CN111681256B - 图像边缘检测方法、装置、计算机设备和可读存储介质 - Google Patents
图像边缘检测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111681256B CN111681256B CN202010377700.8A CN202010377700A CN111681256B CN 111681256 B CN111681256 B CN 111681256B CN 202010377700 A CN202010377700 A CN 202010377700A CN 111681256 B CN111681256 B CN 111681256B
- Authority
- CN
- China
- Prior art keywords
- image
- saliency
- gray
- detection
- boundary
- 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
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Abstract
本申请涉及一种图像边缘检测方法、装置、计算机设备和可读存储介质,其中,图像边缘检测方法包括获取检测图像,并将所述检测图像转换为灰度图像;对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像;对所述显著性图像进行二值化处理,得到二值化图像;对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点。本方法在对图像进行边界跟踪之前,对图像进行有效地预处理,即对检测图像进行显著性检测来突出检测图像中的目标信息,从而可以提高图像边缘检测的鲁棒性。
Description
技术领域
本申请涉及图像处理领域,特别是涉及一种图像边缘检测方法、装置、计算机设备和可读存储介质。
背景技术
在日益发展的视频监控领域,车牌识别,道路检测等需求逐渐增多。图像边缘检测技术作为图像处理中一项关键技术,是图像分割,目标识别,尺寸测量等操作的前提,是完成车牌识别,道路检测等需求的重要基础。
目前有两种常用的图像边缘检测方法。(1)将一阶边缘检测算子和二阶边缘检测算子进行逻辑计算用于检测图像边缘。该方法虽然采用了一阶算子和二阶算子相结合的方式,但是由于算子本身的限制,对外界环境的适应性较差。(2)首先提取边界点构成边界点集合进行保存,然后根据预设条件遍历集合中的所有边界点确定图像边界。该方法如果提取的边界点不够精确,也会给后面在进行边界跟踪获取边缘时带来影响。
目前针对相关技术中图像边缘检测方法鲁棒性较差的问题,尚未提出有效的解决方案。
发明内容
本申请提供一种图像边缘检测方法、装置、计算机设备和可读存储介质,以至少解决相关技术中图像边缘检测鲁棒性差的问题。
第一方面,本申请实施例提供了一种图像边缘检测方法,所述方法包括:
获取检测图像,并将所述检测图像转换为灰度图像;
对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像;
对所述显著性图像进行二值化处理,得到二值化图像;
对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点。
在其中一些实施例中,在所述对所述灰度图像进行显著性检测之前,所述方法还包括:
通过双边滤波算法对所述灰度图像进行滤波处理。
在其中一些实施例中,所述对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像包括:
对所述灰度图像进行直方图计算,得到所述灰度图像中不同灰度值对应的像素点个数;
根据显著性计算公式、所述灰度图像中不同灰度值对应的像素点个数以及各像素点的灰度值,计算各像素点的显著性值;
根据各像素点的所述显著性值,生成所述灰度图像对应的显著性图像。
在其中一些实施例中,所述对所述显著性图像进行二值化处理包括:
通过最大类间方差算法确定第一预设阈值;
根据所述第一预设阈值对所述显著性图像中的像素灰度值进行二值化处理。
在其中一些实施例中,所述对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点包括:
对所述二值化图像进行水平投影,确定目标行;
对所述目标行进行扫描,确定初始边界点;
获取搜索起始位置以及搜索方向,并根据所述搜索起始位置和所述搜索方向,对所述初始边界点的邻域进行扫描,得到所述二值化图像的多个边界点。
在其中一些实施例中,所述对所述二值化图像进行水平投影,确定目标行包括:
计算所述二值化图像中每一行像素值的和;
将每一行所述像素值的和与第二预设阈值进行比较,确定所述目标行。
在其中一些实施例中,所述根据搜索起始位置和预设搜索方向对所述初始边界点的邻域进行扫描,得到所述二值化图像的多个边界点包括:
根据搜索起始位置和搜索方向对所述初始边界点的邻域进行扫描,确定下一边界点;
更新所述搜索起始位置和搜索方向,并利用更新后的搜索起始位置和搜索方向对所述下一边界点的邻域进行扫描,直至满足搜索结束条件。
第二方面,本申请实施例提供了一种图像边缘检测装置,所述装置包括:
图像转换模块,用于获取检测图像,并将所述检测图像转换为灰度图像;
显著性检测模块,用于对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像;
二值化处理模块,用于对所述显著性图像进行二值化处理,得到二值化图像;
边界跟踪模块,用于对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的图像边缘检测方法。
第四方面,本申请实施例提供了一种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第一方面所述的图像边缘检测方法。
相比于相关技术,本申请实施例提供的图像边缘检测方法,通过获取检测图像,并将所述检测图像转换为灰度图像;对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像;对所述显著性图像进行二值化处理,得到二值化图像;对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点,解决了图像边缘检测鲁棒性差的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一实施例提供的图像边缘检测方法的流程图;
图2为一实施例提供的对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像的流程图;
图3为一实施例提供的边界跟踪方法的流程图;
图4为一实施例提供的确定目标行的流程图;
图5为一实施例提供的D的数值所对应方向的示意图;
图6为一实施例提供的根据搜索起始位置和预设搜索方向对初始边界点的邻域进行扫描,得到二值化图像的多个边界点的流程图;
图7为一个实施例中图像边缘检测装置的结构框图;
图8为一个实施例中计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请描述的各种技术可应用于视频监控、车牌识别、流量统计、道路检测等各种应用场景中,但并不局限于上述应用场景。
图1为一实施例提供的图像边缘检测方法的流程图,如图1所示,图像边缘检测方法包括步骤110至步骤140,其中:
步骤110,获取检测图像,并将检测图像转换为灰度图像。
通过摄像机采集检测图像,检测图像通常是彩色图像,将检测图像转换为灰度图像就是根据检测图像各个通道的采样值进行加权平均。考虑到人眼的生理特点,将检测图像转换为灰度图像的公式可以如下:Gray=R×0.299+G×0.587+B×0.114。
步骤120,对灰度图像进行显著性检测,得到灰度图像对应的显著性图像。
对灰度图像进行显著性检测是为了突出检测图像中的目标信息,从而可以减小外部环境的影响,增强边缘检测方法的鲁棒性。
在其中一些实施例中,对灰度图像进行显著性检测,得到灰度图像对应的显著性图像包括步骤121至步骤123,其中:
步骤121,对灰度图像进行直方图计算,得到灰度图像中不同灰度值对应的像素点个数;
步骤122,根据显著性计算公式、灰度图像中不同灰度值对应的像素点个数以及各像素点的灰度值,计算各像素点的显著性值;
步骤123,根据各像素点的显著性值,生成灰度图像对应的显著性图像。
具体地,首先对灰度图像进行直方图计算,统计出灰度值为0-255的像素点个数并分别计作:N0、N1、N2…N255。遍历每一个像素点,计算每个像素点的显著性值S(Ik),计算公式如公式(1)所示:
其中,Ik表示遍历到的像素点的灰度值,Nn表示灰度值为n的像素点个数,PIk-nP为数值Ik与n之间的距离。根据每个像素点对应的显著性值可生成显著性图像。
可以理解的是,由于在计算显著性值时是累加操作,从而导致显著性值大于255,因此需要对显著性图作[0,255]的归一化处理。归一化处理的公式如下:
其中,Smax和Smin分别表示显著性图中的最大显著性值和最小显著性值,S1(Ik)和S2(Ik)分别表示归一化前后的显著性值。
步骤130,对显著性图像进行二值化处理,得到二值化图像。
为了下一步的图像边界跟踪步骤更加方便,需要对显著性图像进行二值化处理。二值化处理是利用阈值T来对图像像素灰度值进行重新赋值操作。
在其中一些实施例中,对显著性图像进行二值化处理包括:
通过最大类间方差算法确定第一预设阈值;
根据第一预设阈值对显著性图像中的像素灰度值进行二值化处理。
对于第一预设阈值的确定,本方案通过最大类间方差法来完成,该方法能够根据环境变化自适应调整第一预设阈值的值。具体地,通过公式(3)从0-255中选取使得类间方差g最大的值作为第一预设阈值。在公式(3)中M、N分别表示图像宽和高的像素点数,N1、N2分别表示灰度值小于和大于待选阈值的像素个数,u1是该N1个像素点的平均灰度值,u2是该N2个像素点的平均灰度值。
在确定好第一预设阈值后,根据第一预设阈值对显著性图像中的像素灰度值进行二值化处理。二值化处理通过公式(4)进行操作:
最终将显著性图像转换为二值化图像,二值化图像及图像中的像素值只有0和1两种数值。
步骤140,对二值化图像进行边界跟踪,得到二值化图像中的多个边界点。
边界跟踪是指通过轮廓跟踪算法不断寻找二值化图像中的边界点,以找到二值化图像中的多个边界点,并将获取的多个边界点作为检测图像的边缘信息。
本实施例提供的图像边缘检测方法,包括获取检测图像,并将检测图像转换为灰度图像;对灰度图像进行显著性检测,得到灰度图像对应的显著性图像;对显著性图像进行二值化处理,得到二值化图像;对二值化图像进行边界跟踪,得到二值化图像中的多个边界点。本方法在对图像进行边界跟踪之前,对图像进行有效地预处理,即对检测图像进行显著性检测来突出检测图像中的目标信息,从而可以提高图像边缘检测的鲁棒性。
在其中一些实施例中,在对灰度图像进行显著性检测之前,图形边缘检测方法还包括:通过双边滤波算法对灰度图像进行滤波处理。
为了尽可能多的去除灰度图像中的噪点,减少后续处理的干扰,本申请对灰度图像进行滤波处理。常用的滤波方法有中值滤波、均值滤波、高斯滤波以及双边滤波。本实施例采用双边滤波对灰度图像进行滤波处理。双边滤波算法对边缘信息保护较好,从而可以实现保护边缘信息的同时减少噪点的干扰。双边滤波的表示方法如公式(5)所示。其中,g(i,j)为双边滤波之后的灰度值,(i,j)为滤波模板中心坐标值,f(i,j)为模板中心点灰度值,(k,l)为模板中除中心点外的其它点的坐标值,f(k,l)为模板中除中心点外的灰度值,σd,σr为高斯函数的标准差。
在其中一些实施例中,如图3所示,对二值化图像进行边界跟踪,得到二值化图像中的多个边界点包括步骤310至步骤330,其中:
步骤310,对二值化图像进行水平投影,确定目标行;
在其中一些实施例中,如图4所示,步骤310具体包括步骤311和步骤312,其中:
步骤311,计算二值化图像中每一行像素值的和。
步骤312,将每一行像素值的和与第二预设阈值进行比较,确定目标行。
由于目标位置不确定,并且二值化图像中会存在着一些小的干扰点,因此如果从图像第一个点就开始进行扫描,会对一些小的干扰点进行跟踪处理,从而影响到处理的效率。本实施例使用水平投影法首先对二值化图像中每行的像素值进行求和,由于是二值化图像,所以所求和即为像素值为1的像素个数。可以根据目标物的大小预先设定一个阈值(第二预设阈值)与每行像素值的和进行比较,确定起始行。需要说明的是,由于该方案边界跟踪法无需固定起始点的位置,所以水平投影法具有较大的容错性。即便是跳过了目标物的第一行,使用目标物的以下任意一行均可完成正常跟踪。
本实施例采用水平投影及通过设置阈值确定搜索初始行的方法,可跳过一些干扰物,更加快速的从目标物的边界点进行搜索,提高了检测效率。
步骤320,对目标行进行扫描,确定初始边界点;
例如可以从确定的行开始从左往右扫描,找到第一个像素发生变化的点作为初始边界点p0。当然也可以从确定的行开始从右往左扫描确定初始扫描点p0。具体扫描方式本实施例不作具体限定。
步骤330,获取搜索起始位置以及搜索方向,并根据搜索起始位置和搜索方向,对初始边界点的邻域进行扫描,得到二值化图像的多个边界点。
搜索起始位置计算方式分四邻域和八邻域两种,分别如公式(6)和公式(7)所示,搜索方向可以规定为顺时针或逆时针。
D1=(D0+3)mod 4 (6)
其中,D0表示上一次搜索时的起始方向,在第一次搜索时,该值为D0=3(4领域),D0=7(8领域),D1表示该次搜索的起始方向。其中D的数值所对应的搜索方向如图5所示。本实施例中搜索的起始方向的设置是参照上一次的起始方向计算所得,从而可有效避免重复查找同一边界点的错误,同时增加了搜索的灵活性。
在其中一些实施例中,根据搜索起始位置和预设搜索方向对初始边界点的邻域进行扫描,得到二值化图像的多个边界点包括步骤610和步骤620,其中:
步骤610,根据搜索起始位置和搜索方向对初始边界点的邻域进行扫描,确定下一边界点;
步骤620,更新搜索起始位置和搜索方向,并利用更新后的搜索起始位置和搜索方向对下一边界点的邻域进行扫描,直至满足搜索结束条件。
具体地,根据搜索起始位置计算公式和搜索方向,对p0点的邻域进行扫描,找到与p0点像素值相等的点作为下一边界点p1。然后以p1作为新的搜索参考点,更新搜索起始位置和搜索方向,更新方式如公式(6)和公式(7)所示,利用更新后的搜索起始位置和搜索方向对下一边界点p1的邻域进行扫描,得出下一个边界点p2。依次以最新找到的边界点为搜索参考点,更新搜索起始位置和搜索方向,来找下一边界点,直至满足结束条件,其中所述的结束条件为当前搜索参考点pn和p1为同一点并且pn-1为p0为同一点。搜索结束后可以得出所有的边界点,分别为p0、p1、p2...pn-2。p0、p1、p2...pn-2即为检测图像的边缘信息。
本申请采用的边界跟踪方法与现有技术的边界跟踪方法相比,不用预先提取边界点构成边界点集合进行保存,这样不仅节省了内存,同时避免提取边界操作时引入的错误。另外,本方案不用对已找到的边界点进行删除操作,减少了实施的复杂性。
应该理解的是,虽然图1至图4以及图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1至图4以及图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种图像边缘检测装置,包括:图像转换模块710、显著性检测模块720、二值化处理模块730和边界跟踪模块740,其中:
图像转换模块710,用于获取检测图像,并将检测图像转换为灰度图像;
显著性检测模块720,用于对灰度图像进行显著性检测,得到灰度图像对应的显著性图像;
二值化处理模块730,用于对显著性图像进行二值化处理,得到二值化图像;
边界跟踪模块740,用于对二值化图像进行边界跟踪,得到二值化图像中的多个边界点。
本实施例提供的图像边缘检测装置,包括图像转换模块710、显著性检测模块720、二值化处理模块730和边界跟踪模块740,通过图像转换模块710获取检测图像,并将检测图像转换为灰度图像;显著性检测模块720对灰度图像进行显著性检测,得到灰度图像对应的显著性图像;二值化处理模块730对显著性图像进行二值化处理,得到二值化图像;边界跟踪模块740对二值化图像进行边界跟踪,得到二值化图像中的多个边界点。该图像边缘检测装置在对图像进行边界跟踪之前,通过显著性检测模块720对图像进行有效地预处理,即对检测图像进行显著性检测来突出检测图像中的目标信息,从而可以提高图像边缘检测的鲁棒性。
在其中一些实施例中,图像边缘检测装置还包括滤波处理模块,用于:通过双边滤波算法对灰度图像进行滤波处理。
在其中一些实施例中,显著性检测模块720还用于:对灰度图像进行直方图计算,得到灰度图像中不同灰度值对应的像素点个数;
根据显著性计算公式、灰度图像中不同灰度值对应的像素点个数以及各像素点的灰度值,计算各像素点的显著性值;
根据各像素点的显著性值,生成灰度图像对应的显著性图像。
在其中一些实施例中,二值化处理模块730还用于:通过最大类间方差算法确定第一预设阈值;
根据第一预设阈值对显著性图像中的像素灰度值进行二值化处理。
在其中一些实施例中,边界跟踪模块740还用于:对二值化图像进行水平投影,确定目标行;
对目标行进行扫描,确定初始边界点;
获取搜索起始位置以及搜索方向,并根据搜索起始位置和搜索方向,对初始边界点的邻域进行扫描,得到二值化图像的多个边界点。
在其中一些实施例中,边界跟踪模块740还用于:计算二值化图像中每一行像素值的和;
将每一行像素值的和与第二预设阈值进行比较,确定目标行。
在其中一些实施例中,边界跟踪模块740还用于:根据搜索起始位置和搜索方向对初始边界点的邻域进行扫描,确定下一边界点;
更新搜索起始位置和搜索方向,并利用更新后的搜索起始位置和搜索方向对下一边界点的邻域进行扫描,直至满足搜索结束条件。
关于图像边缘检测装置的具体限定可以参见上文中对于图像边缘检测方法的限定,在此不再赘述。上述图像边缘检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
另外,结合图1描述的本申请实施例图像边缘检测方法可以由计算机设备来实现。图8为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。
具体地,上述处理器81可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器82可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器82可在数据处理装置的内部或外部。在特定实施例中,存储器82是非易失性(Non-Volatile)存储器。在特定实施例中,存储器82包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器82所执行的可能的计算机程序指令。
处理器81通过读取并执行存储器82中存储的计算机程序指令,以实现上述实施例中的任意一种图像边缘检测方法。
在其中一些实施例中,计算机设备还可包括通信接口83和总线80。其中,如图8所示,处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。
通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线80包括硬件、软件或两者,将。。。设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线80可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机设备设备可以基于获取到的程序指令,执行本申请实施例中的图像边缘检测方法,从而实现结合图1描述的图像边缘检测方法。
另外,结合上述实施例中的图像边缘检测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种图像边缘检测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种图像边缘检测方法,其特征在于,所述方法包括:
获取检测图像,并将所述检测图像转换为灰度图像;
对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像;
对所述显著性图像进行二值化处理,得到二值化图像;
对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点;
所述对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像包括:
对所述灰度图像进行直方图计算,得到所述灰度图像中不同灰度值对应的像素点个数;
根据显著性计算公式、所述灰度图像中不同灰度值对应的像素点个数以及各像素点的灰度值,计算各像素点的显著性值;
根据各像素点的所述显著性值,生成所述灰度图像对应的显著性图像。
2.根据权利要求1所述的方法,其特征在于,在所述对所述灰度图像进行显著性检测之前,所述方法还包括:
通过双边滤波算法对所述灰度图像进行滤波处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述显著性图像进行二值化处理包括:
通过最大类间方差算法确定第一预设阈值;
根据所述第一预设阈值对所述显著性图像中的像素灰度值进行二值化处理。
4.根据权利要求1所述的方法,其特征在于,所述对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点包括:
对所述二值化图像进行水平投影,确定目标行;
对所述目标行进行扫描,确定初始边界点;
获取搜索起始位置以及搜索方向,并根据所述搜索起始位置和所述搜索方向,对所述初始边界点的邻域进行扫描,得到所述二值化图像的多个边界点。
5.根据权利要求4所述的方法,其特征在于,所述对所述二值化图像进行水平投影,确定目标行包括:
计算所述二值化图像中每一行像素值的和;
将每一行所述像素值的和与第二预设阈值进行比较,确定所述目标行。
6.根据权利要求4所述的方法,其特征在于,所述根据搜索起始位置和预设搜索方向对所述初始边界点的邻域进行扫描,得到所述二值化图像的多个边界点包括:
根据搜索起始位置和搜索方向对所述初始边界点的邻域进行扫描,确定下一边界点;
更新所述搜索起始位置和搜索方向,并利用更新后的搜索起始位置和搜索方向对所述下一边界点的邻域进行扫描,直至满足搜索结束条件。
7.一种图像边缘检测装置,其特征在于,所述装置包括:
图像转换模块,用于获取检测图像,并将所述检测图像转换为灰度图像;
显著性检测模块,用于对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像;
二值化处理模块,用于对所述显著性图像进行二值化处理,得到二值化图像;
边界跟踪模块,用于对所述二值化图像进行边界跟踪,得到所述二值化图像中的多个边界点;
所述对所述灰度图像进行显著性检测,得到所述灰度图像对应的显著性图像包括:
对所述灰度图像进行直方图计算,得到所述灰度图像中不同灰度值对应的像素点个数;
根据显著性计算公式、所述灰度图像中不同灰度值对应的像素点个数以及各像素点的灰度值,计算各像素点的显著性值;
根据各像素点的所述显著性值,生成所述灰度图像对应的显著性图像。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377700.8A CN111681256B (zh) | 2020-05-07 | 2020-05-07 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377700.8A CN111681256B (zh) | 2020-05-07 | 2020-05-07 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681256A CN111681256A (zh) | 2020-09-18 |
CN111681256B true CN111681256B (zh) | 2023-08-18 |
Family
ID=72452297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377700.8A Active CN111681256B (zh) | 2020-05-07 | 2020-05-07 | 图像边缘检测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681256B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258531A (zh) * | 2020-10-20 | 2021-01-22 | 广东博智林机器人有限公司 | 图像中最小独立轮廓分割提取方法、装置以及计算机设备 |
CN112465850A (zh) * | 2020-12-08 | 2021-03-09 | 中国科学院计算技术研究所数字经济产业研究院 | 外围边界建模方法、智能监控方法及装置 |
CN113034527B (zh) * | 2021-03-30 | 2022-05-03 | 长江存储科技有限责任公司 | 边界检测方法及相关产品 |
CN113034481A (zh) * | 2021-04-02 | 2021-06-25 | 广州绿怡信息科技有限公司 | 设备图像模糊检测方法及装置 |
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 |
CN113256700B (zh) * | 2021-05-26 | 2023-05-23 | 长江存储科技有限责任公司 | 图层厚度检测方法及装置、电子设备、可读存储介质 |
CN113870233B (zh) * | 2021-09-30 | 2022-07-15 | 常州市宏发纵横新材料科技股份有限公司 | 一种捆绑纱检测方法、计算机设备及存储介质 |
CN114119427B (zh) * | 2022-01-28 | 2022-05-27 | 深圳市明源云科技有限公司 | 图片转换方法、装置、设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246544A (zh) * | 2008-01-24 | 2008-08-20 | 电子科技大学中山学院 | 一种基于边界点搜索和susan边缘检测的虹膜定位方法 |
CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
CN107220988A (zh) * | 2017-04-30 | 2017-09-29 | 南京理工大学 | 基于改进canny算子的零部件图像边缘提取方法 |
CN107563994A (zh) * | 2017-08-08 | 2018-01-09 | 北京小米移动软件有限公司 | 图像的显著性检测方法及装置 |
CN108389215A (zh) * | 2018-03-15 | 2018-08-10 | 京东方科技集团股份有限公司 | 一种边缘检测方法、装置、计算机存储介质及终端 |
CN108537239A (zh) * | 2018-04-18 | 2018-09-14 | 西南科技大学 | 一种图像显著性目标检测的方法 |
CN108665443A (zh) * | 2018-04-11 | 2018-10-16 | 中国石油大学(北京) | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
CN108960247A (zh) * | 2017-05-22 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 图像显著性检测方法、装置以及电子设备 |
WO2020043178A1 (zh) * | 2018-08-30 | 2020-03-05 | 深圳市前海安测信息技术有限公司 | 基于舌体轮廓线的舌体齿痕识别装置及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8041139B2 (en) * | 2008-09-05 | 2011-10-18 | The Neat Company, Inc. | Method and apparatus for calculating the background color of an image |
ES2680678T3 (es) * | 2014-06-30 | 2018-09-10 | Ventana Medical Systems, Inc. | Detección de los bordes de un núcleo usando análisis de imágenes |
CN109785347A (zh) * | 2018-04-27 | 2019-05-21 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理系统及存储介质 |
-
2020
- 2020-05-07 CN CN202010377700.8A patent/CN111681256B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246544A (zh) * | 2008-01-24 | 2008-08-20 | 电子科技大学中山学院 | 一种基于边界点搜索和susan边缘检测的虹膜定位方法 |
CN102509290A (zh) * | 2011-10-25 | 2012-06-20 | 西安电子科技大学 | 基于显著性的sar图像机场跑道边缘检测方法 |
CN107220988A (zh) * | 2017-04-30 | 2017-09-29 | 南京理工大学 | 基于改进canny算子的零部件图像边缘提取方法 |
CN108960247A (zh) * | 2017-05-22 | 2018-12-07 | 阿里巴巴集团控股有限公司 | 图像显著性检测方法、装置以及电子设备 |
CN107563994A (zh) * | 2017-08-08 | 2018-01-09 | 北京小米移动软件有限公司 | 图像的显著性检测方法及装置 |
CN108389215A (zh) * | 2018-03-15 | 2018-08-10 | 京东方科技集团股份有限公司 | 一种边缘检测方法、装置、计算机存储介质及终端 |
CN108665443A (zh) * | 2018-04-11 | 2018-10-16 | 中国石油大学(北京) | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
CN108537239A (zh) * | 2018-04-18 | 2018-09-14 | 西南科技大学 | 一种图像显著性目标检测的方法 |
WO2020043178A1 (zh) * | 2018-08-30 | 2020-03-05 | 深圳市前海安测信息技术有限公司 | 基于舌体轮廓线的舌体齿痕识别装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111681256A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681256B (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111369545B (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
CN111611863B (zh) | 车牌图像质量评价方法、装置以及计算机设备 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN109978903B (zh) | 一种标识点识别方法、装置、电子设备及存储介质 | |
CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
JP2014228940A (ja) | 画像処理方法、画像処理装置および画像処理プログラム | |
CN110765940A (zh) | 目标对象统计方法和装置 | |
US20230069608A1 (en) | Object Tracking Apparatus and Method | |
CN115493612A (zh) | 一种基于视觉slam的车辆定位方法及装置 | |
CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
CN112950709B (zh) | 一种位姿预测方法、位姿预测装置及机器人 | |
CN112819859B (zh) | 一种应用于智慧安防的多目标跟踪方法及装置 | |
CN111709377B (zh) | 特征提取方法、目标重识别方法、装置及电子设备 | |
CN111223080B (zh) | 一种晶元的检测方法和装置、电子设备、存储介质 | |
CN112837384A (zh) | 车辆标记方法、装置和电子设备 | |
CN116309562B (zh) | 一种板卡缺陷识别方法及系统 | |
CN114881908B (zh) | 一种异常像素识别方法、装置、设备以及计算机存储介质 | |
CN117094986B (zh) | 基于小样本的自适应缺陷检测方法及终端设备 | |
CN116958954B (zh) | 基于关键点与旁路矫正的车牌识别方法、装置及存储介质 |
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 |