CN111080661A - 基于图像的直线检测方法、装置以及电子设备 - Google Patents
基于图像的直线检测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111080661A CN111080661A CN201911252846.3A CN201911252846A CN111080661A CN 111080661 A CN111080661 A CN 111080661A CN 201911252846 A CN201911252846 A CN 201911252846A CN 111080661 A CN111080661 A CN 111080661A
- Authority
- CN
- China
- Prior art keywords
- line segment
- edge
- point
- image
- initial
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 43
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 239000006185 dispersion Substances 0.000 claims description 26
- 230000000717 retained effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims 2
- 230000004044 response Effects 0.000 abstract description 23
- 230000000875 corresponding effect Effects 0.000 description 71
- 230000008569 process Effects 0.000 description 13
- 238000001914 filtration Methods 0.000 description 10
- 238000003708 edge detection Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000001965 increasing effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种基于图像的直线检测方法、装置以及电子设备，其中，方法包括：通过获取检测图像，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异，对增强处理后的检测图像，从各像素点中确定多个边缘点；对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；根据拟合误差，筛选多条初始直线段，以得到目标直线段。由此，通过对检测图像进行增强处理，提高了检测图像中弱响应边缘信息与背景区域的对比度，继而提高弱响应边缘的检测率，此外，根据拟合误差对各初始直线段进行筛选，不仅提高了检测图像中弱直线检测的准确度，还避免了计算量的大幅提升。
Description
技术领域
本申请涉及图像处理技术领域，尤其涉及一种基于图像的直线检测方法、装置以及电子设备。
背景技术
直线段是计算机视觉中应用较为广泛的一种图像特征，在立体视觉、机器人导航、自动驾驶中，直线检测中可以提供现实场景中的建筑物直线边缘、车道线、物体直线边缘等，有非常广泛的应用。现有的直线检测方法主要有两种：一种是对图像进行处理获取显著边界点的集合，然后在点的集合中进行拟合找到直线段，如霍夫变换(Hough Transform)；另一种是对图像处理获取图像的边缘段集合，然后在边缘段集合中找到是直线段的边缘段，如直线段检测算法(Line Segment Detector，简称LSD)。
但是，实际场景中的直线特征分为强响应直线特征与弱响应直线特征，现有的直线检测方法都是基于检测图像中强响应直线特征的目标设计的，并不能检测出弱响应直线特征，从而导致图像检测准确度较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请第一方面实施例提出了一种基于图像的直线检测方法，包括：
获取检测图像；
对所述检测图像进行增强处理，以增大检测图像中边缘与背景的差异；
对增强处理后的检测图像，从各像素点中确定多个边缘点；
对所述多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；
根据拟合误差，筛选多条初始直线段，以得到目标直线段。
作为本申请实施例的第一种可能的实现方式，所述根据拟合误差，筛选所述多条初始直线段，包括：
针对每一条初始直线段，根据拟合得到相应初始直线段的各边缘点的梯度方向标准差，以及根据拟合得到相应初始直线段的各边缘点距离相应初始直线段的距离，确定所述拟合误差；
若相应初始直线段的拟合误差小于对应的误差阈值，则保留相应的初始直线段。
作为本申请实施例的第二种可能的实现方式，所述对所述检测图像进行增强处理，以增大检测图像中边缘与背景的差异，包括：
针对所述检测图像中的每一个像素点，根据相应像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图；
将所述第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图；
根据所述第二灰度直方图，确定增强处理后相应像素点的灰度值。
作为本申请实施例的第三种可能的实现方式，所述根据拟合误差，筛选所述多条初始直线段之后，还包括：
对筛选保留的各条初始直线段合并，得到所述检测图像中的目标直线线段。
作为本申请实施例的第四种可能的实现方式，所述对筛选保留的各条初始直线段合并，得到所述检测图像中的目标直线线段，包括：
从筛选保留的各条初始直线段中，确定初始的参考线段；
在与所述参考线段延伸方向一致且筛选保留的初始直线段中，确定与所述参考线段之间的距离小于距离阈值的邻近线段；
将所述邻近线段与所述参考线段合并，以得到所述目标直线段。
作为本申请实施例的第五种可能的实现方式，所述将所述邻近线段与所述参考线段合并，以得到所述目标直线段，包括：
对拟合形成所述邻近线段的各边缘点，以及拟合形成所述参考线段的各边缘点再次拟合；
若再次拟合的误差小于误差阈值，则将再次拟合得到的直线段作为更新的参考线段，重复执行从与所述参考线段延伸方向一致的初始线段中，确定与所述参考线段之间的距离小于距离阈值的邻近线段，将所述邻近线段与所述参考线段合并的步骤；
若再次拟合的误差不小于所述误差阈值，将再次拟合得到的直线段作为所述目标直线段。
作为本申请实施例的第六种可能的实现方式，所述从筛选保留的各条初始直线段中，确定初始的参考线段，包括：
在筛选保留的各条初始直线段中，将长度最长的初始直线段作为所述初始的参考线段。
作为本申请实施例的第七种可能的实现方式，所述将所述邻近线段与所述参考线段合并之前，还包括：
对拟合得到所述邻近线段的各边缘点，获取梯度值的离散程度和/或梯度角的离散程度；
确定所述梯度值的离散程度和/或所述梯度角的离散程度小于相应设定阈值。作为本申请实施例的第八种可能的实现方式，所述对所述多个边缘点拟合，得到多条初始直线段，包括：
根据所述多个边缘点中梯度方向相似的边缘点，确定多个集合；其中，同一集合中的边缘点梯度方向相似；
对每一个集合，对相应集合中的边缘点拟合，得到一条初始直线段。
作为本申请实施例的第九种可能的实现方式，所述根据所述多个边缘点中梯度角相似的边缘点，确定多个集合，包括：
从未添加到任一集合的边缘点中确定初始的参考点；
查询与所述参考点之间梯度方向差值小于角度阈值，且与所述参考点相邻的边缘点；
将查询到的边缘点和所述参考点添加至同一集合中；
若所述同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度，则将所述查询到的边缘点作为更新的参考点，以重复执行查询与所述参考点之间梯度方向差值小于角度阈值，且与所述参考点相邻的边缘点，将查询到的边缘点和所述参考点添加至相应集合中的步骤，直至相应集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
作为本申请实施例的第十种可能的实现方式，所述从未添加到任一集合的边缘点中确定初始的参考点，包括：
在未添加到任一集合的边缘点中，将梯度值最大的边缘点作为所述初始的参考点。
作为本申请实施例的第十一种可能的实现方式，所述从各像素点中确定多个边缘点，包括：
针对每一个像素点，若梯度值大于第一阈值，则查询在梯度方向上与相应像素点相邻的第一相邻像素点；
若相应像素点与所述第一相邻像素点的像素值之差大于第二阈值，则确定相应像素点为所述边缘点。
作为本申请实施例的第十二种可能的实现方式，所述从各像素点中确定多个边缘点之后，还包括：
针对每一个边缘点，查询在梯度方向上与相应边缘点相邻的第二相邻像素点；
若相应边缘点与所述第二相邻像素点的梯度值之差大于第三阈值，则保留相应的边缘点；
若相应边缘点与所述第二相邻像素点的梯度值之差小于或等于所述第三阈值，则筛选掉相应的边缘点。
本申请实施例的基于图像的直线检测方法，获取检测图像，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异，对增强处理后的检测图像，从各像素点中确定多个边缘点；对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；根据拟合误差，筛选多条初始直线段，以得到目标直线段。该方法通过对检测图像进行增强处理，提高了检测图像中弱响应边缘信息与背景区域的对比度，继而提高弱响应边缘的检测率，此外，根据拟合误差对多条初始直线段进行筛选，不仅提高了检测图像中弱直线检测的准确度，还避免了计算量的大幅提升。
本申请第二方面实施例提出了一种，包括：
获取模块，用于获取检测图像；
处理模块，用于对所述检测图像进行增强处理，以增大检测图像中边缘与背景的差异；
确定模块，用于对增强处理后的检测图像，从各像素点中确定多个边缘点；
拟合模块，用于对所述多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；
合并模块，用于根据拟合误差，筛选多条初始直线段，以得到目标直线段。
本申请实施例的基于图像的直线检测装置，获取检测图像，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异，对增强处理后的检测图像，从各像素点中确定多个边缘点；对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；根据拟合误差，筛选多条初始直线段，以得到目标直线段。由此，通过对检测图像进行增强处理，提高了检测图像中弱响应边缘信息与背景区域的对比度，继而提高弱响应边缘的检测率，此外，根据拟合误差对多条初始直线段进行筛选，不仅提高了检测图像中弱直线检测的准确度，还避免了计算量的大幅提升。
本申请第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述实施例中所述的直线检测方法。
本申请第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中所述的直线检测方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种基于图像的直线检测方法的流程示意图；
图2为本申请实施例所提供的一种基于图像的直线检测方法的示例图；
图3为本申请实施例提供的另一种基于图像的直线检测方法的流程示意图；
图4为本申请实施例提供的又一种基于图像的直线检测方法的流程示意图；
图5为本申请实施例提供的再一种基于图像的直线检测方法的流程示意图；
图6为本申请实施例提供的一种基于图像的直线检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
相关技术中，现有的直线检测方法在对检测图像中弱响应直线特征进行检测时，存在检测准确度较低的缺点。例如，Hough Transform是通过对随机边缘点进行采样来获取直线峰值，在检测弱响应直线时，需要减小边缘点的判断阈值，这样会增加算法的计算量，同时弱边缘点易受噪声影响，继而降低检测结果的准确度。还例如，LSD基于图像中像素点的梯度方向与梯度大小，基于生长法获取图像中相同特性区域，继而得到直线特征。如果提高弱响应直线的检出率，需要降低生长阈值，从而会增大待生长区域的面积，造成直线检测结果的准确度下降同时增加算法计算量的缺陷。
针对上述相关技术中的问题，本申请实施例提出了一种基于图像的直线检测方法，通过获取检测图像，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异，对增强处理后的检测图像，从各像素点中确定多个边缘点；对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；根据拟合误差，筛选多条初始直线段，以得到目标直线段。该方法通过对检测图像进行增强处理，提高了检测图像中弱响应边缘信息与背景区域的对比度，继而提高弱响应边缘的检测率，此外，根据拟合误差对多条初始直线段进行筛选，不仅提高了检测图像中弱直线检测的准确度，还避免了计算量的大幅提升。
下面参考附图描述本申请实施例的基于图像的直线检测方法、装置以及电子设备。
图1为本申请实施例提供的一种基于图像的直线检测方法的流程示意图。
本申请实施例以该基于图像的直线检测方法被配置于基于图像的直线检测装置中来举例说明，该基于图像的直线检测装置可以应用于任一电子设备中，以使该电子设备可以执行直线检测功能。
其中，电子设备可以为个人电脑(Personal Computer，简称PC)、云端设备、移动设备等，移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统的硬件设备。
如图1所示，该基于图像的直线检测方法包括以下步骤：
步骤101，获取检测图像。
本申请实施例中，检测图像为原始图像经过灰度化后的灰度图像，其中，原始图像，可以为电子设备的摄像装置响应于用户的拍摄操作拍摄得到的图像，也可以为电子设备的存储器中存储的图像，也可以是从服务器端下载的图像，等等，在此不做限制。
需要说明的是，原始图像为彩色图像，每一个像素是由红、绿、蓝三个分量来表示的。为了实现对原始图像进行处理，通常将彩色的原始图像转换为计算机能够处理的灰度图像。本申请中，检测图像为经过处理后的灰度图像(亦称单色图像)，每个像素的亮度用一个整数来表示，通常数值范围在0到255之间，0表示纯黑、255表示纯白，而其它表示灰色。
本申请实施例中，将原始图像转换为灰度图像的方法，不限于平均法、最大最小平均法、加权平均法、二值图像法，等等。
步骤102，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异。
本申请实施例中，获取到检测图像后，为了减少图像中噪声对于边缘检测结果的影响，需要滤除图像中的噪声以防止由噪声引起的错误检测。本申请中，为了平滑检测图像，可以对检测图像进行滤波，以去除检测图像中的噪声。其中，常见的滤波方法有高斯滤波，即采用离散化的高斯函数产生一组归一化的高斯核，然后基于高斯核函数对图像灰度矩阵的每一点进行加权求和。对检测图像进行高斯滤波时，高斯核半径可以根据检测图像的尺寸和图像中高斯噪声的量级进行调整，例如，本申请中高斯核半径可以设置为3。
其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波通过高斯核对图像的逐个像素进行卷积，从而得到每个像素的值。在卷积的过程中，利用周围像素的值，将距离作为权重计算卷积核中心位置的像素。高斯滤波的具体操作是：用一个大小为2*N+1的模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
由此，通过对检测图像进行高斯滤波，避免了图像的噪声影响各像素点的梯度方向，继而影响直线段检测精度的技术问题，从而提高了直线段的检测精度。
在检测图像生成、传输或变换的过程中，由于多种因素的影响，造成图像质量下降，图像模糊，图像中边缘与背景的对比度较差，等等，从而给分析和识别带来一定的困难。本申请实施例中，为了增大检测图像中弱响应边缘与背景区域的对比度，提高检测图像的清晰度，可以对检测图像进行增强处理，以增大检测图像中边缘与背景的差异。
其中，图像增强是将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。
本申请实施例中，对检测图像进行增强处理时，可以从空间域和频域出发。其中，从空间域出发可以分为点运算和模板处理两种。点运算方式包括灰度值的变换，就是对图像的单个像素点进行分析运算。例如，反转图像的灰度，增加图像的对比度，缩放图像的灰度，等等。模板处理方式包括图像的平滑以及图像的锐化。其中，从频域出发对检测图像进行增强处理，图像通过傅里叶变换将空间域变换成频域，通过分析频域的幅度进行频域的过滤，常见的有高通滤波以及低通滤波，类似空间域处理里边模板处理方式的图像平滑原理，但强度远大于它。
需要说明的是，上述对检测图像进行增强处理的方式仅作为示例性表述，本申请中不限于上述的图像增强方法。
步骤103，对增强处理后的检测图像，从各像素点中确定多个边缘点。
本申请实施例中，对检测图像进行增强处理后，可以对增强处理后的检测图像进行边缘检测，以从各像素点中确定多个边缘点。
本申请实施例中的边缘检测方法，包括但不限于canny边缘检测方法、prewitt边缘检测方法，等等。
以采用canny边缘检测方法为例进行说明，主要包括以下步骤：计算增强处理后的检测图像中各像素点的梯度值和梯度方向，应用非极大值抑制，以消除边缘检测带来的杂散响应，进一步的，应用双阈值检测来确定真实的和潜在的边缘，最终通过抑制孤立的弱响应边缘完成边缘检测。
本申请实施例中，像素点的梯度值为像素点与相邻像素点之间的灰度差值。像素点的梯度角用于指示像素点与相邻像素点之间的灰度变化率。像素点的梯度方向为像素点与相邻像素点之间的灰度变化率最大的方向。
下面结合图2对像素点的梯度值、梯度角以及梯度方向进行详细介绍。
作为一种示例，如图2所示，可以通过Sobel算子具体解释检测图像中各像素点的梯度值、梯度角以及梯度方向。其中，Sobel算子是像素图像边缘检测中最重要的算子之一，在机器学习、数字媒体、计算机视觉等信息科技领域起着举足轻重的作用。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。
如图2所示，对于像素点A，用Sobel算子首先计算出Gx，Gy，然后计算出梯度角θ＝arctan(Gy/Gx)，梯度方向即检测图像中灰度增大的方向。如图2所示，灰度值增加的方向梯度角大，像素点A的梯度方向为像素点A与其8邻域点的梯度角最大的方向。
作为一种可能的实现方式，确定增强处理后的检测图像中各像素点的梯度值和像素值后，针对检测图像中的每一个像素点，将各像素点的梯度值和第一阈值进行比较，在一种可能的情况下，若某一像素点的梯度值大于第一阈值，则查询在梯度方向上与相应像素点相邻的第一相邻像素点；若相应像素点与第一相邻像素点的像素值之差大于第二阈值，则确定相应像素点为边缘点。
作为一种示例，以第一相邻像素点为各像素点8邻域内的各像素点为例，其中，8邻域内的像素点，即像素点的上、下、左、右、左上、右上、左下、右下的8个点。针对检测图像中的每一个像素点，若梯度值大于第一阈值，则将相应像素点的梯度值与8邻域内像素点的梯度值进行差值计算，若在其梯度方向上与8邻域内像素点的梯度值的差值均大于第二阈值，则确定相应像素点为边缘点。
需要说明的是，从增强处理后的检测图像的各像素点中确定多个边缘点时，可能会将一些噪点确定为边缘点，因此，需要进一步的对各边缘点进行筛选，以筛选掉图像中的噪点，从而有利于提高直线段检测的精确度。
作为一种可能的实现方式，从各像素点中确定多个边缘点之后，针对每一个边缘点，查询在梯度方向上与相应边缘点相邻的第二相邻像素点，若相应边缘点与第二相邻像素点的梯度值之差大于第三阈值，则保留相应的边缘点，若相应边缘点与第二相邻像素点的梯度值之差小于或等于第三阈值，则筛选掉相应的边缘点。由此，通过对边缘点的筛选，以筛选掉图像中的噪点，从而有利于提高直线检测方法的识别率。
步骤104，对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的。
本申请实施例中，对增强处理后的检测图像，从各像素点中确定出多个边缘点之后，由于多个边缘点为多个离散的点，因此，需要对多个边缘点进行拟合，得到各初始直线段。
需要说明的是，每一条初始直线段可以是对梯度方向相似的边缘点拟合得到的。具体地，对增强处理后的检测图像，从各像素点中确定多个边缘点后，将多个边缘点中梯度方向相似的边缘点，确定为一个集合。进而，可以将多个边缘点划分为多个集合。其中，同一集合中的边缘点梯度方向相似。针对各个集合，对相应集合中的边缘点拟合，得到各初始直线段。
本申请实施例中，对多个边缘点拟合，得到各初始直线段时，还可以采用最小二乘法对多个边缘点记性拟合，具体实现过程参见相关技术，在此不再赘述。
步骤105，根据拟合误差，筛选多条初始直线段，以得到目标直线段。
本申请实施例中，从增强处理后的检测图像的各像素点中确定多个边缘点时，同时一些伪边缘也可能会被误检为边缘点，从而导致拟合的各初始直线存在一定的拟合误差。因此，需要对拟合得到的各初始直线段进行筛选，以得到目标直线段。
本申请实施例中，在对多个边缘点拟合，得到各初始直线段后，针对每一条初始直线段，根据拟合得到相应初始直线段的各边缘点的梯度方向标准差，以及根据拟合得到相应初始直线段的各边缘点距离相应初始直线段的距离，确定拟合误差。在一种可能的情况下，若相应初始直线段的拟合误差小于对应的误差阈值，则保留相应的初始直线段。
在另一种可能的情况下，若相应初始直线段的拟合误差大于对应的误差阈值，则筛选掉相应的初始直线段。由此，根据各初始直线段的拟合误差对各初始直线段进行筛选，以筛选掉拟合误差较大的初始直线段，从而有利于提高直线段检测的精确度。
本申请实施例中，根据拟合误差，筛选各初始直线段之后，可能保留多条初始直线段，可以对筛选保留的多条初始直线段进行合并，得到检测图像中的目标直线线段。
本申请实施例的基于图像的直线检测方法，获取检测图像，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异，对增强处理后的检测图像，从各像素点中确定多个边缘点；对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；根据拟合误差，筛选多条初始直线段，以得到目标直线段。该方法通过对检测图像进行增强处理，提高了检测图像中弱响应边缘信息与背景区域的对比度，继而提高弱响应边缘的检测率，此外，根据拟合误差对多条初始直线段进行筛选，不仅提高了检测图像中弱直线检测的准确度，还避免了计算量的大幅提升。
在上述实施例的基础上，在上述步骤102中，对检测图像进行增强处理时，作为一种可能的实现方式，可以采用直方图均衡化的方法对检测图像进行增强处理。具体地，可以根据检测图像中每一个像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图，将第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图，根据第二灰度直方图，确定增强处理后相应像素点的灰度值，从而实现了对检测图像中各像素点进行增强处理，以达到提高检测图像的清晰度以及对比度的目的。下面结合图3对上述过程进行详细介绍，图3为本申请实施例提供的另一种基于图像的直线检测方法的流程示意图。
如图3所示，上述步骤102还可以包括以下步骤：
步骤201，针对检测图像中的每一个像素点，根据相应像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图。
其中，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。这里每一个像素点的灰度值的取值范围为0至255。
本申请实施例中，通过遍历检测图像中的每一个像素点，对各像素点的灰度值进行统计，得到每个灰度级的像素个数，从而得到第一灰度直方图。
步骤202，将第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图。
其中，灰度值范围重映射，是指把一个图像中一个位置的像素放置到另一个图片指定位置的过程。
本申请实施例中，设定的取值范围可以为电子设备的内置程序设置的，例如，设定的取值范围可以为[0，255]。
本申请实施例中，根据检测图像中的各像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图后，将第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图。
作为一种可能的实现方式，可以通过如下公式对第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图。
其中，公式中n是检测图像中像素点的总和，nk是当前灰度级的像素个数，L是检测图像中可能的灰度级总数。
步骤203，根据第二灰度直方图，确定增强处理后相应像素点的灰度值。
具体地，可以根据第二灰度直方图计算各灰度值出现的概率，计算得到检测图像的关于各个灰度级的累积分布函数，通过检测图像某像素点的灰度值，找到对应的该灰度值的累积概率，然后乘以255。由此，通过对检测图像中每一个像素点进行上述操作后，确定增强处理后相应像素点的灰度值。
由此，通过将检测图像变换为像素值均匀分布的形式，这样就增加了像素灰度值的动态范围从而可达到增强检测图像的整体对比度的效果。
本申请实施例的基于图像的直线检测方法，通过针对检测图像中的每一个像素点，根据相应像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图，将第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图，根据第二灰度直方图，确定增强处理后相应像素点的灰度值。由此，通过灰度直方图重映射的方法，重新确定增强处理后检测图像中各像素点的灰度值，从而提高了检测图像的清晰度，增大了检测图像中边缘与背景的对比度。
在上述实施例的基础上，在上述步骤104中，根据拟合误差，筛选出多条初始直线段之后，可以进一步的对筛选保留的各条初始直线段合并，以得到检测图像中的目标直线线段。下面结合图4对各条初始直线段合并，得到检测图像中的目标直线线段的过程进行详细介绍，图4为本申请实施例提供的又一种基于图像的直线检测方法的流程示意图。
如图4所示，该基于图像的直线检测方法，还可以包括以下步骤：
步骤301，从筛选保留的各条初始直线段中，确定初始的参考线段。
本申请实施例中，根据拟合误差对多条初始直线段进行筛选后，可以从筛选保留的各条初始直线段中，确定初始的参考线段。
作为一种可能的实现方式，对多个边缘点拟合，得到多条初始直线段后，根据拟合误差对多条初始直线段进行筛选后，可以对筛选保留的各条初始直线段进行长度检测，以根据检测得到的各初始直线段的长度信息对保留的多条初始直线段进行排序，以将长度最长的初始直线段作为初始的参考线段。可以理解为，对多条初始直线段合并的优先级与各初始直线段的长度呈正相关关系，也就说，优先合并长度最长的初始直线段。因此，本申请中将长度最长的初始直线段作为初始的参考线段。
举例来说，根据拟合误差，对各初始直线段进行筛选，保留4条初始直线段，对4条保留的初始直线段进行长度检测后，可以将长度最长的初始直线，作为初始的参考线段。
步骤302，在与参考线段延伸方向一致且筛选保留的初始直线段中，确定与参考线段之间的距离小于距离阈值的邻近线段。
本申请实施例中，从筛选保留的多条初始直线段中，确定初始的参考线段后，再根据筛选保留的各条初始直线段的延伸方向，得到与参考线段延伸方向一致的初始线段。进一步的，在与参考线段延伸方向一致且筛选保留的初始线段中，确定与参考线段之间的距离小于距离阈值的邻近线段。
作为一种可能的实现方式，可以在初始的参考线段的延伸方向上进行扫描，得到与初始的参考线段的延伸方向一致的且梯度方向满足阈值条件的初始线段。进一步的，计算满足阈值条件的初始线段与初始的参考线段之间的距离以及方向夹角，将与参考线段之间的距离小于距离阈值并且满足夹角阈值范围的初始线段作为邻近线段。
步骤303，将邻近线段与参考线段合并，以得到目标直线段。
本申请实施例中，确定初始参考线段，以及与参考线段之间的距离小于距离阈值的邻近线段之后，将邻近线段与参考线段进行合并，以得到目标直线段。
作为一种可能的实现方式，确定初始参考线段，以及与参考线段之间的距离小于距离阈值的邻近线段之后，将邻近线段与参考线段进行拟合，获取拟合得到的直线的平均误差和最大误差，将满足误差阈值的合并结果作为新的参考线段，以对拟合形成邻近线段的各边缘点，以及拟合形成参考线段的各边缘点再次拟合，进而判断再次拟合得到的直线段是否满足误差阈值，以确定是否将再次拟合得到的直线段作为目标直线段。
需要说明的是，拟合得到邻近线段的各边缘点，梯度值的离散程度和/或梯度角的离散程度符合相应条件。
作为一种可能的情况，若再次拟合的误差满足误差阈值，则将再次拟合得到的直线段作为更新的参考线段，重复执行从与参考线段延伸方向一致的初始线段中，确定与参考线段之间的距离小于距离阈值的邻近线段，将邻近线段与参考线段合并的步骤。直至多次拟合的误差不满足误差阈值时，将拟合得到的直线段作为目标直线段。
作为另一种可能的情况，若再次拟合的误差不满足误差阈值，则直接将再次拟合得到的直线段作为目标直线段。
本申请实施例的基于图像的直线检测方法，通过从筛选保留的多条初始直线段中，确定初始的参考线段，在与参考线段延伸方向一致且筛选保留的初始线段中，确定与参考线段之间的距离小于距离阈值的邻近线段，将邻近线段与参考线段合并，以得到目标直线段。该方法通过将参考线段与邻近线段合并，从而得到更加精确的目标直线段，避免了由于图像的噪声导致检测到的直线不连续的情况，提高了直线检测的精确度。
在上述实施例的基础上，在上述步骤104中，对多个边缘点拟合，得到各初始直线段时，还可以首先根据多个边缘点中梯度角相似的边缘点，确定多个集合，进而，针对每一个集合，对相应集合中的边缘点拟合，得到一条初始直线段。下面结合图5对上述过程进行详细介绍，图5为本申请实施例提供的再一种基于图像的直线检测方法的流程示意图。
如图5所示，该基于图像的直线检测方法可以包括以下步骤：
步骤401，根据多个边缘点中梯度方向相似的边缘点，确定多个集合；其中，同一集合中的边缘点梯度方向相似。
本申请实施例中，对增强处理后的检测图像，从各像素点中确定多个边缘点后，可以将边缘点梯度方向相似的边缘点，划分到同一个集合中，以得到多个边缘点的集合。
作为一种可能的实现方式，针对多个边缘点，从未添加到任一集合的边缘点中确定一边缘点为初始的参考点，查询与参考点之间梯度方向差值小于角度阈值，且与参考点相邻的边缘点，将查询到的边缘点和参考点添加至同一集合中。
本申请实施例中，从各像素点中确定多个边缘点后，可以根据各边缘点的梯度方向大小对各边缘点进行排序，在未添加到任一集合的边缘点中，可以将梯度值最大的边缘点作为初始的参考点。与参考点相邻的边缘点，可以为初始的参考点8邻域内的边缘点，即参考点的上、下、左、右、左上、右上、左下、右下的8个点。
例如，可以计算参考点P的梯度方向与8邻域内的各边缘点的梯度方向之间的差值，假设参考点P的上方和左上方的边缘点与参考点之间的梯度方向差值小于角度阈值，此时，可以将上方和左上方的边缘点与参考点P一起添加至同一集合中。
进一步的，计算同一集合中各边缘点的梯度方向均值与梯度方向的标准差，同一集合中各边缘点的梯度方向的标准差在阈值范围内，将该集合进行下一步的合并计算，同时将集合中与参考点相邻的边缘点从集合中去除。
可以理解为，若同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度，则将查询到的边缘点作为更新的参考点，以重复执行查询与参考点之间梯度方向差值小于角度阈值，且与参考点相邻的边缘点，将查询到的边缘点和参考点添加至相应集合中的步骤，直至相应集合中各边缘点的梯度方向离散程度大于设定离散程度。
步骤402，对每一个集合，对相应集合中的边缘点拟合，得到一条初始直线段。
本申请实施例中，根据多个边缘点中梯度方向相似的边缘点，确定多个集合后，对每一个集合中的多个边缘点进行拟合，以得到一条初始直线段。
本申请实施例中，对对每一个集合中的多个边缘点进行拟合，就是把每一个集合中的多个边缘点，用一条直线段连接起来，以得到一条初始直线段。
本申请实施例的基于图像的直线检测方法，通过根据多个边缘点中梯度方向相似的边缘点，确定多个集合；其中，同一集合中的边缘点梯度方向相似，对每一个集合，对相应集合中的边缘点拟合，得到一条初始直线段。由此，通过对每一个集合中的边缘点进行拟合，得到相应集合的初始直线段，实现了对离散的边缘点进行结合的操作。
为了实现上述实施例，本申请还提出一种基于图像的直线检测装置。
图6为本申请实施例提供的一种基于图像的直线检测装置的结构示意图。
如图6所示，该基于图像的直线检测装置500，可以包括：获取模块510、处理模块520、确定模块530、拟合模块540以及合并模块550。
获取模块510，用于获取检测图像。
处理模块520，用于对检测图像进行增强处理，以增大检测图像中边缘与背景的差异。
确定模块530，用于对增强处理后的检测图像，从各像素点中确定多个边缘点。
拟合模块540，用于对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的。
合并模块550，用于根据拟合误差，筛选多条初始直线段，以得到目标直线段。
作为一种可能的情况，合并模块550，还可以用于：
针对每一条初始直线段，根据拟合得到相应初始直线段的各边缘点的梯度方向标准差，以及根据拟合得到相应初始直线段的各边缘点距离相应初始直线段的距离，确定拟合误差；若相应初始直线段的拟合误差小于对应的误差阈值，则保留相应的初始直线段。
作为另一种可能的情况，处理模块520，还可以用于：
针对检测图像中的每一个像素点，根据相应像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图；将第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图；根据第二灰度直方图，确定增强处理后相应像素点的灰度值。
作为另一种可能的情况，合并模块550，还可以用于：
对筛选保留的各条初始直线段合并，得到检测图像中的目标直线线段。
作为另一种可能的情况，合并模块550，还可以包括：
第一确定单元，用于从筛选保留的各条初始直线段中，确定初始的参考线段。
第二确定单元，用于在与参考线段延伸方向一致且筛选保留的初始直线段中，确定与参考线段之间的距离小于距离阈值的邻近线段。
合并单元，用于将邻近线段与参考线段合并，以得到目标直线段。
作为另一种可能的情况，合并单元，还可以用于：
对拟合形成邻近线段的各边缘点，以及拟合形成参考线段的各边缘点再次拟合；若再次拟合的误差小于误差阈值，则将再次拟合得到的直线段作为更新的参考线段，重复执行从与参考线段延伸方向一致的初始线段中，确定与参考线段之间的距离小于距离阈值的邻近线段，将邻近线段与参考线段合并的步骤；若再次拟合的误差不小于误差阈值，将再次拟合得到的直线段作为目标直线段。
作为另一种可能的情况，第一确定单元，还可以用于：
在筛选保留的各条初始直线段中，将长度最长的初始直线段作为初始的参考线段。
作为另一种可能的情况，拟合模块540，还可以用于：
对拟合得到邻近线段的各边缘点，获取梯度值的离散程度和/或梯度角的离散程度；
确定所述梯度值的离散程度和/或所述梯度角的离散程度小于相应设定阈值。
作为另一种可能的情况，拟合模块540，还可以包括：
第三确定单元，用于根据多个边缘点中梯度方向相似的边缘点，确定多个集合；其中，同一集合中的边缘点梯度方向相似。
拟合单元，用于对每一个集合，对相应集合中的边缘点拟合，得到一条初始直线段。
作为另一种可能的情况，第三确定单元，还可以用于：
从未添加到任一集合的边缘点中确定初始的参考点；查询与参考点之间梯度方向差值小于角度阈值，且与参考点相邻的边缘点；将查询到的边缘点和参考点添加至同一集合中；若同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度，则将查询到的边缘点作为更新的参考点，以重复执行查询与参考点之间梯度方向差值小于角度阈值，且与参考点相邻的边缘点，将查询到的边缘点和参考点添加至相应集合中的步骤，直至相应集合中各边缘点的梯度方向离散程度大于设定离散程度。
作为另一种可能的情况，第三确定单元，还可以用于：
在未添加到任一集合的边缘点中，将梯度值最大的边缘点作为初始的参考点。
作为另一种可能的情况，确定模块530，还可以用于：
针对每一个像素点，若梯度值大于第一阈值，则查询在梯度方向上与相应像素点相邻的第一相邻像素点；若相应像素点与第一相邻像素点的像素值之差大于第二阈值，则确定相应像素点为边缘点。
作为另一种可能的情况，该基于图像的直线检测装置500，还可以包括：
查询模块，用于针对每一个边缘点，查询在梯度方向上与相应边缘点相邻的第二相邻像素点。
保留模块，用于若相应边缘点与第二相邻像素点的梯度值之差大于第三阈值，则保留相应的边缘点。
筛选模块，用于若相应边缘点与第二相邻像素点的梯度值之差小于或等于第三阈值，则筛选掉相应的边缘点。
需要说明的是，前述对基于图像的直线检测方法实施例的解释说明也适用于该实施例的基于图像的直线检测装置，此处不再赘述。
本申请实施例的基于图像的直线检测装置，通过获取检测图像，对检测图像进行增强处理，以增大检测图像中边缘与背景的差异，对增强处理后的检测图像，从各像素点中确定多个边缘点；对多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；根据拟合误差，筛选多条初始直线段，以得到目标直线段。该方法通过对检测图像进行增强处理，提高了检测图像中弱响应边缘信息与背景区域的对比度，继而提高弱响应边缘的检测率，此外，根据拟合误差对各初始直线段进行筛选，不仅提高了检测图像中弱直线检测的准确度，还避免了计算量的大幅提升。
为了实现上述实施例，本申请还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述实施例中所述的直线检测方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中所述的直线检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种基于图像的直线检测方法，其特征在于，所述方法包括：
获取检测图像；
对所述检测图像进行增强处理，以增大检测图像中边缘与背景的差异；
对增强处理后的检测图像，从各像素点中确定多个边缘点；
对所述多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；
根据拟合误差，筛选所述多条初始直线段，以得到目标直线段。
2.根据权利要求1所述的直线检测方法，其特征在于，所述根据拟合误差，筛选所述多条初始直线段，包括：
针对每一条初始直线段，根据拟合得到相应初始直线段的各边缘点的梯度方向标准差，以及根据拟合得到相应初始直线段的各边缘点距离相应初始直线段的距离，确定所述拟合误差；
若相应初始直线段的拟合误差小于对应的误差阈值，则保留相应的初始直线段。
3.根据权利要求1所述的直线检测方法，其特征在于，所述对所述检测图像进行增强处理，以增大检测图像中边缘与背景的差异，包括：
针对所述检测图像中的每一个像素点，根据相应像素点的灰度值和相邻像素点的灰度值，确定第一灰度直方图；
将所述第一灰度直方图中的灰度值范围重映射至设定的取值范围，得到第二灰度直方图；
根据所述第二灰度直方图，确定增强处理后相应像素点的灰度值。
4.根据权利要求1-3任一项所述的直线检测方法，其特征在于，所述根据拟合误差，筛选所述多条初始直线段之后，还包括：
对筛选保留的各条初始直线段合并，得到所述检测图像中的目标直线线段。
5.根据权利要求4所述的直线检测方法，其特征在于，所述对筛选保留的各条初始直线段合并，得到所述检测图像中的目标直线线段，包括：
从筛选保留的各条初始直线段中，确定初始的参考线段；
在与所述参考线段延伸方向一致且筛选保留的初始直线段中，确定与所述参考线段之间的距离小于距离阈值的邻近线段；
将所述邻近线段与所述参考线段合并，以得到所述目标直线段。
6.根据权利要求5所述的直线检测方法，其特征在于，所述将所述邻近线段与所述参考线段合并，以得到所述目标直线段，包括：
对拟合形成所述邻近线段的各边缘点，以及拟合形成所述参考线段的各边缘点再次拟合；
若再次拟合的误差小于误差阈值，则将再次拟合得到的直线段作为更新的参考线段，重复执行从与所述参考线段延伸方向一致的初始线段中，确定与所述参考线段之间的距离小于距离阈值的邻近线段，将所述邻近线段与所述参考线段合并的步骤；
若再次拟合的误差不小于所述误差阈值，将再次拟合得到的直线段作为所述目标直线段。
7.根据权利要求5所述的直线检测方法，其特征在于，所述从筛选保留的各条初始直线段中，确定初始的参考线段，包括：
在筛选保留的各条初始直线段中，将长度最长的初始直线段作为所述初始的参考线段。
8.根据权利要求5所述的直线检测方法，其特征在于，所述将所述邻近线段与所述参考线段合并之前，还包括：
对拟合得到所述邻近线段的各边缘点，获取梯度值的离散程度和/或梯度角的离散程度；
确定所述梯度值的离散程度和/或所述梯度角的离散程度小于相应设定阈值。
9.根据权利要求1-3任一项所述的直线检测方法，其特征在于，所述对所述多个边缘点拟合，得到多条初始直线段，包括：
根据所述多个边缘点中梯度方向相似的边缘点，确定多个集合；其中，同一集合中的边缘点梯度方向相似；
对每一个集合，对相应集合中的边缘点拟合，得到一条初始直线段。
10.根据权利要求9所述的直线检测方法，其特征在于，所述根据所述多个边缘点中梯度方向相似的边缘点，确定多个集合，包括：
从未添加到任一集合的边缘点中确定初始的参考点；
查询与所述参考点之间梯度方向差值小于角度阈值，且与所述参考点相邻的边缘点；
将查询到的边缘点和所述参考点添加至同一集合中；
若所述同一集合中各边缘点的梯度方向离散程度小于或等于设定离散程度，则将所述查询到的边缘点作为更新的参考点，以重复执行查询与所述参考点之间梯度方向差值小于角度阈值，且与所述参考点相邻的边缘点，将查询到的边缘点和所述参考点添加至相应集合中的步骤，直至相应集合中各边缘点的梯度方向离散程度大于所述设定离散程度。
11.根据权利要求10所述的直线检测方法，其特征在于，所述从未添加到任一集合的边缘点中确定初始的参考点，包括：
在未添加到任一集合的边缘点中，将梯度值最大的边缘点作为所述初始的参考点。
12.根据权利要求1-3任一项所述的直线检测方法，其特征在于，所述从各像素点中确定多个边缘点，包括：
针对每一个像素点，若梯度值大于第一阈值，则查询在梯度方向上与相应像素点相邻的第一相邻像素点；
若相应像素点与所述第一相邻像素点的像素值之差大于第二阈值，则确定相应像素点为所述边缘点。
13.根据权利要求1-3任一项所述的直线检测方法，其特征在于，所述从各像素点中确定多个边缘点之后，还包括：
针对每一个边缘点，查询在梯度方向上与相应边缘点相邻的第二相邻像素点；
若相应边缘点与所述第二相邻像素点的梯度值之差大于第三阈值，则保留相应的边缘点；
若相应边缘点与所述第二相邻像素点的梯度值之差小于或等于所述第三阈值，则筛选掉相应的边缘点。
14.一种基于图像的直线检测装置，其特征在于，所述装置包括：
获取模块，用于获取检测图像；
处理模块，用于对所述检测图像进行增强处理，以增大检测图像中边缘与背景的差异；
确定模块，用于对增强处理后的检测图像，从各像素点中确定多个边缘点；
拟合模块，用于对所述多个边缘点拟合，得到多条初始直线段；其中，每一条初始直线段是对梯度方向相似的边缘点拟合得到的；
合并模块，用于根据拟合误差，筛选所述多条初始直线段，以得到目标直线段。
15.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-13中任一所述的直线检测方法。
16.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-13中任一所述的直线检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252846.3A CN111080661B (zh) | 2019-12-09 | 2019-12-09 | 基于图像的直线检测方法、装置以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911252846.3A CN111080661B (zh) | 2019-12-09 | 2019-12-09 | 基于图像的直线检测方法、装置以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080661A true CN111080661A (zh) | 2020-04-28 |
| CN111080661B CN111080661B (zh) | 2023-12-22 |
Family
ID=70313420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911252846.3A Active CN111080661B (zh) | 2019-12-09 | 2019-12-09 | 基于图像的直线检测方法、装置以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080661B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489024A (zh) * | 2020-12-04 | 2021-03-12 | 北京配天技术有限公司 | 圆检测方法及其装置、计算机可读存储介质 |
| CN112541888A (zh) * | 2020-12-02 | 2021-03-23 | 江门电力设计院有限公司 | 一种基于智能终端的电力行业配电房勘察方法及其系统 |
| CN112634235A (zh) * | 2020-12-24 | 2021-04-09 | 深圳艾灵网络有限公司 | 产品图像的边界检测方法和电子设备 |
| CN112800797A (zh) * | 2020-12-30 | 2021-05-14 | 凌云光技术股份有限公司 | 一种dm码的区域定位方法及系统 |
| CN113052837A (zh) * | 2021-04-22 | 2021-06-29 | 杭州电力设备制造有限公司 | 手车触头状态识别方法和装置 |
| CN113240595A (zh) * | 2021-05-06 | 2021-08-10 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、存储介质及计算机设备 |
| CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
| CN114723942A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 锂电池极片的尺寸检测方法、装置、设备及存储介质 |
| CN115115641A (zh) * | 2022-08-30 | 2022-09-27 | 江苏布罗信息技术有限公司 | 一种瞳孔图像分割方法 |
| CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
| CN116385976A (zh) * | 2023-05-29 | 2023-07-04 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测系统 |
| CN117011302A (zh) * | 2023-10-08 | 2023-11-07 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6507660B1 (en) * | 1999-05-27 | 2003-01-14 | The United States Of America As Represented By The Secretary Of The Navy | Method for enhancing air-to-ground target detection, acquisition and terminal guidance and an image correlation system |
| CN106127778A (zh) * | 2016-06-27 | 2016-11-16 | 安徽慧视金瞳科技有限公司 | 一种用于投影交互系统的直线检测方法 |
| CN107423737A (zh) * | 2017-05-03 | 2017-12-01 | 武汉东智科技股份有限公司 | 异物遮挡的视频质量诊断方法 |
| US20180047167A1 (en) * | 2016-08-15 | 2018-02-15 | Macau University Of Science And Technology | Method for edge detection |
| CN110288624A (zh) * | 2019-06-28 | 2019-09-27 | 苏州大学 | 一种图像中直线段的检测方法、装置及相关设备 |
-
2019
- 2019-12-09 CN CN201911252846.3A patent/CN111080661B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6507660B1 (en) * | 1999-05-27 | 2003-01-14 | The United States Of America As Represented By The Secretary Of The Navy | Method for enhancing air-to-ground target detection, acquisition and terminal guidance and an image correlation system |
| CN106127778A (zh) * | 2016-06-27 | 2016-11-16 | 安徽慧视金瞳科技有限公司 | 一种用于投影交互系统的直线检测方法 |
| US20180047167A1 (en) * | 2016-08-15 | 2018-02-15 | Macau University Of Science And Technology | Method for edge detection |
| CN107423737A (zh) * | 2017-05-03 | 2017-12-01 | 武汉东智科技股份有限公司 | 异物遮挡的视频质量诊断方法 |
| CN110288624A (zh) * | 2019-06-28 | 2019-09-27 | 苏州大学 | 一种图像中直线段的检测方法、装置及相关设备 |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541888A (zh) * | 2020-12-02 | 2021-03-23 | 江门电力设计院有限公司 | 一种基于智能终端的电力行业配电房勘察方法及其系统 |
| CN112489024A (zh) * | 2020-12-04 | 2021-03-12 | 北京配天技术有限公司 | 圆检测方法及其装置、计算机可读存储介质 |
| CN112634235A (zh) * | 2020-12-24 | 2021-04-09 | 深圳艾灵网络有限公司 | 产品图像的边界检测方法和电子设备 |
| CN112800797A (zh) * | 2020-12-30 | 2021-05-14 | 凌云光技术股份有限公司 | 一种dm码的区域定位方法及系统 |
| CN112800797B (zh) * | 2020-12-30 | 2023-12-19 | 凌云光技术股份有限公司 | 一种dm码的区域定位方法及系统 |
| CN113052837A (zh) * | 2021-04-22 | 2021-06-29 | 杭州电力设备制造有限公司 | 手车触头状态识别方法和装置 |
| CN113240595A (zh) * | 2021-05-06 | 2021-08-10 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、存储介质及计算机设备 |
| CN113240595B (zh) * | 2021-05-06 | 2023-09-08 | 腾讯科技（深圳）有限公司 | 图像检测方法、装置、存储介质及计算机设备 |
| CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
| CN114723942B (zh) * | 2022-06-08 | 2022-12-20 | 深圳新视智科技术有限公司 | 锂电池极片的尺寸检测方法、装置、设备及存储介质 |
| CN114723942A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 锂电池极片的尺寸检测方法、装置、设备及存储介质 |
| CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
| CN115330826B (zh) * | 2022-08-11 | 2024-02-20 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
| CN115115641A (zh) * | 2022-08-30 | 2022-09-27 | 江苏布罗信息技术有限公司 | 一种瞳孔图像分割方法 |
| CN115115641B (zh) * | 2022-08-30 | 2023-12-22 | 孙清珠 | 一种瞳孔图像分割方法 |
| CN116385976B (zh) * | 2023-05-29 | 2023-08-11 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测系统 |
| CN116385976A (zh) * | 2023-05-29 | 2023-07-04 | 杭州芯业电子科技有限公司 | 基于计算机视觉的消防安防一体化监测系统 |
| CN117011302A (zh) * | 2023-10-08 | 2023-11-07 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
| CN117011302B (zh) * | 2023-10-08 | 2024-01-09 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080661B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN107220988B (zh) | 基于改进canny算子的零部件图像边缘提取方法 | |
| CN108416789A (zh) | 图像边缘检测方法及系统 | |
| CN113034452B (zh) | 一种焊件轮廓检测方法 | |
| CN114372983B (zh) | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 | |
| CN105740876B (zh) | 一种图像预处理方法及装置 | |
| CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
| WO2013148566A1 (en) | Image blur detection | |
| Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
| CN109214996B (zh) | 一种图像处理方法及装置 | |
| CN115205194B (zh) | 基于图像处理的粘虫板覆盖率检测方法、系统及装置 | |
| CN107230212B (zh) | 一种基于视觉的手机尺寸的测量方法及系统 | |
| US20160283806A1 (en) | Method and device for detecting elliptical structures in an image | |
| CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
| CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
| WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN111080542A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN112926695A (zh) | 基于模板匹配的图像识别方法和系统 | |
| CN108416358B (zh) | 一种空间目标特征提取方法和装置 | |
| van Zyl Marais et al. | Robust defocus blur identification in the context of blind image quality assessment | |
| CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
| CN111311610A (zh) | 图像分割的方法及终端设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |