CN110084269A - 基于云计算的图像特征优化方法 - Google Patents
基于云计算的图像特征优化方法 Download PDFInfo
- Publication number
- CN110084269A CN110084269A CN201910213635.2A CN201910213635A CN110084269A CN 110084269 A CN110084269 A CN 110084269A CN 201910213635 A CN201910213635 A CN 201910213635A CN 110084269 A CN110084269 A CN 110084269A
- Authority
- CN
- China
- Prior art keywords
- image
- template
- edge
- cloud computing
- line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于云计算的图像特征优化方法,涉及图像处理领域。本发明步骤如下:S1:获取大量参考图像,采集每张图像的LBP特征向量并制作模板;S2:采用边缘检测算子来提取模板的边缘图像;S3:对边缘图像进行二值化处理构建模板索引;S4:输入待处理图像进行搜索匹配操作,由LOG边缘检测算子得到其二值化边缘图像;S5:将得到的二值化边缘图像转换成行程编码索引表;S6:根据索引表进行设定模板的搜索匹配操作,得到相识度曲线。本发明通过获取大量参考图像采集LBP特征向量制作模板,对边缘图像进行二值化处理构建模板索引,创建行程编码索引表进行模板的搜索匹配操作,提高了图像特征优化匹配精度和运算效率,同时增加了搜索的鲁棒性。
Description
技术领域
本发明属于图像处理领域,特别是涉及一种基于云计算的图像特征优化方法。
背景技术
基于计算机视觉的图像测量系统正成为一种提高检测效率和保证产品质量的关键技术,具有广阔的应用前景。但由于成像系统的视场范围与检测分辨率呈反比关系,提高测量精准度必须以缩小成像系统的视场范围为代价,对于超过摄像机视场范围的大尺寸零件,由于摄像机一次只能拍摄到零件的局部,必须进过多次拍摄后在进行拼接的办法解决。
为了实现图像拼接和测量的自动化,基于模板匹配的拼接算法必须能自动提取基准模板,而模板的选取对应拼接精度有至关重要的影响。传统模板匹配一般选用图像的灰度特征构建模板,一个模板就是图像的某个区域的子图;如果此区域相对于周围区域包含的信息过少,将导致后续匹配过程的失败;如果区域尺寸过大,而不同区域的信息量分布不均匀,导致运算耗时和精度下降。
考虑到这些不足,本发明提供了一种最优模板的自动提取策略,已提高匹配精度并减少运算时间。
发明内容
本发明的目的在于提供一种基于云计算的图像特征优化方法,通过获取大量参考图像采集LBP特征向量制作模板,对边缘图像进行二值化处理构建模板索引,创建行程编码索引表进行模板的搜索匹配操作,解决了现有的图像特征优化匹配精度不足、运算效率不佳的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于云计算的图像特征优化方法,包括如下步骤:
步骤S1:获取大量参考图像,采集每张图像的LBP特征向量并制作模板;
步骤S2:采用边缘检测算子来提取模板图像区域中目标的边缘图像;
步骤S3:对边缘图像进行二值化处理构建模板索引;
步骤S4:输入待处理图像进行搜索匹配操作,由LOG边缘检测算子得到其二值化边缘图像;
步骤S5:将得到的二值化边缘图像转换成行程编码索引表;
步骤S6:根据索引表进行设定模板的搜索匹配操作,得到相识度曲线。
优选地,所述步骤S1中,图像的LBP特征向量提取过程为:
步骤S11:将参考图像的重叠区域划分成多个子区域;
步骤S12:将每个子区域相邻的相邻的像素灰度值与其进行比较;
步骤S13:就算子每个子区域的统计直方图,并进行归一化处理;
步骤S14:将得到的每个子区域的统计直方图连接成一个特征向量。
优选地,所述步骤S3中,构建模板索引的具体步骤为:
步骤S31:对由多个信号组成的二值图像扫描行进行扫描;
步骤S32:建立自顶向下逐行、自左向右逐段的行程编码表;
步骤S33:行程编码表的每一行记录均标记存储对应的检索行号、起始列号和终止列号。
优选地,所述步骤S6中,相似度算法公式为:
式中,(i,j)表示待配准图像中与模板对应位置的子区域的左上角坐标;(x,y)为当前处理的点相对于模板原点的坐标;m和n为模板感兴趣区域的宽度和高度;fi,j(i,j)是左上角坐标为(i,j)的待配准子图像中坐标为(x,y)的像素灰度值,T(x,y)为模板中坐标值为(x,y)的像素点灰度值。
本发明具有以下有益效果:
本发明通过获取大量参考图像采集LBP特征向量制作模板,对边缘图像进行二值化处理构建模板索引,创建行程编码索引表进行模板的搜索匹配操作,提高了图像特征优化匹配精度和运算效率,同时增加了搜索的鲁棒性。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的一种基于云计算的图像特征优化方法的步骤图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,本发明为一种基于云计算的图像特征优化方法,包括如下步骤:
步骤S1:获取大量参考图像,采集每张图像的LBP特征向量并制作模板;
步骤S2:采用边缘检测算子来提取模板图像区域中目标的边缘图像;
根据边缘信息构建的模板在图像拼接中可以获得更加可靠的稳定性,同时在确定基准模板时,可只考虑边缘附近的区域,即模板大小可以根据边缘等图像特征信息自适应变化,从而极大地缩短模板搜索的运行时间;
步骤S3:对边缘图像进行二值化处理构建模板索引;
步骤S4:输入待处理图像进行搜索匹配操作,由LOG边缘检测算子得到其二值化边缘图像;
步骤S5:将得到的二值化边缘图像转换成行程编码索引表,在二值化处理过程中,具有二值化输出的像素点即为模板内梯度变化较大的像素点,这些点纳入用于模板搜索计算中,而其他像素点不用计算,由于目标边缘区域只占整个图像区域的极小部分,所以真正参与模板搜索运算的像素点数量大幅下降,从而显著提高算法的运行速度;
步骤S6:根据索引表进行设定模板的搜索匹配操作,得到相识度曲线。
其中,所述步骤S1中,图像的LBP特征向量提取过程为:
步骤S11:将参考图像的重叠区域划分成多个子区域;
步骤S12:将每个子区域相邻的相邻的像素灰度值与其进行比较;
步骤S13:就算子每个子区域的统计直方图,并进行归一化处理;
步骤S14:将得到的每个子区域的统计直方图连接成一个特征向量。
其中,所述步骤S3中,构建模板索引的具体步骤为:
步骤S31:对由多个信号组成的二值图像扫描行进行扫描;
步骤S32:建立自顶向下逐行、自左向右逐段的行程编码表;
步骤S33:行程编码表的每一行记录均标记存储对应的检索行号、起始列号和终止列号。
其中,所述步骤S6中,相似度算法公式为:
式中,(i,j)表示待配准图像中与模板对应位置的子区域的左上角坐标;(x,y)为当前处理的点相对于模板原点的坐标;m和n为模板感兴趣区域的宽度和高度;fi,j(i,j)是左上角坐标为(i,j)的待配准子图像中坐标为(x,y)的像素灰度值,T(x,y)为模板中坐标值为(x,y)的像素点灰度值,由公式可以看出,如果图像区域与模板完全相同,则S(i,j)为0;图像区域与模板的差异越大,则S(i,j)越大。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于云计算的图像特征优化方法,其特征在于,包括如下步骤:
步骤S1:获取大量参考图像,采集每张图像的LBP特征向量并制作模板;
步骤S2:采用边缘检测算子来提取模板图像区域中目标的边缘图像;
步骤S3:对边缘图像进行二值化处理构建模板索引;
步骤S4:输入待处理图像进行搜索匹配操作,由LOG边缘检测算子得到其二值化边缘图像;
步骤S5:将得到的二值化边缘图像转换成行程编码索引表;
步骤S6:根据索引表进行设定模板的搜索匹配操作,得到相识度曲线。
2.根据权利要求1所述的一种基于云计算的图像特征优化方法,其特征在于,所述步骤S1中,图像的LBP特征向量提取过程为:
步骤S11:将参考图像的重叠区域划分成多个子区域;
步骤S12:将每个子区域相邻的相邻的像素灰度值与其进行比较;
步骤S13:就算子每个子区域的统计直方图,并进行归一化处理;
步骤S14:将得到的每个子区域的统计直方图连接成一个特征向量。
3.根据权利要求1所述的一种基于云计算的图像特征优化方法,其特征在于,所述步骤S3中,构建模板索引的具体步骤为:
步骤S31:对由多个信号组成的二值图像扫描行进行扫描;
步骤S32:建立自顶向下逐行、自左向右逐段的行程编码表;
步骤S33:行程编码表的每一行记录均标记存储对应的检索行号、起始列号和终止列号。
4.根据权利要求1所述的一种基于云计算的图像特征优化方法,其特征在于,所述步骤S6中,相似度算法公式为:
式中,(i,j)表示待配准图像中与模板对应位置的子区域的左上角坐标;(x,y)为当前处理的点相对于模板原点的坐标;m和n为模板感兴趣区域的宽度和高度;fi,j(i,j)是左上角坐标为(i,j)的待配准子图像中坐标为(x,y)的像素灰度值,T(x,y)为模板中坐标值为(x,y)的像素点灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213635.2A CN110084269A (zh) | 2019-03-20 | 2019-03-20 | 基于云计算的图像特征优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213635.2A CN110084269A (zh) | 2019-03-20 | 2019-03-20 | 基于云计算的图像特征优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084269A true CN110084269A (zh) | 2019-08-02 |
Family
ID=67413378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910213635.2A Pending CN110084269A (zh) | 2019-03-20 | 2019-03-20 | 基于云计算的图像特征优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084269A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853115A (zh) * | 2019-10-14 | 2020-02-28 | 平安国际智慧城市科技股份有限公司 | 一种开发流程页面的创建方法及设备 |
CN113128554A (zh) * | 2021-03-10 | 2021-07-16 | 广州大学 | 一种基于模板匹配的目标定位方法、系统、装置及介质 |
CN113192100A (zh) * | 2021-05-24 | 2021-07-30 | 大连大学 | 分时重叠植株图像关键特征区域边缘路径获取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1131224A (ja) * | 1997-07-02 | 1999-02-02 | Internatl Business Mach Corp <Ibm> | パターンマッチングによる画像処理方法およびシステム |
CN102157004A (zh) * | 2011-04-18 | 2011-08-17 | 东华大学 | 用于超视场零件高精度影像测量仪的自动图像拼接方法 |
-
2019
- 2019-03-20 CN CN201910213635.2A patent/CN110084269A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1131224A (ja) * | 1997-07-02 | 1999-02-02 | Internatl Business Mach Corp <Ibm> | パターンマッチングによる画像処理方法およびシステム |
CN102157004A (zh) * | 2011-04-18 | 2011-08-17 | 东华大学 | 用于超视场零件高精度影像测量仪的自动图像拼接方法 |
Non-Patent Citations (1)
Title |
---|
王正等: "基于模板匹配的调色板方法", 《计算机辅助设计与图形学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853115A (zh) * | 2019-10-14 | 2020-02-28 | 平安国际智慧城市科技股份有限公司 | 一种开发流程页面的创建方法及设备 |
CN110853115B (zh) * | 2019-10-14 | 2023-06-16 | 平安国际智慧城市科技股份有限公司 | 一种开发流程页面的创建方法及设备 |
CN113128554A (zh) * | 2021-03-10 | 2021-07-16 | 广州大学 | 一种基于模板匹配的目标定位方法、系统、装置及介质 |
CN113128554B (zh) * | 2021-03-10 | 2022-05-24 | 广州大学 | 一种基于模板匹配的目标定位方法、系统、装置及介质 |
CN113192100A (zh) * | 2021-05-24 | 2021-07-30 | 大连大学 | 分时重叠植株图像关键特征区域边缘路径获取方法 |
CN113192100B (zh) * | 2021-05-24 | 2023-07-28 | 大连大学 | 分时重叠植株图像关键特征区域边缘路径获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101650783B (zh) | 图像识别方法以及摄像装置 | |
RU2651144C2 (ru) | Ввод данных с изображений документов с фиксированной структурой | |
US20160086048A1 (en) | Device and Method for Analyzing the Correlation Between an Image and Another Image or Between an Image and a Video | |
US8693790B2 (en) | Form template definition method and form template definition apparatus | |
US20190180094A1 (en) | Document image marking generation for a training set | |
CN110084269A (zh) | 基于云计算的图像特征优化方法 | |
CN112634125B (zh) | 一种基于离线人脸数据库的自动面部替换方法 | |
US20180184012A1 (en) | Image processing apparatus, control method, and storage medium | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
US20150023599A1 (en) | Optical Match Character Classification | |
WO2021168703A1 (zh) | 字符处理及字符识别方法、存储介质和终端设备 | |
EP2536123B1 (en) | Image processing method and image processing apparatus | |
CN110309831B (zh) | 基于机器视觉的非智能水表识读方法 | |
CN102592302A (zh) | 数字化卡通智能动检系统及动检方法 | |
CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
WO2015092059A1 (en) | Method and system for correcting projective distortions. | |
CN110245674A (zh) | 模板匹配方法、装置、设备及计算机存储介质 | |
CN105758337B (zh) | 一种获取透镜平面与图像传感器平面之间夹角的方法 | |
CN113628113A (zh) | 一种图像拼接方法及其相关设备 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN110472085B (zh) | 三维图像搜索方法、系统、计算机设备和存储介质 | |
CN110031471B (zh) | 大口径光学元件表面缺陷增长分析方法、系统、装置 | |
CN108133205B (zh) | 复制图像中文本内容的方法及装置 | |
CN108647697B (zh) | 一种基于改进Hough变换的目标边界检测方法和装置 | |
CN105930813B (zh) | 一种在任意自然场景下检测行文本的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |