CN109978878A - 基于lsd的彩色图像线段检测方法及其系统 - Google Patents

Abstract

本发明涉及基于LSD的彩色图像线段检测方法及其系统，包括：对图片进行一次高斯降采样并缩小图片，对图片的RGB三通道进行梯度检测，确定三者中最大的梯度值作为基准梯度，区域增长，矩形估计，输出检测结果。本发明有益效果：采样图像为彩色图像时，无需经过灰度处理，通过对原图三通道进行梯度检测确定梯度值，快速精确地检测到彩色边缘线段。

Description

基于LSD的彩色图像线段检测方法及其系统

技术领域

本发明涉及基于LSD的彩色图像线段检测方法及其系统，属于图像识别领域。

背景技术

图像识读领域，线段检测是进行图像处理的基础步骤。Rafael Grompone、JeremieJackbowicz、Jean-Michel Morel于2010年在PAMI上的发表的文献《LSD:a Line SegmentDectctor》描述了一种LSD快速直线检测算法。该算法时间复杂度较霍夫变换低。LSD算法通过对图像局部分析，得出直线的像素点集，再通过假设参数进行验证求解，将像素点集合与误差控制集合合并，进而自适应控制误检的数量。一般来说，要检测图像中的直线，最基本的思想是检测图像中梯度变化较大的像素点集，LSD算法也正是利用梯度信息和行列线(level-line)来进行直线检测的。

现有技术的LSD算法设计用于处理灰度图像，在对彩色图像应用LSD之前，必须将其转换为灰度图像。然而，在这种转换中可能会丢失一些颜色边缘。例如，左边红色右边绿色的一幅图像中间显示一条清晰的边缘，但是在标准转换为灰度图像之后，发现边缘消失，原因是红色值和绿色值都转换为相同的灰色值。因此，现有技术的LSD算法无法检测彩色图像线段，尤其是两种颜色的边缘线段。

发明内容

为了解决上述技术问题，本发明提供基于LSD的彩色图像线段检测方法及其系统，其能够对彩色图像的线段进行检测，尤其适用于票据图像的识别。

本发明的技术方案一：

基于LSD的彩色图像线段检测方法，包括如下步骤：

S1：获取一帧彩色图像。

S2：对图像进行高斯降采样，缩小图像分辨率。

S3：对缩小分辨率的图像的每个像素点分别进行梯度计算，其中，像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算，取三个梯度的最大值作为当前像素的梯度值。

S4：根据S3步骤输出的梯度值对每个像素进行筛选，去除其中小于梯度阈值的像素，其中，所述梯度阈值为

S5：对筛选后的像素分别根据其梯度值进行区域增长运算，合并与当前像素梯度方向相同的像素，获得对应的规划区域。

S6：对所有的规划区域进行矩形近似计算，得到对应的直线段。

S7：输出带有所有直线段的图像。

S3步骤中，所述梯度算法为以下多项式；

其中，g_x(x,y)和g_y(x,y)分别为当前像素点的水平梯度和垂直梯度，G(x,y)为区域梯度的幅值，A(x,y)为区域梯度的角度，i(x,y)，i(x+1,y)，i(x,y+1)，i(x+1,y+1)，为2乘2模板上相邻的四个点的值，x和y分别为当前像素点的横纵坐标。

本发明的技术方案二：

基于LSD的彩色图像线段检测系统，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行以下步骤：

获取一帧彩色图像。

对图像进行高斯降采样，缩小图像分辨率。

对缩小分辨率的图像的每个像素点分别进行梯度计算，其中，像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算，取三个梯度的最大值作为当前像素的梯度值。

根据输出的梯度值对每个像素进行筛选，去除其中小于梯度阈值的像素，其中，所述梯度阈值为

对筛选后的像素分别根据其梯度值进行区域增长运算，合并与当前像素梯度方向相同的像素，获得对应的规划区域。

对所有的规划区域进行矩形近似计算，得到对应的直线段。

输出带有所有直线段的图像。

计算三通道梯度值使用的所述梯度算法为以下多项式；

其中，g_x(x,y)和g_y(x,y)分别为当前像素点的水平梯度和垂直梯度，G(x,y)为区域梯度的幅值，A(x,y)为区域梯度的角度，i(x,y)，i(x+1,y)，i(x,y+1)，i(x+1,y+1)，为2乘2模板上相邻的四个点的值，x和y分别为当前像素点的横纵坐标。

本发明的有益效果为，使用原图彩色图像直接进行三通道梯度检测，选取最大值作为梯度值，没有经过彩色转灰度的信息丢失，对于彩色边缘的线段，可以精准高效的检测出来。

附图说明

图1为现有技术的LSD直线线段检测流程图；

图2为本发明的基于LSD的彩色图像线段检测方法流程图；

图3为本发明的一个实施例的彩色原图；

图4为本发明的一个实施例的梯度计算模板示意图；

图5为本发明的一个实施例的区域增长运算示意图；

图6为本发明的一个实施例的矩形近似计算示意图；

图7为本发明的一个实施例的直线段计算结果示意图。

具体实施方式

下面结合附图和具体实施例来对本发明进行详细的说明。

实施例一

请参阅图2，基于LSD的彩色图像线段检测方法，包括如下步骤：

S1：获取一帧彩色图像，如图3所示，(原图为左红右绿的图像)。

S2：对图像进行高斯降采样，缩小图像分辨率。

通过降采样可以减缓或解决图像中出现的混叠与量化伪像问题，特别是阶梯效应，混叠问题是使不同的信号成为不可区分的效果时采样。它也指失真或伪影，其导致当从样品中重建的信号是从原始连续信号不同。而另一个问题，阶梯效应实际上就是锯齿问题，图像在边缘处常常显示成锯齿状，所以需要通过降采样解决这个问题。

本方案算法中默认的降采样比例是0.8，X轴Y轴各降采样0.8，而总像素降采样0.64。通过使用高斯内核过滤图像以避免混叠然后进行次采样。公式求得的是高斯内核标准偏差，σ＝∑/S，S是缩放因子。

S3：对缩小分辨率的图像的每个像素点分别进行梯度计算，其中，像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算，取三个梯度的最大值作为当前像素的梯度值。

LSD梯度的计算利用每像素点的右边下方的四个像素进行计算。这样做主要是尽可能少的使用其他像素，可以减少对梯度的依赖性，这样对有噪声的图像更具有鲁棒性。计算梯度是为了记录明暗变化，从而找到可能有线段边缘的地方。

传统LSD对图像进行灰度转换后进行单通道检测，会使得彩色图像边缘信息丢失。本方案不进行灰度转换，对三通道分别进行梯度计算，确保色彩信息不丢失。

S4：根据S3步骤输出的梯度值对每个像素进行筛选，去除其中小于梯度阈值的像素，其中，所述梯度阈值为

如果一张图像中有些小梯度区域表现非常均匀，由于值的量化，那里的像素就会表现出更高的误差，会影响到区域增长运算，误导直线方向，那么设定如果梯度小于某一个阈值ρ就被抛弃并将不再用于线段区域的构建。假设存在理想图像i和量化噪声n，当角度误差小于容忍值的时候，我们就接受这个像素，一般来说，阈值设定为

S5：对筛选后的像素分别根据其梯度值进行区域增长运算，合并与当前像素梯度方向相同的像素，获得对应的规划区域。

当前像素计算完梯度之后，会得到一个像素的方向，而由像素构成的line区域也会有一个方向，便可以通过这两个方向之间的差距，判断该像素是否可以被纳入到直线区域中，所有可纳入的像素连线最终得到一规划区域，遍历所有像素后，得到若干规划区域，即各个直线线段的范围区域。

这个区域增长运算的算法是现有技术，执行的结果是将代表当前方向的区域进行不断地扩大，吞并附近和当前方向大致相同的像素，直至断点，形成一个线段的雏形区域。

如图5所示，在一个实施例中，对原图三个主要线段方向的区域增长运算，获得三个规划区域。

S6：对所有的规划区域进行矩形近似计算，得到对应的直线段。

规划增长区域后，要将该区域进行矩形近似计算，以求得一个较为规整的直线区域。一个直线段对应一个矩形，评估line support region，直线对应的矩形被找出。检测拟合矩形内梯度角，根据对应NFA公式，计算出该拟合矩形精度误差，如果不满足，则丢弃；如果满足要求，则将该矩形记录存储，表示为一条检测到的直线段。如图6所示，在一个实施例中，对所有的规划区域进行近似计算，得到图中不断连接的直线线段。

S7：输出带有所有直线段的图像。如图7所示。

S3步骤中，所述梯度算法为以下多项式；

其中，g_x(x,y)和g_y(x,y)分别为当前像素点的水平梯度和垂直梯度，G(x,y)为区域梯度的幅值，A(x,y)为区域梯度的角度，i(x,y)，i(x+1,y)，i(x,y+1)，i(x+1,y+1)，为2乘2模板上相邻的四个点的值，x和y分别为当前像素点的横纵坐标。

LSD梯度的计算利用每像素点的右边下方的四个像素进行计算。这样做，主要是尽可能少的使用其他像素，可以减少对梯度的依赖性，这样对有噪声的图像更具有鲁棒性。计算梯度是为了记录明暗变化，从而找到可能有线段边缘的地方。图像中由明转暗和由暗转明处的线段方向是不同的，呈180度差距，那就意味着如果一张图片倒置其明暗，使用LSD算出的线段依旧是那些线段，但是头与尾是颠倒过来的。并且因为梯度计算只用到了右下方的像素，所以计算出来的梯度并不是(x,y)点的梯度，而是(x+0.5,y+0.5)的梯度。

S3步骤中，分别取i(x,y)为像素点三通道中的r、g、b值，使用梯度算法求出各通道幅值G_r(x,y)，G_g(x,y)，G_b(x,y)，各通道角度值A_r(x,y)，A_g(x,y)，A_b(x,y)，计算最大幅值G_max(x,y)和最大角度值A_max(x,y)：

G_max(x,y)＝MAX(G_r(x,y)，G_g(x,y)，G_b(x,y))

A_max(x,y)＝MAX(A_r(x,y)，A_g(x,y)，A_b(x,y))

输出G_max(x,y)，A_max(x,y)作为下一步的运算要素。

本发明的有益效果为，使用原图彩色图像直接进行三通道梯度检测，选取最大值作为梯度值，没有经过彩色转灰度的信息丢失，对于彩色边缘的线段，可以精准高效的检测出来。

实施例二

基于LSD的彩色图像线段检测系统，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行以下步骤：

获取一帧彩色图像。

对图像进行高斯降采样，缩小图像。

对缩小的图像的每个像素点分别进行梯度计算，其中，像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算，取三个梯度的最大值作为当前像素的梯度值。

根据S3步骤输出的梯度值对每个像素进行筛选，去除其中小于梯度阈值的像素，其中，所述梯度阈值为

对筛选后的像素分别根据其梯度值进行区域增长运算，合并与当前像素梯度方向相同的像素，获得对应的规划区域。

对所有的规划区域进行矩形近似计算，得到对应的直线段。

输出带有所有直线段的图像。

计算三通道梯度值使用的所述梯度算法为以下多项式；

其中，g_x(x,y)和g_y(x,y)分别为当前像素点的水平梯度和垂直梯度，G(x,y)为区域梯度的幅值，A(x,y)为区域梯度的角度，i(x,y)，i(x+1,y)，i(x,y+1)，i(x+1,y+1)，为2乘2模板上相邻的四个点的值，x和y分别为当前像素点的横纵坐标。

计算三通道梯度值时，分别取i(x,y)为像素点三通道中的r、g、b值，使用梯度算法求出各通道幅值G_r(x,y)，G_g(x,y)，G_b(x,y)，各通道角度值A_r(x,y)，A_g(x,y)，A_b(x,y)，计算最大幅值G_max(x,y)和最大角度值A_max(x,y)：

G_max(x,y)＝MAX(G_r(x,y)，G_g(x,y)，G_b(x,y))

A_max(x,y)＝MAX(A_r(x,y)，A_g(x,y)，A_b(x,y))

输出G_max(x,y)，A_max(x,y)作为区域增长运算的输入值。

本发明的有益效果为，使用原图彩色图像直接进行三通道梯度检测，选取最大值作为梯度值，没有经过彩色转灰度的信息丢失，对于彩色边缘的线段，可以精准高效的检测出来。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包含在本发明的专利保护范围内。

Claims (4)

1.基于LSD的彩色图像线段检测方法，其特征在于，包括如下步骤：

S1：获取一帧彩色图像；

S2：对图像进行高斯降采样，缩小图像分辨率；

S3：对缩小分辨率的图像的每个像素点分别进行梯度计算，其中，像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算，取三个梯度中的最大值作为当前像素的梯度值；

S4：根据S3步骤输出的梯度值对每个像素进行筛选，去除其中小于梯度阈值的像素，其中，所述梯度阈值为

S5：对筛选后的像素分别根据其梯度值进行区域增长运算，合并与当前像素梯度方向相同的像素，获得对应的规划区域；

S6：对所有的规划区域进行矩形近似计算，得到对应的直线段；

S7：输出带有所有直线段的图像。

2.根据权利要求1所述的基于LSD的彩色图像线段检测方法，其特征在于，S3步骤中，所述梯度算法为以下多项式；

其中，g_x(x,y)和g_y(x,y)分别为当前像素点的水平梯度和垂直梯度，G(x,y)为区域梯度的幅值，A(x,y)为区域梯度的角度，i(x,y)，i(x+1,y)，，i(x,y-1)，i(x+1,y+1)，为2乘2模板上相邻的四个点的值，x和y分别为当前像素点的横纵坐标。

3.基于LSD的彩色图像线段检测系统，其特征在于，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行以下步骤：

获取一帧彩色图像；

对图像进行高斯降采样，缩小图像分辨率；

对缩小分辨率的图像的每个像素点分别进行梯度计算，其中，像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算，取三个梯度的最大值作为当前像素的梯度值；

根据输出的梯度值对每个像素进行筛选，去除其中小于梯度阈值的像素，其中，所述梯度阈值为

对筛选后的像素分别根据其梯度值进行区域增长运算，合并与当前像素梯度方向相同的像素，获得对应的规划区域；

对所有的规划区域进行矩形近似计算，得到对应的直线段；

输出带有所有直线段的图像。

4.根据权利要求3所述的基于LSD的彩色图像线段检测系统，其特征在于：计算三通道梯度值使用的所述梯度算法为以下多项式；

其中，g_x(x,y)和g_y(x,y)分别为当前像素点的水平梯度和垂直梯度，G(x,y)为区域梯度的幅值，A(x,y)为区域梯度的角度，i(x,y)，i(x+1,y)，i(x,y+1)，i(x+1,y+1)，为2乘2模板上相邻的四个点的值，x和y分别为当前像素点的横纵坐标。