CN111627069B - 圆点检测方法、终端和计算机可读存储介质 - Google Patents
圆点检测方法、终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111627069B CN111627069B CN202010354854.5A CN202010354854A CN111627069B CN 111627069 B CN111627069 B CN 111627069B CN 202010354854 A CN202010354854 A CN 202010354854A CN 111627069 B CN111627069 B CN 111627069B
- Authority
- CN
- China
- Prior art keywords
- gray
- pixel
- values
- pixels
- dot
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种圆点检测方法、终端和计算机可读存储介质,该方法包括:拍摄图像,图像上具有圆点和背景,圆点中像素的灰度值高于背景中像素的灰度值;检测拍摄的图像上像素的灰度值;将图像中相互连通的像素划为同一区域;设区域呈椭圆,并建立灰度模型;将区域的像素代入灰度模型,计算模型参数值,并标定圆点。根据本发明的技术方案,首先对图像进行二值化处理,初步确定圆点区域,并基于背景灰度值以及目标圆点与背景的灰度差,在目标边界处建立灰度模型,利用该模型可以计算出标定板内各个圆点的参数,从而完成圆点标定,其准确度满足相机标定要求。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种圆点检测方法、终端和计算 机可读存储介质。
背景技术
在相机标定过程中,一般使用最小二乘法检测标定板上的圆点,这种方 法需要提取出圆点边缘散点的位置,再利用最小二乘法进行图形拟合。这种 方法提取出的散点相对于实际圆点轮廓误差较大,拟合的结果误差较大。
因此需要一种新的实现圆点标定的技术方案,精准标定圆点,满足相机 标定要求。
发明内容
本发明的主要目的在于提出一种圆点检测方法、终端和计算机可读存储 介质,旨在精准标定圆点,满足相机标定要求。
为实现上述目的,本发明提供了一种圆点检测方法,包括:拍摄图像, 所述图像上具有圆点和背景,所述圆点中像素的灰度值高于所述背景中像素 的灰度值;检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预 设阈值时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设 阈值时,将所述像素的灰度值设置为255,得到黑白二值图像;将所述黑白二 值图像中相互连通的灰度值为255的像素划为同一区域;设所述区域呈椭圆, 并建立灰度模型其中表示所述区域内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry 为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数;将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、cy、θ、rx、 ry、ce的值;根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点。
为实现上述目的,本发明提供了一种终端,所述终端包括处理器、存储 器、通信总线;所述通信总线用于实现处理器和存储器之间的连接通信;所 述处理器用于执行存储器中存储的程序,以实现以下步骤:拍摄图像,所述 图像上具有圆点和背景,所述圆点中像素的灰度值高于所述背景中像素的灰 度值;检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预设阈 值时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设阈值 时,将所述像素的灰度值设置为255,得到黑白二值图像;将所述黑白二值图 像中相互连通的灰度值为255的像素划为同一区域;设所述区域呈椭圆,并 建立灰度模型其中表示所述区域 内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数;将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、cy、θ、rx、 ry、ce的值;根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点。
为实现上述目的,本发明提供了一种计算机可读存储介质,所述计算机 可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或 者多个处理器执行,以实现前述方法的步骤。
根据以上技术方案,可知本发明的圆点检测方法、终端和计算机可读存 储介质至少具有以下优点:
在本发明的技术方案中,首先对图像进行二值化处理,初步确定圆点区 域,并基于背景灰度值以及目标圆点与背景的灰度差,在目标边界处建立灰 度模型,利用该模型可以计算出标定板内各个圆点的参数,从而完成圆点标 定,其准确度满足相机标定要求。
附图说明
图1为根据本发明的一个实施例的圆点检测方法的流程图;
图2为根据本发明的一个实施例的原始图像;
图3为根据本发明的一个实施例的二值化图像;
图4为根据本发明的一个实施例的像素示意图;
图5为根据本发明的一个实施例的区域划分示意图;
图6为根据本发明的一个实施例的点至椭圆距离示意图;
图7为根据本发明的一个实施例的灰度模型控制系数示意图;
图8为根据本发明的一个实施例的灰度模型示意图;
图9为根据本发明的一个实施例的圆点标定示意图;
图10为根据本发明的一个实施例的圆点检测方法的流程图;
图11为根据本发明的一个实施例的搜索连通像素的流程图;
图12为根据本发明的一个实施例的搜索连通像素的示意图;
图13为根据本发明的一个实施例的灰度模型优化流程图;
图14为根据本发明的一个实施例的梯度下降处理流程图;
图15为根据本发明的一个实施例的终端的框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步 说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限 定本发明。
如图1所示,本发明的一个实施例中提供了一种圆点标定检测方法,其 特征在于,包括:
步骤S110,拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的 灰度值高于所述背景中像素的灰度值。
本实施例的技术方案适用于对相机标定,也适用于其他检测领域。本实 施例以相机标定为例进行说明,如图2所示,拍摄的图像包含标定圆点及背 景。
步骤S120,检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超 过预设阈值时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述 预设阈值时,将所述像素的灰度值设置为255,得到黑白二值图像。
如图3所示,将拍摄的图像进行二值化处理,将图片上像素的灰度值设 为0或255。如果当前像素pxi的灰度值gra_scalei小于阈值th,则把当前像素 的灰度值设为0,即gra_scalei=0。反之如果当前灰度值大于阈值th,则 gra_scalei=255。优选地,可以选取具体阈值th=155,在具体阈值th=155的 情况下,能够较好地完成黑白二值图像的绘制。
步骤S130,将所述黑白二值图像中相互连通的灰度值为255的像素划为 同一区域。
在本实施例中,具体如图4所示,对图像进行分区时,将有大量白色像 素(gra_scalei=255)连通的部分分为一个区run,则整张图像被分为i个区 域,形成的区域如图5所示。
步骤S140,设所述区域呈椭圆,并建立灰度模型 其中 表示所述区域 内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry 为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数。
在本实施例中,首先需要定义点到椭圆的距离d(x,y)。已知椭圆E的方程其中长轴rx,短 轴ry为椭圆,长轴旋转角度θ,如图6所示,定义区域runi内一点p(x,y)到椭 圆E的距离d(x,y)为 椭圆E上的点的距离为d(x,y)=1,在椭圆内的点满足d(x,y)<1,椭圆外的点满足d(x,y)>1。
继续定义灰度模型。假设标定板背景为黑色,目标圆点为白色,则背景 灰度值bgd,目标圆点与背景的灰度值差为cst,在目标边界处定义的灰度模 型为该模型等式左边Ie(x,y)可视为区域runi内像素的实际灰度值,等式右边为估计灰度值的函数,该函数中含有系数背 景灰度值bgd,灰度值差cst,圆心(rx,ry),长短轴(cx,cy),旋转角θ,放大 控制系数ce。
d(x,y)=1为目标边界,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)为不同距离的像素的 放大倍数,ce为控制amp(d(x,y))形状的参数,大的控制系数ce使得放大函数 在目标边界附近(d(x,y)=1)更加陡峭。白色目标的灰度估计模型,灰度值被估 计为背景值加上对对比度的适当缩放,缩放因子由当前点的位置到目标边界 (椭圆)的距离d(x,y)控制,d(x,y)>1时缩放因子迅速下降到0(估计的灰度值 趋向于背景值),d(x,y)<1时缩放因子迅速上升至1(估计的灰度值趋向于 bgd+cst)。
步骤S150,将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、 cy、θ、rx、ry、ce的值。
步骤S160,根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点, 具体如图9所示。
采用本实施例的技术方案,采用基于灰度差的识别模型,可以精确识别 出标定板上的圆点。区别于传统的先筛选出边缘点,再用边缘点进行拟合的 方法,本发明所述方法首先根据灰度值划分出像素连通域,再针对各个连通 域使用灰度模型进行检测。该发明所述方法能够更准确地检测标定板上的圆 点。
如图10所示,本发明的一个实施例中提供了一种圆点检测方法,其特征 在于,包括:
步骤S1010,拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的 灰度值高于所述背景中像素的灰度值。
步骤S1020,检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超 过预设阈值时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述 预设阈值时,将所述像素的灰度值设置为255,得到黑白二值图像。
步骤S1030,逐行扫描所述黑白二值图像上的像素,将每行连续的灰度值 为255的像素划至统一区域,将相邻两行间连通的灰度值为255的像素划至 同一区域。
如图11和图12所示,在搜索连通像素的过程中,首先扫描第一行像素, 记录下连续白色像素的起始点star以及结束点end。比如第一行第一团run1 (2,7),第一行第二团run2(10,11)。接下来搜索第二行,若第二行中有像素 与第一行的团连通,比如第二行(7,7)与第一行的团run1(2,7)连通,则将 run1的团名赋给(7,7),同理将run2赋给第二行的(10,10),第三行的团(7,8) 与上一行的两个团都连通,则将较小的团名即run1赋给第三行的团,同时将 run2标记为run1的等价团,第四行的团“I”与上一行的团都不连通,则给它新团名run3。以此类推扫描和划分整张图像上的白色像素,得到图像上的团 run_i以及各个团内的像素坐标。
步骤S1040,设所述区域呈椭圆,并建立灰度模型 其中 表示所述区域 内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry 为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数。
步骤S1050,对所述灰度模型进行梯度下降优化,得到设 对cst、bgd、cx、cy、θ求偏微分并使之等于 0,得到cst、bgd、cx、cy、θ的值,作为计算cst、bgd、cx、cy、θ、rx、ry、ce的值的依据。
步骤S1060,对rx、ry、ce求偏微分得到梯度下降方向,作为计算rx、ry、 ce的值的依据。
如图13所示,首先定义优化模型,求参数cst、bgd、cx、cy、θ的值。 当前灰度估计模型中待确认参数包括椭圆中心点位置(cx,,cy)、椭圆长短轴 (rx,ry)、椭圆旋转角度θ、灰度模型形状控制ce、局部灰度值差cst、背 景灰度值bgd。优化的目标函数为
其中,Φ=[cst,bgd,cx,cy,rx,ry,θ,ce]T,使用Levenberg-Marquardt方法进行梯 度下降优化,
对参数cst,bgd,cx,cy,θ求偏微分并使之等于0,得到各参数的值,对参数 rx,ry,ce求偏微分得到梯度下降方向。
步骤S1070,设梯度下降的步长c,每次迭代减小一半步长,重复迭代直 至两次迭代之间的差小于预设阈值,取使两次迭代之差最小的rx、ry、ce的 值。
在本实施例中,如图14所示,针对长短轴半径参数(rx,ry)及灰度模型形 状控制参数ce的非负属性,设梯度下降的步长c,每次迭代减小一半步长, 即c=c/2,此处步长初始值取c=1。重复迭代步骤Ф←Ф-c fФ,直到两次迭 代之间的差小于阈值th_cos,此时使两次迭代之差最小的rx,ry,ce值即为 rx,ry,ce的最终取值。此处误差阈值取th_cos=0.000001。
步骤S1080,根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆 点。
在本实施例中,如图13所示,采用基于灰度差的识别模型,可以精确识 别出标定板上的圆点。区别于传统的先筛选出边缘点,再用边缘点进行拟合 的方法,本发明所述方法首先根据灰度值划分出像素连通域,再针对各个连 通域使用灰度模型进行检测。该发明所述方法能够更准确地检测标定板上的 圆点。
如图15所示,本发明的一个实施例中提供了一种终端,终端包括处理器 1510、存储器1520、通信总线1530;通信总线1530用于实现处理器1510和 存储器1520之间的连接通信;处理器1510用于执行存储器1520中存储的程 序,以实现以下步骤:
拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的灰度值高于 所述背景中像素的灰度值。
本实施例的技术方案适用于对相机标定,也适用于其他检测领域。本实 施例以相机标定为例进行说明,如图2所示,拍摄的图像包含标定圆点及背 景。
检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预设阈值 时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设阈值时, 将所述像素的灰度值设置为255,得到黑白二值图像。
如图3所示,将拍摄的图像进行二值化处理,将图片上像素的灰度值设 为0或255。如果当前像素pxi的灰度值gra_scalei小于阈值th,则把当前像素 的灰度值设为0,即gra_scalei=0。反之如果当前灰度值大于阈值th,则 gra_scalei=255。
将所述黑白二值图像中相互连通的灰度值为255的像素划为同一区域。 在本实施例中,具体如图4所示,对图像进行分区时,将有大量白色像素 (gra_scalei=255)连通的部分分为一个区run,则整张图像被分为i个区域, 形成的区域如图5所示。
设所述区域呈椭圆,并建立灰度模型其中表示所述区域内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry 为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数。
在本实施例中,首先需要定义点到椭圆的距离d(x,y)。已知椭圆E的方程其中长轴rx,短 轴ry为椭圆,长轴旋转角度θ,如图6所示,定义区域runi内一点p(x,y)到椭 圆E的距离d(x,y)为 椭圆E上的点的距离为d(x,y)=1,在椭圆内的点满足d(x,y)<1,椭圆外的点满足d(x,y)>1。
继续定义灰度模型。假设标定板背景为黑色,目标圆点为白色,则背景 灰度值bgd,目标圆点与背景的灰度值差为cst,在目标边界处定义的灰度模 型为该模型等式左边Ie(x,y)可视为区域runi内像素的实际灰度值,等式右边为估计灰度值的函数,该函数中含有系数背 景灰度值bgd,灰度值差cst,圆心(rx,ry),长短轴(cx,cy),旋转角θ,放大 控制系数ce。
d(x,y)=1为目标边界,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)为不同距离的像素的 放大倍数,ce为控制amp(d(x,y))形状的参数,大的控制系数ce使得放大函数 在目标边界附近(d(x,y)=1)更加陡峭。白色目标的灰度估计模型,灰度值被估 计为背景值加上对对比度的适当缩放,缩放因子由当前点的位置到目标边界 (椭圆)的距离d(x,y)控制,d(x,y)>1时缩放因子迅速下降到0(估计的灰度值 趋向于背景值),d(x,y)<1时缩放因子迅速上升至1(估计的灰度值趋向于 bgd+cst)。
将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、cy、θ、rx、 ry、ce的值。
根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点,具体如图 9所示。
采用本实施例的技术方案,采用基于灰度差的识别模型,可以精确识别 出标定板上的圆点。区别于传统的先筛选出边缘点,再用边缘点进行拟合的 方法,本发明所述方法首先根据灰度值划分出像素连通域,再针对各个连通 域使用灰度模型进行检测。该发明所述方法能够更准确地检测标定板上的圆 点。
如图15所示,本发明的一个实施例中提供了一种终端,终端包括处理器 1510、存储器1520、通信总线1530;通信总线1530用于实现处理器1510和 存储器1520之间的连接通信;处理器1510用于执行存储器1520中存储的程 序,以实现以下步骤:
拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的灰度值高于 所述背景中像素的灰度值。
检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预设阈值 时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设阈值时, 将所述像素的灰度值设置为255,得到黑白二值图像。
逐行扫描所述黑白二值图像上的像素,将每行连续的灰度值为255的像 素划至统一区域,将相邻两行间连通的灰度值为255的像素划至同一区域。
如图11和图12所示,在搜索连通像素的过程中,首先扫描第一行像素, 记录下连续白色像素的起始点star以及结束点end。比如第一行第一团run1 (2,7),第一行第二团run2(10,11)。接下来搜索第二行,若第二行中有像素 与第一行的团连通,比如第二行(7,7)与第一行的团run1(2,7)连通,则将 run1的团名赋给(7,7),同理将run2赋给第二行的(10,10),第三行的团(7,8) 与上一行的两个团都连通,则将较小的团名即run1赋给第三行的团,同时将 run2标记为run1的等价团,第四行的团“I”与上一行的团都不连通,则给它新团名run3。以此类推扫描和划分整张图像上的白色像素,得到图像上的团 run_i以及各个团内的像素坐标。
设所述区域呈椭圆,并建立灰度模型其中表示所述区域内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry 为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数。
对所述灰度模型进行梯度下降优化,得到设 对cst、bgd、cx、cy、θ求偏微分并使之等于 0,得到cst、bgd、cx、cy、θ的值,作为计算cst、bgd、cx、cy、θ、rx、ry、 ce的值的依据。
对rx、ry、ce求偏微分得到梯度下降方向,作为计算rx、ry、ce的值的 依据。
如图13所示,首先定义优化模型,求参数cst、bgd、cx、cy、θ的值。 当前灰度估计模型中待确认参数包括椭圆中心点位置(cx,,cy)、椭圆长短轴 (rx,ry)、椭圆旋转角度θ、灰度模型形状控制ce、局部灰度值差cst、背 景灰度值bgd。优化的目标函数为
其中,Φ=[cst,bgd,cx,cy,rx,ry,θ,ce]T,使用Levenberg-Marquardt方法进行梯 度下降优化,
对参数cst,bgd,cx,cy,θ求偏微分并使之等于0,得到各参数的值,对参数 rx,ry,ce求偏微分得到梯度下降方向。
设梯度下降的步长c,每次迭代减小一半步长,重复迭代直至两次迭代之 间的差小于预设阈值,取使两次迭代之差最小的rx、ry、ce的值。
在本实施例中,如图14所示,针对长短轴半径参数(rx,ry)及灰度模型形 状控制参数ce的非负属性,设梯度下降的步长c,每次迭代减小一半步长, 即c=c/2,此处步长初始值取c=1。重复迭代步骤Ф←Ф-c fФ,直到两次迭 代之间的差小于阈值th_cos,此时使两次迭代之差最小的rx,ry,ce值即为 rx,ry,ce的最终取值。此处误差阈值取th_cos=0.000001。
根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点。
在本实施例中,如图13所示,采用基于灰度差的识别模型,可以精确识 别出标定板上的圆点。区别于传统的先筛选出边缘点,再用边缘点进行拟合 的方法,本发明所述方法首先根据灰度值划分出像素连通域,再针对各个连 通域使用灰度模型进行检测。该发明所述方法能够更准确地检测标定板上的 圆点。
本发明的一个实施例中提供了一种计算机可读存储介质,计算机可读存 储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理 器执行,以实现以下步骤:
拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的灰度值高于 所述背景中像素的灰度值。
本实施例的技术方案适用于对相机标定,也适用于其他检测领域。本实 施例以相机标定为例进行说明,如图2所示,拍摄的图像包含标定圆点及背 景。
检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预设阈值 时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设阈值时, 将所述像素的灰度值设置为255,得到黑白二值图像。
如图3所示,将拍摄的图像进行二值化处理,将图片上像素的灰度值设 为0或255。如果当前像素pxi的灰度值gra_scalei小于阈值th,则把当前像素 的灰度值设为0,即gra_scalei=0。反之如果当前灰度值大于阈值th,则 gra_scalei=255。
将所述黑白二值图像中相互连通的灰度值为255的像素划为同一区域。 在本实施例中,具体如图4所示,对图像进行分区时,将有大量白色像素 (gra_scalei=255)连通的部分分为一个区run,则整张图像被分为i个区域, 形成的区域如图5所示。
设所述区域呈椭圆,并建立灰度模型其中表示所述区域内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry 为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴 的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值 之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为 放大系数。
在本实施例中,首先需要定义点到椭圆的距离d(x,y)。已知椭圆E的方程其中长轴rx,短 轴ry为椭圆,长轴旋转角度θ,如图6所示,定义区域runi内一点p(x,y)到椭 圆E的距离d(x,y)为 椭圆E上的点的距离为d(x,y)=1,在椭圆内的点满足d(x,y)<1,椭圆外的点满足d(x,y)>1。
继续定义灰度模型。假设标定板背景为黑色,目标圆点为白色,则背景 灰度值bgd,目标圆点与背景的灰度值差为cst,在目标边界处定义的灰度模 型为该模型等式左边Ie(x,y)可视为区域runi内像素的实际灰度值,等式右边为估计灰度值的函数,该函数中含有系数背 景灰度值bgd,灰度值差cst,圆心(rx,ry),长短轴(cx,cy),旋转角θ,放大 控制系数ce。
d(x,y)=1为目标边界,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)为不同距离的像素的 放大倍数,ce为控制amp(d(x,y))形状的参数,大的控制系数ce使得放大函数 在目标边界附近(d(x,y)=1)更加陡峭。白色目标的灰度估计模型,灰度值被估 计为背景值加上对对比度的适当缩放,缩放因子由当前点的位置到目标边界 (椭圆)的距离d(x,y)控制,d(x,y)>1时缩放因子迅速下降到0(估计的灰度值 趋向于背景值),d(x,y)<1时缩放因子迅速上升至1(估计的灰度值趋向于 bgd+cst)。
将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、cy、θ、rx、 ry、ce的值。
根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点,具体如图 9所示。
采用本实施例的技术方案,采用基于灰度差的识别模型,可以精确识别 出标定板上的圆点。区别于传统的先筛选出边缘点,再用边缘点进行拟合的 方法,本发明所述方法首先根据灰度值划分出像素连通域,再针对各个连通 域使用灰度模型进行检测。该发明所述方法能够更准确地检测标定板上的圆 点。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体 意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或 者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情 况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘) 中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调 器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上 述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的, 本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求 所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种圆点检测方法,其特征在于,包括:
拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的灰度值高于所述背景中像素的灰度值;
检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预设阈值时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设阈值时,将所述像素的灰度值设置为255,得到黑白二值图像;
将所述黑白二值图像中相互连通的灰度值为255的像素划为同一区域;
设所述区域呈椭圆,并建立灰度模型其中表示所述区域内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为放大系数;
将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、cy、θ、rx、ry、ce的值;
根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点。
2.根据权利要求1所述的方法,其特征在于,所述将所述黑白二值图像中相互连通的灰度值为255的像素划为同一区域,包括:
逐行扫描所述黑白二值图像上的像素,将每行连续的灰度值为255的像素划至统一区域,将相邻两行间连通的灰度值为255的像素划至同一区域。
4.根据权利要求3所述的方法,其特征在于,所述将所述区域的像素代入所述灰度模型,计算rx、ry、ce的值,还包括:
对rx、ry、ce求偏微分得到梯度下降方向,作为计算rx、ry、ce的值的依据。
5.根据权利要求4所述的方法,其特征在于,所述将所述区域的像素代入所述灰度模型,计算rx、ry、ce的值,还包括:
设梯度下降的步长c,每次迭代减小一半步长,重复迭代直至两次迭代之间的差小于预设阈值,取使两次迭代之差最小的rx、ry、ce的值。
6.一种终端,其特征在于,所述终端包括处理器、存储器、通信总线;所述通信总线用于实现处理器和存储器之间的连接通信;所述处理器用于执行存储器中存储的程序,以实现以下步骤:
拍摄图像,所述图像上具有圆点和背景,所述圆点中像素的灰度值高于所述背景中像素的灰度值;
检测拍摄的图像上像素的灰度值,在所述像素的灰度值不超过预设阈值时,将所述像素的灰度值设置为0,在所述像素的灰度值超过所述预设阈值时,将所述像素的灰度值设置为255,得到黑白二值图像;
将所述黑白二值图像中相互连通的灰度值为255的像素划为同一区域;
设所述区域呈椭圆,并建立灰度模型其中表示所述区域内像素至所述椭圆的距离,Ie(x,y)为所述区域内像素的实际灰度值,rx、ry为所述椭圆的长轴和短轴,cx、cy表示所述椭圆的中心坐标,θ为所述长轴的旋转角度,bgd为所述背景的灰度值,cst为所述圆点与所述背景的灰度值之差,amp(d(x,y))=exp(-d(x,y)ce)∈(0,1)表示不同距离下像素的放大倍数,ce为放大系数;
将所述区域的像素代入所述灰度模型,计算cst、bgd、cx、cy、θ、rx、ry、ce的值;
根据cst、bgd、cx、cy、θ、rx、ry、ce的值,标定所述圆点。
7.根据权利要求6所述的终端,其特征在于,所述处理器还用于执行存储器中存储的程序,以实现以下步骤:
逐行扫描所述黑白二值图像上的像素,将每行连续的灰度值为255的像素划至统一区域,将相邻两行间连通的灰度值为255的像素划至同一区域。
9.根据权利要求8所述的终端,其特征在于,所述处理器还用于执行存储器中存储的程序,以实现以下步骤:
对rx、ry、ce求偏微分得到梯度下降方向,作为计算rx、ry、ce的值的依据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010354854.5A CN111627069B (zh) | 2020-04-29 | 2020-04-29 | 圆点检测方法、终端和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010354854.5A CN111627069B (zh) | 2020-04-29 | 2020-04-29 | 圆点检测方法、终端和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111627069A CN111627069A (zh) | 2020-09-04 |
CN111627069B true CN111627069B (zh) | 2023-05-05 |
Family
ID=72271669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010354854.5A Active CN111627069B (zh) | 2020-04-29 | 2020-04-29 | 圆点检测方法、终端和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111627069B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102355A (zh) * | 2020-09-25 | 2020-12-18 | 江苏瑞尔医疗科技有限公司 | 平板探测器的低对比度分辨率的识别方法、设备、存储介质及系统 |
CN113822950B (zh) * | 2021-11-22 | 2022-02-25 | 天远三维(天津)科技有限公司 | 标定板的标定点分布确定方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516325A (zh) * | 2017-08-22 | 2017-12-26 | 上海理工大学 | 基于亚像素边缘的圆心检测方法 |
CN110634146A (zh) * | 2019-08-30 | 2019-12-31 | 广东奥普特科技股份有限公司 | 一种圆心亚像素精度定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648201A (zh) * | 2018-05-14 | 2018-10-12 | 京东方科技集团股份有限公司 | 瞳孔定位方法及装置、存储介质、电子设备 |
-
2020
- 2020-04-29 CN CN202010354854.5A patent/CN111627069B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516325A (zh) * | 2017-08-22 | 2017-12-26 | 上海理工大学 | 基于亚像素边缘的圆心检测方法 |
CN110634146A (zh) * | 2019-08-30 | 2019-12-31 | 广东奥普特科技股份有限公司 | 一种圆心亚像素精度定位方法 |
Non-Patent Citations (1)
Title |
---|
谢超 ; 谢明红 ; .应用局部自适应阈值方法检测圆形标志点.华侨大学学报(自然科学版).2016,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111627069A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN110147744B (zh) | 一种人脸图像质量评估方法、装置及终端 | |
CN109977949B (zh) | 边框微调的文本定位方法、装置、计算机设备及存储介质 | |
CN110866871A (zh) | 文本图像矫正方法、装置、计算机设备及存储介质 | |
CN111627069B (zh) | 圆点检测方法、终端和计算机可读存储介质 | |
CN111274943B (zh) | 一种检测方法、装置、电子设备及存储介质 | |
CN110400278B (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
CN111144213B (zh) | 一种对象检测方法和相关设备 | |
JP2008021175A (ja) | カーネル関数値を用いた、画像の平均値シフトによるフィルタリングとクラスタリング及び領域フィッティングの方法及び装置 | |
KR20020077685A (ko) | 동심원 패턴을 이용한 카메라 내부변수 보정시스템 및카메라 보정방법 | |
CN113362363B (zh) | 一种基于视觉slam的图像自动标注方法、装置及存储介质 | |
CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及系统 | |
CN110472640B (zh) | 一种目标检测模型预测框处理方法及装置 | |
CN109190452A (zh) | 作物行识别方法及装置 | |
CN111080542A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN111445540B (zh) | 一种用于rgb有色三维点云的自动配准方法 | |
CN111461177B (zh) | 一种图像的识别方法及装置 | |
JP3251840B2 (ja) | 画像認識装置 | |
CN113537154B (zh) | 无人机建筑航拍图神经网络自动校色方法 | |
CN111667429B (zh) | 一种巡检机器人目标定位校正方法 | |
CN114842057A (zh) | 距离信息补全方法、设备、存储介质和计算机程序产品 | |
CN113160284B (zh) | 一种基于局部相似结构约束的引导性空间一致光伏图像配准方法 | |
CN112184797B (zh) | 一种千克组砝码关键部位空间定位方法 | |
CN117649367B (zh) | 一种图像方位的校正方法及系统 | |
CN112257705B (zh) | 一种用于识别图片文字内容的方法 |
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 |