CN111444964B - 一种基于自适应roi划分的多目标快速图像匹配方法 - Google Patents
一种基于自适应roi划分的多目标快速图像匹配方法 Download PDFInfo
- Publication number
- CN111444964B CN111444964B CN202010228346.2A CN202010228346A CN111444964B CN 111444964 B CN111444964 B CN 111444964B CN 202010228346 A CN202010228346 A CN 202010228346A CN 111444964 B CN111444964 B CN 111444964B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- matching
- searched
- matched
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 title claims description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000003708 edge detection Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002401 inhibitory effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 3
- 238000010301 surface-oxidation reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 102100033538 Clusterin-associated protein 1 Human genes 0.000 description 1
- 101000945057 Danio rerio Clusterin-associated protein 1 homolog Proteins 0.000 description 1
- 101000945060 Homo sapiens Clusterin-associated protein 1 Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
本发明公开了一种基于自适应ROI划分的多目标快速图像匹配方法，属于数字图像处理技术领域。在位姿变化、灰度不均等复杂场景下，本发明针对含有多个待定位目标且呈阵列式分布的待测视野大、目标工件数量多、匹配精度要求高的图像进行匹配定位，采用自适应ROI划分方法提高匹配速度与效率；针对复杂场景图像匹配定位精度差的问题，基于Canny边缘检测的目标分割算法准确分割目标和背景并抑制目标表观灰度不均的干扰；最后，使用均方误差作为评价指标对优选特征和匹配精度做直观地比较，辅助匹配特征的选择与定位精度的评估。本发明有效提升了阵列式分布多目标图像的匹配效率，同时，本算法也具有较高的匹配定位精度，能够取得良好的图像匹配效果。
Description
技术领域
本发明涉及一种基于自适应ROI划分的多目标快速图像匹配方法，属于数字图像处理技术领域。
背景技术
图像匹配是数字图像处理领域的一种常用技术，在目标识别、图像检索、文字识别、人脸识别、医学图像分析、机器人导航等众多领域有着广泛应用。图像模板匹配方法大致可分为两大类：基于灰度值的匹配方法和基于特征提取的匹配方法两大类。假设待搜索图像S的尺寸为M×N，模板图像T的尺寸为P×Q。模板在待搜索图像上平移，待搜索图像S中被模板图像T覆盖区域为子图Sij(i,j为子图左上角第一个点在待搜索图像S中的坐标)。常用的基于灰度值的匹配方法是归一化交叉算法。为求得最优匹配点，此种算法的时间复杂度是O(MNPQ)。当图像中含有第二个待定位目标时，常用方法是在待匹配图中屏蔽最优匹配点附近区域后，做第二次遍历性搜索，算法的时间复杂度是O[(M-P)(N-Q)PQ]。
针对工业应用场景下工件在图像中呈阵列式分布的情况，如图1、2所示，定子轮齿齿面由线性扫描相机展开为阵列式多目标图像，需要完成每个齿的精确定位；多个SD卡规律排列在料盘中，由面阵相机拍摄的图像亦为阵列式多目标图像，需完成每个SD卡的精确匹配定位。此类图像具有待测视野大、目标工件数量多、匹配精度要求高的特性。
使用传统图像匹配算法定位目标存在计算量大、时间复杂度高和定位精度差等问题。有效缩小搜索区域能够显著提高匹配速度，如期刊论文“陈皓,马彩文,陈岳承,孙小林,唐自力.基于灰度统计的快速模板匹配算法[J].光子学报,2009,38(06):1586-1590”中通过统计特征直线灰度值及搜索图同一灰度对应像素数目，划分模板匹配的搜索区域，但是该方法对于灰度变化较大及噪音污染较重的情况，匹配速度会有所下降。
由于材料和工艺等原因，阵列式图像中各目标表观干扰多，存在灰度不均等问题，准确提取待匹配目标有利于提高匹配准确度，如期刊论文“周小萌,吴静静,安伟.一种鲁棒的非均匀光场中SD卡形态识别算法[J].传感技术学报,2019,32(04):549-554”中通过改进OSTU算法对光照不均图像进行阈值分割，该方法能够有效分割出由表面氧化导致灰度不均的目标，但是当图像中存在与目标灰度接近的背景时很难将两者区分，进而影响匹配精度；期刊论文“余瑞星,吴虞霖,曹萌,张莹.基于边缘与角点相结合的目标提取与匹配算法[J].西北工业大学学报,2017,35(04):586-590”中对可见光图像进行Canny边缘检测配合形态学处理以增强目标边缘信息，但其对背景边缘未做到有效削弱，仅去除部分较小面积的连通域。如果采用上述方法进行图像匹配，则因为工件呈阵列式分布的图像所具有的特性，势必存在匹配效率低、定位精度差的问题。
自适应ROI划分是一种自动且快速的在目标图像中获取较小尺寸的感兴趣区域的方法，其在降低处理复杂度，提高运算速度、准确度和适用性方面具有优势，如期刊论文“王国军,黄亚新,赵启林,张冬冬.基于自适应区域的光斑中心鲁棒性研究[J/OL].激光技术:1-11[2020-03-10].”中通过对整副图像进行模板匹配的方式确定ROI，该方法能够对于单目标图像自适应划分出ROI进而协助后续操作的展开，但在多目标图像中使用该方法存在着ROI划分效率低乃至划分不完全的问题。
发明内容
针对传统遍历性搜索策略的图像匹配计算量大、时间复杂度高，且复杂场景图像匹配定位精度差的问题，为了实现高效、精准地对阵列式图像中的多个目标进行图像匹配，本发明提出了一种基于自适应ROI划分的多目标快速图像匹配方法，所述方法包括：
步骤一：读入需要处理的多目标呈阵列式分布的待匹配图像和有且仅有单个目标的模板图像，获得待匹配图像的先验信息，所述先验信息包括：待匹配图像的整体尺寸大小、待定位目标在图像中尺寸大小和目标阵列分布情况；
步骤二：利用获得的先验信息，在待匹配图像上确认并提取第一块感兴趣区域，使之成为第一块待搜索子图；
步骤三：对步骤二中划分出的第一块待搜索子图及步骤一中读入的模板图像使用基于Canny边缘检测的目标分割算法，准确分割目标和背景并抑制目标表观灰度不均的干扰；
步骤四：根据评价指标择优选择匹配特征，将经过步骤三处理的第一块待搜索子图与模板图像进行图像匹配，得到第一个待搜索目标的精确坐标；
步骤五：基于步骤四得到的第一个目标的坐标信息和步骤一中的图像先验信息将待匹配图像自适应遍历划分成多个待匹配子图；
步骤六：对步骤五中划分出的待匹配子图使用基于Canny边缘检测的目标分割算法，准确分割目标和背景并抑制目标表观灰度不均的干扰；
步骤七：使用步骤四选取的匹配特征将经过步骤六处理的子图与经过步骤三处理的模板图像进行图像匹配，在待搜索子图中找到与模板图像匹配的区域，实现子图中目标的定位，即获得下一个待搜索目标的坐标；
步骤八：重复步骤六和步骤七，直到将待匹配图像划分出的所有子图进行图像匹配完毕，即可获得待匹配图像中所有目标的定位。
在本发明的一种实施方式中，所述Canny边缘检测的目标分割算法，具体为：
Step1.对输入的待搜索子图Sk(x，y)进行高斯滤波处理，以平滑图像中的高频噪声；平滑后的图像为：
Sk′(x，y)＝G(x，y)Sk(x，y)
其中，G(x,y)为平滑图像需要的权重，计算公式为：
其中，σ是高斯分布的标准差，x、y是像素点对应的坐标；
Step2.选择阈值对高斯平滑后的图像Sk′(x，y)进行Canny边缘检测，得到包含边缘信息的目标边缘图像Ek(x，y)；
Step3.使用形态学中的膨胀操作连接目标边缘图像Ek(x，y)中断裂的边缘，得到图像Ek′(x，y)，此时Ek′(x，y)中包含：目标边缘与干扰项边缘；
Step4.利用干扰项边缘与目标边缘存在的形状和位置差异，对Ek′(x，y)进行连通域分析；
Step5.使用基于形状和位置特征的组合特征法筛选出目标边缘并对其填充，抑制图像中的干扰项，进而获取目标二值图像Bk(x，y)；
Step6.根据所选匹配特征选取待搜索图像格式，若需要灰度图像Gk(x，y)，对二值图像Bk(x，y)与待搜索子图Sk(x，y)进行“与”操作。
在本发明的一种实施方式中，所述评价指标为均方根误差，使用该评价指标对所选匹配特征的匹配精度进行评估；所述均方根误差为观测值与真值偏差的平方和与观测次数比值的平方根，即
其中：N为匹配次数，为第k次匹配定位结果左上角第一个点的参考坐标，(Xk，Yk)为预测坐标。
在本发明的一种实施方式中，在所述步骤五之前，使用双线性插值法对待搜索子图和模板图像的尺寸进行同比例缩放。
本发明提出的方法应用于多目标图像匹配领域。
有益效果：
1)本发明的方法适用于存在位姿变化、灰度不均等问题的复杂背景下多个待匹配目标呈阵列式排布的大尺寸图像的快速、准确匹配定位；相比于传统图像匹配算法，在含有多个待定位目标且目标呈阵列式分布的图像中进行图像匹配时，本发明提供的多目标快速图像匹配算法拥有更高的匹配速度和定位精度。
2)针对一幅待测视野大、目标工件数量多、匹配精度要求高且目标呈阵列式分布的图像的多目标匹配定位需求，使用传统匹配搜索策略存在计算量大、消耗时间长的问题，本发明提出的基于自适应ROI划分的优化算法能够有效减小匹配搜索的区域，提高匹配效率，降低计算量和时间复杂度；
3)针对存在位姿变化、灰度不均等问题的复杂场景下的图像，本发明提出的基于Canny边缘检测的目标分割算法能够有效抑制图像中的干扰，有利于清晰识别待定位目标的图像特征，抑制目标表观干扰，降低目标表面的灰度不均(如黑斑，氧化导致的反光不均等)的影响，进而有效提高匹配定位精度，准确分割目标与背景，从而提升匹配定位精度；
4)本发明引入均方根误差(RMSE)作为评价指标并结合匹配效率，更直观地在最优特征和匹配精度方面进行比较评价并辅助特征与算法的选取提高了算法的鲁棒性和适用性。
附图说明
图1是现有技术中呈单排多列分布的定子齿面图像，图像分辨率为7900*2500。
图2是现有技术中呈多排多列分布的SD卡图像，图像率为3840*2748。
图3是实施例1中基于自适应ROI划分的多目标快速图像匹配算法流程图。
图4是实施例1中基于Canny边缘检测的目标分割算法流程图。
图5是实施例2中定子齿面自定义ROI划分示意图。
图6是实施例2中SD卡阵列图像匹配定位结果样本图像；其中，(a)分别为光照均匀SD卡原图、金手指表面氧化SD卡原图、光照不均SD卡原图；(b)为各类SD卡图像阈值分割结果图；(c)为各类SD卡图像阈值分割后定位结果图；(d)为各类SD卡图像本文算法分割结果图；(e)为各类SD卡图像使用本文分割算法后定位结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例1
如图3所示，本实施例提供一种基于自适应ROI划分的多目标快速图像匹配方法，所述方法包括：
步骤一：读入需要本文方法处理的多目标呈阵列式分布的待匹配图像和有且仅有单个目标的模板图像，获得待匹配图像的整体尺寸大小、待定位目标在图像中尺寸大小和目标阵列分布情况的先验信息；
步骤二：利用第一块子图的左上角坐标必为图像原点(0,0)的规则和步骤一中获得的先验信息，在待匹配图像上确认并提取第一块感兴趣区域(ROI)，使之成为第一块待搜索子图；
步骤三：对步骤二中划分出的第一块待搜索子图及步骤一中的模板图像使用基于Canny边缘检测的目标分割算法，准确分割目标和背景并抑制目标表观灰度不均的干扰，如图4所示，具体方法为：
Step1.对输入的待搜索子图Sk(x，y)进行高斯滤波处理，平滑图像中的高频噪声；
平滑后的图像为：
Sk′(x，y)＝G(x，y)Sk(x，y)
其中，G(x,y)为平滑图像需要的权重，计算公式为：
其中，σ是高斯分布的标准差，x、y是像素点对应的坐标。
Step2.选择合适的高低阈值对高斯平滑后的图像Sk′(x，y)进行Canny边缘检测，得到包含边缘信息的目标边缘图像Ek(x，y)；
Step3.使用形态学中的膨胀操作连接目标边缘图像Ek(x，y)中断裂的边缘，得到图像Ek′(x，y)，此时Ek′(x，y)中包含：目标边缘与干扰项边缘；
Step4.利用干扰项边缘与目标边缘存在的形状和位置差异，对Ek′(x，y)进行连通域分析；
Step5.使用基于形状和位置特征的组合特征法筛选出目标边缘并对其填充，抑制图像中的干扰项，进而获取目标二值图像Bk(x，y)；
Step6.根据所选匹配特征选取待搜索图像格式，若需要灰度图像Gk(x，y)，可对二值图像Bk(x，y)与待搜索子图Sk(x，y)进行“与”操作。
步骤四：使用双线性插值法对待搜索图像和模板图像的尺寸进行同比例缩放，以进一步提高算法的处理速度。所述双线性插值法，根据缩放比例，缩放后图像某位置上的值由原图像对应位置的近邻的四个像素值在两个维度方向上分别进行线性插值决定。
步骤五：根据评价指标择优选择匹配特征，对经过步骤三处理的第一块待搜索子图与模板图像进行图像匹配，得到第一个待搜索目标的精确坐标；所述评价指标为均方根误差(RMSE)，可使用该评价指标对所选匹配特征的匹配精度进行评估，所述均方根误差为观测值与真值偏差的平方和与观测次数比值的平方根，即
其中：N为匹配次数，为第k次匹配定位结果左上角第一个点的参考坐标，(Xk，Yk)为预测坐标；均方根误差对一组观测值中的较大或较小误差尤其敏感，可以很好地反映精度；
步骤六：基于步骤五得到的第一个目标的坐标信息和步骤一中的图像先验信息将待匹配图像自适应遍历划分成多个待匹配子图；
步骤七：对步骤六中划分出的待匹配子图使用基于Canny边缘检测的目标分割算法，准确分割目标和背景并抑制目标表观灰度不均的干扰；
步骤八：使用步骤五选取的匹配特征将经过步骤七处理的子图与经过步骤三处理的模板图像进行图像匹配，在待搜索子图中找到与模板图像匹配的区域，实现子图中目标的定位，即获得下一个待搜索目标的坐标；
步骤九：重复步骤七和步骤八，直到将待匹配图像划分出的所有子图进行图像匹配完毕，即可获得待匹配图像中所有目标的定位。
实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
实施例2
为了验证实施例1提出的方法对阵列式图像处理的有效性，采用设备实际采集到的多幅定子齿面图像和多幅SD卡图像进行试验。
采用设备实际采集到的100幅定子齿面图像(分辨率为2500*7900)和100幅SD卡图像(分辨率为3840*2748)进行试验。试验配置为：Intel(R)Core(TM)i7-4790 CPU,8G内存PC机，Win10操作系统，开发环境为Visual Studio 2015。
将基于全像素特征的匹配算法、基于行列投影特征的匹配算法和基于SURF描述子点特征匹配算法分别运用于21张定子上齿面子图和56张SD卡子图进行试验，各算法在处理两类对象图的运行时间和RMSE值如表1所示。
表1定子齿面、SD卡各匹配定位算法运行时间与RMSE值
由表1中数据可以看出，点特征的匹配算法用于定子齿面和SD卡这两种表面纹理不够丰富且目标对象的形状结构较为单一的场景的定位精度均很差，行列投影特征在定子齿面图像上因径向投影特征不明显而适用性较差，使用基于全像素特征的匹配算法虽然在时间上比投影特征的匹配耗时一些，但是由于其通过比较待测图像与模板图像的区域属性来反映两者之间的相似性，所以该算法用于定子齿面图像的定位精度高，符合实际应用要求；对SD卡子图，行列投影特征匹配算法在保证匹配定位精度的情况下具有良好的匹配速度，因此可选其作为SD卡的匹配定位特征。从上述表格还不难看出，使用均方根误差(RMSE)作为评价指标能够直观地显示匹配精度的问题，便于比较与选取。
选取定子齿面图像(含21个齿)作为试验对象，分别采用基于逐像素灰度匹配算法，以及本发明提出的基于自适应ROI划分的全像素匹配算法进行对比试验。图5所示为定子齿面自定义ROI划分效果，试验结果记录于表2中。
表2 ROI划分改进前后算法运行时间对比
试验结果表明，使用传统搜索策略进行匹配的运行时间为340ms左右，而使用本发明提出的自适应ROI划分方法后，基于全像素特征的匹配算法的运行时间约为245ms。通过表格中5组试验的结果可见，本文提出的算法能够有效提升匹配速度，提高匹配效率。
选取SD卡阵列图像中光照均匀、金手指表面氧化以及光照不均的3类样本各8张图像，各类图像如图6所示，其中，(a)分别为光照均匀SD卡原图、金手指表面氧化SD卡原图、光照不均SD卡原图；(b)为各类SD卡图像阈值分割结果图；(c)为各类SD卡图像阈值分割后定位结果图；(d)为各类SD卡图像本文算法分割结果图；(e)为各类SD卡图像使用本文分割算法后定位结果图。分别使用阈值分割算法，以及本文提出的目标分割算法进行图像预处理，采用基于行列投影特征的匹配算法进行对比试验，匹配定位误差结果记录于表3中。
表3 SD卡各类目标定位结果RMSE值
结果表明，对于使用阈值分割算法与本文目标分割算法后的SD卡二值图像，前者的匹配定位RMSE值普遍高于后者，即阈值分割算法定位精度较差。通过对比可见，本文提出的目标分割算法有效地提高了匹配定位精度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于自适应ROI划分的多目标快速图像匹配方法，其特征在于，所述方法包括：
步骤一：读入需要处理的多目标呈阵列式分布的待匹配图像和有且仅有单个目标的模板图像，获得待匹配图像的先验信息，所述先验信息包括：待匹配图像的整体尺寸大小、待定位目标在图像中尺寸大小和目标阵列分布情况；
步骤二：利用获得的先验信息，在待匹配图像上确认并提取第一块感兴趣区域，使之成为第一块待搜索子图；
步骤三：对步骤二中划分出的第一块待搜索子图及步骤一中读入的模板图像使用基于Canny边缘检测的目标分割算法，准确分割目标和背景并抑制目标表观灰度不均的干扰；
步骤四：根据评价指标择优选择匹配特征，将经过步骤三处理的第一块待搜索子图与模板图像进行图像匹配，得到第一个待搜索目标的精确坐标；
步骤五：基于步骤四得到的第一个目标的坐标信息和步骤一中的图像先验信息将待匹配图像自适应遍历划分成多个待匹配子图；
步骤六：对步骤五中划分出的待匹配子图使用基于Canny边缘检测的目标分割算法，准确分割目标和背景并抑制目标表观灰度不均的干扰；
步骤七：使用步骤四选取的匹配特征将经过步骤六处理的子图与经过步骤三处理的模板图像进行图像匹配，在待搜索子图中找到与模板图像匹配的区域，实现子图中目标的定位，即获得下一个待搜索目标的坐标；
步骤八：重复步骤六和步骤七，直到将待匹配图像划分出的所有子图进行图像匹配完毕，即可获得待匹配图像中所有目标的定位；
所述Canny边缘检测的目标分割算法，具体为：
Step1.对输入的待搜索子图Sk(x，y)进行高斯滤波处理，以平滑图像中的高频噪声；平滑后的图像为：
Sk′(x，y)＝G(x，y)Sk(x，y)
其中，G(x，y)为平滑图像需要的权重，计算公式为：
其中，σ是高斯分布的标准差，x、y是像素点对应的坐标；
Step2.选择阈值对高斯平滑后的图像Sk′(x，y)进行Canny边缘检测，得到包含边缘信息的目标边缘图像Ek(x，y)；
Step3.使用形态学中的膨胀操作连接目标边缘图像Ek(x，y)中断裂的边缘，得到图像Ek′(x，y)，此时Ek′(x，y)中包含：目标边缘与干扰项边缘；
Step4.利用干扰项边缘与目标边缘存在的形状和位置差异，对Ek′(x，y)进行连通域分析；
Step5.使用基于形状和位置特征的组合特征法筛选出目标边缘并对其填充，抑制图像中的干扰项，进而获取目标二值图像Bk(x，y)；
Step6.根据所选匹配特征选取待搜索图像格式，若需要灰度图像Gk(x，y)，对二值图像Bk(x，y)与待搜索子图Sk(x，y)进行“与”操作。
2.如权利要求1所述的一种基于自适应ROI划分的多目标快速图像匹配方法，其特征在于，所述评价指标为均方根误差，使用该评价指标对所选匹配特征的匹配精度进行评估；所述均方根误差为观测值与真值偏差的平方和与观测次数比值的平方根，即
其中：N为匹配次数，为第k次匹配定位结果左上角第一个点的参考坐标，(Xk，Yk)为预测坐标。
3.如权利要求1所述的一种基于自适应ROI划分的多目标快速图像匹配方法，其特征在于，在所述步骤五之前，使用双线性插值法对待搜索子图和模板图像的尺寸进行同比例缩放。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010228346.2A CN111444964B (zh) | 2020-03-27 | 2020-03-27 | 一种基于自适应roi划分的多目标快速图像匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010228346.2A CN111444964B (zh) | 2020-03-27 | 2020-03-27 | 一种基于自适应roi划分的多目标快速图像匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111444964A CN111444964A (zh) | 2020-07-24 |
| CN111444964B true CN111444964B (zh) | 2023-08-08 |
Family
ID=71649116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010228346.2A Active CN111444964B (zh) | 2020-03-27 | 2020-03-27 | 一种基于自适应roi划分的多目标快速图像匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444964B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862073A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司 | 一种电力设备的温度采集方法和装置 |
| CN112923852B (zh) * | 2021-01-29 | 2021-11-12 | 江南大学 | 基于动态角点定位的sd卡位姿检测方法 |
| CN114398978B (zh) * | 2022-01-13 | 2022-10-11 | 深圳市腾盛精密装备股份有限公司 | 一种模板匹配方法、装置、存储介质以及电子设备 |
| CN116453117B (zh) * | 2023-02-14 | 2024-01-26 | 珠江水利委员会珠江水利科学研究院 | 一种图像解译图斑定位与精度评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
| CN107316315A (zh) * | 2017-05-04 | 2017-11-03 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的目标识别定位方法 |
| CN109711457A (zh) * | 2018-12-20 | 2019-05-03 | 江南大学 | 一种基于改进hu不变矩的快速图像匹配方法及其应用 |
-
2020
- 2020-03-27 CN CN202010228346.2A patent/CN111444964B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046271A (zh) * | 2015-06-25 | 2015-11-11 | 哈尔滨工业大学 | 基于模板匹配的melf元件定位与检测方法 |
| CN107316315A (zh) * | 2017-05-04 | 2017-11-03 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于模板匹配的目标识别定位方法 |
| CN109711457A (zh) * | 2018-12-20 | 2019-05-03 | 江南大学 | 一种基于改进hu不变矩的快速图像匹配方法及其应用 |
Non-Patent Citations (1)
| Title |
|---|
| 丁悦 等.基于改进 HU 不变矩的快速图像匹配算法.《传感器与微系统》.第39卷(第39期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111444964A (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444964B (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
| CN112819845B (zh) | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 | |
| US20210233250A1 (en) | System and method for finding and classifying lines in an image with a vision system | |
| CN103530590A (zh) | Dpm二维码识别系统 | |
| CN105095822B (zh) | 一种汉信码特征图形检测方法及系统 | |
| WO2021030952A1 (zh) | 碱基识别方法、系统、计算机程序产品和测序系统 | |
| CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
| WO2020037573A1 (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
| CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
| CN113192013A (zh) | 一种反光表面缺陷检测方法、系统及电子设备 | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| CN104573601A (zh) | 一种复杂环境下器件dpm二维码识别系统 | |
| CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
| CN109741302B (zh) | 基于机器视觉的sd卡形态识别系统和方法 | |
| CN112289377A (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
| CN102663769A (zh) | 基于主梯度方向特征的目标检测及姿态估计方法 | |
| CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
| CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
| CN116205881A (zh) | 一种基于轻量级语义分割的数码喷印图像缺陷检测方法 | |
| Zhang et al. | A YOLOv3-Based Industrial Instrument Classification and Reading Recognition Method | |
| CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
| CN105930813B (zh) | 一种在任意自然场景下检测行文本的方法 | |
| CN113191351B (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 |
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 |