CN109741356B - 一种亚像素边缘检测方法及系统 - Google Patents
一种亚像素边缘检测方法及系统 Download PDFInfo
- Publication number
- CN109741356B CN109741356B CN201910022556.3A CN201910022556A CN109741356B CN 109741356 B CN109741356 B CN 109741356B CN 201910022556 A CN201910022556 A CN 201910022556A CN 109741356 B CN109741356 B CN 109741356B
- Authority
- CN
- China
- Prior art keywords
- edge
- determining
- point
- pixel
- seed point
- 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
Abstract
本发明公开一种亚像素边缘检测方法及系统,所述方法先根据所述原始图像确定梯度图像,根据所述梯度图像确定多个种子点对,其次以各种子点对对应的像素轨迹为单位提取边缘,然后根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;最后利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓;本发明采用跟踪思想实现了轮廓跟踪,相比于传统以滑窗方式逐像素边缘轮廓检测,更好地保持了轮廓本身的完整性。
Description
技术领域
本发明涉及亚像素边缘检测技术领域,特别是涉及一种亚像素边缘检测方法及系统。
背景技术
现有的亚像素边缘检测方法按照其原理可大致划分为三大类:曲线拟合方法、插值方法、矩方法。基于拟合的亚像素边缘检测方法,如专利 CN107301636A公开的方法首先利用Canny边缘检测算法得到像素级边缘位置信息,再通过高斯拟合的方法将边缘位置准确度提升为亚像素级。另外如台湾师范大学的CY Su等人利用Canny算法作为粗检测器的LED探头亚像素轮廓检测方法,Canny算子在使用中需根据具体场景单独设置高低阈值与高斯滤波器模板尺寸,不具有参数自适应能力,同时Canny算子的检测结果容易出现轮廓断裂,导致目标轮廓不完整,拟合过程中的计算量成为限制其应用的一大瓶颈。基于插值法的亚像素边缘检测如张洪涛、孙秋成等分别使用了B样条函数和三次样条函数作为插值函数,专利CN106251327A公开的方法采用了双线性插值函数,一方面多项式阶数的选择是一个棘手的问题:用高阶数的多项式拟合会大大降低计算速度,而用低阶的多项式往往达不到精度的要求。另一方面,此类方法对图像噪声比较敏感,常常得到较差的效果。基于矩方法的亚像素边缘检测算法,如专利CN104715491A公开的方法,在灰度矩边缘检测算法中如果不考虑模板效应会使计算结果不精确,需要根据应用的场景选择模板大小以减少边缘亚像素坐标计算产生的偏差,从而使得算法适应性变差。专利CN104899888A公开的方法计算复杂度比较高,使得其不适用于对检测速度要求高的工业场景。专利CN104715487A公开了一种基于伪Zernike矩的亚像素边缘检测方法,虽然该方法对噪声不敏感,即克服了噪声的影响,但是由于其使用伪Zernike的计算方法,而伪Zernike矩计算复杂度较大,那么这样便影响了计算的速度,同样不适用于对检测速度要求高的工业场景。杨兵兵等提出的将伪Zernike矩和Sobel算子、Canny算子等经典方法结合,寻求提高检测精度的亚像素边缘检测方法,能够准确地检测出数字图像边缘,但由于其检测的图像只考虑了低噪声情况,对图像中有很高噪声的情况,其检测精度有待改善。另外当两条边缘相距较近时,其提出的算法将检测不精确,甚至会出现检测错误的情况。
发明内容
本发明的目的是提供一种亚像素边缘检测方法及系统,以保持轮廓本身的完整性,使提取出来的原始图像亚像素边缘轮廓更完整。
为实现上述目的,本发明提供了一种亚像素边缘检测方法,所述方法包括:
获取原始图像;
根据所述原始图像确定梯度图像;
根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
确定各种子点对对应的像素轨迹;
根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;
利用样条插值法或高斯曲线拟合法或Steger法,根据所述原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓。
可选的,所述确定各种子点对对应的像素轨迹,具体步骤为:
获取历史边缘点分布情况;
根据所述历史边缘点分布情况在种子点对处确定待选区域;
根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
确定边缘宽度系数;
在各级候选区域内筛选梯度强度最大的k个点作为候选点;
确定各同级候选点的自相关系数;
确定不同级候选点的互相关系数;
根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;
按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹。
可选的,所述按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹,具体包括:
根据所述边缘向量确定边缘向量值;
判断所述边缘向量值是否大于第二设定值,获得第二判断结果;如果所述第二判断结果表示为所述边缘向量值大于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点,同时在第二级候选区域内选取与边缘向量方向夹角最小的候选点作为第二新边缘点;如果所述第二判断结果表示为所述边缘向量值小于等于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点;
判断所述第一新边缘点或第二新边缘点是否满足终止条件,获得第三判断结果;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点不满足终止条件,则记录所述第一新边缘点和第二新边缘点的位置,并将第一新边缘点作为种子点对的第一初始种子点,将第二新边缘点作为种子点对的第二初始种子点,返回步骤“根据所述历史边缘点分布情况在种子点对处确定待选区域”,直到满足终止条件为止。
可选的,所述按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹,具体包括:
在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为新边缘点;
判断所述新边缘点是否满足终止条件,获得第四判断结果;如果所述第四判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第四判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回步骤“根据所述历史边缘点分布情况在种子点对处确定待选区域”,直到满足终止条件为止。
本发明还提供一种亚像素边缘检测系统,所述系统包括:
第一获取模块,用于获取原始图像;
第一梯度图像确定模块,用于根据所述原始图像确定梯度图像;
第一种子点对确定模块,用于根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
像素轨迹确定模块,用于确定各种子点对对应的像素轨迹;
像素边缘轮廓确定模块,用于根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;
第一亚像素边缘轮廓确定模块,用于利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓。
本发明还提供一种亚像素边缘检测方法,所述方法包括:
获取原始图像;
根据所述原始图像确定梯度图像;
根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
确定各种子点对对应的亚像素轨迹;
根据各所述种子点对对应的亚像素轨迹,确定原始图像的亚像素边缘轮廓。
可选的,所述方法还包括:
利用样条插值法或高斯曲线拟合法,根据所述原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓。
可选的,所述确定各种子点对对应的亚像素轨迹,具体步骤为:
获取历史边缘点分布情况;
根据所述历史边缘点分布情况在种子点对处确定待选区域;
根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
确定边缘宽度系数;
在各级候选区域内筛选梯度强度最大的k个点作为候选点;
确定各同级候选点的自相关系数;
确定不同级候选点的互相关系数;
根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;
根据所述边缘向量确定所述种子点对对应的亚像素轨迹。
可选的,所述根据所述边缘向量确定所述种子点对对应的亚像素轨迹,具体包括:
将所述边缘向量进行单位化;
将单位化终点所在位置的点为新边缘点;
判断所述新边缘点是否满足终止条件,获得第五判断结果;如果所述第五判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的亚像素轨迹;如果所述第五判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回步骤“根据所述历史边缘点分布情况在种子点对处确定待选区域”,直到满足终止条件为止。
本发明还提供一种亚像素边缘检测系统,所述系统包括:
第二获取模块,用于获取原始图像;
第二梯度图像确定模块,用于根据所述原始图像确定梯度图像;
第二种子点对确定模块,用于根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
亚像素轨迹确定模块,用于确定各种子点对对应的亚像素轨迹;
第二亚像素边缘轮廓确定模块,用于根据各所述种子点对对应的亚像素轨迹,确定原始图像的亚像素边缘轮廓;
第三亚像素边缘轮廓确定模块,用于利用样条插值法或高斯曲线拟合法,根据原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种亚像素边缘检测方法,所述方法先根据所述原始图像确定梯度图像,根据所述梯度图像确定多个种子点对,其次以各种子点对对应的像素轨迹为单位提取边缘,然后根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;最后利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓;本发明采用跟踪思想实现了轮廓跟踪,相比于传统以滑窗方式逐像素边缘轮廓检测,更好地保持了轮廓本身的完整性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例亚像素边缘检测方法流程图一;
图2为本发明实施例种子点对确定过程图;
图3为本发明实施例候选半平面的候选区域划分;
图4为本发明实施例三种边缘模型;
图5为本发明实施例梯度图中的细边缘和粗边缘示意图;
图6为本发明实施例方向化结构算子示意图;
图7为本发明实施例终止条件示意图;
图8为本发明实施例亚像素边缘检测系统结构图一;
图9为本发明实施例亚像素边缘检测方法流程图二;
图10为本发明实施例亚像素边缘检测系统结构图二。
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种亚像素边缘检测方法及系统,以保持轮廓本身的完整性,使提取出来的原始图像亚像素边缘轮廓更完整。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例亚像素边缘检测方法流程图,如图1所示,本发明提供一种亚像素边缘检测方法,所述方法包括:
步骤S1:获取原始图像;
步骤S2:根据所述原始图像确定梯度图像;
步骤S3:根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
步骤S4:确定各种子点对对应的像素轨迹;
步骤S5:根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;
步骤S6:利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓。
下面对各个步骤进行详细论述:
步骤S2:所述根据所述原始图像确定梯度图像;具体包括:
步骤S21:对所述原始图像进行平滑降噪处理,获得平滑降噪图像;
步骤S22:采用梯度算子,根据所述平滑降噪图像确定梯度图像;所述梯度算子包括:Roberts算子或Sobel算子;所述梯度图像是否多个梯度幅值点构成,具体公式为:
其中,F(x,y)为平滑降噪图像,G(x,y)为梯度图像,x、y分别为像素点的横纵坐标和纵坐标。
如图2所示,先利用邻域梯度加权和求出合适的候选点,候选点一般位于边缘带的单侧,在其邻域内存在更准确的边缘点。以该候选点S0为基础,在局部调整候选点位置,找出更准确边缘位置作为轮廓搜索的第一个初始种子点 S1,以第一个初始种子点为中心,进一步确定第二个初始种子点S2,构成种子点对,下面对各个步骤进行详细论述:
步骤S3:所述根据所述梯度图像确定多个种子点对,具体步骤为:
步骤S31:根据所述梯度图像中各个梯度幅值点的邻域加权和确定各个梯度幅值点的加权强度;
步骤S32:判断各个梯度幅值点的加权强度是否大于设定阈值,获得第一判断结果;如果所述第一判断结果表示各个梯度幅值点的加权强度大于设定阈值,则将大于设定阈值的各个梯度幅值点作为扩展候选点;
步骤S33:计算各扩展候选点的邻域加权强度,从各扩展候选点中选取邻域加权强度最大的扩展候选点作为种子点对第一个初始种子点;
步骤S34:按照水平方向、垂直方向和两个对角线方向分别计算所述种子点对第一个初始种子点邻域内的各点的梯度加权和;
步骤S35:选取梯度加权和最大的方向上对应的点作为种子点对第二个初始种子点。
在候选半平面内通过边缘向量函数,计算新边缘点相对于第一个初始种子点、第二个初始种子点的方向,进一步在邻域内确定新边缘点的位置。首先将待选区域中的候选半平面按照距离划分为多级候选区域,如图3所示,P和C 所在的浅灰色区域表示历史边缘点,E所在的白色以及其相邻右侧的深灰、浅灰色像素带分别为第一到第三级候选区域。
步骤S4:所述确定各种子点对对应的轨迹,具体步骤为:
步骤S41:获取历史边缘点分布情况;
步骤S42:根据所述历史边缘点分布情况在种子点对处确定待选区域;所述待选区域为候选半平面或候选四分之一平面;
步骤S43:根据所述待选区域确定r级候选区域,其中,r为大于等于2 的整数;
由候选半平面、自相关系数、互相关系数描述的边缘向量函数用于计算新边缘点。本发明引入边缘宽度系数用于描述当前边缘带的宽度。原始图像的实际边缘呈现在数字图像中,由于目标本身的对比度、现场光照条件、成像设备等因素的影响,边缘往往不是理想的阶跃边缘模型或者斜坡边缘模型,而是近似为模糊边缘模型。
如图4所示,其中模糊模型在梯度图像中呈现山脊形状,山脊为边缘显著变化的区域,其宽度与边缘带的宽度正相关。粗边缘对应的显著变化区域宽度大,曲线峰形更平缓,反之细边缘的显著变化区域宽度小,曲线峰形更加陡峭瘦高。根据这样的观察结果,可以在候选半平面内,用第一级候选区域内的所有点的梯度强度拟合高斯曲线,用高斯曲线的标准差σ来衡量显著变化区域的宽度,从而表征边缘带的宽度。σ值表征数据的离散程度,σ越小数据越集中于均值μ附近,曲线形状越瘦高,对应边缘显著变化区域宽度小,即细边缘;反之,σ越大,数据越分散,曲线形状越扁平,对应边缘显著变化区域宽度大,即粗边缘。因此可通过拟合高斯曲线,设定阈值,以σ值的大小表征边缘粗细,使算法具有自适应不同粗细边缘的能力。实验中观察到,在梯度带中粗边缘的第一级候选区域内的点梯度强值较大并且数值相近,而细边缘的第一级候选区域内的点梯度值差异较大,甚至出现个别点梯度强度非常低的情况。如图5 所示,每个单元格代表一个像素,梯度强度越大颜色越亮。左图为两条细边缘,右图为一条粗边缘,可以观察到粗边缘的第一级候选区域内,所有点梯度强度值相对平均;而细边缘的第一级候选区域内,虚线圆圈出来的两个点梯度强度明显低于其他点。
本发明以第一级候选区域内的全部点作为原始数据,首先进行统计排序,然后使用两极数据的多项比值来衡量数据的不均匀性,从而表征边缘的粗细。
步骤S44:确定边缘宽度系数;具体公式为:
其中,Gmax1、Gmax2分别为第一级候选区域内所有点按照梯度值排序的最大值和次最大值,Gmin1、Gmin2分别为第一级候选区域内所有点按照梯度值排序的最小值和次最小值,T为边缘阈值常数,当α取0时,对应当前边缘为细边缘,在计算边缘向量函数时只考虑第一级和第二级候选区域,即此时p取值为2;当α取1时,边缘为粗边缘,则按照p的初始值r计算。
步骤S45:在各级候选区域内筛选梯度强度最大的k个点作为候选点;
步骤S46:确定各同级候选点的自相关系数;具体公式为:
其中,ωs-pq为第p级候选区域第q个候选点的自相关系数,dpq-pm为第p级候选区域内的第q个候选点与第p级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,p为大于等于1且小于等于r的整数,r为候选区域的级数,m、q均为大于等于1且小于等于k的整数。
自相关系数用于描述同一级搜索区域内各点在位置关系上的聚散程度,位置越集中,表明新边缘点出现在对应方向上的概率越大,该区域上的点对推测新边缘点位置的贡献越大;位置越分散,表明该区域上的点对推测新边缘点位置的贡献越小。各点的聚集程度与距离负相关。
步骤S47:确定不同级候选点的互相关系数;具体公式为:
其中,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,dpq-nm为第p级候选区域内的第q个候选点与第n级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,m、q均为大于等于1且小于等于k的整数。
互相关系数用于描述不同搜索区域内候选点的集散特点,方向(相对于当前点)越一致,表明新边缘点出现在该方向上的概率越大,分布于该方向上的点对新边缘点的方向贡献更大;方向越分散,表明对新边缘点的贡献越小。局部范围内,方向一致性可以通过距离来表征,越近的点,其相对于当前边缘点的分布方向越接近。
步骤S48:根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;具体公式为:
其中,Ex为x方向的边缘向量,Ey为y方向的边缘向量,Gpq表示第p级候选区域的q个候选点的梯度强度值;α为边缘宽度系数,取值0或1;ωs-pq为第p级候选区域第q个候选点的自相关系数,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,r为候选区域的级数;k为各级候选区域内的候选点数量。
步骤S49:按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹。
本发明设置了两种方案按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹,第一种方案的具体步骤包括:
步骤S491:根据所述边缘向量确定边缘向量值;
步骤S492:判断所述边缘向量值是否大于第二设定值,获得第二判断结果;如果所述第二判断结果表示为所述边缘向量值大于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点,同时在第二级候选区域内选取与边缘向量方向夹角最小的候选点作为第二新边缘点;如果所述第二判断结果表示为所述边缘向量值小于等于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点;
步骤S493:判断所述第一新边缘点或第二新边缘点是否满足终止条件,获得第三判断结果;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点不满足终止条件,则记录所述第一新边缘点和第二新边缘点的位置,并将第一新边缘点作为种子点对的第一初始种子点,将第二新边缘点作为种子点对的第二初始种子点,返回步骤S42,直到满足终止条件为止。
第二中方案具体步骤包括:
步骤S491:在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为新边缘点;
步骤S492:判断所述新边缘点是否满足终止条件,获得第四判断结果;如果所述第四判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第四判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回步骤S42,直到满足终止条件为止;所述终止条件包括:自然终止、图像边界终止、轮廓碰撞终止。
本发明步骤S6利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓,此步骤采用现有的方法实现,在此不再论述。
本发明中在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为新边缘点,其具体的步骤为:1、在第一级候选区域内分别求取各候选点和当前边缘点构成的向量与边缘向量的夹角;2、选取夹角最小的向量对应的候选点将作为新边缘点。在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点和在第二级候选区域内选取与边缘向量方向夹角最小的候选点作为第二新边缘点与上述步骤相同,本发明在此不再一一赘述。
本发明所述待选区域为候选半平面或候选四分之一平面;基于“历史边缘延续性”假设,提出快速梯度中心跟踪算法。快速梯度中心跟踪算法采用方向化的结构算子计算候选半平面内不同方向的梯度强度加权和,表征新边缘点出现在各个方向的概率,概率最大的方向上对应的最近边缘点为新边缘点位置。该方法本质是采用简化方法计算边缘向量函数,主要体现在两个方面:
(1)将候选半平面简化为候选四分之一平面,由统计实验可知,新边缘点有98%的概率落在候选四分之一平面,同样可以保证假设合理性,进一步,在当前候选四分之一平面内未被包含的区域可能在下一次检测中被包含。
(2)将多级候选区域简化为一级候选区域与多个方向化的结构算子相结合。完整梯度中心跟踪算法在解出边缘向量函数后,将与边缘向量方向夹角最小的第一级候选区域内的候选点作为新边缘点,该方法本质上是对第一级候选区域内的点进行筛选,每个候选点对应八分之一平面,如图6所示。在候选四分之一平面内,第一级候选区域的候选边缘点简化为3个,快速梯度中心跟踪算法为每个候选点预设了多个方向化的结构算子,根据当前历史边缘方向采用对应的一组结构算子,沿预设方向提取梯度强度,按照距离加权计算梯度强度和,作为对应的第一级候选区域上候选点的概率值,图中方框构成的结构算子对应候选点C1的其中一种可能的算子。最终,C1,C2,C3中概率最高的点作为新的边缘点。
实践中,本方法为每个候选点设置了三个方向化结构算子,结构算子可能覆盖相同的像素,每个结构算子独立于梯度图像计算距离加权的图像卷积,卷积结果的最大值作为对应候选点的相对概率值。根据历史边缘点的分布,可将预设方向化结构算子按照方向分为坐标轴方向和对角线方向两类,其中坐标轴方向包括水平方向和垂直方向。
所述终止条件如图8所示,图中(a)为自然终止,图中(a)为图像边界终止,图中(c)为与其他轮廓碰撞终止,图中(d)为自身碰撞终止。
本发明采用跟踪思想实现了轮廓跟踪方法,先以各种子点对对应的像素轨迹为单位提取边缘,然后根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;最后利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓相比于传统以滑窗方式逐像素边缘轮廓检测,更好地保持了轮廓本身的完整性。
本发明的优点在于:
1、提取出来的原始图像亚像素边缘轮廓有效抵抗原始图像中的噪声和小杂斑,在噪声干扰下具有更高的检测精度。
2、采用跟踪思想沿着各种子点对对应的像素轨迹提取边缘,保持了轮廓本身的完整性,不容易出现轮廓断裂或缺失,使提取出来的原始图像亚像素边缘轮廓更完整。
3、单条轮廓的检测速度快,并且轮廓长度越长,本发明的速度优势越明显。
实施例二
图8为本发明实施例二亚像素边缘检测系统结构图一,如图8所示,本发明还提供一种亚像素边缘检测系统,所述系统包括:
第一获取模块1,用于获取原始图像;
第一梯度图像确定模块2,用于根据所述原始图像确定梯度图像;
第一种子点对确定模块3,用于根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
像素轨迹确定模块4,用于确定各种子点对对应的像素轨迹;
像素边缘轮廓确定模块5,用于根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;
第一亚像素边缘轮廓确定模块6,用于利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓。
下面对各个模块进行详细论述:
第一梯度图像确定模块2,具体包括:
第一平滑降噪处理单元,用于对所述原始图像进行平滑降噪处理,获得平滑降噪图像;
第一梯度图像确定单元,用于采用梯度算子,根据所述平滑降噪图像确定梯度图像;所述梯度算子包括:Roberts算子或Sobel算子;所述梯度图像是否多个梯度幅值点构成,具体公式为:
其中,F(x,y)为平滑降噪图像,G(x,y)为梯度图像,x、y分别为像素点的横纵坐标和纵坐标。
第一种子点对确定模块3,具体步骤为:
第一各个梯度幅值点的加权强度确定单元,用于根据所述梯度图像中各个梯度幅值点的邻域加权和确定各个梯度幅值点的加权强度;
第一判断单元,用于判断各个梯度幅值点的加权强度是否大于设定阈值,获得第一判断结果;如果所述第一判断结果表示各个梯度幅值点的加权强度大于设定阈值,则将大于设定阈值的各个梯度幅值点作为扩展候选点;
第一个初始种子点确定单元,用于计算各扩展候选点的邻域加权强度,从各扩展候选点中选取邻域加权强度最大的扩展候选点作为种子点对第一个初始种子点;
第一梯度加权和确定单元,用于按照水平方向、垂直方向和两个对角线方向分别计算所述种子点对第一个初始种子点邻域内的各点的梯度加权和;
第二个初始种子点确定单元,用于选取梯度加权和最大的方向上对应的点作为种子点对第二个初始种子点。
像素轨迹确定模块4,具体包括:
第一获取单元,用于获取历史边缘点分布情况;
第一待选区域确定单元,用于根据所述历史边缘点分布情况在种子点对处确定待选区域;所述待选区域为候选半平面或候选四分之一平面;
第一r级候选区域确定单元,用于根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
第一边缘宽度系数确定单元,用于确定边缘宽度系数;具体公式为:
其中,Gmax1、Gmax2分别为第一级候选区域内所有点按照梯度值排序的最大值和次最大值,Gmin1、Gmin2分别为第一级候选区域内所有点按照梯度值排序的最小值和次最小值,T为边缘阈值常数,当α取0时,对应当前边缘为细边缘,在计算边缘向量函数时只考虑第一级和第二级候选区域,即此时p取值为2;当α取1时,边缘为粗边缘,则按照p的初始值r计算。
第一候选点确定单元,用于在各级候选区域内筛选梯度强度最大的k个点作为候选点;
第一自相关系数确定单元,用于确定各同级候选点的自相关系数;具体公式为:
其中,ωs-pq为第p级候选区域第q个候选点的自相关系数,dpq-pm为第p级候选区域内的第q个候选点与第p级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,p为大于等于1且小于等于r的整数,r为候选区域的级数,m、q均为大于等于1且小于等于k的整数。
第一互相关系数确定单元,用于确定不同级候选点的互相关系数;具体公式为:
其中,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,dpq-nm为第 p级候选区域内的第q个候选点与第n级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,m、q均为大于等于1且小于等于k的整数。
第一边缘向量确定单元,用于根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;具体公式为:
其中,Ex为x方向的边缘向量,Ey为y方向的边缘向量,Gpq表示第p级候选区域的q个候选点的梯度强度值;α为边缘宽度系数,取值0或1;ωs-pq为第p级候选区域第q个候选点的自相关系数,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,r为候选区域的级数;k为各级候选区域内的候选点数量。
像素轨迹确定单元,用于按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹。
本发明像素轨迹确定单元设置了两种方案,第一种方案所述像素轨迹确定单元,具体包括:
边缘向量值确定子单元,用于根据所述边缘向量确定边缘向量值;
第一判断子单元,用于判断所述边缘向量值是否大于第二设定值,获得第二判断结果;如果所述第二判断结果表示为所述边缘向量值大于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点,同时在第二级候选区域内选取与边缘向量方向夹角最小的候选点作为第二新边缘点;如果所述第二判断结果表示为所述边缘向量值小于等于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点;
第二判断子单元,用于判断所述第一新边缘点或第二新边缘点是否满足终止条件,获得第三判断结果;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点不满足终止条件,则记录所述第一新边缘点和第二新边缘点的位置,并将第一新边缘点作为种子点对的第一初始种子点,将第二新边缘点作为种子点对的第二初始种子点,返回“第一待选区域确定单元”,直到满足终止条件为止。
第二中方案所述像素轨迹确定单元,具体包括:
第一新边缘点确定子单元,用于在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为新边缘点;
第三判断子单元,用于判断所述新边缘点是否满足终止条件,获得第四判断结果;如果所述第四判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第四判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回“第一待选区域确定单元”,直到满足终止条件为止;所述终止条件包括:自然终止、图像边界终止、轮廓碰撞终止。
实施例三
图9为本发明实施例三亚像素边缘检测方法流程图,如图9所示,本发明提供一种亚像素边缘检测方法,所述方法包括:
步骤X1:获取原始图像;
步骤X2:根据所述原始图像确定梯度图像;
步骤X3:根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
步骤X4:确定各种子点对对应的亚像素轨迹;
步骤X5:根据各所述种子点对对应的亚像素轨迹,确定原始图像的亚像素边缘轮廓;
步骤X6:利用样条插值法或高斯曲线拟合法,根据原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓。
下面对各个步骤进行详细论述:
步骤X2:所述根据所述原始图像确定梯度图像;具体包括:
步骤X21:对所述原始图像进行平滑降噪处理,获得平滑降噪图像;
步骤X22:采用梯度算子,根据所述平滑降噪图像确定梯度图像;所述梯度算子包括:Roberts算子或Sobel算子;所述梯度图像是否多个梯度幅值点构成,具体公式为:
其中,F(x,y)为平滑降噪图像,G(x,y)为梯度图像,x、y分别为像素点的横纵坐标和纵坐标。
步骤X3:所述根据所述梯度图像确定多个种子点对,具体步骤为:
步骤X31:根据所述梯度图像中各个梯度幅值点的邻域加权和确定各个梯度幅值点的加权强度;
步骤X32:判断各个梯度幅值点的加权强度是否大于设定阈值,获得第一判断结果;如果所述第一判断结果表示各个梯度幅值点的加权强度大于设定阈值,则将大于设定阈值的各个梯度幅值点作为扩展候选点;
步骤X33:计算各扩展候选点的邻域加权强度,从各扩展候选点中选取邻域加权强度最大的扩展候选点作为种子点对第一个初始种子点;
步骤X34:按照水平方向、垂直方向和两个对角线方向分别计算所述种子点对第一个初始种子点邻域内的各点的梯度加权和;
步骤X35:选取梯度加权和最大的方向上对应的点作为种子点对第二个初始种子点。
步骤X4:所述确定各种子点对对应的亚像素轨迹,具体步骤为:
步骤X41:获取历史边缘点分布情况;
步骤X42:根据所述历史边缘点分布情况在种子点对处确定待选区域;所述待选区域为候选半平面或候选四分之一平面;
步骤X43:根据所述待选区域确定r级候选区域,其中,r为大于等于2 的整数;
步骤X44:确定边缘宽度系数;具体公式为:
其中,Gmax1、Gmax2分别为第一级候选区域内所有点按照梯度值排序的最大值和次最大值,Gmin1、Gmin2分别为第一级候选区域内所有点按照梯度值排序的最小值和次最小值,T为边缘阈值常数,当α取0时,对应当前边缘为细边缘,在计算边缘向量函数时只考虑第一级和第二级候选区域,即此时p取值为2;当α取1时,边缘为粗边缘,则按照p的初始值r计算。
步骤X45:在各级候选区域内筛选梯度强度最大的k个点作为候选点;
步骤X46:确定各同级候选点的自相关系数;具体公式为:
其中,ωs-pq为第p级候选区域第q个候选点的自相关系数,dpq-pm为第p级候选区域内的第q个候选点与第p级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,p为大于等于1且小于等于r的整数,r为候选区域的级数,m、q均为大于等于1且小于等于k的整数。
步骤X47:确定不同级候选点的互相关系数;具体公式为:
其中,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,dpq-nm为第 p级候选区域内的第q个候选点与第n级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,m、q均为大于等于1且小于等于k的整数。
步骤X48:根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;具体公式为:
其中,Ex为x方向的边缘向量,Ey为y方向的边缘向量,Gpq表示第p级候选区域的q个候选点的梯度强度值;α为边缘宽度系数,取值0或1;ωs-pq为第p级候选区域第q个候选点的自相关系数,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,r为候选区域的级数;k为各级候选区域内的候选点数量。
步骤X49:根据所述边缘向量确定所述种子点对对应的亚像素轨迹,具体步骤包括:
步骤X491:将所述边缘向量进行单位化;
步骤X492:将单位化终点所在位置的点为新边缘点;
步骤X493:判断所述新边缘点是否满足终止条件,获得第五判断结果;如果所述第五判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的亚像素轨迹;如果所述第五判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回步骤X42,直到满足终止条件为止。
本发明采用样条插值法或高斯曲线拟合法,根据原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓,其是为了进一步得到更精确的亚像素边缘轮廓。
实施例四
图10为本发明实施例四亚像素边缘检测系统结构图一,如图10所示,本发明还提供一种亚像素边缘检测系统,所述系统包括:
第二获取模块7,用于获取原始图像;
第二梯度图像确定模块8,用于根据所述原始图像确定梯度图像;
第二种子点对确定模块9,用于根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
亚像素轨迹确定模块10,用于确定各种子点对对应的亚像素轨迹;
第二像素边缘轮廓确定模块11,用于根据各所述种子点对对应的亚像素轨迹,确定原始图像的亚像素边缘轮廓;
第三亚像素边缘轮廓确定模块12,用于利用样条插值法或高斯曲线拟合法,根据原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓。
下面对各个模块进行详细论述:
第二梯度图像确定模块2,具体包括:
第二平滑降噪处理单元,用于对所述原始图像进行平滑降噪处理,获得平滑降噪图像;
第二梯度图像确定单元,用于采用梯度算子,根据所述平滑降噪图像确定梯度图像;所述梯度算子包括:Roberts算子或Sobel算子;所述梯度图像是否多个梯度幅值点构成,具体公式为:
其中,F(x,y)为平滑降噪图像,G(x,y)为梯度图像,x、y分别为像素点的横纵坐标和纵坐标。
第二种子点对确定模块3,具体步骤为:
第二各个梯度幅值点的加权强度确定单元,用于根据所述梯度图像中各个梯度幅值点的邻域加权和确定各个梯度幅值点的加权强度;
第二判断单元,用于判断各个梯度幅值点的加权强度是否大于设定阈值,获得第一判断结果;如果所述第一判断结果表示各个梯度幅值点的加权强度大于设定阈值,则将大于设定阈值的各个梯度幅值点作为扩展候选点;
第三个初始种子点确定单元,用于计算各扩展候选点的邻域加权强度,从各扩展候选点中选取邻域加权强度最大的扩展候选点作为种子点对第一个初始种子点;
第二梯度加权和确定单元,用于按照水平方向、垂直方向和两个对角线方向分别计算所述种子点对第一个初始种子点邻域内的各点的梯度加权和;
第四个初始种子点确定单元,用于选取梯度加权和最大的方向上对应的点作为种子点对第二个初始种子点。
亚像素轨迹确定模块4,具体包括:
第二获取单元,用于获取历史边缘点分布情况;
第二待选区域确定单元,用于根据所述历史边缘点分布情况在种子点对处确定待选区域;所述待选区域为候选半平面或候选四分之一平面;
第二r级候选区域确定单元,用于根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
第二边缘宽度系数确定单元,用于确定边缘宽度系数;具体公式为:
其中,Gmax1、Gmax2分别为第一级候选区域内所有点按照梯度值排序的最大值和次最大值,Gmin1、Gmin2分别为第一级候选区域内所有点按照梯度值排序的最小值和次最小值,T为边缘阈值常数,当α取0时,对应当前边缘为细边缘,在计算边缘向量函数时只考虑第一级和第二级候选区域,即此时p取值为2;当α取1时,边缘为粗边缘,则按照p的初始值r计算。
第二候选点确定单元,用于在各级候选区域内筛选梯度强度最大的k个点作为候选点;
第二自相关系数确定单元,用于确定各同级候选点的自相关系数;具体公式为:
其中,ωs-pq为第p级候选区域第q个候选点的自相关系数,dpq-pm为第p级候选区域内的第q个候选点与第p级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,p为大于等于1且小于等于r的整数,r为候选区域的级数,m、q均为大于等于1且小于等于k的整数。
第二互相关系数确定单元,用于确定不同级候选点的互相关系数;具体公式为:
其中,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,dpq-nm为第 p级候选区域内的第q个候选点与第n级候选区域内的第m个候选点之间的像素距离,k为候选点的个数,m、q均为大于等于1且小于等于k的整数。
第二边缘向量确定单元,用于根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;具体公式为:
其中,Ex为x方向的边缘向量,Ey为y方向的边缘向量,Gpq表示第p级候选区域的q个候选点的梯度强度值;α为边缘宽度系数,取值0或1;ωs-pq为第p级候选区域第q个候选点的自相关系数,ωc-pq为第p级候选区域内的第q个候选点的互相关系数,r为候选区域的级数;k为各级候选区域内的候选点数量。
亚像素轨迹确定单元,用于根据所述边缘向量确定所述种子点对对应的像素轨迹,具体包括:
单位化子单元,用于将所述边缘向量进行单位化;
第二新边缘点确定子单元,用于将单位化终点所在位置的点为新边缘点;
第四判断子单元,用于判断所述新边缘点是否满足终止条件,获得第五判断结果;如果所述第五判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的亚像素轨迹;如果所述第五判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回“第二待选区域确定单元”,直到满足终止条件为止。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种亚像素边缘检测方法,其特征在于,所述方法包括:
获取原始图像;
根据所述原始图像确定梯度图像;
根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
确定各种子点对对应的像素轨迹;
根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;
利用样条插值法或高斯曲线拟合法或Steger法,根据所述原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓;
所述确定各种子点对对应的像素轨迹,具体步骤为:
获取历史边缘点分布情况;
根据所述历史边缘点分布情况在种子点对处确定待选区域;
根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
确定边缘宽度系数;
在各级候选区域内筛选梯度强度最大的k个点作为候选点;
确定各同级候选点的自相关系数;
确定不同级候选点的互相关系数;
根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;
按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹。
2.根据权利要求1所述亚像素边缘检测方法,其特征在于,所述按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹,具体包括:
根据所述边缘向量确定边缘向量值;
判断所述边缘向量值是否大于第二设定值,获得第二判断结果;如果所述第二判断结果表示为所述边缘向量值大于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点,同时在第二级候选区域内选取与边缘向量方向夹角最小的候选点作为第二新边缘点;如果所述第二判断结果表示为所述边缘向量值小于等于第二设定值时,则在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为第一新边缘点;
判断所述第一新边缘点或第二新边缘点是否满足终止条件,获得第三判断结果;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第三判断结果表示为所述第一新边缘点或第二新边缘点不满足终止条件,则记录所述第一新边缘点和第二新边缘点的位置,并将第一新边缘点作为种子点对的第一初始种子点,将第二新边缘点作为种子点对的第二初始种子点,返回步骤“根据所述历史边缘点分布情况在种子点对处确定待选区域”,直到满足终止条件为止。
3.根据权利要求1所述亚像素边缘检测方法,其特征在于,所述按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹,具体包括:
在第一级候选区域内选取与边缘向量方向夹角最小的候选点作为新边缘点;
判断所述新边缘点是否满足终止条件,获得第四判断结果;如果所述第四判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的像素轨迹;如果所述第四判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回步骤“根据所述历史边缘点分布情况在种子点对处确定待选区域”,直到满足终止条件为止。
4.一种亚像素边缘检测系统,其特征在于,所述系统包括:
第一获取模块,用于获取原始图像;
第一梯度图像确定模块,用于根据所述原始图像确定梯度图像;
第一种子点对确定模块,用于根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
像素轨迹确定模块,用于确定各种子点对对应的像素轨迹;
像素边缘轮廓确定模块,用于根据各所述种子点对对应的像素轨迹,确定原始图像的像素边缘轮廓;
第一亚像素边缘轮廓确定模块,用于利用样条插值法或高斯曲线拟合法或Steger法,根据原始图像的像素边缘轮廓确定原始图像的亚像素边缘轮廓;
像素轨迹确定模块,具体包括:
第一获取单元,用于获取历史边缘点分布情况;
第一待选区域确定单元,用于根据所述历史边缘点分布情况在种子点对处确定待选区域;
第一r级候选区域确定单元,用于根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
第一边缘宽度系数确定单元,用于确定边缘宽度系数;
第一候选点确定单元,用于在各级候选区域内筛选梯度强度最大的k个点作为候选点;
第一自相关系数确定单元,用于确定各同级候选点的自相关系数;
第一互相关系数确定单元,用于确定不同级候选点的互相关系数;
第一边缘向量确定单元,用于根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;
像素轨迹确定单元,用于按照方向最近原则,根据所述边缘向量确定所述种子点对对应的像素轨迹。
5.一种亚像素边缘检测方法,其特征在于,所述方法包括:
获取原始图像;
根据所述原始图像确定梯度图像;
根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
确定各种子点对对应的亚像素轨迹;
根据各所述种子点对对应的亚像素轨迹,确定原始图像的亚像素边缘轮廓;
所述确定各种子点对对应的亚像素轨迹,具体步骤为:
获取历史边缘点分布情况;
根据所述历史边缘点分布情况在种子点对处确定待选区域;
根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
确定边缘宽度系数;
在各级候选区域内筛选梯度强度最大的k个点作为候选点;
确定各同级候选点的自相关系数;
确定不同级候选点的互相关系数;
根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;
根据所述边缘向量确定所述种子点对对应的亚像素轨迹。
6.根据权利要求5所述亚像素边缘检测方法,其特征在于,所述方法还包括:
利用样条插值法或高斯曲线拟合法,根据所述原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓。
7.根据权利要求5所述亚像素边缘检测方法,其特征在于,所述根据所述边缘向量确定所述种子点对对应的亚像素轨迹,具体包括:
将所述边缘向量进行单位化;
将单位化终点所在位置的点为新边缘点;
判断所述新边缘点是否满足终止条件,获得第五判断结果;如果所述第五判断结果表示为所述新边缘点满足终止条件,则提取所述种子点对对应的亚像素轨迹;如果所述第五判断结果表示为所述新边缘点不满足终止条件,则记录新边缘点的位置,并将第二初始种子点作为种子点对的第一初始种子点,将所述新边缘点作为种子点对的第二初始种子点,返回步骤“根据所述历史边缘点分布情况在种子点对处确定待选区域”,直到满足终止条件为止。
8.一种亚像素边缘检测系统,其特征在于,所述系统包括:
第二获取模块,用于获取原始图像;
第二梯度图像确定模块,用于根据所述原始图像确定梯度图像;
第二种子点对确定模块,用于根据所述梯度图像确定多个种子点对;所述种子点对包括第一初始种子点和第二初始种子点;
亚像素轨迹确定模块,用于确定各种子点对对应的亚像素轨迹;
第二亚像素边缘轮廓确定模块,用于根据各所述种子点对对应的亚像素轨迹,确定原始图像的亚像素边缘轮廓;
第三亚像素边缘轮廓确定模块,用于利用样条插值法或高斯曲线拟合法,根据原始图像的亚像素边缘轮廓确定原始图像最终的亚像素边缘轮廓;
亚像素轨迹确定模块,具体包括:
第二获取单元,用于获取历史边缘点分布情况;
第二待选区域确定单元,用于根据所述历史边缘点分布情况在种子点对处确定待选区域;
第二r级候选区域确定单元,用于根据所述待选区域确定r级候选区域,其中,r为大于等于2的整数;
第二边缘宽度系数确定单元,用于确定边缘宽度系数;
第二候选点确定单元,用于在各级候选区域内筛选梯度强度最大的k个点作为候选点;
第二自相关系数确定单元,用于确定各同级候选点的自相关系数;
第二互相关系数确定单元,用于确定不同级候选点的互相关系数;
第二边缘向量确定单元,用于根据所述边缘宽度系数、所述自相关系数和所述互相关系数确定边缘向量;
亚像素轨迹确定单元,用于根据所述边缘向量确定所述种子点对对应的像素轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022556.3A CN109741356B (zh) | 2019-01-10 | 2019-01-10 | 一种亚像素边缘检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910022556.3A CN109741356B (zh) | 2019-01-10 | 2019-01-10 | 一种亚像素边缘检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741356A CN109741356A (zh) | 2019-05-10 |
CN109741356B true CN109741356B (zh) | 2020-08-21 |
Family
ID=66364246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022556.3A Active CN109741356B (zh) | 2019-01-10 | 2019-01-10 | 一种亚像素边缘检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741356B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260674B (zh) * | 2020-01-14 | 2023-04-18 | 武汉理工大学 | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 |
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 |
CN111504188B (zh) * | 2020-04-28 | 2021-11-16 | 湖北文理学院 | 基于机器视觉的圆弧零件测量方法及装置 |
CN111968144B (zh) * | 2020-09-07 | 2024-03-29 | 凌云光技术股份有限公司 | 一种图像边缘点获取方法及装置 |
CN112700504B (zh) * | 2020-12-30 | 2024-02-20 | 南京理工大学智能计算成像研究院有限公司 | 一种多视角远心相机的视差测量方法 |
CN112862848B (zh) * | 2021-03-18 | 2023-11-21 | 北京小米移动软件有限公司 | 图像处理方法、装置及存储介质 |
CN113421278B (zh) * | 2021-06-22 | 2023-08-15 | 咪咕互动娱乐有限公司 | 基于边缘检测的范围检测方法、装置、设备及存储介质 |
CN113888577B (zh) * | 2021-12-01 | 2022-03-15 | 暨南大学 | 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 |
CN116862919B (zh) * | 2023-09-05 | 2023-12-05 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651828A (zh) * | 2016-09-21 | 2017-05-10 | 哈尔滨工业大学 | 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法 |
CN108986126A (zh) * | 2018-06-15 | 2018-12-11 | 哈尔滨工业大学 | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100243174B1 (ko) * | 1993-12-28 | 2000-02-01 | 윤종용 | 서브픽셀 마스크 발생방법 및 장치 |
CN102609917B (zh) * | 2012-02-13 | 2014-01-08 | 江苏博智软件科技有限公司 | 一种基于聚类算法的图像边缘拟合b样条生成方法 |
CN104268857B (zh) * | 2014-09-16 | 2017-07-18 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN105913415B (zh) * | 2016-04-06 | 2018-11-30 | 博众精工科技股份有限公司 | 一种具有广泛适应性的图像亚像素边缘提取方法 |
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 |
CN108648205A (zh) * | 2018-05-07 | 2018-10-12 | 广州大学 | 一种亚像素边缘检测方法 |
-
2019
- 2019-01-10 CN CN201910022556.3A patent/CN109741356B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651828A (zh) * | 2016-09-21 | 2017-05-10 | 哈尔滨工业大学 | 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法 |
CN108986126A (zh) * | 2018-06-15 | 2018-12-11 | 哈尔滨工业大学 | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 |
Also Published As
Publication number | Publication date |
---|---|
CN109741356A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
US10339643B2 (en) | Algorithm and device for image processing | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
CN112950508A (zh) | 一种基于计算机视觉的排水管道视频数据修复方法 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN108596878B (zh) | 图像清晰度评价方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
US20090226097A1 (en) | Image processing apparatus | |
CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN110866882B (zh) | 基于深度置信度的分层联合双边滤波深度图修复方法 | |
CN112907460B (zh) | 一种遥感图像增强方法 | |
CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
CN115908154A (zh) | 基于图像处理的视频后期颗粒噪声去除方法 | |
CN110427979A (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
CN111369570A (zh) | 一种视频图像的多目标检测跟踪方法 | |
WO2015198368A1 (ja) | 画像処理装置及び画像処理方法 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
US11354794B2 (en) | Deposit detection device and deposit detection method |
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 |