CN110428430B - 一种区域内的直线定位拟合方法及应用 - Google Patents
一种区域内的直线定位拟合方法及应用 Download PDFInfo
- Publication number
- CN110428430B CN110428430B CN201910594763.6A CN201910594763A CN110428430B CN 110428430 B CN110428430 B CN 110428430B CN 201910594763 A CN201910594763 A CN 201910594763A CN 110428430 B CN110428430 B CN 110428430B
- Authority
- CN
- China
- Prior art keywords
- straight line
- lines
- gradient
- straight
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种区域内的直线定位拟合方法及应用,包括以下步骤:1)利用区域内物体边缘的明暗及方位特征,通过方向梯度提取得到二值化特征图;2)在梯度图中根据物体需定位边缘的走向做快速的直线搜索;3)用聚类算法对直线做进一步的剔除处理,对剔除后的直线做小范围的直线点搜索;4)对搜索出来的直线点做拟合,得到最终的拟合直线;该区域内的直线定位拟合方法及应用可以在指定区域内的物体类边缘做快速直线定位。
Description
技术领域
本发明涉及机械定位技术领域,尤其涉及一种区域内的直线定位拟合方法及应用。
背景技术
随着现代工业产业的快速升级换代,对生产效率的要求越来越高,传统的人工检测工业零部件已经很难满足企业需求,机器视觉以快速、可靠、效率高等优点在工业检测领域得到广泛运用。在机器视觉检测领域,物体边缘直线定位是一种很常见的方法,但是受现场光照、产品震动等因素影响,出现较强干扰边缘时,容易出现定位不精确甚至错误的现象。
发明内容
针对现有技术中的不足,本发明的目的是提供一种可以在指定区域内的物体类边缘做快速直线定位的区域内的直线定位拟合方法及应用。
本发明解决其技术问题所采用的技术方案是:
一种区域内的直线定位拟合方法,包括以下步骤:
1)利用区域内物体边缘的明暗及方位特征,通过方向梯度提取得到二值化特征图;
2)在梯度图中根据物体需定位边缘的走向做快速的直线搜索;
3)用聚类算法对直线做进一步的剔除处理,对剔除后的直线做小范围的直线点搜索;
4)对搜索出来的直线点做拟合,得到最终的拟合直线。
进一步的,在步骤1)中,物体边缘区域的选定方法为:设物体原图为W*H,W为宽,H为高,通过设置矩形框(Rx,Ry,w,h)确定物体边缘的大致位置,Rx,Ry为矩形框左上角顶点在原图中的坐标值,w为矩形宽,h为矩形长,如果不设定,默认为整幅图。
进一步的,矩形区域内目标像素点坐标相对于原图坐标映射关系为:
x′=Rx+x′;y′=Ry十y′。
进一步的,在步骤1)中,方向梯度提取的方法为:采用Sobel算子对图像做x与y方向的梯度提取,Gx为原图在水平方向的梯度图,Gy为原图在垂直方向的梯度图,S为原图;根据所需要确定的边缘方位确定梯度方向,映射关系为:
进一步的,在步骤1)中,二值化的方法为:通过固定阈值,对梯度图像做第一次剔除,滤去一部分不明显的边缘,然后通过中值滤波对梯度图像的边缘离散点做进一步剔除。
进一步的,在步骤2)中,直线搜索的方法为:采用霍夫变换对边缘直线做第一次搜索,将搜索到的直线存到直线集合V{V0,V1,…,Vn},V0为集合中的直线,V0=[P0(x0,y0),P1(x1,y1)],P0与P1分别为直线的起始点坐标。
进一步的,在步骤3)中,剔除处理的方法为,通过对获取的直线做聚类分析,剔除掉干扰直线,细分步骤如下:
①.将直线集合V中的直线转化为点斜式y=ax+b;
②.求出直线在步骤一绘制的矩形框的长宽中心点的坐标位置,分别为:
③.以(Xw,Yw)*Ww作为直线在X方向的特征向量,以(Xh,Yh)*Wh作为直线在Y方向的特征向量,Ww与Wh分别该方向的权重,采用K-means均值聚类方法,对所有直线分别聚类:其中k为需要分的类别,上限为m,本方法默认分两类m=2,i为直线,n为直线数量,xi为输入的直线特征向量,uk为聚类中心;
④.剔除干扰直线,通过判定直线以(Xw,Yw)为特征向量的聚类结果与以(Xh,Yh)为特征向量的聚类结果是否一致,如果一致,说明在x方向,y方向两类直线区别很大,剔除直线较少的那一类;如果不一致,说明直线在x方向与y方向区别不大,有可能为属于同一直线簇,不剔除,防止误剔除。
进一步的,在步骤3)中,直线点搜索的方法为:对筛选后的直线按段进行区域点搜索。在步骤一确定的矩形区域内首先确定直线的首尾端点,在按照设定的段数,寻找直线的相应点位置A,先确定该点是否存在,如果存在则以3*3的窗口进一步判定是否为边缘点,公式如下:
本发明所要解决的另一技术问题为提供一种区域内的直线定位拟合方法在机器视觉中的应用。
本发明的有益效果是:
首先通过对图像做梯度处理,并在图像梯度空间内做快速直线搜索,这样可以首先排除掉一部分的非目标边缘,对直线做特征聚类,再次剔除掉一部分非目标边缘,然后对剩下的可靠直线做区域直线点搜索,来增强边缘位置的点数,提升定位精度,最后采用拟合算法对这些点做直线拟合,最终达到在指定区域内的物体类边缘做快速直线定位的效果。
附图说明
图1为本发明的区域内的直线定位拟合方法的流程框图。
具体实施方式
下面结合具体实施例对本发明作进一步说明,以使本领域技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例
参阅图1所示,一种区域内的直线定位拟合方法,包括以下步骤:
步骤1:物体边缘区域选定。物体原图为W*H,W为宽,H为高。通过设置矩形框(Rx,Ry,w,h)确定物体边缘的大致位置,Rx,Ry为矩形框左上角顶点在原图中的坐标值,w为矩形宽,h为矩形长,如果不设定,默认为整幅图。矩形区域内目标像素点坐标相对于原图坐标映射关系为:
x′=Rx+x′
v′=Ry+y′
步骤2:方向梯度提取及二值化。
①.本发明采用常用的Sobel算子对图像做x与y方向的梯度提取。Gx为原图在水平方向的梯度图,Gy为原图在垂直方向的梯度图,S为原图。根据所需要确定的边缘方位确定梯度方向。映射关系为:
②.二值化及中值滤波。通过固定阈值,对梯度图像做第一次剔除,滤去一部分不明显的边缘。然后通过中值滤波对梯度图像的边缘离散点做进一步剔除。
步骤3:第一次直线定位。本发明采用常用的直线定位方法霍夫变换对边缘直线做第一次搜索。将搜索到的直线存到直线集合V{V0,V1,…,Vn},V0为集合中的直线,V0=[P0(x0,y0),P1(x1,y1)],P0与P1分别为直线的起始点坐标。
步骤4:直线聚类分析。通过对获取的直线做聚类分析,剔除掉干扰直线。
细分步骤如下:
①.将直线集合V中的直线转化为点斜式y=ax+b。
②.求出直线在步骤一绘制的矩形框的长宽中心点的坐标位置。分别为:
③.以(Xw,Yw)*Ww作为直线在X方向的特征向量,以(Xh,Yh)*Wh作为直线在Y方向的特征向量,Ww与Wh分别该方向的权重,采用K-means均值聚类方法,对所有直线分别聚类:
其中k为需要分的类别,上限为m,本方法默认分两类m=2。i为直线,n为直线数量。xi为输入的直线特征向量,uk为聚类中心。
④.剔除干扰直线。通过判定直线以(Xw,Yw)为特征向量的聚类结果与以(Xh,Yh)为特征向量的聚类结果是否一致。如果一致,说明在x方向,y方向两类直线区别很大。剔除直线较少的那一类。如果不一致,说明直线在x方向与y方向区别不大,有可能为属于同一直线簇,不剔除,防止误剔除。
步骤5:直线点扩充。对筛选后的直线按段进行区域点搜索。在步骤一确定的矩形区域内首先确定直线的首尾端点,在按照设定的段数,寻找直线的相应点位置A,先确定该点是否存在,如果存在则以3*3的窗口进一步判定是否为边缘点,公式如下:
步骤6:直线拟合。对步骤5的直线点做拟合,求取最终直线。
本发明的有益效果是:
首先通过对图像做梯度处理,并在图像梯度空间内做快速直线搜索,这样可以首先排除掉一部分的非目标边缘,对直线做特征聚类,再次剔除掉一部分非目标边缘,然后对剩下的可靠直线做区域直线点搜索,来增强边缘位置的点数,提升定位精度,最后采用拟合算法对这些点做直线拟合,最终达到在指定区域内的物体类边缘做快速直线定位的效果。
本发明的上述实施例并不是对本发明保护范围的限定,本发明的实施方式不限于此,凡此种种根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,对本发明上述结构做出的其它多种形式的修改、替换或变更,均应落在本发明的保护范围之内。
Claims (1)
1.一种区域内的直线定位拟合方法,其特征在于,包括以下步骤:
步骤1:物体边缘区域选定,物体原图为W*H,W为宽,H为高,通过设置矩形框(Rx,Ry,w,h)确定物体边缘的大致位置,Rx,Ry为矩形框左上角顶点在原图中的坐标值,w为矩形宽,h为矩形长,矩形区域内目标像素点坐标相对于原图坐标映射关系为:
x′=Rx+x′
y′=Ry+y′
步骤2:方向梯度提取及二值化,
①.采用常用的Sobel算子对图像做x与y方向的梯度提取,Gx为原图在水平方向的梯度图,Gy为原图在垂直方向的梯度图,S为原图,根据所需要确定的边缘方位确定梯度方向,映射关系为:
②.二值化及中值滤波,通过固定阈值,对梯度图像做第一次剔除,滤去一部分不明显的边缘,然后通过中值滤波对梯度图像的边缘离散点做进一步剔除,
步骤3:第一次直线定位,采用直线定位方法霍夫变换对边缘直线做第一次搜索,将搜索到的直线存到直线集合V{V0,V1,…,Vn},V0为集合中的直线,V0=[P0(x0,y0),P1(x1,y1)],P0与P1分别为直线的起始点坐标,
步骤4:直线聚类分析,通过对获取的直线做聚类分析,剔除掉干扰直线,细分步骤如下:
①.将直线集合V中的直线转化为点斜式y=ax+b,
③.以(xw,yw)*ww作为直线在X方向的特征向量,以(xh,yh)*wh作为直线在Y方向的特征向量,ww与wh分别X方向、Y方向的权重,采用K-means均值聚类方法,对所有直线分别聚类:
其中k为需要分的类别,上限为m,本方法默认分两类m=2,n为直线数量,xi为输入的第i条直线特征向量,uk为聚类中心,
④.剔除干扰直线,通过判定直线以(xw,yw)为特征向量的聚类结果与以(xh,yh)为特征向量的聚类结果是否一致,如果一致,说明在x方向,y方向两类直线区别很大,剔除直线较少的那一类,如果不一致,说明直线在x方向与y方向区别不大,有可能为属于同一直线簇,不剔除,防止误剔除,
步骤5:直线点扩充,对筛选后的直线按段进行区域点搜索,在步骤一确定的矩形区域内首先确定直线的首尾端点,在按照设定的段数,寻找直线的相应点位置A,先确定该点是否存在,如果存在则以3*3的窗口进一步判定是否为边缘点,公式如下:
步骤6:直线拟合,对步骤5的直线点做拟合,求取最终直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594763.6A CN110428430B (zh) | 2019-07-03 | 2019-07-03 | 一种区域内的直线定位拟合方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910594763.6A CN110428430B (zh) | 2019-07-03 | 2019-07-03 | 一种区域内的直线定位拟合方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428430A CN110428430A (zh) | 2019-11-08 |
CN110428430B true CN110428430B (zh) | 2023-06-27 |
Family
ID=68410164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910594763.6A Active CN110428430B (zh) | 2019-07-03 | 2019-07-03 | 一种区域内的直线定位拟合方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428430B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861357B (zh) * | 2023-02-27 | 2023-06-20 | 常州微亿智造科技有限公司 | 基于k均值聚类与点位规划的工件过渡边缘检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9409773D0 (en) * | 1994-05-13 | 1994-07-06 | Atomic Energy Authority Uk | Identification system |
CN102521597B (zh) * | 2011-12-14 | 2013-04-24 | 武汉大学 | 一种基于分级策略的影像直线特征匹配方法 |
CN103295232B (zh) * | 2013-05-15 | 2016-01-13 | 西安电子科技大学 | 基于直线和区域的sar图像配准方法 |
CN103499337B (zh) * | 2013-09-26 | 2015-07-15 | 北京航空航天大学 | 一种基于立式标靶的车载单目摄像头测距测高装置 |
JP6264008B2 (ja) * | 2013-12-12 | 2018-01-24 | オムロン株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN104008545B (zh) * | 2014-05-20 | 2017-12-01 | 华南理工大学 | 一种在光学显微注射过程中人类卵母细胞分割实现方法 |
CN109146895A (zh) * | 2018-08-10 | 2019-01-04 | 安徽大学 | 一种颜色不均匀情况下太阳能板红外图像的有效分割方法 |
-
2019
- 2019-07-03 CN CN201910594763.6A patent/CN110428430B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110428430A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10928204B2 (en) | Industrial vehicle with feature-based localization and navigation | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
AU2015324689B2 (en) | Industrial vehicles and method for localization using ceiling lights | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
US10445868B2 (en) | Method for detecting a defect on a surface of a tire | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN110490839B (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN109509200A (zh) | 基于轮廓提取的棋盘格角点检测方法、装置以及计算机可读存储介质 | |
CN112308854B (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN111861979A (zh) | 一种定位方法、设备及计算机可读存储介质 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN110674812A (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN110428430B (zh) | 一种区域内的直线定位拟合方法及应用 | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN107330881B (zh) | 一种用于识别轮毂气门孔的方法 | |
CN107748897B (zh) | 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 | |
CN113724322A (zh) | 一种用于无人叉车的货物托盘定位方法及系统 | |
CN111242121B (zh) | 一种基于svm的对联智能分拣方法及存储介质 | |
CN114549420A (zh) | 基于模板匹配的工件识别定位方法 | |
CN114120320A (zh) | 一种图像多目标信息识别方法、系统及介质 | |
CN112819009A (zh) | 一种基于Harris角点检测与NCC匹配的目标识别定位方法 | |
CN112734779A (zh) | 一种圆点标定板边缘亚像素检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |