CN111507892B - 一种图像细化方法及系统 - Google Patents

一种图像细化方法及系统 Download PDF

Info

Publication number
CN111507892B
CN111507892B CN202010294341.XA CN202010294341A CN111507892B CN 111507892 B CN111507892 B CN 111507892B CN 202010294341 A CN202010294341 A CN 202010294341A CN 111507892 B CN111507892 B CN 111507892B
Authority
CN
China
Prior art keywords
pixel
pixels
image
thinning
parameters
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
Application number
CN202010294341.XA
Other languages
English (en)
Other versions
CN111507892A (zh
Inventor
李政林
司富远
王妙妙
江凡
龙雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Shenzhen Zhisen Technology Design Co ltd
Original Assignee
Guangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN202010294341.XA priority Critical patent/CN111507892B/zh
Publication of CN111507892A publication Critical patent/CN111507892A/zh
Application granted granted Critical
Publication of CN111507892B publication Critical patent/CN111507892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种图像细化方法及系统。该方法及系统通过先排序分组，再排序划分子域，从而将前景像素划分在不同的子域中。用串行方法依次对不同组进行细化操作，用并行方法对处于同一子域内的像素进行细化操作。本发明的方法及系统能够在保证细化结果的旋转不敏感性的同时，使得细化结果兼顾保持原图像的连通性和严格单像素宽的特性，从而能够适用于模式识别和目标匹配方面。

Description

一种图像细化方法及系统
技术领域
本发明涉及图像处理领域，特别是涉及一种图像细化方法及系统。
背景技术
自1967年学者Blum提出了图像“中轴”的概念，目前已报导的关于图像骨架的提取算法或图像细化算法已经超过一千种。然而，在已经出现的相关细化算法中，每个细化算法各有其优缺点和应用局限。由于不同类方法各有优缺点，目前还没有任何一种算法能完美地适用于任意应用场合。
在图像表示和识别中，算法所得结果具备良好的旋转不变性对提高准确性和效率具有重要意义。因此，如何获得旋转不变的图像骨架是一个很有价值的研究课题。大多数文献都提到了图像骨架具有旋转不变性的重要性，但目前该问题并没有得到完美解决。早在1992年，Louisa Lam和Ching Y.Suen等综述了多类骨架提取算法和它们的性能，认为所有已报导算法都无法获得完全旋转不变(complete invariance under rotation)的骨架。2005年，Peter I.Rockett推断，任何骨架提取算法都不可能是真正意义上的旋转不变(truly rotation-invariant)。最主要原因是在旋转状态下，由2元素宽线条细化到单元素宽线条时必然存在着不确定性，使得保留元素发生变化。需要说明的是，真正意义旋转不变性要求骨架同时具备严格旋转不变、单元素宽和保持拓扑结构这三个方面的特性。Lam和Rockett考虑的是在90度倍角下的真正意义旋转不变性。一种骨架提取算法或细化(Thin)算法如果能够满足如下恒等式：
Thin[Rotate(I,N×90°)]≡Rotate[Thin(I),N×90°]
其中I为任意图像，N为任意整数，Rotate为旋转函数，那么该算法获得的图像骨架具备90度倍角下的严格旋转不变。Rockett认为要获得真正意义的旋转不变性图像骨架，必须先识别目标的姿态，而提取骨架的主要目的是识别目标，这就形成了悖论。此后，Rockett悖论似乎束缚了人们的思维，让人们接受了只有允许骨架保留二元素宽度，或者破坏原图的拓扑结构，才能够设计出90度倍角下严格旋转不变的骨架提取算法。多年来，人们对于如何实现Lam和Rockett提出的真正意义旋转不变性图像细化方法并没有给出解决方案。
在非90度倍角的旋转下，由于四舍五入和插值的影响，基于正交网格的图像不可避免地发生形貌变化，因此提取得到的骨架只能是非严格旋转不变的。因此，对于涉及任意角度旋转的应用场合，图像细化算法应当具备优良的旋转不敏感性。但到目前为止，已报道的各类细化算法要么旋转敏感性太大，要么不能同时保证连通性和单像素宽特性。
发明内容
基于此，有必要提供一种图像细化方法及系统，不能能够保证细化结果的旋转不敏感性，还能兼顾保持图像连通性和单像素宽特性。
为实现上述目的，本发明提供了如下方案：
一种图像细化方法，包括：
获取待细化的目标二值图像；
计算所述目标二值图像的中心坐标；
根据所述中心坐标计算所有前景像素的向心方向参量；所述向心方向参量的计算公式如下：
Figure BDA0002451608790000021
其中，Scentri(p)为像素p的向心方向参量，α为常数，DPC(p)为像素p到所述中心坐标的距离，p＝1表示像素p为前景像素，p＝0表示像素p为背景像素；
计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素；
将所有DNB按数值大小升序排列并分组，将DNB值相同的像素划分到同一组中；
用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量；
针对第k组中每个像素，对所述向心方向参量、所述邻域参量和所述法线方向参量求和得到参量和，根据所述参量和升序排列并划分子域，将参量和相同的像素划分到同一个子域中；
对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素；
判断k是否为最大组数，得到第一判断结果；
若所述第一判断结果表示否，则令k的值加1，并返回步骤“用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量”；
若所述第一判断结果表示是，则删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果；
判断当前图像细化结果与上一图像细化结果是否相同，得到第二判断结果；
若所述第二判断结果表示否，则返回步骤“计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素”；
若所述第二判断结果表示是，则以当前图像细化结果作为最终图像细化结果。
可选的，所述计算所述目标二值图像的中心坐标，具体包括：
利用如下公式计算所述目标二值图像的中心坐标：
Figure BDA0002451608790000031
其中px、py分别为中心坐标中的横坐标和纵坐标，m为所述目标二值图像的行号，n为所述目标二值图像的列号；Round为四舍五入取整函数。
可选的，所述对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素，具体包括：
选出所有属于当前子域内的像素，得到选中像素；
重新计算各个所述选中像素的邻域参量，得到邻域参量新值；
将所述邻域参量新值满足预设条件的像素变为背景像素。
可选的，所述删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果，具体包括：
识别骨架端点像素；
在所述骨架端点像素中筛选出8邻域像素中有一个属于局域中心像素的端点像素，得到冗余像素；
删除所述冗余像素。
一种图像细化系统，包括：
图像获取模块，用于获取待细化的目标二值图像；
中心坐标计算模块，用于计算所述目标二值图像的中心坐标；
向心方向参量计算模块，用于根据所述中心坐标计算所有前景像素的向心方向参量；所述向心方向参量的计算公式如下：
Figure BDA0002451608790000041
其中，Scentri(p)为像素p的向心方向参量，α为常数，DPC(p)为像素p到所述中心坐标的距离，p＝1表示像素p为前景像素，p＝0表示像素p为背景像素；
局域中心像素确定模块，用于计算所有前景像素到边界的距离DNB，利用 DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素；
分组模块，用于将所有DNB按数值大小升序排列并分组，将DNB值相同的像素划分到同一组中；
第一细化处理模块，用于用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量；
子域划分模块，用于针对第k组中每个像素，对所述向心方向参量、所述邻域参量和所述法线方向参量求和得到参量和，根据所述参量和升序排列并划分子域，将参量和相同的像素划分到同一个子域中；
第二细化处理模块，用于对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素；
第一判断模块，用于判断k是否为最大组数，得到第一判断结果；
累加返回模块，用于若所述第一判断结果表示否，则令k的值加1，并返回所述第一细化处理模块；
冗余像素删除模块，用于若所述第一判断结果表示是，则删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果；
第二判断模块，用于判断当前图像细化结果与上一图像细化结果是否相同，得到第二判断结果；
返回模块，用于若所述第二判断结果表示否，则返回所述局域中心像素确定模块；
最终细化结果确定模块，用于若所述第二判断结果表示是，则以当前图像细化结果作为最终图像细化结果。
可选的，所述中心坐标计算模块包括：
中心坐标计算单元，用于利用如下公式计算所述目标二值图像的中心坐标：
Figure BDA0002451608790000051
其中px、py分别为中心坐标中的横坐标和纵坐标，m为所述目标二值图像的行号，n为所述目标二值图像的列号；Round为四舍五入取整函数。
可选的，所述第二细化处理模块包括：
像素提取单元，用于选出所有属于当前子域内的像素，得到选中像素；
邻域参量重新计算单元，用于重新计算各个所述选中像素的邻域参量，得到邻域参量新值；
像素改变单元，用于将所述邻域参量新值满足预设条件的像素变为背景像素。
可选的，所述冗余像素删除模块包括：
端点识别单元，用于识别骨架端点像素；
筛选单元，用于在所述骨架端点像素中筛选出8邻域像素中有一个属于局域中心像素的端点像素，得到冗余像素；
删除单元，用于删除所述冗余像素。
与现有技术相比，本发明的有益效果是：本发明提出了一种图像细化方法及系统。该方法及系统通过先排序分组，再排序划分子域，从而将前景像素划分在不同的子域中。用串行方法依次对不同组进行细化操作，用并行方法对处于同一子域内的像素进行细化操作，从而能够在保证细化结果的旋转不敏感性的同时，使得细化结果兼顾保持原图像的连通性和严格单像素宽的特性，从而能够适用于模式识别和目标匹配方面。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1的图像细化方法的方法流程图；
图2为本发明实施例1的坐标系示意图；
图3为本发明实施例1的邻域结构示意图；
图4为本发明实施例1的子域的设置示意图；
图5为本发明实施例1的图像细化方法的细化过程举例示意图；
图6为在90度倍角旋转情况下不同方法得到的图像细化结果；
图7为在非90度倍角旋转情况下不同方法得到的图像细化结果；
图8为本发明实施例2的图像细化系统的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明实施例1的图像细化方法的方法流程图。
参见图1，该图像细化方法，包括：
步骤101：获取待细化的目标二值图像I；将目标二值图像I中赋值为1 的像素设定为黑色的前景像素，赋值为0的像素设定为白色的背景像素。
步骤102：计算所述目标二值图像的中心坐标。
图2为本发明实施例1的坐标系示意图。参见图2，利用如下公式计算所述目标二值图像的中心坐标：
Figure BDA0002451608790000071
其中px、py分别为中心坐标中的横坐标和纵坐标，m为所述目标二值图像的行号，n为所述目标二值图像的列号；Round为四舍五入取整函数。
步骤103：根据所述中心坐标计算所有前景像素的向心方向参量；所述向心方向参量的计算公式如下：
Figure BDA0002451608790000072
其中，Scentri(p)为像素p的向心方向参量，α为常数，DPC(p)为像素p到所述中心坐标的距离，p＝1表示像素p为前景像素，p＝0表示像素p为背景像素。
步骤104：计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素。
前景像素到边界的距离DNB的计算方法如下：
Figure BDA0002451608790000081
其中，||p-q||2表示像素p到前景边界像素点q之间的欧氏距离。
局域中心参数Mcenter的计算方法如下：
Figure BDA0002451608790000082
其中，pi代表p的8个8邻域像素点，如附图3所示；当pi为前景像素时，值为1；当pi为背景像素时，值为0。
如果Mcenter(p)＝1，那么前景像素点p是一个局域中心像素。
步骤105：将所有DNB按数值大小升序排列并分组，将DNB值相同的像素划分到同一组中。对某个前景像素p，若其DNB数值按升序排在第k(1≤k≤u) 位，则将其分配在第k分组。u为最大组数。背景像素不分配到任何分组中。
步骤106：用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量。
邻域参量Sneigh的计算方法如下：
Figure BDA0002451608790000083
其中，Table表示表1所示的查找表；(p7p6p5p4)2表示由p7p6p5p4排列成的二进制数，(p3p2p1p0)2表示由p3p2p1p0排列成的二进制数。 Table[(p7p6p5p4)2,(p3p2p1p0)2]表示在查找表Table中的第(p7p6p5p4)2行第(p3p2p1p0)2列所对应的表格数值。
表1Table查找表
Figure BDA0002451608790000091
法线方向参量Snorm的计算方法如下：
当满足下公式中的任何一个，并且p＝1时，那么Snorm(p)＝0.5，否则 Snorm(p)＝0：
p2·p6·(1-p3)·(1-p4)·(1-p5)＝1，且j＜py
p2·p6·(1-p0)·(1-p1)·(1-p7)＝1，且j＞py
p0·p4·(1-p1)·(1-p2)·(1-p3)＝1，且i＜px
p0·p4·(1-p5)·(1-p6)·(1-p7)＝1，且i＞px
p3·p7·(1-p4)·(1-p5)·(1-p6)＝1，且j-i＜py-px
p3·p7·(1-p0)·(1-p1)·(1-p2)＝1，且j-i＞py-px
p1·p5·(1-p2)·(1-p3)·(1-p4)＝1，且j+i＜py+px
p1·p5·(1-p6)·(1-p7)·(1-p0)＝1，且j+i＞py+px
其中，i和j分别表示p在图像I中所处的行号和列号。
步骤107：针对第k组中每个像素，对所述向心方向参量、所述邻域参量和所述法线方向参量求和得到参量和，根据所述参量和升序排列并划分子域，将参量和相同的像素划分到同一个子域中。
参量和Ssubfield的计算公式为：
Ssubfield(p)＝Sneigh(p)+Scentri(p)+Snorm(p)
设第k分组中的所有像素共有vk个不同的Ssubfield分值，则将第k分组分为vk个不同的子域，参见图4。
在每次迭代中，符合Sneigh(p)＝15的像素是不可删除的，它们不会分配给任何的子域。其它所有像素都会根据其参量和Ssubfield的大小被分配到唯一的一个子域当中。
步骤108：对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，根据查找表删除不属于骨架的像素。
该步骤108具体包括：
选出所有属于当前子域内的像素，得到选中像素；
重新计算各个所述选中像素的邻域参量，得到邻域参量新值；
将所述邻域参量新值满足预设条件(邻域参量新值等于15)的像素变为背景像素。其他像素不动。
由于在该过程中存在删除操作(将前景像素变为背景像素)，因此对前景像素点p，Sneigh(p)的取值有可能发生改变；但该过程不重新计算参量和 Ssubfield(p)，因此像素点p所属的子域不会发生变化。
步骤109：判断k是否为最大组数，得到第一判断结果；
步骤110：若所述第一判断结果表示否，则令k的值加1，并返回步骤106；
步骤111：若所述第一判断结果表示是，则删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果。
该步骤111具体包括：
识别骨架端点像素；
在所述骨架端点像素中筛选出8邻域像素中有一个属于局域中心像素的端点像素，得到冗余像素；
删除所述冗余像素。
步骤112：判断当前图像细化结果与上一图像细化结果是否相同，得到第二判断结果。若所述第二判断结果表示否，则返回步骤步骤104。若所述第二判断结果表示是，则执行步骤113。
步骤113：当前图像细化结果不再发生变化，则以当前图像细化结果作为最终图像细化结果。
下面举例来对本发明的实施例1进行说明。
图5为本发明实施例1的图像细化方法的细化过程举例示意图。
参见图5，图5(a)为待细化图像。很明显，m＝9，n＝4。根据中心坐标 Pc(px,py)的计算公式有，px＝5，py＝3。在第一次迭代中，根据目标像素点p 到边界的距离值DNB的计算方法计算DNB，结果如图5(b)所示。由于DNB有三个不同的值，因此前景像素分为三组，如图5(c)所示。根据向心方向参量Scentri、领域参量Sneigh和法线方向参量Snorm的计算公式分别计算出各值，然后可以计算出参量和Ssubfield值，如图5(d)所示。根据子域的升序，可以得到子域的设置，如图5(e)所示。大多数子域只包含一个像素，标记为“S2-”和“S3-”的像素不属于任何子域，因为它们符合Snrigh(p)＝15。通过使用从S1-1到S1-17，从S2-1 到S2-4的顺序，然后对每个子域合理地应用并行操作，得到如图5(f)所示的中间结果。由于在第二次迭代中不需要删除多余的像素，因此图5(f)是图像细化的最终结果。
图6为在90度倍角旋转情况下不同方法得到的图像细化结果。
以图6为例来说明本发明采用的方法同时具备保持原图像连通性、严格单像素宽和严格的90度旋转不变性这三个方面特性。图6(a)是1幅二值图像及其在旋转90度、180度和270度后得到的3幅图像。图6(b)到图6(k)是采用其它经典细化方法对图6(a)中的4幅图像进行细化得到的结果。仔细观察它们可发现，图6(e)、图6(g)、图6(i)、图6(j)不具备严格单像素宽特性；仅有图6(k) 具有90度旋转不变性，但它没有保持原图的连通性。因此其它经典细化方法都没有同时具备上述三个方面特性。图6(l)是采用本发明方法得到的细化结果，可以看到该结果同时具备上述三个方面特性。
图7为在非90度倍角旋转情况下不同方法得到的图像细化结果。
以图7为例来说明本发明采用的方法具备优越的旋转不敏感性。图7(a)、 (b)、(c)三行图像是其它经典细化方法得到的在非90度倍角旋转下的图像细化结果。仔细观察可发现，图7(a)、(b)两行图像在不同转角下细化结果的中心轴出现明显的区别；图7(a)、(b)、(c)三行图像的细化结果都出现了有明显区别的冗余分支。图7(d)的图像是采用本发明方法得到的细化结果，可以看到当原图以任意角度旋转时，只有本发明方法对旋转不敏感，即在不同的旋转角度下得到的细化结果具有高度的相似性。因此采用本发明方法进行图像细化，更有利于对目标图像进行模式识别和目标匹配等方面的应用。
由此可知，本发明的排序方式和像素删除方式能够保证细化结果的旋转不敏感性，还兼具保持原图像连通性和严格单像素宽特性，因而在模式识别和目标匹配方面具有很好的应用前景。
实施例2：
图8为本发明实施例2的图像细化系统的系统结构图。
参见图8，该图像细化系统，包括：
图像获取模块201，用于获取待细化的目标二值图像；
中心坐标计算模块202，用于计算所述目标二值图像的中心坐标；
向心方向参量计算模块203，用于根据所述中心坐标计算所有前景像素的向心方向参量；所述向心方向参量的计算公式如下：
Figure BDA0002451608790000121
其中，Scentri(p)为像素p的向心方向参量，α为常数，DPC(p)为像素p到所述中心坐标的距离，p＝1表示像素p为前景像素，p＝0表示像素p为背景像素；
局域中心像素确定模块204，用于计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素；
分组模块205，用于将所有DNB按数值大小升序排列并分组，将DNB值相同的像素划分到同一组中；
第一细化处理模块206，用于用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量；
子域划分模块207，用于针对第k组中每个像素，对所述向心方向参量、所述邻域参量和所述法线方向参量求和得到参量和，根据所述参量和升序排列并划分子域，将参量和相同的像素划分到同一个子域中；
第二细化处理模块208，用于对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素；
第一判断模块209，用于判断k是否为最大组数，得到第一判断结果；
累加返回模块210，用于若所述第一判断结果表示否，则令k的值加1，并返回所述第一细化处理模块206；
冗余像素删除模块211，用于若所述第一判断结果表示是，则删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果；
第二判断模块212，用于判断当前图像细化结果与上一图像细化结果是否相同，得到第二判断结果；
返回模块213，用于若所述第二判断结果表示否，则返回所述局域中心像素确定模块204；
最终细化结果确定模块214，用于若所述第二判断结果表示是，则以当前图像细化结果作为最终图像细化结果。
可选的，所述中心坐标计算模块202包括：
中心坐标计算单元，用于利用如下公式计算所述目标二值图像的中心坐标：
Figure BDA0002451608790000131
其中px、py分别为中心坐标中的横坐标和纵坐标，m为所述目标二值图像的行号，n为所述目标二值图像的列号；Round为四舍五入取整函数。
可选的，所述第二细化处理模块208包括：
像素提取单元，用于选出所有属于当前子域内的像素，得到选中像素；
邻域参量重新计算单元，用于重新计算各个所述选中像素的邻域参量，得到邻域参量新值；
像素改变单元，用于将所述邻域参量新值满足预设条件的像素变为背景像素。
可选的，所述冗余像素删除模块211包括：
端点识别单元，用于识别骨架端点像素；
筛选单元，用于在所述骨架端点像素中筛选出8邻域像素中有一个属于局域中心像素的端点像素，得到冗余像素；
删除单元，用于删除所述冗余像素。
与现有技术相比，本发明的有益效果是：本发明提出了一种图像细化方法及系统。该方法及系统通过先排序分组，再排序划分子域，从而将前景像素划分在不同的子域中。用串行方法依次对不同组进行细化操作，用并行方法对处于同一子域内的像素进行细化操作，从而能够在保证细化结果的旋转不敏感性的同时，使得细化结果兼顾保持原图像的连通性和严格单像素宽的特性，从而能够适用于模式识别和目标匹配方面。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种图像细化方法，其特征在于，包括：
获取待细化的目标二值图像；
计算所述目标二值图像的中心坐标；
根据所述中心坐标计算所有前景像素的向心方向参量；所述向心方向参量的计算公式如下：
Figure FDA0002451608780000011
其中，Scentri(p)为像素p的向心方向参量，α为常数，DPC(p)为像素p到所述中心坐标的距离，p＝1表示像素p为前景像素，p＝0表示像素p为背景像素；
计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素；
将所有DNB按数值大小升序排列并分组，将DNB值相同的像素划分到同一组中；
用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量；
针对第k组中每个像素，对所述向心方向参量、所述邻域参量和所述法线方向参量求和得到参量和，根据所述参量和升序排列并划分子域，将参量和相同的像素划分到同一个子域中；
对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素；
判断k是否为最大组数，得到第一判断结果；
若所述第一判断结果表示否，则令k的值加1，并返回步骤“用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量”；
若所述第一判断结果表示是，则删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果；
判断当前图像细化结果与上一图像细化结果是否相同，得到第二判断结果；
若所述第二判断结果表示否，则返回步骤“计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素”；
若所述第二判断结果表示是，则以当前图像细化结果作为最终图像细化结果。
2.根据权利要求1所述的图像细化方法，其特征在于，所述计算所述目标二值图像的中心坐标，具体包括：
利用如下公式计算所述目标二值图像的中心坐标：
Figure FDA0002451608780000021
其中px、py分别为中心坐标中的横坐标和纵坐标，m为所述目标二值图像的行号，n为所述目标二值图像的列号；Round为四舍五入取整函数。
3.根据权利要求1所述的图像细化方法，其特征在于，所述对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素，具体包括：
选出所有属于当前子域内的像素，得到选中像素；
重新计算各个所述选中像素的邻域参量，得到邻域参量新值；
将所述邻域参量新值满足预设条件的像素变为背景像素。
4.根据权利要求1所述的图像细化方法，其特征在于，所述删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果，具体包括：
识别骨架端点像素；
在所述骨架端点像素中筛选出8邻域像素中有一个属于局域中心像素的端点像素，得到冗余像素；
删除所述冗余像素。
5.一种图像细化系统，其特征在于，包括：
图像获取模块，用于获取待细化的目标二值图像；
中心坐标计算模块，用于计算所述目标二值图像的中心坐标；
向心方向参量计算模块，用于根据所述中心坐标计算所有前景像素的向心方向参量；所述向心方向参量的计算公式如下：
Figure FDA0002451608780000031
其中，Scentri(p)为像素p的向心方向参量，α为常数，DPC(p)为像素p到所述中心坐标的距离，p＝1表示像素p为前景像素，p＝0表示像素p为背景像素；
局域中心像素确定模块，用于计算所有前景像素到边界的距离DNB，利用DNB计算局域中心参数，根据所述局域中心参数确定局域中心像素；
分组模块，用于将所有DNB按数值大小升序排列并分组，将DNB值相同的像素划分到同一组中；
第一细化处理模块，用于用串行方法对第k组中的像素进行细化处理，并计算第k组中每个像素的邻域参量和法线方向参量；
子域划分模块，用于针对第k组中每个像素，对所述向心方向参量、所述邻域参量和所述法线方向参量求和得到参量和，根据所述参量和升序排列并划分子域，将参量和相同的像素划分到同一个子域中；
第二细化处理模块，用于对第k组中的所有子域按照排列顺序逐一在每个子域内进行并行细化处理，删除不属于骨架的像素；
第一判断模块，用于判断k是否为最大组数，得到第一判断结果；
累加返回模块，用于若所述第一判断结果表示否，则令k的值加1，并返回所述第一细化处理模块；
冗余像素删除模块，用于若所述第一判断结果表示是，则删除连接到所述局域中心像素的冗余像素，得到当前图像细化结果；
第二判断模块，用于判断当前图像细化结果与上一图像细化结果是否相同，得到第二判断结果；
返回模块，用于若所述第二判断结果表示否，则返回所述局域中心像素确定模块；
最终细化结果确定模块，用于若所述第二判断结果表示是，则以当前图像细化结果作为最终图像细化结果。
6.根据权利要求5所述的图像细化系统，其特征在于，所述中心坐标计算模块包括：
中心坐标计算单元，用于利用如下公式计算所述目标二值图像的中心坐标：
Figure FDA0002451608780000041
其中px、py分别为中心坐标中的横坐标和纵坐标，m为所述目标二值图像的行号，n为所述目标二值图像的列号；Round为四舍五入取整函数。
7.根据权利要求5所述的图像细化系统，其特征在于，所述第二细化处理模块包括：
像素提取单元，用于选出所有属于当前子域内的像素，得到选中像素；
邻域参量重新计算单元，用于重新计算各个所述选中像素的邻域参量，得到邻域参量新值；
像素改变单元，用于将所述邻域参量新值满足预设条件的像素变为背景像素。
8.根据权利要求5所述的图像细化系统，其特征在于，所述冗余像素删除模块包括：
端点识别单元，用于识别骨架端点像素；
筛选单元，用于在所述骨架端点像素中筛选出8邻域像素中有一个属于局域中心像素的端点像素，得到冗余像素；
删除单元，用于删除所述冗余像素。
CN202010294341.XA 2020-04-15 2020-04-15 一种图像细化方法及系统 Active CN111507892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010294341.XA CN111507892B (zh) 2020-04-15 2020-04-15 一种图像细化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010294341.XA CN111507892B (zh) 2020-04-15 2020-04-15 一种图像细化方法及系统

Publications (2)

Publication Number Publication Date
CN111507892A CN111507892A (zh) 2020-08-07
CN111507892B true CN111507892B (zh) 2022-03-15

Family

ID=71870967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010294341.XA Active CN111507892B (zh) 2020-04-15 2020-04-15 一种图像细化方法及系统

Country Status (1)

Country Link
CN (1) CN111507892B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150741A (zh) * 2012-11-30 2013-06-12 常州大学 一种快速骨骼化二值数字图像中图形的方法
CN107067037A (zh) * 2017-04-21 2017-08-18 河南科技大学 一种使用llc准则定位图像前景的方法
CN107194402A (zh) * 2017-04-02 2017-09-22 南京汇川图像视觉技术有限公司 一种并行细化骨架提取方法
CN107862283A (zh) * 2017-11-07 2018-03-30 深圳市金城保密技术有限公司 一种指静脉特征细化方法、存储介质、终端及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012258421A1 (en) * 2012-11-30 2014-06-19 Canon Kabushiki Kaisha Superpixel-based refinement of low-resolution foreground segmentation
SG10201405182WA (en) * 2014-08-25 2016-03-30 Univ Singapore Technology & Design Method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150741A (zh) * 2012-11-30 2013-06-12 常州大学 一种快速骨骼化二值数字图像中图形的方法
CN107194402A (zh) * 2017-04-02 2017-09-22 南京汇川图像视觉技术有限公司 一种并行细化骨架提取方法
CN107067037A (zh) * 2017-04-21 2017-08-18 河南科技大学 一种使用llc准则定位图像前景的方法
CN107862283A (zh) * 2017-11-07 2018-03-30 深圳市金城保密技术有限公司 一种指静脉特征细化方法、存储介质、终端及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An Improved Image Thining Algorithm and Its Application in Chinese Character Image Refining;Wang Miaomiao等;《2019 IEEE 3rd Information Technology,Networking,Electronic and Automation Control Conference》;20190301;第1870-1874页 *
Real‑time thinning algorithms for 2D and 3D images using GPU processors;Martin G. Wagner;《Journal of Real-Time Image Processing》;20190528;第1-12页 *
多光源图像细化和细节增强的协同图像处理算法研究;张德发 等;《重庆邮电大学学报( 自然科学版)》;20140430;第26卷(第2期);第260-264页 *
指纹图像预处理方法的研究;李岩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140715;第I138-916页 *

Also Published As

Publication number Publication date
CN111507892A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN108898610B (zh) 一种基于mask-RCNN的物体轮廓提取方法
CN106778604B (zh) 基于匹配卷积神经网络的行人再识别方法
CN104809731B (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
CN106845542B (zh) 基于dsp的纸币冠字号智能识别方法
CN108597009A (zh) 一种基于方向角信息进行三维目标检测的方法
CN111402316B (zh) 一种基于去伪环节的图像中椭圆快速检测方法
CN108280488A (zh) 基于共享神经网络的可抓取物体识别方法
Yao et al. Fast robust GA-based ellipse detection
CN107622247A (zh) 一种快递运单的定位与提取方法
CN111009005A (zh) 几何信息与光度信息相结合的场景分类点云粗配准方法
CN110443295A (zh) 改进的图像匹配与误匹配剔除算法
CN104881668B (zh) 一种基于代表性局部模式的图像指纹提取方法及系统
CN111507892B (zh) 一种图像细化方法及系统
CN115830335A (zh) 一种基于自适应阈值算法的orb图像特征提取方法
CN112581368A (zh) 一种基于最优图匹配的多机器人栅格地图拼接方法
Hu et al. Completed local derivative pattern for rotation invariant texture classification
CN107220634B (zh) 基于改进d-p算法与多模板匹配的手势识别方法
CN109272522B (zh) 一种基于局部特征的图像细化分割方法
CN113362307A (zh) 一种rgb-d图像显著性检测方法
CN110717910B (zh) 基于卷积神经网络的ct图像目标检测方法及ct扫描仪
CN111274893B (zh) 基于部件分割与特征融合的飞行器图像细粒度识别方法
CN113516158B (zh) 基于Faster R-CNN的图模型构建方法
CN113570647A (zh) 一种倾斜摄影与遥感光学图像之间立体目标空间配准方法
CN113554036A (zh) 一种改进orb算法的特征点提取与匹配方法
CN114820673A (zh) 一种基于轮廓质心高度增量特征的目标识别方法

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
TR01 Transfer of patent right

Effective date of registration: 20230707

Address after: 518000 812, building 3, sunshine Yuehai Garden Phase II, No. 3818 Baishi Road, Yuegui community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Patentee after: Shenzhen Zhisen Technology Design Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20230707

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 545006 268 East Ring Road, Central District, Liuzhou, the Guangxi Zhuang Autonomous Region

Patentee before: GUANGXI University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right