CN110660072A - 一种直线边缘的识别方法、装置、存储介质及电子设备 - Google Patents
一种直线边缘的识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110660072A CN110660072A CN201910893759.XA CN201910893759A CN110660072A CN 110660072 A CN110660072 A CN 110660072A CN 201910893759 A CN201910893759 A CN 201910893759A CN 110660072 A CN110660072 A CN 110660072A
- Authority
- CN
- China
- Prior art keywords
- image
- target image
- edge
- processing
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本发明提供了一种直线边缘的识别方法、装置、存储介质及电子设备,其中,该方法包括:获取目标图像,目标图像为由至少两组激光线同时照射被测物时所采集的图像;对目标图像进行二值化处理,确定目标图像的二值化图像;对二值化图像进行轮廓提取处理,确定二值化图像中的激光线轮廓;确定不同的激光线轮廓之间的公共切线,将公共切线作为被测物的直线边缘。通过本发明实施例提供的直线边缘的识别方法、装置、存储介质及电子设备,可以弱化除激光线之外的背景,减小背景等干扰物的影响,有效避免了错检和漏检的情况,鲁棒性较好;将两条激光线的公共切线作为直线边缘,所确定的直线边缘与被测物的真实边缘相似度更高,所识别出的直线边缘更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种直线边缘的识别方法、装置、存储介质及电子设备。
背景技术
目前用于边缘识别与定位的技术主要有机器视觉和深度学习。机器视觉技术结合了计算机软硬件、光学系统、数字图像处理和模式识别等多方面的技术,利用视觉传感器代替人眼或检测工具来进行识别和测量。它通过图像摄取装置采集目标的图像,再利用图像处理算法及相关软件对获取的图像进行处理,通过提取特征进行相关的识别和测量,然后再根据获取的信息对设备进行控制,完成生产过程中相应的操作。
传统的机器视觉技术通过图像处理对物体边缘识别,具有以下缺点:
1、鲁棒性差。对于噪声较大、偶有干扰物等情况,对被测物进行直接采集的图像一致性较差,进而人工设计的机器视觉算法鲁棒性较差,常伴随无法识别或识别出错的情况出现。
2、工作条件限制大。对于传统的机器视觉物体边缘识别与定位,必不可少的是光源,对于不同的工作条件和识别目标需要选择不同的光源,由于其对光源要求较高,受到光源型号、位置、亮度的综合影响较大。
深度学习技术通过搭建神经网络对物体边缘进行识别和定位,具有以下缺点:
1、需要大量样本。深度学习需要大量的学习样本,通常情况样本数量越多识别效果就越好,对于一些工业领域的具体应用,很难耗时耗力的满足这一条件。
2、鲁棒性差。深度学习算法存在识别率的高低,由于在学习样本中很难将所有图像干扰情况包含在内,因此对于某些一致性较差的场景,也会存在识别错误的情况。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种直线边缘的识别方法、装置、存储介质及电子设备。
第一方面,本发明实施例提供了一种直线边缘的识别方法,包括:
获取目标图像,所述目标图像为由至少两组激光线同时照射被测物时所采集的图像;
对所述目标图像进行二值化处理,确定所述目标图像的二值化图像;
对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓;
确定不同的所述激光线轮廓之间的公共切线,将所述公共切线作为所述被测物的直线边缘。
在一种可能的实现方式中,所述对所述目标图像进行二值化处理包括:
将所述目标图像转换为灰度图像,并对所述灰度图像进行滤波平滑处理;
对滤波平滑处理后的灰度图像进行二值化处理。
在一种可能的实现方式中,在所述对所述目标图像进行二值化处理之前,该方法还包括:
预先确定标准曝光值,并设置用于二值化处理的待定阈值,所述标准曝光值小于预先设置的曝光阈值;
在所述标准曝光值下采集测试图像,根据所述待定阈值对所述测试图像进行二值化处理,识别所述测试图像中的直线边缘,并确定识别出的直线边缘与真实的直线边缘之间的重合度;
根据所述重合度对所述待定阈值进行调整,直至确定标准阈值,所述标准阈值为大于预设值的重合度所对应的待定阈值;之后根据所述标准阈值对所述目标图像进行二值化处理,且所述目标图像为在所述标准曝光值下采集到的图像。
在一种可能的实现方式中,所述对所述目标图像进行二值化处理,确定所述目标图像的二值化图像,包括:
对所述目标图像进行二值化处理,生成所述目标图像的原始二值化图像;
对所述原始二值化图像进行膨胀处理,之后再进行腐蚀处理,将处理后生成的图像作为所述目标图像的二值化图像。
在一种可能的实现方式中,所述对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓,包括:
对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的所有轮廓;
将具有最多轮廓点或面积最大的n个轮廓作为激光线轮廓,n为采集图像时所用的激光线的组数。
在一种可能的实现方式中,所述确定不同的所述激光线轮廓之间的公共切线包括:
将所有的所述激光线轮廓作为一个轮廓区域,并提取所述轮廓区域的凸包点;
将两个位于不同的所述激光线轮廓并相邻的凸包点之间的连线作为所述激光线轮廓之间的公共切线。
第二方面,本发明实施例还提供了一种直线边缘的识别装置,包括:
图像获取模块,用于获取目标图像,所述目标图像为由至少两组激光线同时照射被测物时所采集的图像;
二值化模块,用于对所述目标图像进行二值化处理,确定所述目标图像的二值化图像;
轮廓提取模块,用于对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓;
直线边缘识别模块,用于确定不同的所述激光线轮廓之间的公共切线,将所述公共切线作为所述被测物的直线边缘。
在一种可能的实现方式中,所述二值化模块对所述目标图像进行二值化处理包括:
将所述目标图像转换为灰度图像,并对所述灰度图像进行滤波平滑处理;
对滤波平滑处理后的灰度图像进行二值化处理。
第三方面,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于上述任意一项所述的直线边缘的识别方法。
第四方面,本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任意一项所述的直线边缘的识别方法。
本发明实施例上述第一方面提供的方案中,在多组激光线照射被测物时采集目标图像,之后提取每组激光线的轮廓,并将两条激光线轮廓之间的公共切线作为被测物的直线边缘。由于激光线亮度较高,目标图像中的激光线非常突出,从而可以弱化除激光线之外的背景,减小背景等干扰物的影响,有效避免了错检和漏检的情况,鲁棒性较好;且激光线的亮度比普通光源高出数个数量级,可以避免其他光源影响,甚至不使用其他光源也可以完成识别过程。利用激光线圆滑弧状边界的特性,将两个激光线的公共切线作为直线边缘,所确定的直线边缘与被测物的真实边缘相似度更高,所识别出的直线边缘更加准确。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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,下面将对实施例或现有技术描述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示出了本发明实施例所提供的一种直线边缘的识别方法的流程图;
图2示出了本发明实施例所提供的直线边缘的识别方法中,图像采集装置采集目标图像的示意图;
图3示出了本发明实施例所提供的直线边缘的识别方法中,目标图像的一种示意图;
图4示出了本发明实施例所提供的直线边缘的识别方法中,原始二值化图像的一种示意图;
图5示出了本发明实施例所提供的直线边缘的识别方法中,二值化图像的一种示意图;
图6示出了本发明实施例所提供的直线边缘的识别方法中,提取的激光线轮廓的一种示意图;
图7示出了本发明实施例所提供的直线边缘的识别方法中,提取的凸包点的一种示意图;
图8示出了本发明实施例所提供的直线边缘的识别方法中,绘制凸包线的一种示意图;
图9示出了本发明实施例所提供的直线边缘的识别方法中,识别直线边缘的一种示意图;
图10示出了本发明实施例所提供的一种直线边缘的识别装置的结构示意图;
图11示出了本发明实施例所提供的用于执行直线边缘的识别方法的电子设备的结构示意图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种直线边缘的识别方法,利用至少两组激光线照射被测物,进而精确确定该被测物的直线边缘。参见图1所示,该方法包括:
步骤101:获取目标图像,目标图像为由至少两组激光线同时照射被测物时所采集的图像。
本发明实施例中,被测目标为某一直线边缘,该直线边缘依托于物体,因此需要把具有直线边的物体作为被测物,即被测物为具有直线边的物体,比如长方体结构的物体、或条状物等,也可以是其他具有直线边的物体,本实施例对此不做限定。在至少两组激光线照射被测物时,由图像采集装置采集此时的图像,从而可以采集到目标图像。具体的,图像采集装置采集目标图像的示意图参见图2所示,激光器1和激光器2分别发出激光线并照射至被测物上,两组激光线均与被测物的直线边缘相交,图像采集装置此时即可采集到目标图像。其中,需要保证激光线与直线边缘相交的部分位于该图像采集装置的采集范围内;在图2中,图像采集装置具体为相机,该相机的采集角度为α,激光线的张角为β,当前可以采集到激光线与直线边缘相交的位置;且图2采用两个激光器为例说明,两个激光器具体可以是线激光器,也可使用更多数量的激光器;可选的,不同激光器发出的激光线可以是平行的,以避免两条激光线在被测物表面相交。
本发明实施例中,由于被测物具有高度,因此激光线在被测物的之间边缘处可以被打断。参见图2所示,图2中以被测物为长方体为例说明;激光器1发出的激光线为AF,该激光线被该被测物的两个直线边缘打断,并分为三部分AB、CD、EF,且激光线CD位于被测物表面,而激光线AB和EF则会被照射到背景物上,通过将被测物远离背景物设置(例如被测物悬空设置等),可以使得相机采集到的目标图像中只包含激光线CD,且该激光线CD的两端均位于被测物的直线边缘上。若被测物距离背景物不是很远,虽然采集到的图像中也可以包含AB和EF,但是由于被测物具有厚度,AB、CD、EF三段中间是断开的,详见图2所示,此时也不影响对激光线CD的识别。同时,由于激光线本身亮度较高,故在相机的视野内几乎只能看到激光线,即目标图像中的激光线非常突出,其余部分接近全黑,从而可以弱化背景,减小背景影响,利于进行后续的图像识别处理过程。
步骤102:对目标图像进行二值化处理,确定目标图像的二值化图像。
本发明实施例中,通过二值化处理生成该目标对象的二值化图像,方便后续基于该二值化图像进行直线边缘识别。其中,该步骤102“对目标图像进行二值化处理”具体可以包括:
步骤A1:将目标图像转换为灰度图像,并对灰度图像进行滤波平滑处理。
步骤A2:对滤波平滑处理后的灰度图像进行二值化处理。
本发明实施例中,虽然激光线亮度较高,但相机本身也存在噪声,通过滤波平滑处理可以对目标图像进行滤波降噪,例如高斯滤波降噪等,进一步消除噪声的影响。同时,将目标图像转换为更适合于机器处理的二值化图像,可以增强目标图像中的有用信息,能够改善目标图像的视觉效果,以便于目标物提取和识别。
可选的,可以采用阈值法进行二值化处理,即根据图像中目标与背景的差异,把图像分别设置为两个不同的级别,通过选取或预设一个合适的阈值,从而可以确定某像素是目标还是背景,进而获得二值化后的图像。此外,还可以对二值化后的图像进行膨胀和腐蚀,方便后续提取激光线轮廓。具体的,上述步骤102“对目标图像进行二值化处理,确定目标图像的二值化图像”包括:
步骤B1:对目标图像进行二值化处理,生成目标图像的原始二值化图像。
步骤B2:对原始二值化图像进行膨胀处理,之后再进行腐蚀处理,将处理后生成的图像作为目标图像的二值化图像。
本发明实施例中,可以基于阈值法对目标图像进行二值化处理,从而生成原始二值化图像,之后即可对该原始二值化图像进行膨胀处理。其中,膨胀处理会使目标区域(激光线)范围“变大”,将与目标区域接触的背景点合并到该目标物中,使目标边界向外部扩张。目的可以用来填补目标区域中某些空洞以及消除包含在目标区域中的小颗粒噪声,式子表达为:
该式子表示用结构元素B膨胀目标区域A,将结构元素B的原点平移到图像像元(x,y)位置。如果B在图像像元(x,y)处与A的交集不为空(也就是B中为1的元素位置上对应A的图像值至少有一个为1),则输出图像对应的像元(x,y)赋值为1,否则赋值为0。
在膨胀处理之后再进行腐蚀处理,通过先膨胀后腐蚀,能够填平小湖(即小孔),弥合小裂缝,而总的位置和形状不变。具体的,腐蚀处理可以使目标区域范围“变小”,其实质造成图像的边界收缩,可以用来消除小且无意义的目标物,式子表达为:
该式子表示用结构元素B腐蚀目标区域A,需要注意的是B中需要定义一个原点,而B的移动的过程与卷积核移动的过程一致,同卷积核与图像有重叠之后再计算一样,当B的原点平移到图像A的像元(x,y)时,如果B在(x,y)处,完全被包含在图像A重叠的区域(也就是B中为1的元素位置上对应的A图像值全部也为1),则将输出图像对应的像元(x,y)赋值为1,否则赋值为0。
步骤103:对二值化图像进行轮廓提取处理,确定二值化图像中的激光线轮廓。
在实际应用中,激光线是具有一定宽度的细线,其具有轮廓;本实施例中可采用现有的轮廓提取方法提取二值化图像中的轮廓,例如利用OpenCV中的函数进行轮廓提取。此外,由于目标图像中的激光线本身不一定是规则的几何图形,且激光线边缘有毛刺,因此在提取轮廓时会在边缘处出现较小的干扰轮廓,需要根据轮廓点数量对图像中提取出的所有轮廓进行筛选,最终筛选出完整的激光线轮廓。具体的,上述步骤103“对二值化图像进行轮廓提取处理,确定二值化图像中的激光线轮廓”包括:
步骤C1:对二值化图像进行轮廓提取处理,确定二值化图像中的所有轮廓。
步骤C2:将具有最多轮廓点或面积最大的n个轮廓作为激光线轮廓,n为采集图像时所用的激光线的组数。其中,有多少组激光线,即需要提取出多少个完整的激光线轮廓,一般设置两组激光器,即提取出两个完整的激光线轮廓即可。
步骤104:确定不同的激光线轮廓之间的公共切线,将公共切线作为被测物的直线边缘。
本发明实施例中,每个激光线轮廓的端点处位于被测物的直线边缘上;由于激光线在其法线方向上的强度分布是中间最高、向两端对称衰减过渡的,且被识别的直线边缘在被测物上也是一个由内向外逐渐过渡的圆滑边缘。因此该直线边缘对光的反射率在垂直于边缘方向上由内向外逐渐降低。在目标图像中,激光线亮度分布函数实质上是激光强度分布函数与被测物光反射率函数的乘积,其特征是一个由内向外亮度逐渐降低的圆滑弧状边界,即每个激光线轮廓的端面处形状为圆滑弧状边界。在理想情况下,待测的直线边缘是位于激光线圆滑弧状边界上的,因此两条激光线圆滑弧状边界的公共切线即为待测直线边缘。
具体的,上述步骤“确定不同的激光线轮廓之间的公共切线”包括:
步骤D1:将所有的激光线轮廓作为一个轮廓区域,并提取轮廓区域的凸包点。
步骤D2:将两个位于不同的激光线轮廓并相邻的凸包点之间的连线作为激光线轮廓之间的公共切线。
本发明实施例中,从二值化图像中可以提取出至少两条激光线轮廓,且两条激光线轮廓是分开的;本实施例中将所有的激光线轮廓作为一个整体区域,即轮廓区域,并提取该轮廓区域的凸包点。由于凸包点可以看作是该轮廓区域的所有外切点的集合,则激光线轮廓圆滑弧状边界上的公共切线的切点必属于凸包点集合,因此通过提取该整个的轮廓区域的凸包点即可确定激光线轮廓之间的公共切线。具体的,相邻的两个凸包点若位于同一个激光线轮廓上,则两个凸包点之间的连线一般可以表示该激光线轮廓的凸形状;若相邻的两个凸包点位于不同的激光线轮廓上,则该两个凸包点即为不同激光线轮廓上的两个切点,二者之间的连线即为两条激光线轮廓之间的公共切线。
本发明实施例提供的一种直线边缘的识别方法,在多组激光线照射被测物时采集目标图像,之后提取每组激光线的轮廓,并将两条激光线轮廓之间的公共切线作为被测物的直线边缘。由于激光线亮度较高,目标图像中的激光线非常突出,从而可以弱化除激光线之外的背景,减小背景等干扰物的影响,有效避免了错检和漏检的情况,鲁棒性较好;且激光线的亮度比普通光源高出数个数量级,可以避免其他光源影响,甚至不使用其他光源也可以完成识别过程。利用激光线圆滑弧状边界的特性,将两条激光线的公共切线作为直线边缘,所确定的直线边缘与被测物的真实边缘相似度更高,所识别出的直线边缘更加准确。
在上述实施例的基础上,该方法还包括预先确定二值化处理时的阈值;具体的,在步骤102“对目标图像进行二值化处理”之前,该方法还包括:
步骤E1:预先确定标准曝光值,并设置用于二值化处理的待定阈值,标准曝光值小于预先设置的曝光阈值。
本发明实施例中,预先确定图像采集装置(例如相机)在采集目标图像时所使用的曝光值,即标准曝光值。为了尽量降低外部环境光线的影响,该标准曝光值设置为一个较小值,即标准曝光值小于预先设置的曝光阈值;同时,由于激光线亮度较高,即使在较小的标准曝光值下该图像采集装置也可以正常采集到激光线,从而可以采集到除了激光线之外其余部分几乎全黑的图像。此外,本实施例中采用阈值法进行二值化处理,预先设置需要调整的待定阈值。
步骤E2:在标准曝光值下采集测试图像,根据待定阈值对测试图像进行二值化处理,识别测试图像中的直线边缘,并确定识别出的直线边缘与真实的直线边缘之间的重合度。
本发明实施例中,在采集被测物的目标图像之前,首先采集一个标准件(例如长方形的物体等)的图像,即测试图像,且在采集过程中图像采集装置采用的是步骤E1中确定标准曝光值。之后即可利用该待定阈值对测试图像进行二值化处理,基于与上述步骤103和104类似的过程,从而可以识别出测试图像中的直线边缘,并比较识别出的直线边缘与该标准件真实的直线边缘之间的差异,二者差异越小,重合度越高。
其中,可以预先在较高曝光值下采集包含标准件的图像,在该曝光值下可以观看到标准件,即该标准件的直线边缘可以显示在该图像中,之后通过人工标注或者借助MATLAB工具箱等可以识别出该直线边缘在该图像中的坐标值,此时确定的坐标值即可作为该标准件的真实直线边缘。
步骤E3:根据重合度对待定阈值进行调整,直至确定标准阈值,标准阈值为大于预设值的重合度所对应的待定阈值;之后根据标准阈值对目标图像进行二值化处理,且所述目标图像为在所述标准曝光值下采集到的图像。
本发明实施例中,对于同一目标图像,采用不同的阈值进行二值化处理会得到不同的二值化图像,从而提取出不同的激光线轮廓;但是由于激光线的端面是一个由内向外亮度逐渐降低的圆滑弧状边界,因此,在不同阈值下所确定的两个激光线轮廓的公共切线是平行的,且与被测物的直线边缘平行。通过预先确定合适的阈值,即标准阈值,可以尽可能使得识别出的直线边缘与真实的直线边缘一致。
本实施例中,若当前待定阈值下所确定的直线边缘与真实的直线边缘重合度较低,则调整该待定阈值,并确定待定阈值调整之后所识别的直线边缘,并再次确定重合度,直至所确定的重合度大于预先设置的预设值,此时即可说明基于该待定阈值进行二值化处理可以比较准确地识别出标准件的直线边缘。之后在相同的标准曝光值和相同的标准阈值下识别被测物的直线边缘,也能比较准确地进行直线边缘识别。
下面详细介绍该直线边缘识别方法的流程。
本发明实施例中,在确定标准曝光值和标准阈值之后,在该标准曝光值下采集目标图像,其中,由两组激光线照射被测物,采集到的目标图像的示意图参见图3所示。
对该目标图像进行滤波处理,并基于该标准阈值进行二值化处理,生成原始二值化图像。该原始二值化图像的示意图参见图4所示。
对该原始二值化图像先进行膨胀处理,之后再进行腐蚀处理,进而生成二值化图像。该二值化图像的示意图参见图5所示。
对二值化图像进行轮廓提取处理,确定其中的激光线轮廓,具体参见图6所示。
将两条激光线轮廓作为一个整体,提取凸包点。提取凸包点的示意图参见图7所示。
之后即可绘制凸包线,凸包线为轮廓线的外切线集合,由凸包点之点间的连线组成,具体参见图8所示。
凸包线中包含两条激光线轮廓之间的公共切线,通过对凸包线进行筛选即可确定公共切线,所确定的公共切线参见图9所示,该公共切线即为被测物的直线边缘。其中,图8中包含两条公共切线,图9中以上方的一条公共切线为例说明。
本发明实施例提供的一种直线边缘的识别方法,在多组激光线照射被测物时采集目标图像,之后提取每组激光线的轮廓,并将两条激光线轮廓之间的公共切线作为被测物的直线边缘。由于激光线亮度较高,目标图像中的激光线非常突出,从而可以弱化除激光线之外的背景,减小背景等干扰物的影响,有效避免了错检和漏检的情况,鲁棒性较好;且激光线的亮度比普通光源高出数个数量级,可以避免其他光源影响,甚至不使用其他光源也可以完成识别过程。利用激光线圆滑弧状边界的特性,将两条激光线的公共切线作为直线边缘,所确定的直线边缘与被测物的真实边缘相似度更高,所识别出的直线边缘更加准确。在相同的标准曝光值下预先确定标准阈值,可以尽可能使得识别出的直线边缘与真实的直线边缘一致,保证识别准确度。
以上详细介绍了直线边缘的识别方法的流程,该方法也可以通过相应的装置实现,下面详细介绍该装置的结构和功能。
本发明实施例提供的一种直线边缘的识别装置,参见图10所示,包括:
图像获取模块201,用于获取目标图像,所述目标图像为由至少两组激光线照射被测物时所采集的图像;
二值化模块202,用于对所述目标图像进行二值化处理,确定所述目标图像的二值化图像;
轮廓提取模块203,用于对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓;
直线边缘识别模块204,用于确定不同的所述激光线轮廓之间的公共切线,将所述公共切线作为所述被测物的直线边缘。
在上述实施例的基础上,所述二值化模块202对所述目标图像进行二值化处理包括:
将所述目标图像转换为灰度图像,并对所述灰度图像进行滤波平滑处理;
对滤波平滑处理后的灰度图像进行二值化处理。
在上述实施例的基础上,该装置还包括阈值预设模块;
在所述二值化模块202对所述目标图像进行二值化处理之前,所述阈值预设模块用于:
预先确定标准曝光值,并设置用于二值化处理的待定阈值,所述标准曝光值小于预先设置的曝光阈值;
在所述标准曝光值下采集测试图像,根据所述待定阈值对所述测试图像进行二值化处理,识别所述测试图像中的直线边缘,并确定识别出的直线边缘与真实的直线边缘之间的重合度;
根据所述重合度对所述待定阈值进行调整,直至确定标准阈值,所述标准阈值为大于预设值的重合度所对应的待定阈值;之后根据所述标准阈值对所述目标图像进行二值化处理,且所述目标图像为在所述标准曝光值下采集到的图像。
在上述实施例的基础上,所述二值化模块202对所述目标图像进行二值化处理,确定所述目标图像的二值化图像,包括:
对所述目标图像进行二值化处理,生成所述目标图像的原始二值化图像;
对所述原始二值化图像进行膨胀处理,之后再进行腐蚀处理,将处理后生成的图像作为所述目标图像的二值化图像。
在上述实施例的基础上,所述轮廓提取模块203对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓,包括:
对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的所有轮廓;
将具有最多轮廓点或面积最大的n个轮廓作为激光线轮廓,n为采集图像时所用的激光线的组数。
在上述实施例的基础上,所述直线边缘识别模块204确定不同的所述激光线轮廓之间的公共切线包括:
将所有的所述激光线轮廓作为一个轮廓区域,并提取所述轮廓区域的凸包点;
将两个位于不同的所述激光线轮廓并相邻的凸包点之间的连线作为所述激光线轮廓之间的公共切线。
本发明实施例提供的一种直线边缘的识别装置,在多组激光线照射被测物时采集目标图像,之后提取每组激光线的轮廓,并将两条激光线轮廓之间的公共切线作为被测物的直线边缘。由于激光线亮度较高,目标图像中的激光线非常突出,从而可以弱化除激光线之外的背景,减小背景等干扰物的影响,有效避免了错检和漏检的情况,鲁棒性较好;且激光线的亮度比普通光源高出数个数量级,可以避免其他光源影响,甚至不使用其他光源也可以完成识别过程。利用激光线圆滑弧状边界的特性,将两条激光线的公共切线作为直线边缘,所确定的直线边缘与被测物的真实边缘相似度更高,所识别出的直线边缘更加准确。在相同的标准曝光值下预先确定标准阈值,可以尽可能使得识别出的直线边缘与真实的直线边缘一致,保证识别准确度。
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,其包含用于执行上述的直线边缘的识别方法的程序,该计算机可执行指令可执行上述任意方法实施例中的方法。
其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
图11示出了本发明的另一个实施例的一种电子设备的结构框图。所述电子设备1100可以是具备计算能力的主机服务器、个人计算机PC、或者可携带的便携式计算机或终端等。本发明具体实施例并不对电子设备的具体实现做限定。
该电子设备1100包括至少一个处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory array)1130和总线1140。其中,处理器1110、通信接口1120、以及存储器1130通过总线1140完成相互间的通信。
通信接口1120用于与网元通信,其中网元包括例如虚拟机管理中心、共享存储等。
处理器1110用于执行程序。处理器1110可能是一个中央处理器CPU,或者是专用集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器1130用于可执行的指令。存储器1130可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1130也可以是存储器阵列。存储器1130还可能被分块,并且所述块可按一定的规则组合成虚拟卷。存储器1130存储的指令可被处理器1110执行,以使处理器1110能够执行上述任意方法实施例中的直线边缘的识别方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种直线边缘的识别方法,其特征在于,包括:
获取目标图像,所述目标图像为由至少两组激光线同时照射被测物时所采集的图像;对所述目标图像进行二值化处理,确定所述目标图像的二值化图像;
对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓;
确定不同的所述激光线轮廓之间的公共切线,将所述公共切线作为所述被测物的直线边缘。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标图像进行二值化处理包括:
将所述目标图像转换为灰度图像,并对所述灰度图像进行滤波平滑处理;
对滤波平滑处理后的灰度图像进行二值化处理。
3.根据权利要求1所述的方法,其特征在于,在所述对所述目标图像进行二值化处理之前,还包括:
预先确定标准曝光值,并设置用于二值化处理的待定阈值,所述标准曝光值小于预先设置的曝光阈值;
在所述标准曝光值下采集测试图像,根据所述待定阈值对所述测试图像进行二值化处理,识别所述测试图像中的直线边缘,并确定识别出的直线边缘与真实的直线边缘之间的重合度;
根据所述重合度对所述待定阈值进行调整,直至确定标准阈值,所述标准阈值为大于预设值的重合度所对应的待定阈值;之后根据所述标准阈值对所述目标图像进行二值化处理,且所述目标图像为在所述标准曝光值下采集到的图像。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标图像进行二值化处理,确定所述目标图像的二值化图像,包括:
对所述目标图像进行二值化处理,生成所述目标图像的原始二值化图像;
对所述原始二值化图像进行膨胀处理,之后再进行腐蚀处理,将处理后生成的图像作为所述目标图像的二值化图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓,包括:
对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的所有轮廓;
将具有最多轮廓点或面积最大的n个轮廓作为激光线轮廓,n为采集图像时所用的激光线的组数。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述确定不同的所述激光线轮廓之间的公共切线包括:
将所有的所述激光线轮廓作为一个轮廓区域,并提取所述轮廓区域的凸包点;
将两个位于不同的所述激光线轮廓并相邻的凸包点之间的连线作为所述激光线轮廓之间的公共切线。
7.一种直线边缘的识别装置,其特征在于,包括:
图像获取模块,用于获取目标图像,所述目标图像为由至少两组激光线照射被测物时所采集的图像;
二值化模块,用于对所述目标图像进行二值化处理,确定所述目标图像的二值化图像;
轮廓提取模块,用于对所述二值化图像进行轮廓提取处理,确定所述二值化图像中的激光线轮廓;
直线边缘识别模块,用于确定不同的所述激光线轮廓之间的公共切线,将所述公共切线作为所述被测物的直线边缘。
8.根据权利要求7所述的装置,其特征在于,所述二值化模块对所述目标图像进行二值化处理包括:
将所述目标图像转换为灰度图像,并对所述灰度图像进行滤波平滑处理;
对滤波平滑处理后的灰度图像进行二值化处理。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1-6任意一项所述的直线边缘的识别方法。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6任意一项所述的直线边缘的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893759.XA CN110660072B (zh) | 2019-09-20 | 2019-09-20 | 一种直线边缘的识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910893759.XA CN110660072B (zh) | 2019-09-20 | 2019-09-20 | 一种直线边缘的识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660072A true CN110660072A (zh) | 2020-01-07 |
CN110660072B CN110660072B (zh) | 2022-08-26 |
Family
ID=69038311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910893759.XA Active CN110660072B (zh) | 2019-09-20 | 2019-09-20 | 一种直线边缘的识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660072B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107479061A (zh) * | 2017-08-25 | 2017-12-15 | 重庆交通大学 | 一种基于图像识别与雷达测距的安全预警方法及系统 |
CN111175318A (zh) * | 2020-01-21 | 2020-05-19 | 上海悦易网络信息技术有限公司 | 屏幕划痕碎裂检测方法及设备 |
CN111815565A (zh) * | 2020-06-11 | 2020-10-23 | 上海华虹宏力半导体制造有限公司 | 晶圆背面的检测方法、设备和存储介质 |
CN113192097A (zh) * | 2021-07-05 | 2021-07-30 | 季华实验室 | 工业零件位姿识别方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819024A (zh) * | 2010-03-22 | 2010-09-01 | 中南大学 | 一种基于机器视觉的二维位移检测方法 |
CN104048969A (zh) * | 2014-06-19 | 2014-09-17 | 樊晓东 | 一种隧道病害的识别方法 |
CN104677301A (zh) * | 2015-03-05 | 2015-06-03 | 山东大学 | 一种基于视觉检测的螺旋焊管管线外径测量装置和方法 |
CN107067038A (zh) * | 2017-04-20 | 2017-08-18 | 哈尔滨工业大学 | 一种基于pdr轨迹绘制的室内楼宇轮廓修整方法 |
CN107928675A (zh) * | 2017-11-22 | 2018-04-20 | 王华锋 | 一种基于深度学习和红点激光相结合的人体躯干测量方法 |
CN108335309A (zh) * | 2017-12-18 | 2018-07-27 | 上海咔咻智能科技有限公司 | 基于图像的条纹布料检测定位裁剪方法及其系统和存储介质 |
CN109387524A (zh) * | 2018-12-12 | 2019-02-26 | 长安大学 | 基于线性偏振光的螺纹缺陷检测方法及装置 |
-
2019
- 2019-09-20 CN CN201910893759.XA patent/CN110660072B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819024A (zh) * | 2010-03-22 | 2010-09-01 | 中南大学 | 一种基于机器视觉的二维位移检测方法 |
CN104048969A (zh) * | 2014-06-19 | 2014-09-17 | 樊晓东 | 一种隧道病害的识别方法 |
CN104677301A (zh) * | 2015-03-05 | 2015-06-03 | 山东大学 | 一种基于视觉检测的螺旋焊管管线外径测量装置和方法 |
CN107067038A (zh) * | 2017-04-20 | 2017-08-18 | 哈尔滨工业大学 | 一种基于pdr轨迹绘制的室内楼宇轮廓修整方法 |
CN107928675A (zh) * | 2017-11-22 | 2018-04-20 | 王华锋 | 一种基于深度学习和红点激光相结合的人体躯干测量方法 |
CN108335309A (zh) * | 2017-12-18 | 2018-07-27 | 上海咔咻智能科技有限公司 | 基于图像的条纹布料检测定位裁剪方法及其系统和存储介质 |
CN109387524A (zh) * | 2018-12-12 | 2019-02-26 | 长安大学 | 基于线性偏振光的螺纹缺陷检测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107479061A (zh) * | 2017-08-25 | 2017-12-15 | 重庆交通大学 | 一种基于图像识别与雷达测距的安全预警方法及系统 |
CN111175318A (zh) * | 2020-01-21 | 2020-05-19 | 上海悦易网络信息技术有限公司 | 屏幕划痕碎裂检测方法及设备 |
CN111815565A (zh) * | 2020-06-11 | 2020-10-23 | 上海华虹宏力半导体制造有限公司 | 晶圆背面的检测方法、设备和存储介质 |
CN113192097A (zh) * | 2021-07-05 | 2021-07-30 | 季华实验室 | 工业零件位姿识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110660072B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
JP4528309B2 (ja) | オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN108280829A (zh) | 焊缝图像识别方法、计算机装置及计算机可读存储介质 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN109447117B (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN104615972B (zh) | 指针式仪表智能识别方法及其装置 | |
US10679094B2 (en) | Automatic ruler detection | |
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 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、系统和存储介质 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN116958145B (zh) | 图像处理方法、装置、视觉检测系统及电子设备 | |
CN110660073B (zh) | 一种直线边缘识别设备 | |
CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
CN111524171B (zh) | 图像处理方法、装置和电子设备 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 105, 1 / F, building 26, No.6 Hepingli North Street, Dongcheng District, Beijing 100010 Applicant after: Beijing Shengong Technology Co.,Ltd. Address before: 100098 409, four floor, 2 building, 25 North Sanhuan Road, Haidian District, Beijing. Applicant before: Beijing Shengong Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |