CN111696072A - 彩色图像的直线检测方法、装置、电子设备及存储介质 - Google Patents
彩色图像的直线检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111696072A CN111696072A CN202010327974.6A CN202010327974A CN111696072A CN 111696072 A CN111696072 A CN 111696072A CN 202010327974 A CN202010327974 A CN 202010327974A CN 111696072 A CN111696072 A CN 111696072A
- Authority
- CN
- China
- Prior art keywords
- color image
- parameter
- detection
- channels
- color
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 23
- 238000002474 experimental method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/13—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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种彩色图像的直线检测方法、装置、电子设备及存储介质,其方法包括:获取彩色图像;对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像;对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间;对三个通道的正/逆参数空间分别进行融合得到彩色图像的二维正/逆参数空间;对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点;对检测峰值列表中若干参数点进行验证以完成彩色图像中直线的检测。本发明提出的直线检测方法,通过利用图像的彩色特征信息,检测出了因灰度化而丢失的直线特征,提高了直线检测的准确性、有效性和可靠性。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种彩色图像的直线检测方法、装置、电子设备及存储介质。
背景技术
直线检测是指提取图像场景中的直线特征,属于计算机视觉技术领域的基本任务。直线检测为图像配准、图像分析理解等高级图像处理任务提供了基础信息,并且在机器人导航、相机标定、遥感图像分析以及目标识别定位等领域有着广泛应用。
常用的直线检测方法包括标准霍夫变换(Standard Hough Transform,简称SHT)的直线检测方法、基于傅里叶变换的霍夫变换(Fourier-based HT,简称FHT)的直线检测方法、椭圆高斯核的霍夫变换(Elliptical-Gaussian Kernel based HT,简称KHT)的直线检测方法,以及基于漏斗变换的直线检测方法(Funnel-Transform-Based Straight LineDetection Method,简称FT-SLD)。基于SHT的直线检测方法,利用点线对偶原理将图像的直线检测问题转换为参数空间局部极大值点的搜索问题,在算法实现过程中,将参数空间ρ,θ进行量化采样构成累积单元,将图像上的点逐一映射到对应累加单元上并进行累加,累加数目大于某一阈值的累积单元所对应的参数(ρ,θ)即为相应的直线参数;基于FHT的直线检测方法,根据中心切片定理,应用二维傅里叶变换提出的一种高效快速的直线检测方法,其对输入图像进行二维傅里叶变换,然后采用双线性插值将傅里叶频谱图由x-y坐标系映射到v-φ极坐标系,然后沿着v方向进行一维逆傅里叶变换,得到参数空间λ(ρ,φ),然后通过高斯核函数进行滤波处理以增强峰值点的结构,最后作峰值检测得到相应的直线参数;基于KHT的直线检测方法,首先对图像作边缘检测并进行聚类分组,接着对每组聚类构建最佳拟合直线,然后根据拟合的不确定性计算椭圆高斯核函数的参数,并利用椭圆高斯核进行投票,最后检测参数空间的峰值点得到相应的直线参数;基于FT-SLD的直线检测方法,利用直线的斜截式方程将图像空间的直线一一映射为参数空间的局部极大值点,具体地:首先对输入图像进行适当扩充,即预处理操作,其目的是解决参数空间的峰值会发生截距模糊的问题以及简化后处理过程,然后分别采用正/逆漏斗变换处理图像,得到正/逆参数空间,最后通过采用峰值检测和直线验证等处理过程,进而确认直线参数。随着硬件设备的计算能力和存储性能的大幅度提升,以及彩色图像采集成本的降低,彩色图像已得到普遍的应用,彩色特征是图像处理的一个强有力的描绘子。
但是,但上述直线检测方法均是基于灰度图像的,其忽略了彩色图像的颜色信息,导致彩色图像经过灰度化处理后丢失一些细节结构,对于彩色图像的直线检测,检测结果正确率比较低。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种彩色图像的直线检测方法、装置、电子设备及存储介质。
本发明实施例提供了一种彩色图像的直线检测方法,包括:
获取彩色图像;
对所述彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像;
对所述三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间;
对所述三个通道的正/逆参数空间分别进行融合得到彩色图像的二维正/逆参数空间;
对所述彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,所述检测峰值列表中包括若干参数点;
对所述检测峰值列表中若干参数点进行验证以完成所述彩色图像中直线的检测。
在本发明的一个实施例中,对所述彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像,包括:
对所述彩色图像进行平滑去噪处理得到去噪后的彩色图像;
分别计算所述去噪后的彩色图像中三个通道的梯度矢量,由所述梯度矢量构成雅可比矩阵,并对所述雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合;
对所述三个通道的彩色图像边缘梯度像素集合进行筛选得到所述三个通道的彩色边缘图像。
在本发明的一个实施例中,对所述三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间,包括:
对所述三个通道的彩色边缘图像分别进行正漏斗变换得到三个通道的正参数空间;
对所述三个通道的彩色边缘图像分别进行逆漏斗变换得到三个通道的逆参数空间。
在本发明的一个实施例中,对所述三个通道的正/逆参数空间分别进行融合得到彩色图像的二维正/逆参数空间,包括:
采用向量二范数融合算子对所述三个通道的正参数空间分别进行融合得到彩色图像的二维正参数空间;
采用所述向量二范数融合算子对所述三个通道的逆参数空间分别进行融合得到彩色图像的二维逆参数空间。
在本发明的一个实施例中,对所述彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,所述检测峰值列表中包括若干参数点,包括:
将所述彩色图像的二维正/逆参数空间中所有参数点进行降序排序得到候选峰值列表;
构建一状态矩阵,根据所述状态矩阵标记所述候选峰值列表中参数点的访问情况得到所述检测峰值列表。
在本发明的一个实施例中,根据所述状态矩阵标记所述候选峰值列表中参数点的访问情况得到所述检测峰值列表,包括:
对所述候选峰值列表中参数点逐一进行访问;
响应于所述候选峰值列表中参数点在所述状态矩阵对应位置的预设领域内未被访问过,由未被访问过的所有参数点得到所述检测峰值列表。
在本发明的一个实施例中,对所述检测峰值列表中若干参数点进行验证以完成所述彩色图像中直线的检测,包括:
根据所述检测峰值列表中每个参数点和预设直线的关系,得到所述检测峰值列表中每个参数点对应的直线参数信息;
根据所述直线参数信息创建一预设宽度的矩形条带,所述直线参数信息对应的直线位于所述矩形条带的中间位置;
沿着预设方向对所述矩形条带内的彩色图像作一维积分得到积分结果;
根据所述积分结果判断彩色图像中真实直线的存在情况,响应于彩色图像中存在真实直线,确定所述直线参数信息对应的参数点为真峰值点并保留;
根据所述保留的真峰值点得到彩色图像中最终的检测直线以完成所述彩色图像中直线的检测。
本发明的另一个实施例提供了一种彩色图像的直线检测装置,所述装置包括:
图像获取模块,用于获取彩色图像;
第一图像检测模块,用于对所述彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像;
第一图像处理模块,用于对所述三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间;
第二图像处理模块,用于对所述三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间;
第二图像检测模块,用于对所述彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,所述检测峰值列表中包括若干参数点;
图像验证模块,用于对所述检测峰值列表中若干参数点进行验证处理以完成所述彩色图像中直线的检测。
本发明的再一个实施例提供了一种彩色图像的直线检测电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存放的所述计算机程序时,实现上述任一所述的彩色图像的直线检测方法。
本发明的又一个实施例提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的彩色图像的直线检测方法。
与现有技术相比,本发明的有益效果:
本发明提出的彩色图像的直线检测方法,通过利用图像的彩色特征信息,检测出了因灰度化而丢失的直线特征,从而有效地检测出了彩色图像的场景细节,进而提高了直线检测的准确性、有效性和可靠性,成功将直线检测方法扩展并应用于彩色图像。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种彩色图像的直线检测方法的流程示意图;
图2是本发明实施例提供的示例模拟彩色图像的示意图;
图3是本发明实施例提供的基于FT-SLD方法对模拟彩色图像的直线检测结果;
图4是本发明实施例提供的一种彩色图像的直线检测方法对模拟彩色图像的直线检测结果;
图5是本发明实施例提供的示例第一自然彩色图像的示意图;
图6是本发明实施例提供的基于FT-SLD方法对第一自然彩色图像的直线检测结果示意图;
图7是本发明实施例提供的一种彩色图像的直线检测方法对第一自然彩色图像的直线检测结果示意图;
图8是本发明实施例提供的示例第二自然彩色图像的示意图;
图9是本发明实施例提供的基于FT-SLD方法对第二自然彩色图像的直线检测结果示意图;
图10是本发明实施例提供的一种彩色图像的直线检测方法对第二自然彩色图像的直线检测结果示意图;
图11是本发明实施例提供的在YorkUrbanDB test数据集上FT-SLD方法与本申请的Precision-Recall性能曲线示意图;
图12是本发明实施例提供的一种彩色图像的直线检测装置的结构示意图;
图13是本发明实施例提供的一种彩色图像的直线检测电子设备的结构示意图;
图14是本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
为了将直线检测方法扩展应用于彩色图像,有效利用图像的彩色信息,实现彩色图像的直线检测,请参见图1,图1是本发明实施例提供的一种彩色图像的直线检测方法的流程示意图,本实施例提供了一种彩色图像的直线检测方法,该彩色图像的直线检测方法包括以下步骤:
步骤1、获取彩色图像。
具体而言,本实施例获取彩色图像,彩色图像比如可以为YorkUrbanDB数据集中的彩色图像,将彩色图像看作二维的矢量值函数,彩色图像的任一像素坐标为(x,y),则彩色图像可记为I(x,y)=[IR(x,y) IG(x,y) IB(x,y)]T,其中,矢量分量IR(x,y)、IG(x,y)和IB(x,y)分别表示彩色图像在R(红)、G(绿)、B(蓝)三个通道的RGB像素值。
步骤2、对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像。
具体而言,本实施例对输入的彩色图像Ι进行彩色图像边缘检测得到相应的三个通道的彩色边缘图像,即首先对输入的彩色图像Ι进行平滑去噪处理得到去噪后的彩色图像;然后分别计算去噪后的彩色图像中三个通道的梯度矢量,由这些梯度矢量构成雅可比矩阵,并对雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合;对三个通道的彩色图像边缘梯度像素集合进行筛选得到三个通道的彩色边缘图像。本实施例采用彩色Canny边缘检测算法(Color Canny Edge Detection)对彩色图像进行边缘提取,也可采用其他彩色边缘检测算法提取彩色图像的边缘信息。本实施例步骤2具体可以包括步骤2.1、步骤2.2、步骤2.3:
步骤2.1、对彩色图像进行平滑去噪处理得到去噪后的彩色图像。
具体而言,本实施例根据一维高斯核函数g(t)构建预设尺寸的一维高斯模板,一维高斯模板的预设尺寸具体根据实际需要而设置,本实施例优选预设尺寸为1*7,以一维高斯模板分别沿着彩色图像的x,y方向进行平滑处理,目的是去除彩色图像中的噪声影响。
步骤2.2、分别计算去噪后的彩色图像中三个通道的梯度矢量,由梯度矢量构成雅可比矩阵,并对雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合。
具体而言,本实施例通过二维高斯核函数关于x,y的一阶偏导数,即g′x(x,y)和g′y(x,y),计算去噪后的彩色图像中三个通道上各矢量分量关于x,y方向的梯度矢量,由这些梯度矢量构成了雅可比矩阵J(x,y),并将雅可比矩阵J(x,y)中各矢量分量在x,y方向的梯度值通过欧式范数即GradR=sqrt((▽xIR)2+(▽yIR)2)进行融合,得到三个通道的彩色图像边缘梯度像素集合(即包含彩色图像三通道的梯度信息),然后对三个通道的彩色图像边缘梯度像素集合中的梯度值进行归一化处理,使其边缘梯度值在[0,1]范围内。
其中,具体地二维高斯核函数可以为:去噪后的彩色图像的任一像素坐标为(x,y),σ表示高斯核函数的尺度参数;二维高斯核函数分别关于x,y的一阶偏导数为:和将去噪后的彩色图像中三个通道上各矢量分量的梯度矢量构成雅可比矩阵,并将雅可比矩阵中各矢量分量在x,y方向的梯度值通过欧式范数进行融合得到得到三个通道的彩色图像边缘梯度像素集合,具体可以表示为:
其中,▽表示微分算子,用于求梯度值,比如▽xIR(x,y)表示彩色图像的R通道分量沿着x方向求梯度值。
步骤2.3、对三个通道的彩色图像边缘梯度像素集合进行筛选得到三个通道的彩色边缘图像。
具体而言,本实施例采用非极大值抑制和双阈值检测法对三个通道的彩色图像边缘梯度像素集合进行筛选处理,具体地,首先通过线性插值获得邻近像素的梯度,并采用非极大值抑制法根据邻近像素的梯度值判断当前像素的梯度是否满足局部极大值点的条件,若当前像素的梯度小于邻近像素,即不满足就丢弃,若当前像素的梯度大于等于邻近像素,即满足并加入到候选边缘像素集合中,接着采用双阈值检测法对候选边缘像素集合进行处理,将大于高阈值的边缘点设为强边缘点,舍弃小于低阈值的边缘点,并判断高低阈值之间的边缘点在八领域内是否存在强边缘点,若存在将其设为边缘点,从而获得三个通道的彩色边缘图像。其中,双阈值检测法中的高阈值和低阈值可以通过实际需要进行设置,本实施例采用默认值。
步骤3、对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间。
具体而言,本实施例对步骤2得到的三个通道的彩色边缘图像分别进行正/逆漏斗变换(Funnel Transform,简称FT),将彩色图像的直线检测问题简化为局部极大值点的搜索问题,从而获得相应的三个通道的正/逆参数空间。本实施例步骤3具体可以包括步骤3.1、步骤3.2:
步骤3.1、对三个通道的彩色边缘图像分别进行正漏斗变换得到三个通道的正参数空间。
具体而言,本实施例将彩色边缘图像记为I(x,y),对彩色边缘图像I(x,y)进行(正)漏斗变换,具体地,将三个通道的彩色边缘图像I(x,y)分别沿着y方向作一维傅里叶变换,得到图像然后对图像进行非线性变量压缩变换(NonlinearVariable-Metric Transform,检测NVMT)操作,使x′=(ω2/ωmax)x,得到变尺度图像以消除变量之间的耦合关系,接着沿着变尺度图像的x′方向作一维逆傅里叶变换,得到图像最后沿着图像的ω2方向作一维逆傅里叶变换,得到三个通道的ω1-y正参数空间正参数空间ω1-y可以表示为:
步骤3.2、对三个通道的彩色边缘图像分别进行逆漏斗变换得到三个通道的逆参数空间。
具体而言,同正漏斗变换,将彩色边缘图像记为I(x,y),对彩色边缘图像I(x,y)进行逆漏斗变换,具体地,将三个通道的彩色边缘图像I(x,y)分别沿着x方向作一维傅里叶变换,得到图像然后通过NVMT将图像的y坐标进行变换,即y′=(ω1/ωmax)y,记为变尺度图像接着沿着图像的y′方向作一维傅里叶变换,获得图像最后沿着图像的ω1方向作一维逆傅里叶变换,获得三个通道的x-ω2参数空间逆参数空间可以表示为:
步骤4、对三个通道的正/逆参数空间分别进行融合得到彩色图像的二维正/逆参数空间。
具体而言,为了简化了计算的复杂度,步骤4具体可以包括步骤4.1、步骤4.2:
步骤4.1、采用向量二范数融合算子对三个通道的正参数空间分别进行融合得到彩色图像的二维正参数空间。
具体而言,本实施例采用向量二范数融合算子(也称为L2范数或欧氏范数),将三个通道的正参数空间中的参数点进行融合,得到彩色图像的二维正参数空间,具体地,令彩色图像的正参数空间为pt=(ω1,y),那么采用向量二范数融合算子融合后的彩色图像的二维正参数空间可以表示为:
步骤4.2、采用向量二范数融合算子对三个通道的逆参数空间分别进行融合得到彩色图像的二维逆参数空间。
具体而言,同步骤4.1,本实施例采用向量二范数融合算子,将三个通道的逆参数空间中的参数点进行融合得到彩色图像的二维逆参数空间,具体地,令彩色图像的逆参数空间为p′t=(x,ω2),那么采用向量二范数融合算子融合后的彩色图像的二维逆参数空间可以表示为:
步骤5、对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点。
具体而言,本实施例将彩色图像的正参数空间和彩色图像的逆参数空间中的参数点按照参数点的幅值进行降序排序,从而构建得到一降序的候选峰值列表,同时,创建一状态矩阵,该状态矩阵用于标记对应彩色图像的二维正/逆参数空间的参数点是否被访问过,根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表,具体地,对候选峰值列表的参数点进行逐一访问,判断当前参数点在状态矩阵对应位置的预设邻域内是否被访问过,若当前候选峰值列表中参数点在状态矩阵对应位置的预设领域内未被访问过,将当前参数点加入到检测峰值列表,并在状态矩阵中进行标记,若当前候选峰值列表中参数点在状态矩阵对应位置的预设领域内被访问过,则表示当前参数点不是局部极大值,不需要加入到检测峰值列表中,只需要在状态矩阵中做标记。接着访问候峰值选列表的下一参数点,重复此过程,最后检测峰值列表中包含了彩色图像中检测到的所有参数点,每个参数点对应一直线参数信息,该直线参数信息包括斜率和截距。其中,本实施例预设领域优选为3×3,若图像场景较为复杂,或图像受噪声干扰较为严重时,可适当增大预设邻域范围的尺寸大小。
步骤6、对检测峰值列表中若干参数点进行验证以完成彩色图像中直线的检测。
具体而言,本实施例在直线验证过程中,只需要对检测峰值列表中的参数点进行一一验证,判断真假峰值点,并去掉伪峰值点,具体地,根据检测峰值列表中每个参数点和预设直线的关系,得到检测峰值列表中每个参数点对应的直线参数信息,然后根据当前参数点的直线参数信息,在彩色图像上创建一预设宽度的矩形条带,该直线参数信息对应的直线位于该矩形条带的中间位置,沿着预设方向(本实施例取矩形条带的长度方向)对这个矩形条带内的彩色图像作一维积分得到积分结果,接着根据积分结果判断彩色图像中是否存在一条真实的直线,若彩色图像中不存在这样一条真实的直线,则将当前参数点标记为伪峰值点,去除该参数点的直线参数信息,若彩色图像中存在这样真实的直线,则确定直线参数信息对应的参数点为真峰值点,标记为真峰值点并保留;重复上述过程判断检测峰值列表中每个参数点对应的直线参数信息是否在彩色图像中存在真实的直线,保留所有检测到的真峰值点并标记,由这些保留的真峰值点对应的直线参数信息得到彩色图像中最终的检测直线以完成彩色图像中直线的检测。其中,对于斜率k∈(-1,1]区间的预设直线,假定与之对应的参数点在二维正参数空间内的坐标为(m,n),并且检测的彩色图像的尺寸为M×N,那么该类参数点的对应的直线参数信息——斜率k和y方向-截距by分别为:同理,对于逆斜率1/k∈(-1,1]区间的预设直线,假定与之对应的参数点在逆参数空间内的坐标为(m,n),并且检测的彩色图像的尺寸为M×N,那么该类参数点对应的直线参数信息——逆斜率1/k和x方向-截距bx分别为:根据检测峰值列表中每个参数点与预设直线的关系,得到检测峰值列表中每个参数点对应的直线参数信息。
为了验证本申请提出的彩色图像的直线检测方法的优越性,本实施例通过以下仿真实验做进一步验证:
(1)、实验条件
实验一:请参见图2,图2是本发明实施例提供的示例模拟彩色图像的示意图,实验一对输入的模拟彩色图像进行仿真实验。其中,模拟彩色图像尺寸为900×900像素,除了右下角的色块,其他色块在灰度化后具有相同的灰度值。
实验二:请参见图5、图8,图5是本发明实施例提供的示例第一自然彩色图像的示意图,图8是本发明实施例提供的示例第二自然彩色图像的示意图,实验二对输入的第一自然彩色图像、第二自然彩色图像上分别进行仿真实验。其中,第一自然彩色图像、第二自然彩色图像的尺寸均为640×480像素,均取自YorkUrbanDB数据集。
实验三:利用经典的Precision-Recall性能曲线定量定性地评估本申请直线检测方法的性能。
(2)、实验内容
为了说明本申请的直线检测方法较其它直线检测方法的优越性,做如下三组仿真实验。
实验一:本实验采用灰度图像FT-SLD算法和本申请方法对图2所示的模拟彩色图像进行仿真实验,请参见图3、图4,图3是本发明实施例提供的基于FT-SLD方法对模拟彩色图像的直线检测结果,图4是本发明实施例提供的一种彩色图像的直线检测方法对模拟彩色图像的直线检测结果,图3、图4中灰度图像FT-LSD算法和本发明算法直观的将对模拟彩色图像的直线检测结果显示出来,作对比分析。其中,灰度图像FT-LSD算法和本申请方法的参数设置相同。
实验二:本实验采用灰度图像FT-SLD算法和本申请方法对第一自然彩色图像、第二自然啊彩色图像分别进行仿真实验,请参见图6、图7,图6是本发明实施例提供的基于FT-SLD方法对第一自然彩色图像的直线检测结果示意图,图7是本发明实施例提供的一种彩色图像的直线检测方法对第一自然彩色图像的直线检测结果示意图,图6、图7中灰度图像FT-LSD算法和本发明算法直观的将对第一自然彩色图像的直线检测结果显示出来,并作对比分析;同理,请参见图9、图10,图9是本发明实施例提供的基于FT-SLD方法对第二自然彩色图像的直线检测结果示意图,图10是本发明实施例提供的一种彩色图像的直线检测方法对第二自然彩色图像的直线检测结果示意图,图9、图10中灰度图像FT-LSD算法和本发明算法直观的将对第二自然彩色图像的直线检测结果显示出来,并作对比分析。其中,第一自然彩色图像、第二自然彩色图像均来自YorkUrbanDB数据集,而YorkUrbanDB数据集包含102幅室内室外场景图像,并随机分成了分别包括51幅图像的train和test数据集。
实验三:根据Precision-Recall性能曲线,评估和对比灰度图像FT-SLD算法和本申请方法在YorkUrbanDB test数据集上的准确率和召回率。YorkUrbanDB test数据集中每幅彩色图像均已标注出重要的真实线段(即参考直线段图),图像分辨率均为640×480。根据直线检测的评估准则,将通过真实线段两端点之间3个像素的直线认为是正确检测的直线,将检测准确率Precision定义为匹配真实线段的直线数目与检测出直线的总数目之比,将召回率Recall定义为匹配的真实线段数目与真实线段的总数目之比。考虑到单幅图像对于算法评估具有随机性,本实验采用YorkUrbanDB test数据集中51幅彩色图像的平均结果进行实验分析。在本实验中,将检测的直线数目分别设置为k=1,3,5,...,81,并在检测的直线数目为k的情况下分别计算YorkUrbanDB test数据集上51幅彩色图像的平均准确率和平均召回率。请参见图11,图11是本发明实施例提供的在YorkUrbanDB test数据集上FT-SLD方法与本申请的Precision-Recall性能曲线示意图。
(3)、实验结果分析
实验一:比较图3和图4可以发现,灰度图像FT-SLD算法仅检测出一条直线,由于该方法需要先对彩色图像作灰度化处理,使得灰度化后的图像舍弃了彩色特征,从而丢失了灰度值相同但颜色不同的色块之间存在的直线特征,出现漏检的情况;相比而言,本申请方法考虑了色块的彩色信息,正确检测出了所有色块之间存在的直线。
实验二:比较图6和图7可以发现,灰度图像FT-SLD算法和本申请方法可以检测出第一自然彩色图像中的大部分直线,但本申请方法检测出了与地面颜色相同的走道边界处的直线和颜色相近的窗户边框处存在的直线,能够更好的检测出颜色相近区域之间存在的直线结构。同样,比较图9和图10可以发现,第二自然彩色图像场景中的建筑物屋檐和支撑柱结构以及不同墙面连接处存在许多直线特征,本申请方法可以检测出更多描述场景细节结构的直线信息,能够为室内环境的定位和识别,以及建筑物的辨识和重建等相关任务提供更丰富的场景描述。因此,对于描述场景细节或者颜色相近区域之间存在的弱对比度的直线特征,本申请方法的检测性能更优。
实验三:由图11所示的Precision-Recall性能曲线示意图可知,当设定的检测直线数目k较小时,本申请方法的准确率低于灰度图像FT-LSD算法,不过随着k的增大,本申请方法的准确率和最大召回率均高于灰度图像FT-SLD算法。当k=27时,本申请方法在YorkUrbanDB test数据集上的平均准确率为0.85,比灰度图像FT-SLD算法提高了2%;当k=35时,本申请方法在YorkUrbanDB test数据集上的平均的准确率为0.82,比灰度图像FT-SLD算法高4%。本申请方法的最大召回率为0.59,而灰度图像FT-LSD算法最大召回率为0.56。较于灰度图像FT-SLD算法,本申请方法利用了图像的彩色信息,能够检测出因灰度化而丢失的直线特征,具有良好的算法性能。
综上所述,本实施例通过上述几组对比实验验证了本申请提出的彩色图像的直线检测方法,通过利用图像的彩色特征信息,检测出了因灰度化而丢失的直线特征,有效地检测出了彩色图像的场景细节,提高了直线检测的准确性、有效性和可靠性,成功将直线检测方法扩展并应用于彩色图像。
由于本申请方法需要对图像的三个彩色通道进行处理,其运行时间略高于灰度图像FT-SLD算法,不过随着目前硬件设备的计算能力和存储性能的大幅度提升,本申请方法可以在GPU处理器上并行计算提升其运行速度,并不会过多的影响算法性能。
实施例二
在上述实施例一的基础上,请参见图12,图12为本发明实施例提供的一种彩色图像的直线检测装置的结构示意图。本实施例提供了一种彩色图像的直线检测装置,该装置包括:
图像获取模块,用于获取彩色图像。
第一图像检测模块,用于对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像。
具体而言,本实施例第一图像检测模块中对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像,包括:
对彩色图像进行平滑去噪处理得到去噪后的彩色图像;
分别计算去噪后的彩色图像中三个通道的梯度矢量,由梯度矢量构成雅可比矩阵,并对雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合;
对三个通道的彩色图像边缘梯度像素集合进行筛选得到三个通道的彩色边缘图像。
第一图像处理模块,用于对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间。
具体而言,本实施例第一图像处理模块中对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间,包括:
对三个通道的彩色边缘图像分别进行正漏斗变换得到三个通道的正参数空间;
对三个通道的彩色边缘图像分别进行逆漏斗变换得到三个通道的逆参数空间。
第二图像处理模块,用于对三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间。
具体而言,本实施例第二图像处理模块中对三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间,包括:
采用向量二范数融合算子对三个通道的正参数空间分别进行融合得到彩色图像的二维正参数空间;
采用向量二范数融合算子对三个通道的逆参数空间分别进行融合得到彩色图像的二维逆参数空间。
第二图像检测模块,用于对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点。
具体而言,本实施例第二图像检测模块中对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点,包括:
将彩色图像的二维正/逆参数空间中所有参数点进行降序排序得到候选峰值列表;
构建一状态矩阵,根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表。
进一步地,本实施例根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表,包括:
对候选峰值列表中参数点逐一进行访问;
响应于候选峰值列表中参数点在状态矩阵对应位置的预设领域内未被访问过,由未被访问过的所有参数点得到检测峰值列表。
图像验证模块,用于对检测峰值列表中若干参数点进行验证处理以完成彩色图像中直线的检测。
具体而言,本实施例图像验证模块中对检测峰值列表中若干参数点进行验证处理以完成彩色图像中直线的检测,包括:
根据检测峰值列表中每个参数点和直线参数的关系,得到检测峰值列表中每个参数点对应的直线参数信息;
根据直线参数信息创建一预设宽度的矩形条带,直线参数信息对应的直线位于矩形条带的中间位置;
沿着预设方向对矩形条带内的彩色图像作一维积分得到积分结果;
根据积分结果判断彩色图像中真实直线的存在情况,响应于彩色图像中存在真实直线,确定直线参数信息对应的参数点为真峰值点并保留;
根据保留的真峰值点得到彩色图像中最终的检测直线以完成彩色图像中直线的检测。
本实施例提供的一种彩色图像的直线检测装置,可以执行上述彩色图像的直线检测方法实施例,其实现原理和技术效果类似,在此不再赘述。
实施例三
在上述实施例二的基础上,请参见图13,图13为本发明实施例提供的一种彩色图像的直线检测电子设备结构示意图。本实施例提供了一种彩色图像的直线检测电子设备,该电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的计算机程序时,该计算机程序被处理器执行时实现以下步骤:
步骤1、获取彩色图像。
步骤2、对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像。
具体而言,本实施例步骤2中对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像,包括:
对彩色图像进行平滑去噪处理得到去噪后的彩色图像;
分别计算去噪后的彩色图像中三个通道的梯度矢量,由梯度矢量构成雅可比矩阵,并对雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合;
对三个通道的彩色图像边缘梯度像素集合进行筛选得到三个通道的彩色边缘图像。
步骤3、对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间。
具体而言,本实施例步骤3中对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间,包括:
对三个通道的彩色边缘图像分别进行正漏斗变换得到三个通道的正参数空间;
对三个通道的彩色边缘图像分别进行逆漏斗变换得到三个通道的逆参数空间。
步骤4、对三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间。
具体而言,本实施例步骤4中对三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间,包括:
采用向量二范数融合算子对三个通道的正参数空间分别进行融合得到彩色图像的二维正参数空间;
采用向量二范数融合算子对三个通道的逆参数空间分别进行融合得到彩色图像的二维逆参数空间。
步骤5、对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点。
具体而言,本实施例步骤5中对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点,包括:
将彩色图像的二维正/逆参数空间中所有参数点进行降序排序得到候选峰值列表;
构建一状态矩阵,根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表。
进一步地,本实施例根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表,包括:
对候选峰值列表中参数点逐一进行访问;
响应于候选峰值列表中参数点在状态矩阵对应位置的预设领域内未被访问过,由未被访问过的所有参数点得到检测峰值列表。
步骤6、对检测峰值列表中若干参数点进行验证处理以完成彩色图像中直线的检测。
具体而言,本实施例步骤6中对检测峰值列表中若干参数点进行验证处理以完成彩色图像中直线的检测,包括:
根据检测峰值列表中每个参数点和直线参数的关系,得到检测峰值列表中每个参数点对应的直线参数信息;
根据直线参数信息创建一预设宽度的矩形条带,直线参数信息对应的直线位于矩形条带的中间位置;
沿着预设方向对矩形条带内的彩色图像作一维积分得到积分结果;
根据积分结果判断彩色图像中真实直线的存在情况,响应于彩色图像中存在真实直线,确定直线参数信息对应的参数点为真峰值点并保留;
根据保留的真峰值点得到彩色图像中最终的检测直线以完成彩色图像中直线的检测。
本实施例提供的一种彩色图像的直线检测电子设备,可以执行上述彩色图像的直线检测方法实施例和上述彩色图像的直线检测装置实施例,其实现原理和技术效果类似,在此不再赘述。
实施例四
在上述实施例三的基础上,请参见图14,图14为本发明实施例提供的一种计算机可读存储介质的结构示意图。本实施例提供的一种计算机可读存储介质,其上存储有计算机程序,上述计算机程序被处理器执行时实现以下步骤:
步骤1、获取彩色图像。
步骤2、对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像。
具体而言,本实施例步骤2中对彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像,包括:
对彩色图像进行平滑去噪处理得到去噪后的彩色图像;
分别计算去噪后的彩色图像中三个通道的梯度矢量,由梯度矢量构成雅可比矩阵,并对雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合;
对三个通道的彩色图像边缘梯度像素集合进行筛选得到三个通道的彩色边缘图像。
步骤3、对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间。
具体而言,本实施例步骤3中对三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间,包括:
对三个通道的彩色边缘图像分别进行正漏斗变换得到三个通道的正参数空间;
对三个通道的彩色边缘图像分别进行逆漏斗变换得到三个通道的逆参数空间。
步骤4、对三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间。
具体而言,本实施例步骤4中对三个通道彩色图像的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间,包括:
采用向量二范数融合算子对三个通道的正参数空间分别进行融合得到彩色图像的二维正参数空间;
采用向量二范数融合算子对三个通道的逆参数空间分别进行融合得到彩色图像的二维逆参数空间。
步骤5、对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点。
具体而言,本实施例步骤5中对彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,检测峰值列表中包括若干参数点,包括:
将彩色图像的二维正/逆参数空间中所有参数点进行降序排序得到候选峰值列表;
构建一状态矩阵,根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表。
进一步地,本实施例根据状态矩阵标记候选峰值列表中参数点的访问情况得到检测峰值列表,包括:
对候选峰值列表中参数点逐一进行访问;
响应于候选峰值列表中参数点在状态矩阵对应位置的预设领域内未被访问过,由未被访问过的所有参数点得到检测峰值列表。
步骤6、对检测峰值列表中若干参数点进行验证处理以完成彩色图像中直线的检测。
具体而言,本实施例步骤6中对检测峰值列表中若干参数点进行验证处理以完成彩色图像中直线的检测,包括:
根据检测峰值列表中每个参数点和直线参数的关系,得到检测峰值列表中每个参数点对应的直线参数信息;
根据直线参数信息创建一预设宽度的矩形条带,直线参数信息对应的直线位于矩形条带的中间位置;
沿着预设方向对矩形条带内的彩色图像作一维积分得到积分结果;
根据积分结果判断彩色图像中真实直线的存在情况,响应于彩色图像中存在真实直线,确定直线参数信息对应的参数点为真峰值点并保留;
根据保留的真峰值点得到彩色图像中最终的检测直线以完成彩色图像中直线的检测。
本实施例提供的一种计算机可读存储介质,可以执行上述彩色图像的直线检测方法实施例、上述彩色图像的直线检测装置实施例和上述彩色图像的直线检测电子设备实施例,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种彩色图像的直线检测方法,其特征在于,包括:
获取彩色图像;
对所述彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像;
对所述三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间;
对所述三个通道的正/逆参数空间分别进行融合得到彩色图像的二维正/逆参数空间;
对所述彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,所述检测峰值列表中包括若干参数点;
对所述检测峰值列表中若干参数点进行验证以完成所述彩色图像中直线的检测。
2.根据权利要求1所述的彩色图像的直线检测方法,其特征在于,对所述彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像,包括:
对所述彩色图像进行平滑去噪处理得到去噪后的彩色图像;
分别计算所述去噪后的彩色图像中三个通道的梯度矢量,由所述梯度矢量构成雅可比矩阵,并对所述雅可比矩阵进行梯度融合得到三个通道的彩色图像边缘梯度像素集合;
对所述三个通道的彩色图像边缘梯度像素集合进行筛选得到所述三个通道的彩色边缘图像。
3.根据权利要求1所述的彩色图像的直线检测方法,其特征在于,对所述三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间,包括:
对所述三个通道的彩色边缘图像分别进行正漏斗变换得到三个通道的正参数空间;
对所述三个通道的彩色边缘图像分别进行逆漏斗变换得到三个通道的逆参数空间。
4.根据权利要求1所述的彩色图像的直线检测方法,其特征在于,对所述三个通道的正/逆参数空间分别进行融合得到彩色图像的二维正/逆参数空间,包括:
采用向量二范数融合算子对所述三个通道的正参数空间分别进行融合得到彩色图像的二维正参数空间;
采用所述向量二范数融合算子对所述三个通道的逆参数空间分别进行融合得到彩色图像的二维逆参数空间。
5.根据权利要求1所述的彩色图像的直线检测方法,其特征在于,对所述彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,所述检测峰值列表中包括若干参数点,包括:
将所述彩色图像的二维正/逆参数空间中所有参数点进行降序排序得到候选峰值列表;
构建一状态矩阵,根据所述状态矩阵标记所述候选峰值列表中参数点的访问情况得到所述检测峰值列表。
6.根据权利要求5所述的彩色图像的直线检测方法,其特征在于,根据所述状态矩阵标记所述候选峰值列表中参数点的访问情况得到所述检测峰值列表,包括:
对所述候选峰值列表中参数点逐一进行访问;
响应于所述候选峰值列表中参数点在所述状态矩阵对应位置的预设领域内未被访问过,由未被访问过的所有参数点得到所述检测峰值列表。
7.根据权利要求1所述的彩色图像的直线检测方法,其特征在于,对所述检测峰值列表中若干参数点进行验证以完成所述彩色图像中直线的检测,包括:
根据所述检测峰值列表中每个参数点和预设直线的关系,得到所述检测峰值列表中每个参数点对应的直线参数信息;
根据所述直线参数信息创建一预设宽度的矩形条带,所述直线参数信息对应的直线位于所述矩形条带的中间位置;
沿着预设方向对所述矩形条带内的彩色图像作一维积分得到积分结果;
根据所述积分结果判断彩色图像中真实直线的存在情况,响应于彩色图像中存在真实直线,确定所述直线参数信息对应的参数点为真峰值点并保留;
根据所述保留的真峰值点得到彩色图像中最终的检测直线以完成所述彩色图像中直线的检测。
8.一种彩色图像的直线检测装置,其特征在于,包括:
图像获取模块,用于获取彩色图像;
第一图像检测模块,用于对所述彩色图像进行彩色图像边缘检测得到三个通道的彩色边缘图像;
第一图像处理模块,用于对所述三个通道的彩色边缘图像分别进行正/逆漏斗变换得到三个通道的正/逆参数空间;
第二图像处理模块,用于对所述三个通道的正/逆参数空间分别进行融合处理得到彩色图像的二维正/逆参数空间;
第二图像检测模块,用于对所述彩色图像的二维正/逆参数空间进行峰值点检测得到检测峰值列表,所述检测峰值列表中包括若干参数点;
图像验证模块,用于对所述检测峰值列表中若干参数点进行验证处理以完成所述彩色图像中直线的检测。
9.一种彩色图像的直线检测电子设备,其特征在于,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存放的所述计算机程序时,实现权利要求1~7任一所述的彩色图像的直线检测方法。
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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1~7任一所述的彩色图像的直线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327974.6A CN111696072B (zh) | 2020-04-23 | 2020-04-23 | 彩色图像的直线检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327974.6A CN111696072B (zh) | 2020-04-23 | 2020-04-23 | 彩色图像的直线检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696072A true CN111696072A (zh) | 2020-09-22 |
CN111696072B CN111696072B (zh) | 2023-08-08 |
Family
ID=72476614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327974.6A Active CN111696072B (zh) | 2020-04-23 | 2020-04-23 | 彩色图像的直线检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696072B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308873A (zh) * | 2020-11-09 | 2021-02-02 | 西安工程大学 | 多尺度Gabor小波PCA融合图像边缘检测方法 |
CN113409324A (zh) * | 2021-07-14 | 2021-09-17 | 清华大学深圳国际研究生院 | 一种融合微分几何信息的脑分割方法 |
CN113814367A (zh) * | 2021-09-01 | 2021-12-21 | 中冶南方工程技术有限公司 | 一种基于可见光的连铸坯智能切割定尺方法 |
CN115063414A (zh) * | 2022-08-05 | 2022-09-16 | 深圳新视智科技术有限公司 | 锂电池极片胶纸的检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050199721A1 (en) * | 2004-03-15 | 2005-09-15 | Zhiguo Chang | 2D coding and decoding barcode and its method thereof |
US20140063244A1 (en) * | 2012-08-28 | 2014-03-06 | Palo Alto Research Center Incorporated | Constrained parametric curve detection using clustering on hough curves over a sequence of images |
CN106778822A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 基于漏斗变换的图像直线检测方法 |
-
2020
- 2020-04-23 CN CN202010327974.6A patent/CN111696072B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050199721A1 (en) * | 2004-03-15 | 2005-09-15 | Zhiguo Chang | 2D coding and decoding barcode and its method thereof |
US20140063244A1 (en) * | 2012-08-28 | 2014-03-06 | Palo Alto Research Center Incorporated | Constrained parametric curve detection using clustering on hough curves over a sequence of images |
CN106778822A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 基于漏斗变换的图像直线检测方法 |
Non-Patent Citations (2)
Title |
---|
关芳芳等: "基于Canny理论的自适应阈值彩色图像边缘检测", 《机电产品开发与创新》 * |
朱亚萍等: "标签检测抗干扰数字滤波方法研究", 《传感技术学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308873A (zh) * | 2020-11-09 | 2021-02-02 | 西安工程大学 | 多尺度Gabor小波PCA融合图像边缘检测方法 |
CN112308873B (zh) * | 2020-11-09 | 2024-04-05 | 西安工程大学 | 多尺度Gabor小波PCA融合图像边缘检测方法 |
CN113409324A (zh) * | 2021-07-14 | 2021-09-17 | 清华大学深圳国际研究生院 | 一种融合微分几何信息的脑分割方法 |
CN113409324B (zh) * | 2021-07-14 | 2023-03-24 | 清华大学深圳国际研究生院 | 一种融合微分几何信息的脑分割方法 |
CN113814367A (zh) * | 2021-09-01 | 2021-12-21 | 中冶南方工程技术有限公司 | 一种基于可见光的连铸坯智能切割定尺方法 |
CN113814367B (zh) * | 2021-09-01 | 2022-12-02 | 中冶南方工程技术有限公司 | 一种基于可见光的连铸坯智能切割定尺方法 |
CN115063414A (zh) * | 2022-08-05 | 2022-09-16 | 深圳新视智科技术有限公司 | 锂电池极片胶纸的检测方法、装置、设备及存储介质 |
CN115063414B (zh) * | 2022-08-05 | 2022-12-20 | 深圳新视智科技术有限公司 | 锂电池极片胶纸的检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111696072B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN110427905B (zh) | 行人跟踪方法、装置以及终端 | |
CN111696072B (zh) | 彩色图像的直线检测方法、装置、电子设备及存储介质 | |
CN112419299B (zh) | 一种螺栓缺失检测方法、装置、设备及存储介质 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
CN109815831B (zh) | 一种车辆朝向获取方法及相关装置 | |
CN110349215B (zh) | 一种相机位姿估计方法及装置 | |
CN106373128B (zh) | 一种嘴唇精确定位的方法和系统 | |
CN107545223B (zh) | 图像识别方法及电子设备 | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN112560698A (zh) | 图像处理方法、装置、设备和介质 | |
CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
CN108875500B (zh) | 行人再识别方法、装置、系统及存储介质 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN113177941A (zh) | 一种钢卷边裂识别方法、系统、介质和终端 | |
CN106778844B (zh) | 隧道内裂缝匹配方法和系统 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位系统 | |
JP2013254242A (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
KR102256409B1 (ko) | 학습 데이터 세트를 생성하는 방법 및 학습 데이터 세트를 생성하기 위한 컴퓨터 장치 | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
CN111967460A (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN112652004B (zh) | 一种图像处理方法、装置、设备及介质 |
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 |