中的较小者。
该方法可以包括将图像中的线标识为包括线分量。
根据本公开的方面,提供了一种用于检测图像中的线的装置。该装置包括:输入,被配置为接收图像;处理器,被配置为:确定图像的多个像素中的每个像素的梯度幅度和梯度角度;标识图像中的候选换行区域,其中,标识候选换行区域包括标识该多个图像的第一像素和该多个图像的第二像素,在第一像素和第二像素之间出现候选换行区域,其中:第一像素具有第一量化梯度角度,并且第二像素具有等于第一梯度角度的第二量化梯度;第一像素和第二像素各自具有预定义梯度幅度特性;并且候选换行区域的一个或多个像素不具有该预定义幅度特性,以及标识图像中的线,其中,线穿过候选换行区域。
根据另一方面,提供了一种非暂态计算机可读存储介质,包括存储在其上的一组计算机可读指令,该计算机可读指令在由至少一个处理器执行时,使得所述至少一个处理器:从输入接收图像;以及标识图像中的候选换行区域,其中,标识候选换行区域包括标识图像的第一像素和图像的第二像素,在第一像素和第二像素之间出现候选换行区域,其中:第一像素具有第一梯度角度,并且第二像素具有第二梯度角度,该第二梯度角度具有相对于第一梯度角度的预定关系;基于第一像素的梯度幅度和第二像素的梯度幅度中的至少一个为候选换行区域的每个像素分配梯度幅度;基于第一梯度角度和第二梯度角度中的至少一个为候选换行区域的每个像素分配梯度角度;以及基于所分配的梯度角度和所分配的梯度幅度,来检测图像中的线。
本发明的其他特征和优点将从参考附图以仅示例的方式给出的本发明的优选实施例的描述变得明显。
附图说明
图1示出了根据实施例的用于检测图像中的线的方法的流程图;
图2示出了包括候选换行区域的示例图像;
图3示出了包括光亮区域和黑暗区域的示例图像;
图4示出了用于量化梯度角度的示例方案;
图5示出了图像中的梯度幅度的直方图的示意图;
图6a至图6c示出了图像的示例连续区域,通过该连续区域可以标识候选线分量;
图7示出了根据实施例的装置的示意图;以及
图8示出了根据实施例的非暂态计算机可读存储介质的示意图。
具体实施方式
图1示出了根据实施例的用于检测图像中的线的方法100的流程图。图像例如可以包括静止图像或视频的帧。该方法包括标识步骤105,其中,在图像中标识候选换行区域。标识候选换行区域包括标识图像的第一像素的步骤110和标识图像的第二像素的步骤115,在第一像素和第二像素之间出现候选换行区域。在本公开中,“像素”是图像的细分。它可以是图像的单个元素,或替代地,一组元素,例如,4×4平方。
在标识候选换行区域之后,方法100包括使用候选换行区域来辅助检测图像中的线的步骤120,如下面将更详细描述。因此,该方法允许检测单个线,其中,其他方法将错误地检测多个单独的线。
图2示出了包括由像素215分开的两个像素区域205、210的图像200。已知的图像检测算法可以将区域205、210检测为单独的线。本方法可以将像素220标识为第一像素并将像素225标识为第二像素,从而将像素215标识为候选换行区域。
图3示出了包括均匀光亮区域305和均匀黑暗区域310的图像300。梯度幅度和/或角度可以与图像的像素相关联。这些可以使用Sobel滤波器来确定,其为每个像素产生梯度幅度和梯度角度。这些值可以存储为梯度幅度矩阵或位图以及梯度角度矩阵或位图,分别表示每个像素的梯度幅度和梯度角度。在实施例中,通过如下所述分配新值来更新这些位图中的一个或每个位图。因此,为了线路检测的目的而增强了一个或多个位图。
作为梯度幅度和角度的示例,均匀光亮区域305中间的像素315将具有梯度幅度零,均匀黑暗区域310中间的像素320也是如此。在光亮区域305和黑暗区域310的边界处的像素325将具有高梯度幅度,并且将具有与光亮区域305和黑暗区域310之间的边界垂直的梯度角度。
返回图1,在方法100中,第一和第二像素的特性具有预定相似关系。特性例如可以是梯度角度。例如,预定关系可以使得第一像素的特性等于第二像素的特性,或者第二像素的特性在第一像素的特性的预定义范围内。
在一个示例中,第一和第二梯度角度是量化的梯度角度。图4示出了用于量化梯度角度的示例方案。全范围360°被分成角度范围,例如,由角度410和415限定的角度范围405。在该示例中,范围405以垂直为中心。具有范围415内的梯度角度的像素被分配同一量化梯度角度,在该示例中,该梯度角度是垂直的。例如,角度420和425都位于范围415内,因此对应于同一量化角度。角度范围可以尺寸相同,如图所示,或者可以尺寸不同。可以基于处理效率和线检测结果的准确性的折衷来选择划分整个360°的角度范围的数量。例如,增加角度范围的数量通常将提供更准确的线检测结果,但计算效率会降低。在其中第一角度和第二角度是量化梯度角度的示例中,第二梯度角度与第一梯度角度的预定关系可以是第二梯度角度等于第一梯度角度。
返回图1,在框120处,使用所标识的候选换行区域来辅助检测图像中的线。例如,在图2中的两条检测到的线(例如,205和210)被候选换行区域(例如,图2中所示的像素215)分开的情况下,可以确定两条线205、210应被组合成穿过候选换行区域215的单个线。可以使用如下所述的各种已知的线检测方法。可以对图像重复执行线检测,从而检测图像中存在的多条线。检测到的线可以用作许多已知图像处理技术的输入,例如,模式识别和/或对象分类。
在一些示例中,候选换行区域包含被标识为对于第一和第二像素具有预定差异关系的像素。例如,预定关系可以使得候选换行区域的像素被标识为具有低于第一像素的梯度幅度和/或低于第二像素的梯度幅度的梯度幅度。这可以通过要求第一和第二像素具有高于预定阈值的梯度幅度,并且要求候选换行区域的一个或多个像素具有低于该预定阈值的梯度幅度来实现。
替代地或另外地,预定差异关系可以使得候选换行区域的一个或多个像素具有与第一像素的梯度角度不同并且与第二像素的梯度角度不同的梯度角度。
在一些示例中,候选换行区域具有预定大小特性。例如,该特性可以是候选换行区域具有等于或小于阈值的长度。该阈值可以被表示为像素数量。例如,换行符可以具有等于单个像素的长度。
该方法可以包括为候选换行区域的像素分配与候选换行区域中的像素的原始梯度幅度不同的梯度幅度。这可以存储在梯度幅度位图中以生成增强的梯度幅度位图。例如,参考图2,可以基于第一像素220的梯度幅度和第二像素225的梯度幅度中的至少一个来为候选换行区域的像素215分配梯度幅度。例如,候选换行区域的像素215可以被分配等于第一像素220或第二像素225的梯度幅度的梯度幅度。作为另一示例,候选换行区域的像素215可以被分配等于第一像素220的梯度幅度和第二像素225的梯度幅度的平均值的梯度幅度。然后,可以基于所分配的梯度幅度来检测图像中的线。
替代地或另外地,该方法可以包括基于第一像素220的梯度角度和第二像素225的梯度角度中的至少一个来为候选换行区域的像素(例如,2的像素215)分配梯度角度。这可以存储在梯度角度位图中以生成增强的梯度角度位图。例如,候选换行区域的像素215可以被分配与第一像素220的梯度角度相等和/或第二像素225的梯度角度相等的梯度角度。作为另一示例,候选换行区域的像素215或多个像素可以被分配等于第一像素220的梯度角度和第二像素225的梯度角度的平均值的梯度角度。
在整个本公开中,将值(例如,梯度幅度和梯度角度)分配给像素,可以将所分配的值存储在阴影图像中,而不是立即改变图像中的像素的值。这允许依次分析图像的每个像素,并且分析而不会受到周围像素的值的变化的影响,因此提高了分析的准确性,同时需要额外的计算资源。在将每个所分配的值存储在阴影图像中之后,可以将所分配的值复制回主图像。
在一些示例中,该方法包括对图像的至少一个像素的边缘梯度进行滤波,其中,滤波包括确定相邻像素是否具有预定义梯度幅度关系。例如,滤波可以包括依次将图像的每个像素的梯度幅度与周围像素的梯度幅度进行比较,并且作为该比较的结果来修改给定像素的梯度。因此,过滤可以基于局部特征分析。在一个示例中,滤波包括确定给定像素的梯度幅度与每个周围像素的梯度之间的差异。然后将这些梯度差异的最大值与预定阈值进行比较,并且如果最大梯度差异低于阈值,则给定像素被梯度幅度零。以这种方式,可以假设具有低梯度幅度的图像的区域(即图像的相对平坦的区域)不包括边缘或线,并且因此可以从至少一些进一步的处理中排除。这提高了该方法的计算效率。可以在确定候选换行区域之前执行滤波步骤,使得候选换行区域的确定基于滤波的输出。
在其中基于预定义阈值执行滤波的一些示例中,如上所述,预定义阈值可以是固定值。在其他这样的示例中,可以基于对图像中的梯度幅度的分析来确定阈值,现在将参考图5进行描述。可以产生直方图500,其表示图像中的像素的梯度幅度的出现频率,其中,梯度幅度的范围从零到最大值505。例如,在8位图像中,最大梯度幅度可以是255。通常,梯度幅度的分布包括峰值510,并且通常情况是没有像素具有在最大梯度幅度505处终止的范围515中的梯度幅度。范围515的存在和宽度取决于正在进行分析的具体图像。这样,图像的所有像素具有在从零到图像中的最高梯度幅度(即范围515的下限)的范围520内的梯度幅度。
在一个示例中,预定义幅度阈值被设置为等于范围520内的像素值的常数值和平均值(例如,平均)的乘积。例如,平均值可以被确定为:
其中,a(i)是梯度幅度的累积频率,k是直方图的大小,并且n是范围520内的直方图的节点或容器的数量。该常数值根据在滤波过程期间围绕给定像素的像素的数量而变化,并且可以基于对大量图像的分析凭经验确定。例如,在滤波过程考虑围绕给定像素的3×3或5×5平方中的所有像素的情况下,常数值可以有利地在1.8和2.4之间。
在一些示例中,在上述滤波之后,该方法包括标识由具有零梯度的像素围绕的具有非零梯度的像素,并且为这些像素分配梯度零。以这种方式,可以从进一步的处理中排除不形成潜在线的一部分的具有非零梯度的单独像素。这提高了计算效率。可以通过标识由具有零梯度幅度的像素围绕的具有非零梯度幅度的像素的小孤立区域来进一步提高计算效率。例如,可以标识小于2×2平方的连接像素的区域,并且将它们的梯度幅度设置为零。这些步骤不会显著降低线检测的质量,因为这种小隔离像素和/或区域不可能形成线的一部分。
在一些示例中,检测120线包括执行连通分量分析以标识对应于各个线分段的图像区域。例如,标识这样的区域可以包括标识包括具有给定梯度特性的多个像素的连续区域。这种特性的一个示例是高于预定阈值(例如,先前定义的幅度阈值)的梯度幅度。替代地,在执行上述滤波的情况下,这种特性的一个示例是非零梯度幅度。这种特性的另一示例是等于连续区域的其他像素或在连续区域的其他像素的预定范围内的梯度角度。连续区域可具有预定尺寸特性。例如,连续区域可以具有高于预定阈值的长度和/或宽度。在进一步的分析中可以忽略尺寸小于尺寸阈值的连续区域以提高计算效率。可以基于存储器要求与线检测的准确性之间的折衷来优化尺寸阈值。
图6a示出了这样的连续区域的示例600,其包括满足梯度特性的像素(阴影)和不满足梯度特性的像素(非阴影)。该方法然后包括通过连续区域600确定最佳拟合线分量。可以使用随机样本一致性算法来确定最佳拟合线分量。
在一个示例中,确定最佳拟合线分量包括确定连续区域600是否具有第一预定义宽度特性和第一预定义高度特性,其中,高度大于宽度。例如,这可能要求高度大于长边阈值并且要求宽度小于短边阈值,使得区域600相对较高和较薄,如图6a所示。参考图6b,如果区域600具有这些特性,则本示例包括确定与通过区域600的预定数量的候选线分量(虚线)中的每一个相对应的误差。每个候选线分量的端点位于与区域600的顶部边缘相关联的预定义位置605处,并且位于与区域600的底部边缘相关联的预定义位置610处。例如,预定义位置605可以沿着区域600的顶部等距间隔,并且预定义位置610可以沿着区域600的底部等距间隔。增加预定义位置的数量产生更精确的结果,但需要增加的计算资源。这样,可以基于期望精度和可用处理资源之间的折衷来优化预定义位置的数量。该方法然后包括将具有最低对应误差的候选线分量标识为最佳拟合线分量。例如,可以基于每个阴影像素的中心点与给定候选线分量的距离来确定对应于给定候选线分量的误差。图6c示出了仅包括具有最低误差的候选线分量615的区域600。
类似地,如果区域600具有第二预定义宽度特性和第二预定义高度特性,其中,宽度大于高度,则该方法包括确定与通过区域600的预定义数量的候选线分量中的每一个相对应的误差,其中,每个候选线分量的端点位于与区域600的左手边缘和右手边缘相关联的预定义位置处。该方法然后包括将具有最低对应误差的候选线分量标识为最佳拟合线分量。
如果区域600不具有第一预定义宽度和高度特性并且不具有第二预定义宽度和高度特征,则该方法包括基于对连续区域的回归分析来确定最佳拟合线分量。
在一些示例中,预定义位置的数量取决于连续区域的高度和宽度中的较小者。例如,预定位置的数量可以等于与区域600的高度对应的像素数量和与区域600的宽度对应的像素数量中的较小者。这在图6b中示出,其中,区域600具有三个像素的宽度,并且其中,三个预定义位置与区域600的顶部和底部相关联。
该方法然后可以包括将图像中的线标识为包括线分量615。例如,这可以包括将连接的线分量标识为形成图像中的单个线,例如,通过霍夫变换。
本方法允许在不考虑如上所述的候选换行区域的情况下检测可能未检测到的线。例如,在生成梯度特性的增强位图的情况下,如上所述,对增强位图的处理允许检测经由原始位图的处理未检测到的线。
图7示出了根据示例的用于检测图像中的线的装置700。装置700包括被配置为接收图像710的输入705。装置700还包括处理器710。处理器例如可以是中央处理单元或图形处理单元。该装置可以包括其他元件,例如,相机光学器件及相关硬件、用于存储图像的存储器、和/或用于输出图像和/或表示检测到的线的数据的输出接口。该装置可以形成相机的一部分。
处理器700被配置为确定715图像的多个像素中的每个像素的梯度幅度和梯度角度,例如,如上所述。
然后,处理器700被配置为标识720图像中的候选换行区域。标识候选换行区域包括标识多个像素中的第一像素和多个像素中的第二像素,在第一像素和第二像素之间出现候选换行区域。第一像素具有第一量化梯度角度,并且第二像素具有等于第一梯度角度的第二量化梯度,第一像素和第二像素均具有预定义梯度幅度特性,并且候选换行区域的一个或多个像素不具有预定义幅度特性。
然后,处理器被配置为在725处标识图像中的线,其中,线通过候选换行区域。
图8示出了包括一组计算机可读指令805的非暂态计算机可读存储介质800的示例,该计算机可读指令805在由至少一个处理器810执行时,使得该至少一个处理器810执行根据本文所描述的示例的方法。计算机可读指令805可以从机器可读介质中检索,例如,可以包含、存储、或维护程序和数据以供指令执行系统使用或与之结合使用的任何介质。在这种情况下,机器可读介质可以包括许多物理介质中的任何一种,例如,电、磁、光、电磁或半导体介质。适当的机器可读介质的更具体的示例包括但不限于硬盘驱动器、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器、或便携式盘。
在框815处,指令805使得处理器810从输入接收图像。
在框820处,指令805使得处理器810标识图像中的候选换行区域,其中,标识候选换行区域包括标识图像的第一像素和图像的第二像素,在第一像素和第二像素之间出现候选换行区域。第一像素具有第一梯度角度并且第二像素具有第二梯度角度,该第二梯度角度具有相对于第一梯度角度的预定关系。
在框825处,指令805使得处理器810基于第一像素的梯度幅度和第二像素的梯度幅度中的至少一个来为候选换行区域的每个像素分配梯度幅度。
在框830处,指令805使得处理器810基于第一梯度角度和第二梯度角度中的至少一个来为候选换行区的每个像素分配梯度角度。
在框835处,指令805使得处理器810基于所分配的梯度角度和所分配的梯度幅度来检测图像中的线。
以上实施例应被理解为本发明的说明性示例。设想了替代方案。例如,代替修改梯度特性的位图以产生如上所述的增强位图,候选换行区域可以被单独地存储并且在检测图像中的线时被检索。作为另一替代方案,图7中所示的装置可以不形成相机的一部分,而是可以替代地作为被配置为通过网络接收图像的远程处理设备。定义图像中所检测到的一个或多个线的信息可以存储在与图像相关联的元数据中。应理解,关于任何一个实施例描述的任何特征可以被单独使用,或者与所描述的其他特征组合使用,并且还可以与任何其他实施例的一个或多个特征、或者任何其他实施例的任何组合来组合使用,此外,在不脱离由所附权利要求限定的本发明的范围的情况下,还可以采用上面未描述的等同物和修改。
Claims (15)
1.一种用于检测图像中的线的方法,所述方法包括:
标识所述图像中的候选换行区域,其中,标识所述候选换行区域包括标识所述图像的第一像素和所述图像的第二像素,在所述第一像素和所述第二像素之间出现所述候选换行区域,其中,所述第一像素和所述第二像素具有拥有预定相似关系的特性;
基于所述第一像素的梯度幅度和所述第二像素的梯度幅度中的至少一个为所述候选换行区域的像素分配梯度幅度;
基于所述第一像素的梯度角度和所述第二像素的梯度角度中的至少一个为所述候选换行区域的像素分配梯度角度;以及
使用所标识的候选换行区域来辅助检测所述图像中的线,
其中,检测所述图像中的线是基于所分配的梯度幅度和所分配的梯度角度的。
2.根据权利要求1所述的方法,其中,所述特性是梯度角度。
3.根据权利要求1所述的方法,其中,所述候选换行区域包括相对于所述第一像素和所述第二像素具有预定差异关系的像素。
4.根据权利要求3所述的方法,其中,所述候选换行区域的像素的相对于所述第一像素和所述第二像素的所述预定差异关系使得所述候选换行区域的像素具有低于所述第一像素的梯度幅度并且低于所述第二像素的梯度幅度的梯度幅度。
5.根据权利要求3所述的方法,其中,所述候选换行区域的像素的相对于所述第一像素和所述第二像素的所述预定差异关系使得所述候选换行区域的像素具有与所述第一像素的梯度角度不同并且与所述第二像素的梯度角度不同的梯度角度。
6.根据权利要求1所述的方法,其中,所述预定相似关系使得所述第二像素的特性在所述第一像素的特性的预定义范围内。
7.根据权利要求1所述的方法,包括标识所述候选换行区域具有预定尺寸特性。
8.根据权利要求1至4中任一项所述的方法,包括对至少一个像素的梯度幅度进行滤波,其中,所述滤波包括确定相邻像素是否具有预定义梯度幅度关系。
9.根据权利要求1所述的方法,包括标识所述图像中的线分量,其中,标识所述线分量包括:
标识包括多个像素并且与所述线分量相对应的连续区域;以及
通过所述连续区域确定最佳拟合线分量,其中:
所述多个像素中的像素具有预定梯度幅度特性;
所述多个像素中的像素具有预定梯度角度特性;并且
所述连续区域具有预定尺寸特性。
10.根据权利要求9所述的方法,其中,确定所述最佳拟合线分量包括:
如果所述连续区域具有第一预定义宽度特性和第一预定义高度特性,其中,所述高度大于所述宽度,则:
通过所述连续区域确定与预定数量的候选线分量中的每一个相对应的误差,其中,每个候选线分量的端点位于与所述连续区域的顶部边缘和底部边缘相关联的预定义位置处;并且
将具有最低对应误差的候选线分量标识为所述最佳拟合线分量;
如果所述连续区域具有第二预定义宽度特性和第二预定义高度特性,其中,所述宽度大于所述高度,则:
通过所述连续区域确定与预定数量的候选线分量中的每一个相对应的误差,其中,每个候选线分量的端点位于与所述连续区域的左手边缘和右手边缘相关联的预定义位置处;并且
将具有最低对应误差的候选线分量标识为所述最佳拟合线分量,以及
如果第一连续区域不具有所述第一预定义宽度特性和第一预定义高度特性,并且不具有所述第二预定义宽度特性和第二预定义高度特性,则:
基于对所述连续区域的回归分析确定所述最佳拟合线分量。
11.根据权利要求10所述的方法,其中,预定义位置的数量取决于所述连续区域的高度和宽度中的较小者。
12.根据权利要求9至11中任一项所述的方法,包括将所述图像中的线标识为包括所述线分量。
13.一种用于检测图像中的线的装置,所述装置包括:
输入,所述输入被配置为接收图像;
处理器,所述处理器被配置为:
确定所述图像的多个像素中的每个像素的梯度幅度和梯度角度;
标识所述图像中的候选换行区域,其中,标识所述候选换行区域包括标识所述多个图像的第一像素和所述多个图像的第二像素,在所述第一像素和所述第二像素之间出现所述候选换行区域;
基于所述第一像素的梯度幅度和所述第二像素的梯度幅度中的至少一个为所述候选换行区域的像素分配梯度幅度;
基于所述第一像素的梯度角度和所述第二像素的梯度角度中的至少一个为所述候选换行区域的像素分配梯度角度;以及
基于所分配的梯度幅度和所分配的梯度角度,来标识所述图像中的线,其中,所述线穿过所述候选换行区域。
14.根据权利要求13所述的装置,其中:
所述第一像素具有第一量化梯度角度,并且所述第二像素具有等于所述第一梯度角度的第二量化梯度;
所述第一像素和第二像素各自具有预定义梯度幅度特性;并且
所述候选换行区域的一个或多个像素不具有所述预定义幅度特性。
15.一种非暂态计算机可读存储介质,包括存储在其上的一组计算机可读指令,所述计算机可读指令在由至少一个处理器执行时,使得所述至少一个处理器:
从输入接收图像;
标识所述图像中的候选换行区域,其中,标识所述候选换行区域包括标识所述图像的第一像素和所述图像的第二像素,在所述第一像素和所述第二像素之间出现所述候选换行区域,其中,所述第一像素具有第一梯度角度,并且所述第二像素具有第二梯度角度,所述第二梯度角度具有相对于所述第一梯度角度的预定关系;
基于所述第一像素的梯度幅度和所述第二像素的梯度幅度中的至少一个为所述候选换行区域的每个像素分配梯度幅度;
基于所述第一梯度角度和所述第二梯度角度中的至少一个为所述候选换行区域的每个像素分配梯度角度;以及
基于所分配的梯度角度和所分配的梯度幅度,来检测所述图像中的线。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1614234.1 | 2016-08-19 | ||
GB1614234.1A GB2553005B (en) | 2016-08-19 | 2016-08-19 | Method of line detection |
PCT/GB2017/052259 WO2018033699A1 (en) | 2016-08-19 | 2017-08-03 | Method of line detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109643451A CN109643451A (zh) | 2019-04-16 |
CN109643451B true CN109643451B (zh) | 2023-06-02 |
Family
ID=57045527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780050503.1A Active CN109643451B (zh) | 2016-08-19 | 2017-08-03 | 线检测方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11113820B2 (zh) |
CN (1) | CN109643451B (zh) |
GB (1) | GB2553005B (zh) |
WO (1) | WO2018033699A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697441B (zh) * | 2017-10-23 | 2021-02-12 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4198855A (en) * | 1978-03-06 | 1980-04-22 | The Japan Steel Works Ltd. | Line break detector |
JPH04153889A (ja) * | 1990-10-18 | 1992-05-27 | Dainippon Printing Co Ltd | 線画の線切れ部分認識装置 |
CN104700388A (zh) * | 2013-12-09 | 2015-06-10 | 富士通株式会社 | 用于从图像中提取畸变的直线的方法和装置 |
CN104778695A (zh) * | 2015-04-10 | 2015-07-15 | 哈尔滨工程大学 | 一种基于梯度显著性的水天线检测方法 |
KR20160015035A (ko) * | 2014-07-30 | 2016-02-12 | 주식회사 이타기술 | 스마트 협업을 위한 테이블 시스템 및 방법 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983482B2 (en) * | 2005-11-08 | 2011-07-19 | Kitakyushu Foundation For The Advancement Of Industry, Science And Technology | Matching apparatus, image search system, and histogram approximate restoring unit, and matching method, image search method, and histogram approximate restoring method |
US7330604B2 (en) * | 2006-03-02 | 2008-02-12 | Compulink Management Center, Inc. | Model-based dewarping method and apparatus |
DE102006062061B4 (de) * | 2006-12-29 | 2010-06-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung, Verfahren und Computerprogramm zum Bestimmen einer Position basierend auf einem Kamerabild von einer Kamera |
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 |
US8571267B2 (en) * | 2010-06-02 | 2013-10-29 | Indian Institute Of Technology Kanpur | Image based structural characterization of fibrous materials |
JP5701024B2 (ja) * | 2010-11-26 | 2015-04-15 | キヤノン株式会社 | 画像処理装置及び方法 |
US9406138B1 (en) * | 2013-09-17 | 2016-08-02 | Bentley Systems, Incorporated | Semi-automatic polyline extraction from point cloud |
US9395192B1 (en) * | 2013-12-20 | 2016-07-19 | Google Inc. | Methods and systems for road and lane boundary tracing |
IN2014MU03302A (zh) * | 2014-10-16 | 2015-08-07 | Kpit Technologies Ltd | |
US9846934B2 (en) * | 2015-04-13 | 2017-12-19 | Anchor Semiconductor Inc. | Pattern weakness and strength detection and tracking during a semiconductor device fabrication process |
-
2016
- 2016-08-19 GB GB1614234.1A patent/GB2553005B/en active Active
-
2017
- 2017-08-03 CN CN201780050503.1A patent/CN109643451B/zh active Active
- 2017-08-03 WO PCT/GB2017/052259 patent/WO2018033699A1/en active Application Filing
-
2019
- 2019-02-19 US US16/279,748 patent/US11113820B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4198855A (en) * | 1978-03-06 | 1980-04-22 | The Japan Steel Works Ltd. | Line break detector |
JPH04153889A (ja) * | 1990-10-18 | 1992-05-27 | Dainippon Printing Co Ltd | 線画の線切れ部分認識装置 |
CN104700388A (zh) * | 2013-12-09 | 2015-06-10 | 富士通株式会社 | 用于从图像中提取畸变的直线的方法和装置 |
KR20160015035A (ko) * | 2014-07-30 | 2016-02-12 | 주식회사 이타기술 | 스마트 협업을 위한 테이블 시스템 및 방법 |
CN104778695A (zh) * | 2015-04-10 | 2015-07-15 | 哈尔滨工程大学 | 一种基于梯度显著性的水天线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018033699A1 (en) | 2018-02-22 |
GB2553005B (en) | 2022-04-13 |
GB2553005A (en) | 2018-02-21 |
CN109643451A (zh) | 2019-04-16 |
US20190180444A1 (en) | 2019-06-13 |
US11113820B2 (en) | 2021-09-07 |
GB201614234D0 (en) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8611662B2 (en) | Text detection using multi-layer connected components with histograms | |
US8805077B2 (en) | Subject region detecting apparatus | |
US9965695B1 (en) | Document image binarization method based on content type separation | |
US10275677B2 (en) | Image processing apparatus, image processing method and program | |
US9679354B2 (en) | Duplicate check image resolution | |
CN110913243B (zh) | 一种视频审核的方法、装置和设备 | |
US9349237B2 (en) | Method of authenticating a printed document | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
US20120257822A1 (en) | Image processing apparatus, image processing method, and computer readable medium | |
Shivakumara et al. | Detection of curved text in video: Quad tree based method | |
US20180184012A1 (en) | Image processing apparatus, control method, and storage medium | |
JP6542230B2 (ja) | 投影ひずみを補正するための方法及びシステム | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
US9378405B2 (en) | Determining barcode locations in documents | |
CN111489344A (zh) | 一种图像清晰度的确定方法、系统及相关装置 | |
CN110321887B (zh) | 文档图像处理方法、文档图像处理装置及存储介质 | |
CN109643451B (zh) | 线检测方法 | |
WO2018121414A1 (zh) | 电子设备、目标图像识别方法及装置 | |
CN115880228A (zh) | 多缺陷合并方法、装置、计算机设备及存储介质 | |
US10360471B2 (en) | Image retrieving device, image retrieving method, and recording medium | |
CN109644236B (zh) | 角度检测方法 | |
Saadat et al. | A New Approach for Copy‐Move Detection Based on Improved Weber Local Descriptor | |
KR101707625B1 (ko) | 영상데이터를 이용한 패턴정보 추출방법 | |
JP6272220B2 (ja) | 画像処理装置および画像処理方法 | |
KR101437286B1 (ko) | 디지털 컨텐츠 식별 방법 및 장치 |
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: 20220722 Address after: Britain Camb Applicant after: Arm Ltd. Address before: Cambridge County, England Applicant before: Apical Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |