CN111402280A - 基于对数图像处理模型的图像边缘检测系统及方法 - Google Patents
基于对数图像处理模型的图像边缘检测系统及方法 Download PDFInfo
- Publication number
- CN111402280A CN111402280A CN202010161850.5A CN202010161850A CN111402280A CN 111402280 A CN111402280 A CN 111402280A CN 202010161850 A CN202010161850 A CN 202010161850A CN 111402280 A CN111402280 A CN 111402280A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- module
- square window
- value
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/60—Memory management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于对数图像处理模型的图像边缘检测系统及方法,本发明的系统由图像存储模块、行缓存模块、方形窗构造模块、对数图像处理模块、边缘检测模块、图像显示模块组成。本发明使用图像存储模块将待处理图像转换成FPGA可识别格式文件存储到单端口存储器中,行缓存模块缓存图像三行数据,方形窗构造模块构造3×3方形窗口模板,对数图像处理模块将像素值转换到对数域,边缘检测模块利用Sobel算子进行图像边缘检测,图像显示模块显示检测到的图像边缘。本发明可在现场可编程门阵列FPGA上实现基于对数图像处理模型图像的边缘检测,具有图像处理速度快,边缘检测效果好的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及图像边缘检测技术领域中的一种基于对数图像处理模型的图像边缘检测系统及方法。本发明可以提取图像的边缘特征,从而用于对安防、工业等领域中的物品进行分类、尺寸测量等。
背景技术
边缘检测是图像处理和计算机视觉中的重要问题,边缘检测的意义是标识图像中亮度变化明显的点。图像边缘检测技术在多个领域具有广泛应用,在工业领域中可以根据工件图像的边缘特征进行尺寸测量,在医药领域可以通过对医学图像进行边缘检测,从而计算人体器官的体积和重量来进行医学诊断等等,因此研究如何快速而又准确地提取图像的边缘特征具有重要意义。Sobel算子是图像边缘检测技术中的经典算子,其是通过计算图像局部区域的亮度梯度并与阈值比较来判定边缘,在图像边缘检测中可能会忽略掉亮度变化较小的一部分边缘。对数图像处理模型是图像转换的常用方法,它可以将图像像素值在基本域和对数域之间转换,在图像边缘检测前将像素值转换到对数域可以缩减像素值范围,使图像边缘判定更加准确,因此将对数图像处理模型和Sobel算子结合可以更好地检测图像边缘。另外FPGA具有并行性和流水线处理的特点,在FPGA上实现该算法可以加快图像处理速度,节省图像处理时间。
安徽理工大学在其申请的专利文献“一种基于FPGA和Sobel算子的图像边缘检测装置”(申请日:2015年12月22日,申请号:201521088757.7,公开号:205230140U)中提出了一种基于FPGA和Sobel算子的图像边缘检测装置。该装置包括主控模块、图像采集模块、SDRAM模块、TFT模块、VGA模块。图像采集模块采用OV7670摄像头,用于进行实时的图像信息采集,将图像信息处理成数字信号后传输给FPGA芯片。主控模块包括FPGA芯片,负责接收OV7670摄像头接收到的图像信息,通过Sobel算子边缘算法完成图像的边缘处理运算,计算和控制信号输出。SDRAM模块采用256M内存芯片H57V2562GTR,用来作为图像信息的大容量缓存器。TFT模块采用7寸TFT液晶显示屏AT070TN83,负责显示经过Sobel算子边缘处理后的图像。VGA模块包括140M的DAC转换芯片ADV7123-KST140,负责与带有VGA输入接口的显示器和显示设备进行连接,将经过Sobel算子边缘处理后的图像信息输出到设备上进行显示。该装置存在的不足之处是:主控模块采用Sobel算子检测图像的边缘,由于Sobel算子是通过计算图像横向和纵向两个方向的加权亮度梯度,进而将亮度梯度和阈值进行比较以判断其是否属于边缘,只有当亮度梯度大于阈值时才可判定边缘,因此,该装置在对图像进行边缘检测时会忽略掉亮度梯度较小的边缘,导致检测到的图像边缘不完整。
郑州艾毅电子科技有限公司在其申请的专利文献“图像边缘检测系统”(申请日:2017年11月09日,申请号:201721487229.8,公开号:205230140U)中提出了一种基于FPGA和Canny算子的图像边缘检测系统。该装置包括图像采集模块、图像存储模块、图像处理模块、图像显示模块。图像采集模块0V7670型CMOS摄像头,用于采集图像信息输送至图像存储模块和图像处理模块。图像存储模块包括存储图像数据的SDRAM芯片,用于缓存图像采集模块得到的图像数据。图像处理模块包括含有Canny算子的FPGA芯片,负责图像边缘检测并将处理后的图像数据输出至图像显示模块。图像显示模块用于显示处理后的图像。该系统存在的不足之处是:图像处理模块包括含有Canny算子的FPGA芯片,由于Canny算子的是先将图像使用高斯函数进行平滑,再由一阶微分的极大值确定边缘点,二阶微分的零交叉点不仅对应着一阶导数的极大值,而且也对应着一阶导数的极小值,也就是说图像中灰度变化剧烈的点与变化缓慢的点都对应着二阶导数零交叉点,因此该系统检测得到的图像边缘会引入伪边缘,导致边缘检测不准确。
张棋、贾方秀、殷婷婷在其发表的论文“基于改进Sobel算法的实时图像边缘检测系统设计”(《仪表技术与传感器》2018年第2期第101~108页)中提出一种利用改进Sobel算法的实时图像边缘检测系统的图像边缘检测方法。该方法的实现过程为:首先通过CMOS传感器获取8bit灰度图像数据流,然后调用MegaWizard中Shift_RAM宏定义模块生成3×3的窗口模板,将Canny算子的模板和3×3的窗口模板进行卷积操作得到四个方向的梯度值,对四个方向的梯度值进行非极大值抑制处理得到梯度极大值,其次采用并行排序的方法自适应选取阈值,最后将梯度极大值和阈值比较判定边缘。该方法存在不足之处是:将Canny算子的模板和3×3的窗口模板进行卷积操作得到的四个方向的梯度值可能会超过图像定义的灰度区间范围,引起数值越界问题,导致边缘定位不准确,使最后检测的结果出现误差。
重庆邮电大学在其申请的专利文献“一种基于Sobel算子的图像边缘检测方法”(申请日:2016年12月23日,申请号:201611243522.X,公开号:108242060A)中提出了一种基于Sobel算子的图像边缘检测方法,该方法的实现过程为:首先对待处理的原始图像进行引导滤波处理,然后对滤波后的图像利用改进Sobel算子进行边缘图像处理,然后对边缘图像再次利用Sobel算子进行图像二次边缘检测,最后对上述图像进行边缘滤波,以滤除边缘强度小和边缘链短的边缘点,得到最终边缘图像。该方法存在的不足之处是:图像的边缘检测算法在软件上实现,由于边缘检测方法步骤多,涉及的计算量大,导致图像处理速度慢,不能满足实时图像处理的要求。
发明内容
本发明的目的是针对上述现有技术的不足,提出一种基于对数图像处理模型的图像边缘检测系统及方法,用于解决现有技术检测得到的图像边缘不准确的问题,以及只在软件上进行图像边缘检测导致图像处理速度慢的问题。
实现本发明目的的思路是:在利用Sobel边缘检测算子计算图像的亮度梯度之前,将图像的像素值通过对数图像处理模型的正变换函数转换到对数域,避免像素值在加减运算时超出灰度值定义区间,并将该算法在FPGA器件上设计实现以加快图像处理速度。
本发明的系统包括图像存储模块、行缓存模块、方形窗构造模块、对数图像处理模块、边缘检测模块、图像显示模块,其中:
所述的图像存储模块用于将输入的640*480分辨率的待处理图像转换为灰度图像,若该图像是灰度图像,则不需要转换,若该图像是彩色图像,则根据灰度转换公式将该彩色图像转化成灰度图像,将灰度图像转化成FPGA可识别的格式文件后存入图像存储模块的单端口存储器中;
所述的行缓存模块用于调用Ram-based Shift Register IP核构造三个相同的移位寄存器,并将三个移位寄存器首尾相接,在每个时钟周期,通过地址空间在图像存储模块的单端口存储器读取图像的像素值,存入位于末端的移位寄存器中;
所述的方形窗构造模块用于在每个移位寄存器后连接三个寄存器得到3×3的寄存器阵列,在每个时钟周期读取每个移位寄存器中的像素值存入移位寄存器后连接的寄存器中,得到包含3×3个像素的方形窗;
所述的对数图像处理模块用于调用Floating-point IP核,将OperationSelection选项设定为Logarithm,计算方形窗内除中心像素点外的每个像素值的对数值,根据对数图像处理模型的正变换函数,将方形窗内除中心像素点外的每个像素值转换到对数域,调用Floating-point IP核,将Operation Selection 选项设定为Exponential,计算灰度梯度的以自然常数为底的指数值,根据对数图像处理模型的逆变换函数将灰度梯度转换到基本域;
所述的边缘检测模块用于将Sobel算子的横向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的横向梯度Gx,将Sobel算子的纵向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的纵向梯度Gy,将横向梯度Gx和纵向梯度Gy分别取绝对值后相加得到方形窗的灰度梯度G,将灰度最大值和灰度最小值的平均值作为边缘检测的阈值,将转换到基本域后的灰度梯度值与阈值进行比较,将图像中灰度梯度值大于阈值的部分判定为图像边缘;
所述的图像显示模块用于通过VGA显示接口将图像边缘检测的结果传输到显示器上。
本发明方法的具体步骤包括如下:
(1)输入待处理的图像:
(1a)图像存储模块将输入的640*480分辨率的待处理图像转换为灰度图像,若该图像是灰度图像,则不需要转换,若该图像是彩色图像,则根据灰度转换公式将该彩色图像转化成灰度图像;
(1b)将灰度图像转化成FPGA可识别的格式文件后存入图像存储模块的单端口存储器中;
(2)缓存图像行数据:
(2a)行缓存模块调用Ram-based Shift Register IP核构造三个相同的移位寄存器,并将三个移位寄存器首尾相接;移位寄存器的深度与灰度图像行像素个数相等;
(2b)行缓存模块在每个时钟周期,通过地址空间在图像存储模块的单端口存储器读取图像的像素值,存入位于末端的移位寄存器中;
(3)构造包含3×3个像素的方形窗:
(3a)方形窗构造模块在每个移位寄存器后连接三个寄存器得到3×3的寄存器阵列;每个寄存器存储一个像素值;
(3b)方形窗构造模块在每个时钟周期读取每个移位寄存器中的像素值存入移位寄存器后连接的寄存器中,得到包含3×3个像素的方形窗;
(4)将方形窗内的像素值转换到对数域:
(4a)对数图像处理模块调用Floating-point IP核,将Operation Selection选项设定为Logarithm,计算方形窗内除中心像素点外的每个像素值的对数值;
(4b)对数图像处理模块利用对数图像处理模型的正变换函数,将方形窗内除中心像素点外的每个像素值转换到对数域;
(5)计算灰度梯度:
(5a)边缘检测模块将Sobel算子的横向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的横向梯度Gx,将Sobel算子的纵向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的纵向梯度Gy;
(5b)边缘检测模块将横向梯度Gx和纵向梯度Gy分别取绝对值后相加得到方形窗的灰度梯度G;
(6)将灰度梯度转换到基本域:
(6a)对数图像处理模块调用Floating-point IP核,将Operation Selection选项设定为Exponential,计算灰度梯度的以自然常数为底的指数值;
(6b)对数图像处理模块利用对数图像处理模型的逆变换函数将灰度梯度转换到基本域;
(7)提取图像边缘:
(7a)边缘检测模块将灰度最大值和灰度最小值的平均值作为边缘检测的阈值;
(7b)边缘检测模块将转换到基本域后的灰度梯度值与阈值进行比较,将图像中灰度梯度值大于阈值的部分判定为图像边缘;
(8)图像显示模块通过VGA显示接口将图像边缘检测的结果传输到显示器上。
本发明与现有的技术相比具有以下优点:
第一,由于本发明系统中的对数图像处理模块,利用了对数图像处理模型的正变换函数将像素值转换到对数域,克服了现有技术中的系统仅采用边缘检测模块对图像进行边缘检测导致图像边缘检测不完整的问题,使得本发明的系统在对图像进行边缘检测时能够考虑到亮度梯度较小的边缘部分,检测得到的图像边缘更加完整。
第二,由于本发明的系统是在现场可编程门阵列FPGA上设计实现的,克服了现有技术中只在软件上实现图像边缘检测导致图像处理速度慢的问题,使得本发明能够快速地实现图像的边缘检测,节省了图像处理的时间,可以满足实时图像处理的要求。
第三,由于本发明的方法将对数图像处理模型和Sobel算子结合起来进行图像的边缘检测,克服了现有技术中利用Sobel算子对像素值进行加减运算时导致像素值超出灰度定义区间的问题,使得本发明在像素值进行加减运算时保证像素值不会超出灰度定义区间,计算得到的图像亮度梯度更准确。
附图说明
图1是本发明系统的结构示意图;
图2是本发明方法的流程图;
图3是本发明仿真实验图;其中,图3(a)是本发明仿真实验输入的待处理Lena灰度图像;图3(b)是采用本发明方法对输入的Lena灰度图像进行边缘检测的结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1对本发明系统做进一步的描述。
本发明的系统包括图像存储模块、行缓存模块、方形窗构造模块、对数图像处理模块、边缘检测模块、图像显示模块,其中:
所述的图像存储模块用于将输入的640*480分辨率的待处理图像转换为灰度图像,若该图像是灰度图像,则不需要转换,若该图像是彩色图像,则根据灰度转换公式将该彩色图像转化成灰度图像,将灰度图像转化成FPGA可识别的格式文件后存入图像存储模块的单端口存储器中;
所述的行缓存模块用于调用Ram-based Shift Register IP核构造三个相同的移位寄存器,并将三个移位寄存器首尾相接,在每个时钟周期,通过地址空间在图像存储模块的单端口存储器读取图像的像素值,存入位于末端的移位寄存器中;
所述的方形窗构造模块用于在每个移位寄存器后连接三个寄存器得到3×3的寄存器阵列,在每个时钟周期读取每个移位寄存器中的像素值存入移位寄存器后连接的寄存器中,得到包含3×3个像素的方形窗;
所述的对数图像处理模块用于调用Floating-point IP核,将OperationSelection选项设定为Logarithm,计算方形窗内除中心像素点外的每个像素值的对数值,根据对数图像处理模型的正变换函数,将方形窗内除中心像素点外的每个像素值转换到对数域,调用Floating-point IP核,将Operation Selection选项设定为Exponential,计算灰度梯度的以自然常数为底的指数值,根据对数图像处理模型的逆变换函数将灰度梯度转换到基本域;
所述的边缘检测模块用于将Sobel算子的横向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的横向梯度Gx,将Sobel算子的纵向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的纵向梯度Gy,将横向梯度Gx和纵向梯度Gy分别取绝对值后相加得到方形窗的灰度梯度G,将灰度最大值和灰度最小值的平均值作为边缘检测的阈值,将转换到基本域后的灰度梯度值与阈值进行比较,将图像中灰度梯度值大于阈值的部分判定为图像边缘;
所述的图像显示模块用于通过VGA显示接口将图像边缘检测的结果传输到显示器上。
下面结合图2对本发明的方法做进一步的描述。
步骤1,输入待处理的图像。
图像存储模块将输入的640*480分辨率的待处理图像转换为灰度图像,若该图像是灰度图像,则不需要转换,若该图像是彩色图像,则根据下述灰度转换公式将该彩色图像转化成灰度图像。
Li=0.299Ri+0.587Gi+0.114Bi
其中,Li表示转化后的灰度图像中第i个像素点的灰度值,Ri表示彩色图像中的第i个像素点的红色分量,Gi表示彩色图像中的第i个像素点的绿色分量,Bi表示彩色图像中的第i个像素点的蓝色分量。
将灰度图像转化成FPGA可识别的格式文件后存入图像存储模块的单端口存储器中。
步骤2,缓存图像行数据。
行缓存模块调用Ram-based Shift Register IP核构造三个相同的移位寄存器,并将三个移位寄存器首尾相接;移位寄存器的深度与灰度图像行像素个数相等。
行缓存模块在每个时钟周期,通过地址空间在图像存储模块的单端口存储器读取图像的像素值,存入位于末端的移位寄存器中。
步骤3,构造包含3×3个像素的方形窗。
方形窗构造模块在每个移位寄存器后连接三个寄存器得到3×3的寄存器阵列;每个寄存器存储一个像素值。
方形窗构造模块在每个时钟周期读取每个移位寄存器中的像素值存入移位寄存器后连接的寄存器中,得到包含3×3个像素的方形窗。
步骤4,将方形窗内的像素值转换到对数域。
对数图像处理模块调用Floating-point IP核,将Operation Selection选项设定为Logarithm,计算方形窗内除中心像素点外的每个像素值的对数值。
对数图像处理模块根据下述对数图像处理模型的正变换函数,将方形窗内除中心像素点外的每个像素值转换到对数域。
步骤5,计算灰度梯度。
边缘检测模块将下述Sobel算子的横向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的横向梯度Gx,将下述Sobel算子的纵向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的纵向梯度Gy。以横向梯度Gx的计算为例,假设经对数图像处理模块进行正变换后的方形窗如下所示,则Sobel算子的横向模板的矩阵和方形窗内的像素值进行的卷积运算是将矩阵和方形窗对应位置的数值相乘后进行求和,即Gx=(z3+z6+z9)-(z1+z4+z7)。
边缘检测模块将横向梯度Gx和纵向梯度Gy分别取绝对值后相加得到方形窗的灰度梯度G。
步骤6,将灰度梯度转换到基本域。
对数图像处理模块调用Floating-point IP核,将Operation Selection选项设定为Exponential,计算灰度梯度的以自然常数为底的指数值。
对数图像处理模块根据下述对数图像处理模型的逆变换函数将灰度梯度转换到基本域。
其中,g表示转换到基本域后的灰度梯度,M表示灰度图像像素区间的最大值,e表示以自然常数为底的指数运算,G表示转换到基本域前的灰度梯度。
步骤7,提取图像边缘。
边缘检测模块将灰度最大值和灰度最小值的平均值作为边缘检测的阈值。
边缘检测模块将转换到基本域后的灰度梯度值与阈值进行比较,将图像中灰度梯度值大于阈值的部分判定为图像边缘。
步骤8,图像显示模块通过VGA显示接口将图像边缘检测的结果传输到显示器上。
下面结合仿真实验对本发明的效果做进一步详细描述。
1.仿真条件:
本发明的仿真实验的硬件平台为:Xilinx公司生产的Zynq-7000系列Zedboard开发板。
本发明的仿真实验的软件平台为:Modelsim SE 10.5软件和Vivado2018软件。
本发明仿真实验所使用的输入图像为Lena灰度图像,是刊于1972年11月《花花公子》(Playboy)杂志上的一张插图照片,图像大小为640×480个像素,图像格式为jpg。
2.仿真内容与结果分析:
本发明的仿真实验是采用本发明的方法对输入的图3(a)所示的Lena灰度图像进行边缘检测,得到的仿真结果如图3(b)所示。
根据仿真实验的结果图可以看出,本发明的方法可以有效地检测图像边缘,检测得到的图像边缘完整且清晰,对于图像中亮度明显变化的区域,比如Lena人像和外界环境背景交界处的边缘部分可以清晰完整地检测出来;对于图像中亮度变换较小的区域,比如Lena的帽子的细节部分以及左侧较为模糊的条形木板的边缘,也能得到较为不错的检测效果,清晰地展现出图像中哪些地方是边缘部分,哪些地方是非边缘部分。
Claims (7)
1.一种基于对数图像处理模型的图像边缘检测系统,包括图像存储模块、行缓存模块、方形窗构造模块、边缘检测模块、图像显示模块,其特征在于,还包括对数图像处理模块,整个系统是在现场可编程门阵列FPGA上实现的,其中:
所述的图像存储模块用于将输入的640*480分辨率的待处理图像转换为灰度图像,若该图像是灰度图像,则不需要转换,若该图像是彩色图像,则根据灰度转换公式将该彩色图像转化成灰度图像,将灰度图像转化成FPGA可识别的格式文件后存入图像存储模块的单端口存储器中;
所述的行缓存模块用于调用Ram-based Shift Register IP核构造三个相同的移位寄存器,并将三个移位寄存器首尾相接,在每个时钟周期,通过地址空间在图像存储模块的单端口存储器读取图像的像素值,存入位于末端的移位寄存器中;
所述的方形窗构造模块用于在每个移位寄存器后连接三个寄存器得到3×3的寄存器阵列,在每个时钟周期读取每个移位寄存器中的像素值存入移位寄存器后连接的寄存器中,得到包含3×3个像素的方形窗;
所述的对数图像处理模块用于调用Floating-point IP核,将Operation Selection选项设定为Logarithm,计算方形窗内除中心像素点外的每个像素值的对数值,根据对数图像处理模型的正变换函数,将方形窗内除中心像素点外的每个像素值转换到对数域,调用Floating-pointIP核,将Operation Selection选项设定为Exponential,计算灰度梯度的以自然常数为底的指数值,根据对数图像处理模型的逆变换函数将灰度梯度转换到基本域;
所述的边缘检测模块用于将Sobel算子的横向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的横向梯度Gx,将Sobel算子的纵向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的纵向梯度Gy,将横向梯度Gx和纵向梯度Gy分别取绝对值后相加得到方形窗的灰度梯度G,将灰度最大值和灰度最小值的平均值作为边缘检测的阈值,将转换到基本域后的灰度梯度值与阈值进行比较,将图像中灰度梯度值大于阈值的部分判定为图像边缘;
所述的图像显示模块用于通过VGA显示接口将图像边缘检测的结果传输到显示器上。
2.根据权利要求1所述系统的一种基于对数图像处理模型的图像边缘检测方法,其特征在于,将对数图像处理模型和Sobel算子结合起来对图像进行边缘提取,该方法的步骤包括如下:
(1)输入待处理的图像:
(1a)图像存储模块将输入的640*480分辨率的待处理图像转换为灰度图像,若该图像是灰度图像,则不需要转换,若该图像是彩色图像,则根据灰度转换公式将该彩色图像转化成灰度图像;
(1b)将灰度图像转化成FPGA可识别的格式文件后存入图像存储模块的单端口存储器中;
(2)缓存图像行数据:
(2a)行缓存模块调用Ram-based Shift Register IP核构造三个相同的移位寄存器,并将三个移位寄存器首尾相接;移位寄存器的深度与灰度图像行像素个数相等;
(2b)行缓存模块在每个时钟周期,通过地址空间在图像存储模块的单端口存储器读取图像的像素值,存入位于末端的移位寄存器中;
(3)构造包含3×3个像素的方形窗:
(3a)方形窗构造模块在每个移位寄存器后连接三个寄存器得到3×3的寄存器阵列;每个寄存器存储一个像素值;
(3b)方形窗构造模块在每个时钟周期读取每个移位寄存器中的像素值存入移位寄存器后连接的寄存器中,得到包含3×3个像素的方形窗;
(4)将方形窗内的像素值转换到对数域:
(4a)对数图像处理模块调用Floating-point IP核,将Operation Selection选项设定为Logarithm,计算方形窗内除中心像素点外的每个像素值的对数值;
(4b)对数图像处理模块利用对数图像处理模型的正变换函数,将方形窗内除中心像素点外的每个像素值转换到对数域;
(5)计算灰度梯度:
(5a)边缘检测模块将Sobel算子的横向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的横向梯度Gx,将Sobel算子的纵向模板的矩阵与方形窗内转换到对数域后的像素值进行卷积操作得到方形窗的纵向梯度Gy;
(5b)边缘检测模块将横向梯度Gx和纵向梯度Gy分别取绝对值后相加得到方形窗的灰度梯度G;
(6)将灰度梯度转换到基本域:
(6a)对数图像处理模块调用Floating-point IP核,将Operation Selection选项设定为Exponential,计算灰度梯度的以自然常数为底的指数值;
(6b)对数图像处理模块利用对数图像处理模型的逆变换函数将灰度梯度转换到基本域;
(7)提取图像边缘:
(7a)边缘检测模块将灰度最大值和灰度最小值的平均值作为边缘检测的阈值;
(7b)边缘检测模块将转换到基本域后的灰度梯度值与阈值进行比较,将图像中灰度梯度值大于阈值的部分判定为图像边缘;
(8)图像显示模块通过VGA显示接口将图像边缘检测的结果传输到显示器上。
3.根据权利要求2所述的基于对数图像处理模型的图像边缘检测方法,其特征在于:步骤(1a)中所述的灰度转换公式如下:
Li=0.299Ri+0.587Gi+0.114Bi
其中,Li表示转化后的灰度图像中第i个像素点的灰度值,Ri表示彩色图像中的第i个像素点的红色分量,Gi表示彩色图像中的第i个像素点的绿色分量,Bi表示彩色图像中的第i个像素点的蓝色分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161850.5A CN111402280B (zh) | 2020-03-10 | 2020-03-10 | 基于对数图像处理模型的图像边缘检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010161850.5A CN111402280B (zh) | 2020-03-10 | 2020-03-10 | 基于对数图像处理模型的图像边缘检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402280A true CN111402280A (zh) | 2020-07-10 |
CN111402280B CN111402280B (zh) | 2023-03-24 |
Family
ID=71430800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010161850.5A Active CN111402280B (zh) | 2020-03-10 | 2020-03-10 | 基于对数图像处理模型的图像边缘检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402280B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985435A (zh) * | 2020-08-29 | 2020-11-24 | 浙江工业大学 | 一种基于机器视觉的无人机水域监测巡航方法 |
CN112819844A (zh) * | 2021-01-29 | 2021-05-18 | 山东建筑大学 | 一种图像边缘检测方法及装置 |
CN113222859A (zh) * | 2021-05-27 | 2021-08-06 | 西安电子科技大学 | 基于对数图像处理模型的低照度图像增强系统及方法 |
CN113689448A (zh) * | 2021-08-17 | 2021-11-23 | 太原理工大学 | 一种基于FPGA的Sobel+Ewma边缘检测系统及方法 |
CN116563087A (zh) * | 2023-05-12 | 2023-08-08 | 深圳聚源视芯科技有限公司 | 一种梯度计算、缓存装置和节约资源的代价计算方法 |
CN117876361A (zh) * | 2024-03-11 | 2024-04-12 | 烟台海上航天科技有限公司 | 用于燃气管道高危作业的图像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289825A (zh) * | 2011-07-08 | 2011-12-21 | 暨南大学 | 一种实时图像边缘检测电路及其实现方法 |
CN102663758A (zh) * | 2012-04-20 | 2012-09-12 | 北京工业大学 | 一种基于fpga控制核心的图像采集及处理方法 |
US20140292820A1 (en) * | 2013-03-26 | 2014-10-02 | Samsung Display Co., Ltd. | Image control display device and image control method |
CN107169977A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 |
WO2017177717A1 (zh) * | 2016-04-14 | 2017-10-19 | 广州视源电子科技股份有限公司 | 基于颜色和梯度的元件定位方法和系统 |
-
2020
- 2020-03-10 CN CN202010161850.5A patent/CN111402280B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289825A (zh) * | 2011-07-08 | 2011-12-21 | 暨南大学 | 一种实时图像边缘检测电路及其实现方法 |
CN102663758A (zh) * | 2012-04-20 | 2012-09-12 | 北京工业大学 | 一种基于fpga控制核心的图像采集及处理方法 |
US20140292820A1 (en) * | 2013-03-26 | 2014-10-02 | Samsung Display Co., Ltd. | Image control display device and image control method |
WO2017177717A1 (zh) * | 2016-04-14 | 2017-10-19 | 广州视源电子科技股份有限公司 | 基于颜色和梯度的元件定位方法和系统 |
CN107169977A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 |
Non-Patent Citations (2)
Title |
---|
孙敬成等: "基于FPGA的Sobel边缘检测算法实现及VGA显示", 《青岛大学学报(工程技术版)》 * |
陈虎等: "基于FPGA的实时彩色图像边缘检测算法的实现", 《液晶与显示》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985435A (zh) * | 2020-08-29 | 2020-11-24 | 浙江工业大学 | 一种基于机器视觉的无人机水域监测巡航方法 |
CN112819844A (zh) * | 2021-01-29 | 2021-05-18 | 山东建筑大学 | 一种图像边缘检测方法及装置 |
CN113222859A (zh) * | 2021-05-27 | 2021-08-06 | 西安电子科技大学 | 基于对数图像处理模型的低照度图像增强系统及方法 |
CN113222859B (zh) * | 2021-05-27 | 2023-04-21 | 西安电子科技大学 | 基于对数图像处理模型的低照度图像增强系统及方法 |
CN113689448A (zh) * | 2021-08-17 | 2021-11-23 | 太原理工大学 | 一种基于FPGA的Sobel+Ewma边缘检测系统及方法 |
CN113689448B (zh) * | 2021-08-17 | 2023-09-12 | 太原理工大学 | 一种基于FPGA的Sobel+Ewma边缘检测系统及方法 |
CN116563087A (zh) * | 2023-05-12 | 2023-08-08 | 深圳聚源视芯科技有限公司 | 一种梯度计算、缓存装置和节约资源的代价计算方法 |
CN116563087B (zh) * | 2023-05-12 | 2024-05-14 | 深圳聚源视芯科技有限公司 | 一种梯度计算、缓存装置和节约资源的代价计算方法 |
CN117876361A (zh) * | 2024-03-11 | 2024-04-12 | 烟台海上航天科技有限公司 | 用于燃气管道高危作业的图像处理方法及系统 |
CN117876361B (zh) * | 2024-03-11 | 2024-05-10 | 烟台海上航天科技有限公司 | 用于燃气管道高危作业的图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111402280B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402280B (zh) | 基于对数图像处理模型的图像边缘检测系统及方法 | |
CN103424409B (zh) | 一种基于dsp的视觉检测系统 | |
CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别系统 | |
CN111157532A (zh) | 一种手机外壳划痕视觉检测装置及方法 | |
CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
CN110400362A (zh) | 一种基于图像的abaqus二维裂纹建模方法、系统及计算机可读存储介质 | |
CN115326809B (zh) | 一种隧道衬砌表观裂纹检测方法及检测装置 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN113989600A (zh) | 一种图像异物检测方法 | |
CN114677377A (zh) | 显示屏缺陷检测方法、训练方法、装置、设备及介质 | |
KR20230042706A (ko) | Lfa 테스트 스트립의 신경망 분석 | |
Si et al. | A novel method for single nighttime image haze removal based on gray space | |
Li et al. | Research on glass surface quality inspection based on machine vision | |
CN103020889A (zh) | 图像梯度计算方法及装置 | |
CN113222859B (zh) | 基于对数图像处理模型的低照度图像增强系统及方法 | |
CN215867184U (zh) | 一种利用光学探测自动识别降水现象的装置 | |
CN115908409A (zh) | 光伏片缺陷的检测方法、检测装置、计算机设备和介质 | |
CN112699824B (zh) | 电能表仪表常数检测方法、设备及存储介质 | |
CN101469984B (zh) | 影像杂质分析系统及方法 | |
Shao et al. | An adaptive image contrast enhancement algorithm based on retinex | |
CN104463898A (zh) | 一种物流平台用图像识别计数系统 | |
CN101276457B (zh) | 验证图形算法及寄存器传输级实现的系统和方法 | |
Zhenhua et al. | Research on Optical Rainfall Calculation Method Based on FPGA |
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 |