CN109785348A - 基于图像边界近似曲率变化的新型角点检测方法及系统 - Google Patents
基于图像边界近似曲率变化的新型角点检测方法及系统 Download PDFInfo
- Publication number
- CN109785348A CN109785348A CN201811535204.XA CN201811535204A CN109785348A CN 109785348 A CN109785348 A CN 109785348A CN 201811535204 A CN201811535204 A CN 201811535204A CN 109785348 A CN109785348 A CN 109785348A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- point
- curvature
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像边界近似曲率变化的新型角点检测方法及系统，属于数字图像处理技术领域，本发明利用边缘检测方法提取边缘，获得只含有边缘的初始二值图像，在初始二值图像的基础之上，检查各个边缘的形态并记录组成每条边缘的像素点的位置和数目，进一步确定干路和支路，并将像素点数目小于或者等于预设像素点数目阈值的边缘视为噪点或者毛刺而去除，得到处理后的二值图像，在处理后的二值图像的基础上计算每一个像素点的近似曲率和每条边缘对应的曲率变化率，进而根据曲率变化率确定角点。本发明采用基于近似曲率变化的方法对噪点和毛刺具有鲁棒性，从而能够在复杂背景下保持一定的识别率，具有计算量小、检测效率高等特点。
Description
技术领域
本发明涉及数字图像处理技术领域，特别是涉及一种基于图像边界近似曲率变化的新型角点检测方法及系统。
背景技术
在计算机视觉中，常常用到图像配准、全景拼接、视觉跟踪等技术，而在实现这些技术之前，需要进行角点检测，以确定匹配基准。现有的基于边缘轮廓的角点检测技术有的存在计算量大(例如CPDA算法)的问题，检测效率较低，而有的检测技术不能确定具有复杂背景的角点(例如CSS算法)，导致在复杂背景下角点检测的识别率较低。
发明内容
基于此，有必要针对现有的角点检测技术存在的检测效率较低和识别率较低的问题，提供一种基于图像边界近似曲率变化的新型角点检测方法及系统。
为解决上述问题，本发明采取如下的技术方案：
一种基于图像边界近似曲率变化的新型角点检测方法，所述方法包括以下步骤：
获取原灰度图像；
对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像；
检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目；
检查带有支路的边缘，确定边缘的干路和支路；
判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像；
计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率；
判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
相应地，本发明还提出一种基于图像边界近似曲率变化的新型角点检测系统，所述系统包括：
获取单元，用于获取原灰度图像；
边缘检测单元，用于对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像；
像素点检查单元，用于检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目；
干路和支路检查单元，用于检查带有支路的边缘，确定边缘的干路和支路；
判断单元，用于判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像；
计算单元，用于计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率；
角点确定单元，用于判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
上述一种基于图像边界近似曲率变化的新型角点检测方法及系统利用边缘检测方法提取边缘，获得只含有边缘的初始二值图像，在初始二值图像的基础之上，检查各个边缘的形态并记录组成每条边缘的像素点的位置和数目，进一步确定干路和支路，并将像素点数目小于或者等于预设像素点数目阈值的边缘视为噪点或者毛刺而去除，得到处理后的二值图像，在处理后的二值图像的基础上计算每一个像素点的近似曲率和每条边缘对应的曲率变化率，进而根据曲率变化率确定角点。本发明采用基于近似曲率变化的方法对噪点和毛刺具有鲁棒性，从而能够在复杂背景下保持一定的识别率，具有计算量小、检测效率高等特点。
附图说明
图1为本发明基于图像边界近似曲率变化的新型角点检测方法其中一个实施例的流程示意图；
图2为本发明基于图像边界近似曲率变化的新型角点检测方法其中一个实施例中初始二值图像示意图；
图3为本发明基于图像边界近似曲率变化的新型角点检测方法利用2×2的模板检测最近的临近点的示意图和检测完成后的示意图；
图4为本发明基于图像边界近似曲率变化的新型角点检测方法确定链表中元素对应的像素点的连接数示意图和处理后的示意图；
图5为本发明基于图像边界近似曲率变化的新型角点检测方法确定边缘各像素点的近似曲率的示意图；
图6为本发明基于图像边界近似曲率变化的新型角点检测系统的结构示意图。
具体实施方式
本发明为一种用于角点检测的方法及系统，其原理是在只含有边缘的二值图像中，若某些边缘点是角点，该点的曲率在局部区域的边界曲率变化中必然是显著的，为此，本发明考虑根据是否超过曲率变化的局部均值的一定范围来判断是否为候选角点，然后从这些候选角点中选取极值点认作角点。
下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中，如图1所示，本发明公开一种基于图像边界近似曲率变化的新型角点检测方法，该方法包括以下步骤：
S100获取原灰度图像；
S200对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像；
S300检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目；
S400检查带有支路的边缘，确定边缘的干路和支路；
S500判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像；
S600计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率；
S700判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
具体地，在本实施例中，首先获取待确定角点的原灰度图像。
获取原灰度图像后，对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像，如图2所示。在本实施例中，可以采用Canny边缘检测算法对原灰度图像进行边缘检测，Canny边缘检测算法是澳大利亚科学家John F. Canny在1986年提出的一种多级边缘检测算法，是图像边缘检测算法中最经典、有效的算法之一。
获得只含有边缘的初始二值图像之后，检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目，表1为记录图2所示初始二值图像中部分像素点位置和数目的表格。在本步骤中，在检查每条边缘的形态时，如遇到有支路，则记录分叉点，并从这个分叉点记录支路边缘，与此同时记录像素点数目。
表1
| 像素点 | x坐标 | y坐标 |
| 1 | 28 | 1 |
| 2 | 27 | 2 |
| 3 | 28 | 2 |
| 4 | 26 | 3 |
| 5 | 27 | 3 |
| 6 | 26 | 4 |
| 7 | 25 | 5 |
| 8 | 26 | 5 |
| 9 | 25 | 6 |
| 10 | 25 | 7 |
| … | … | … |
在步骤S400中，检查带有支路的边缘，对比支路长度，将最长的作为干路的延续，其余的作为支路，从而确定边缘的干路和支路。
设定2×2的模板，该模板用于检测最近的临近边缘点，模板的移动以及长度均是沿着边缘曲线的。如图3所示，其中图3(a)为利用2×2的模板检测最近的临近点的示意图，图3(b)为检测完成后的示意图，将2×2的模板放在任意一个边缘的任意一个像素点(即当前像素点)上，检查最近的临近点，优先选择最近的点作为临近点，即以距离当前像素点最近的像素点作为临近点，例如，当处于模板B的情形时，只存在欧式距离为1的像素点，此时该欧式距离为1的像素点为临近点；当处于模板C的情形时，只存在欧式距离为的像素点，此时该欧式距离为的像素点为临近点；当处于模板A或E的情形时，欧氏距离为1和的像素点同时存在，此时选择欧氏距离为1的像素点作为临近点；当处于模板D的情形时，会有两个欧氏距离为1的像素点，此时则同时把它们作为临近点。将像素点及其对应的临近点以链表的数据结构存储起来，当当前像素点遍历初始二值图像中每条边缘的全部像素点后，得到以链表的数据结构对遍历结果进行存储的链表。
逐一检查链表中每个元素的连接数，将多于2个(不含2个)的链表元素所对应的像素点视为分叉点，即有支路存在，根据这些支路的长度比较，选一条最长的边缘作为干路的延续，余下较短的视为支路。如图4所示，其中图4 (a)为确定链表中元素对应的像素点的连接数示意图，图4(b)为处理后的示意图，图中黑色为干路，其余为支路。
在步骤S500中，判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像。在本步骤中，为每条边缘的统计像素点数目n，设定预设像素点数目阈值k，判断当前边缘所包含的像素点的数目n是否大于预设像素点数目阈值k，若是，则保留当前边缘；若当前边缘所包含的像素点的数目n是否小于或者等于预设像素点数目阈值k，则将组成像素点数目n少于预设像素点数目阈值k的边缘视为噪点或者毛刺，过滤掉(从链表删除)。当当前边缘遍历初始二值图像中的全部边缘后，得到不含有噪点或者毛刺的处理后的二值图像。
在步骤S500获得处理后的二值图像后，在步骤S600中，计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率。在本步骤中，计算处理后的二值图像中每条边缘的每个像素点的近似曲率时，利用与被计算点相隔预设个数像素点(例如与被计算点相隔a个像素点)的相邻像素点计算被计算点对应的圆的半径，并根据圆的半径计算被计算点对应的近似曲率。对于较长的边缘，一般认为具有较少的细节，此时a的值可取大些，对于较短的边缘，一般认为具有较多的细节，此时a的值应取小些。
a的取值设定后，假设a＝2，如图5所示，图中黑色像素点为被计算点，与被计算点相隔2个像素点的相邻像素点(即参与计算像素点)分别为黑色实框的像素点，根据圆的一般方程：
x2+y2+Dx+Ey+F＝0
将被计算点坐标(x0,y0)以及两个参与计算像素点坐标(x1,y1)、(x2,y2)代入上式，解出该圆的系数D、E、F：
然后求出相应的圆半径R
或直接求出被计算点的近似曲率：
当被计算点偏离角点时，会有较大的半径，也意味着有较小的近似曲率，见图5中圆R1；若被计算点恰为角点时，将会有局部最小的半径，此时就会有局部最大的近似曲率，见圆R2。
在步骤S700中，判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。在计算处理后的二值图像中每条边缘的每个像素点的近似曲率后，沿着当前边缘逐点计算近似曲率差分的绝对值，可得到当前边缘对应的曲率变化率。对当前边缘像素点曲率变化进行统计分析，根据当前边缘曲率变化率的均值的一定范围来设定相对阈值，即根据当前边缘对应的曲率变化率的局部均值确定曲率变化率相对阈值，将超出此阈值的对应像素点视为候选角点，由于角点邻近的像素点也会有较高的曲率变化率，因此可以通过选取局部极大值来确定角点的位置，即将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点视为角点。当当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
本实施例利用边缘检测方法提取边缘，获得只含有边缘的初始二值图像，在初始二值图像的基础之上，检查各个边缘的形态并记录组成每条边缘的像素点的位置和数目，进一步确定干路和支路，并将像素点数目小于或者等于预设像素点数目阈值的边缘视为噪点或者毛刺而去除，得到处理后的二值图像，在处理后的二值图像的基础上计算每一个像素点的近似曲率和每条边缘对应的曲率变化率，进而根据曲率变化率确定角点。本实施例采用基于近似曲率变化的方法对噪点和毛刺具有鲁棒性，从而能够在复杂背景下保持一定的识别率，具有计算量小、检测效率高等特点。
在另一个实施例中，如图6所示，本发明还公开一种基于图像边界近似曲率变化的新型角点检测系统，该系统包括：
获取单元100，用于获取原灰度图像；
边缘检测单元200，用于对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像；
像素点检查单元300，用于检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目；
干路和支路检查单元400，用于检查带有支路的边缘，确定边缘的干路和支路；
判断单元500，用于判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像；
计算单元600，用于计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率；
角点确定单元700，用于判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
具体地，在本实施例中，获取单元100获取原灰度图像，边缘检测单元200 对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像，如图2所示。在本实施例中，边缘检测单元200可以采用Canny边缘检测算法对原灰度图像进行边缘检测，Canny边缘检测算法是澳大利亚科学家JohnF.Canny 在1986年提出的一种多级边缘检测算法，是图像边缘检测算法中最经典、有效的算法之一。
像素点检查单元300检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目。像素点检查单元300在检查每条边缘的形态时，如遇到有支路，则记录分叉点，并从这个分叉点记录支路边缘，与此同时记录像素点数目。
干路和支路检查单元400检查带有支路的边缘，对比支路长度，将最长的作为干路的延续，其余的作为支路，从而确定边缘的干路和支路。
干路和支路检查单元400设定2×2的模板，该模板用于检测最近的临近边缘点，模板的移动以及长度均是沿着边缘曲线的。如图3所示，其中图3(a) 为利用2×2的模板检测最近的临近点的示意图，图3(b)为检测完成后的示意图，将2×2的模板放在任意一个边缘的任意一个像素点(即当前像素点)上，检查最近的临近点，优先选择最近的点作为临近点，即以距离当前像素点最近的像素点作为临近点，例如，当处于模板B的情形时，只存在欧式距离为1的像素点，此时该欧式距离为1的像素点为临近点；当处于模板C的情形时，只存在欧式距离为的像素点，此时该欧式距离为的像素点为临近点；当处于模板A或E的情形时，欧氏距离为1和的像素点同时存在，此时选择欧氏距离为1的像素点作为临近点；当处于模板D的情形时，会有两个欧氏距离为1 的像素点，此时则同时把它们作为临近点。将像素点及其对应的临近点以链表的数据结构存储起来，当当前像素点遍历初始二值图像中每条边缘的全部像素点后，得到以链表的数据结构对遍历结果进行存储的链表。
干路和支路检查单元400逐一检查链表中每个元素的连接数，将多于2个 (不含2个)的链表元素所对应的像素点视为分叉点，即有支路存在，根据这些支路的长度比较，选一条最长的边缘作为干路的延续，余下较短的视为支路。如图4所示，其中图4(a)为确定链表中元素对应的像素点的连接数示意图，图4(b)为处理后的示意图，图中黑色为干路，其余为支路。
判断单元500判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像。为每条边缘的统计像素点数目n，设定预设像素点数目阈值k，判断单元500判断当前边缘所包含的像素点的数目n是否大于预设像素点数目阈值k，若是，则保留当前边缘；若当前边缘所包含的像素点的数目n是否小于或者等于预设像素点数目阈值k，则将组成像素点数目n少于预设像素点数目阈值k的边缘视为噪点或者毛刺，过滤掉(从链表删除)。当当前边缘遍历初始二值图像中的全部边缘后，得到不含有噪点或者毛刺的处理后的二值图像。
计算单元600计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率。计算单元600计算处理后的二值图像中每条边缘的每个像素点的近似曲率时，利用与被计算点相隔预设个数像素点(例如与被计算点相隔a个像素点)的相邻像素点计算被计算点对应的圆的半径，并根据圆的半径计算被计算点对应的近似曲率。对于较长的边缘，一般认为具有较少的细节，此时a的值可取大些，对于较短的边缘，一般认为具有较多的细节，此时a的值应取小些。
a的取值设定后，假设a＝2，如图5所示，图中黑色像素点为被计算点，与被计算点相隔2个像素点的相邻像素点(即参与计算像素点)分别为黑色实框的像素点，根据圆的一般方程：
x2+y2+Dx+Ey+F＝0
将被计算点坐标(x0,y0)以及两个参与计算像素点坐标(x1,y1)、(x2,y2)代入上式，解出该圆的系数D、E、F：
然后求出相应的圆半径R
或直接求出被计算点的近似曲率：
当被计算点偏离角点时，会有较大的半径，也意味着有较小的近似曲率，见图5中圆R1；若被计算点恰为角点时，将会有局部最小的半径，此时就会有局部最大的近似曲率，见圆R2。
角点确定单元700判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。计算单元600在计算处理后的二值图像中每条边缘的每个像素点的近似曲率后，沿着当前边缘逐点计算近似曲率差分的绝对值，可得到当前边缘对应的曲率变化率。角点确定单元700对当前边缘像素点曲率变化进行统计分析，根据当前边缘曲率变化率的均值的一定范围来设定相对阈值，即根据当前边缘对应的曲率变化率的局部均值确定曲率变化率相对阈值，将超出此阈值的对应像素点视为候选角点，由于角点邻近的像素点也会有较高的曲率变化率，因此可以通过选取局部极大值来确定角点的位置，即将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点视为角点。当当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
本实施例利用边缘检测方法提取边缘，获得只含有边缘的初始二值图像，在初始二值图像的基础之上，检查各个边缘的形态并记录组成每条边缘的像素点的位置和数目，进一步确定干路和支路，并将像素点数目小于或者等于预设像素点数目阈值的边缘视为噪点或者毛刺而去除，得到处理后的二值图像，在处理后的二值图像的基础上计算每一个像素点的近似曲率和每条边缘对应的曲率变化率，进而根据曲率变化率确定角点。本实施例采用基于近似曲率变化的方法对噪点和毛刺具有鲁棒性，从而能够在复杂背景下保持一定的识别率，具有计算量小、检测效率高等特点。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图像边界近似曲率变化的新型角点检测方法，其特征在于，包括以下步骤：
获取原灰度图像；
对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像；
检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目；
检查带有支路的边缘，确定边缘的干路和支路；
判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前边缘遍历初始二值图像中的全部边缘后，得到处理后的二值图像；
计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率；
判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前边缘遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
2.根据权利要求1所述的基于图像边界近似曲率变化的新型角点检测方法，其特征在于，检查带有支路的边缘，确定边缘的干路和支路的步骤包括：
将2×2的模板放置在当前像素点上，以距离当前像素点最近的像素点作为临近点，当前像素点遍历初始二值图像中每条边缘的全部像素点后，以链表的数据结构对遍历结果进行存储；
逐一检查链表中每个元素的连接数目，并将多于2个的链表元素所对应的像素点视为有支路存在的分叉点，比较全部有支路存在的分叉点所对应的边缘的长度，将长度最长的一条边缘作为干路，其他边缘作为支路。
3.根据权利要求1或2所述的基于图像边界近似曲率变化的新型角点检测方法，其特征在于，计算处理后的二值图像中每条边缘的每个像素点的近似曲率的步骤包括：
利用与被计算点相隔预设个数像素点的相邻像素点计算被计算点对应的圆的半径，并根据圆的半径计算被计算点对应的近似曲率。
4.根据权利要求1或2所述的基于图像边界近似曲率变化的新型角点检测方法，其特征在于，
曲率变化率相对阈值为当前边缘对应的曲率变化率的局部均值。
5.根据权利要求1或2所述的基于图像边界近似曲率变化的新型角点检测方法，其特征在于，
采用Canny边缘检测算法对原灰度图像进行边缘检测。
6.一种基于图像边界近似曲率变化的新型角点检测系统，其特征在于，包括：
获取单元，用于获取原灰度图像；
边缘检测单元，用于对原灰度图像进行边缘检测，提取边缘，得到只含有边缘的初始二值图像；
像素点检查单元，用于检查初始二值图像中每条边缘的形态，记录组成每条边缘的像素点的位置和数目；
干路和支路检查单元，用于检查带有支路的边缘，确定边缘的干路和支路；
判断单元，用于判断当前边缘所包含的像素点的数目是否大于预设像素点数目阈值，若是，则保留对应的边缘；若否，则去除对应的边缘；当前像素点遍历初始二值图像中的全部边缘后，得到处理后的二值图像；
计算单元，用于计算处理后的二值图像中每条边缘的每个像素点的近似曲率，并根据各个近似曲率计算每条边缘对应的曲率变化率；
角点确定单元，用于判断当前边缘的各个像素点的曲率变化率是否大于曲率变化率相对阈值，若是，则将对应的像素点作为当前边缘的候选角点，并将当前边缘的全部候选角点中的曲率变化率极值点对应的候选角点作为角点；当前像素点遍历处理后的二值图像中的全部边缘后，得到原灰度图像的全部角点。
7.根据权利要求6所述的基于图像边界近似曲率变化的新型角点检测系统，其特征在于，
干路和支路检查单元用于将2×2的模板放置在当前像素点上，以距离当前像素点最近的像素点作为临近点，当前像素点遍历初始二值图像中每条边缘的全部像素点后，以链表的数据结构对遍历结果进行存储；
逐一检查链表中每个元素的连接数目，并将多于2个的链表元素所对应的像素点视为有支路存在的分叉点，比较全部有支路存在的分叉点所对应的边缘的长度，将长度最长的一条边缘作为干路，其他边缘作为支路。
8.根据权利要求6或7所述的基于图像边界近似曲率变化的新型角点检测系统，其特征在于，
所述计算单元利用与被计算点相隔预设个数像素点的相邻像素点计算被计算点对应的圆的半径，并根据圆的半径计算被计算点对应的近似曲率。
9.根据权利要求6或7所述的基于图像边界近似曲率变化的新型角点检测系统，其特征在于，
曲率变化率相对阈值为当前边缘对应的曲率变化率的局部均值。
10.根据权利要求6或7所述的基于图像边界近似曲率变化的新型角点检测系统，其特征在于，
所述边缘检测单元采用Canny边缘检测算法对原灰度图像进行边缘检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811535204.XA CN109785348A (zh) | 2018-12-14 | 2018-12-14 | 基于图像边界近似曲率变化的新型角点检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811535204.XA CN109785348A (zh) | 2018-12-14 | 2018-12-14 | 基于图像边界近似曲率变化的新型角点检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109785348A true CN109785348A (zh) | 2019-05-21 |
Family
ID=66496989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811535204.XA Pending CN109785348A (zh) | 2018-12-14 | 2018-12-14 | 基于图像边界近似曲率变化的新型角点检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109785348A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561853A (zh) * | 2020-11-04 | 2021-03-26 | 惠州学院 | 一种角点检测方法、装置、设备及计算机可读存储介质 |
| CN113626633A (zh) * | 2021-09-01 | 2021-11-09 | 北京云蝶智学科技有限公司 | 图片检索方法及装置 |
| CN114581444A (zh) * | 2022-05-06 | 2022-06-03 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
| CN115115629A (zh) * | 2022-08-29 | 2022-09-27 | 南通浩盛汽车科技有限公司 | 基于计算机视觉的汽车密封条质量检测方法 |
| CN116188472A (zh) * | 2023-05-04 | 2023-05-30 | 无锡康贝电子设备有限公司 | 一种数控机床零件的在线视觉检测方法 |
| CN117372790A (zh) * | 2023-12-08 | 2024-01-09 | 浙江托普云农科技股份有限公司 | 植物叶片形状分类的方法、系统及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101246589A (zh) * | 2008-03-17 | 2008-08-20 | 北京交通大学 | 一种基于稳定圆形区域的抗几何攻击鲁棒水印方法 |
| CN102226919A (zh) * | 2011-05-18 | 2011-10-26 | 山东大学 | 基于非线性复扩散及全局和局部特性的角点检测方法 |
| CN106340010A (zh) * | 2016-08-22 | 2017-01-18 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
| CN107341802A (zh) * | 2017-07-19 | 2017-11-10 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
-
2018
- 2018-12-14 CN CN201811535204.XA patent/CN109785348A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101246589A (zh) * | 2008-03-17 | 2008-08-20 | 北京交通大学 | 一种基于稳定圆形区域的抗几何攻击鲁棒水印方法 |
| CN102226919A (zh) * | 2011-05-18 | 2011-10-26 | 山东大学 | 基于非线性复扩散及全局和局部特性的角点检测方法 |
| CN106340010A (zh) * | 2016-08-22 | 2017-01-18 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
| CN107341802A (zh) * | 2017-07-19 | 2017-11-10 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘涛: "图像角点检测方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 周小龙 等: "基于角点角度特征串的RSI多目标识别", 《计算机工程与应用》 * |
| 赵亚利 等: "图像边缘轮廓自适应阈值的角点检测算法", 《中国图象图形学报》 * |
| 金凌晨 等: "基于 Taubin 拟合方法的眼睛定位算法", 《淮阴工学院学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561853A (zh) * | 2020-11-04 | 2021-03-26 | 惠州学院 | 一种角点检测方法、装置、设备及计算机可读存储介质 |
| CN112561853B (zh) * | 2020-11-04 | 2023-11-28 | 惠州学院 | 一种角点检测方法、装置、设备及计算机可读存储介质 |
| CN113626633A (zh) * | 2021-09-01 | 2021-11-09 | 北京云蝶智学科技有限公司 | 图片检索方法及装置 |
| CN114581444A (zh) * | 2022-05-06 | 2022-06-03 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
| CN114581444B (zh) * | 2022-05-06 | 2022-08-02 | 济宁海富光学科技有限公司 | 基于图像处理的玻璃盖打磨工艺监测方法 |
| CN115115629A (zh) * | 2022-08-29 | 2022-09-27 | 南通浩盛汽车科技有限公司 | 基于计算机视觉的汽车密封条质量检测方法 |
| CN116188472A (zh) * | 2023-05-04 | 2023-05-30 | 无锡康贝电子设备有限公司 | 一种数控机床零件的在线视觉检测方法 |
| CN117372790A (zh) * | 2023-12-08 | 2024-01-09 | 浙江托普云农科技股份有限公司 | 植物叶片形状分类的方法、系统及装置 |
| CN117372790B (zh) * | 2023-12-08 | 2024-03-08 | 浙江托普云农科技股份有限公司 | 植物叶片形状分类的方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109785348A (zh) | 基于图像边界近似曲率变化的新型角点检测方法及系统 | |
| TWI362016B (en) | Method for detecting desired objects in a highly dynamic environment by a monitoring system and the monitoring system thereof | |
| KR100825773B1 (ko) | 방향 추정 방법 및 장치 | |
| CN105354558B (zh) | 人脸图像匹配方法 | |
| CN106960449B (zh) | 基于多特征约束的异源配准方法 | |
| CN107316326B (zh) | 应用于双目立体视觉的基于边的视差图计算方法和装置 | |
| CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
| CN103020898B (zh) | 序列虹膜图像超分辨率重建方法 | |
| CN106488122A (zh) | 一种基于改进Sobel算子的动态自动调焦算法 | |
| Shen et al. | A hierarchical horizon detection algorithm | |
| CN105389793B (zh) | 一种自动识别物体表面裂缝走向及宽度的方法 | |
| CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
| CN104408741A (zh) | 一种时序一致性约束的视频全局运动估计方法 | |
| JP5937823B2 (ja) | 画像照合処理装置、画像照合処理方法及び画像照合処理プログラム | |
| CN109559273A (zh) | 一种面向车底图像的快速拼接方法 | |
| CN110717900A (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
| CN105975905A (zh) | 一种手指静脉快速识别方法 | |
| CN105701515B (zh) | 一种基于双层流形约束的人脸超分辨率处理方法及系统 | |
| CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
| CN106600965B (zh) | 基于尖锐度的交通流早晚高峰时段自动识别方法 | |
| CN105335930A (zh) | 边缘数据驱动的鲁棒性人脸超分辨率处理方法及系统 | |
| JP5192437B2 (ja) | 物体領域検出装置、物体領域検出方法および物体領域検出プログラム | |
| CN114140862A (zh) | 模型训练方法、人脸识别方法、装置、设备、介质及产品 | |
| CN109934193B (zh) | 全局上下文先验约束的抗遮挡人脸超分辨率方法及其系统 | |
| CN110830734B (zh) | 一种突变和渐变镜头切换识别方法及系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190521 |
|
| WD01 | Invention patent application deemed withdrawn after publication |