CN111815660B - 危化品仓库中货物边缘检测方法、装置及终端设备 - Google Patents
危化品仓库中货物边缘检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111815660B CN111815660B CN202010550449.0A CN202010550449A CN111815660B CN 111815660 B CN111815660 B CN 111815660B CN 202010550449 A CN202010550449 A CN 202010550449A CN 111815660 B CN111815660 B CN 111815660B
- Authority
- CN
- China
- Prior art keywords
- edge
- edges
- value
- goods
- points
- 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 91
- 239000000126 substance Substances 0.000 title claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 238000003708 edge detection Methods 0.000 claims abstract description 33
- 230000001629 suppression Effects 0.000 claims abstract description 18
- 239000000383 hazardous chemical Substances 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 13
- 235000002566 Capsicum Nutrition 0.000 abstract description 12
- 239000006002 Pepper Substances 0.000 abstract description 12
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 12
- 235000017804 Piper guineense Nutrition 0.000 abstract description 12
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 12
- 150000003839 salts Chemical class 0.000 abstract description 12
- 244000203593 Piper nigrum Species 0.000 abstract 1
- 241000722363 Piper Species 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种危化品仓库中货物边缘检测方法、装置及终端设备,危化品仓库中货物边缘检测方法包括采集危化品仓库中货物的第一灰度图像;对灰度图像进行自适应中值滤波,得到第二灰度图像;计算第二灰度图像的梯度幅值和方向;沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;计算候选边缘点的高阈值和低阈值;对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘。本申请可以减少椒盐噪声的干扰,去除伪边缘,提高信噪比,边缘检测效果显著提高。
Description
技术领域
本申请属于边缘检测技术领域,具体涉及一种危化品仓库中货物边缘检测方法、装置及终端设备。
背景技术
危险化学品(危化品)由于易燃烧、爆炸以及强腐蚀性,已成为严重的安全隐患。危化品安全中“五距”(跺距、墙距、柱距、灯距、梁距)的测量是保证危化品安全存储的关键,这就要求准确识别危化品堆垛或者货物的边缘轮廓信息,因此需对危化品仓库中货物进行边缘检测。
相关技术中,使用传统的Canny边缘提取算法进行危化品库房中货物边界的提取,其算法流程基本为先对图像进行高斯平滑,然后用差分卷积模板计算梯度幅值和方向,再对梯度图像进行非极大值抑制,最后进行双阈值检测和边缘连接。但是由于危化品仓库中摄像头获取的图像经常会受到大量椒盐噪声和不同光照变化的干扰。椒盐噪声是指两种噪声—盐噪声和胡椒噪声,两者是由图像传感器、传输信道、解码处理等产生的白黑相间的亮暗点噪声。传统的Canny边缘提取算法对图像噪声敏感,在复杂环境中会受椒盐噪声干扰问题影响,将一些噪声误当作边缘点检测,双阈值选取性不强、导致伪边缘很多,影响边缘提取效果,导致边缘检测的准确度较低。
发明内容
为至少在一定程度上克服相关技术中,使用传统的Canny边缘提取算法进行危化品库房中货物边界的提取,由于危化品仓库中摄像头获取的图像经常会受到大量椒盐噪声和不同光照变化的干扰,将一些噪声误当作边缘点检测,双阈值选取性不强、导致伪边缘很多,导致边缘检测的准确度较低的问题,本申请提供一种危化品仓库中货物边缘检测方法、装置及终端设备。
第一方面,本申请提供一种危化品仓库中货物边缘检测方法,包括:
采集危化品仓库中货物的第一灰度图像;
对所述第一灰度图像进行自适应中值滤波,得到第二灰度图像;
计算所述第二灰度图像的梯度幅值和方向;
沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;
计算所述候选边缘点的高阈值和低阈值;
对所述候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘。
进一步的,所述计算所述候选边缘点的高阈值,包括:
使用迭代均值法确定所述候选边缘点的高阈值。
进一步的,所述使用迭代均值法确定所述候选边缘点的高阈值,包括:
步骤1:初始化阈值为T0;
步骤2:使用Ti将全部像素值分为G1、G2两部分,小于等于T0的值为G1和大于T0的值G2,计算两部分的均值分别为m1和m2;
步骤3:用m1和m2计算新阈值
步骤4:比较T0和Ti,若|Ti-Ti-1|<ΔT,则返回Ti,即为迭代阈值;否则T0=Ti,重复步骤1-3。
进一步的,所述计算所述候选边缘点的低阈值,包括:
使用大津法确定所述候选边缘点的低阈值。
进一步的,在使用大津法确定所述候选边缘点的低阈值前,还包括:
对所述第一灰度图像进行高斯滤波。
进一步的,所述对所述候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘,包括:
将梯度幅值小于低阈值的像素点定义为弱边缘,将弱边缘排除;
将梯度幅值大于高阈值的像素点定义为强边缘,将强边缘保留为边缘像素;
将介于强边缘、弱边缘之间的像素点,使用八连通区域判定,若判定像素点在八连通区域内与任一强边缘像素点连接,则保留为边缘像素;
将边缘像素连接得到货物边缘。
进一步的,还包括:
采用峰值信噪比和信息熵共同作为评价指标对边缘检测结果进行验证,以得到真实货物边缘。
进一步的,所述对所述灰度图像进行自适应中值滤波,包括:
设Sxy为矩形窗口,Zmin为Sxy中的最小灰度值,Zmax为Sxy中的最大灰度值,Zmed为Sxy中的灰度值中值,Zxy表示坐标(x,y)处的灰度值,Smax为Sxy允许的最大窗口;
将自适应中值滤波分为A、B两个过程:
过程A,A1=Zmed-Zmin,A2=Zmed-Zmax:
如果A1>0且A2<0,则转至B;
否则,增大窗口尺寸;
如果增大后窗口尺寸≤Smax,则重复A过程;
否则,输出Zmed;
过程B,B1=Zxy-Zmin,B2=Zxy-Zmax:
如果B1>0且B2<0,则非噪点的中值为zxy;
否则非噪点的中值为Zmed。
第二方面,本申请提供一种危化品仓库中货物边缘检测装置,包括:
采集模块,用于采集危化品仓库中货物的第一灰度图像;
自适应中值滤波模块,用于对所述第一灰度图像进行自适应中值滤波,得到第二灰度图像;
第一计算模块,用于计算所述第二灰度图像的梯度幅值和方向;
非极大值抑制模块,用于沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;
第二计算模块,用于计算所述候选边缘点的高阈值和低阈值;
边缘检测模块,用于对所述候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘。
第三方面,本申请提供一种终端设备,包括:
存储器和处理器,所述存储器存储有计算机指令程序,所述计算机指令程序被所述处理器执行时,使得所述处理器执行如第一方面中任一项所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的危化品仓库中货物边缘检测方法、装置及终端设备,通过采集危化品仓库中货物的第一灰度图像,对灰度图像进行自适应中值滤波,得到第二灰度图像,计算第二灰度图像的梯度幅值和方向,沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点,计算候选边缘点的高阈值和低阈值,对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘,可以减少椒盐噪声的干扰,去除伪边缘,提高信噪比,边缘检测效果显著提高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的一种危化品仓库中货物边缘检测方法的流程图。
图2为本申请另一个实施例提供的一种危化品仓库中货物边缘检测方法的流程图。
图3为本申请另一个实施例提供的一种危化品仓库中货物边缘检测方法的流程图。
图4为本申请另一个实施例提供的一种危化品仓库中货物边缘检测方法的流程图。
图5为本申请另一个实施例提供的一种危化品仓库中货物边缘检测方法的流程图。
图6为本申请一个实施例提供的一种危化品仓库中货物边缘检测方法实验对比图。
图7为本申请一个实施例提供的另一种危化品仓库中货物边缘检测方法实验对比图。
图8为本申请一个实施例提供的另一种危化品仓库中货物边缘检测方法实验对比图。
图9为本申请一个实施例提供的一种危化品仓库中货物边缘检测装置的功能结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的危化品仓库中货物边缘检测方法的流程图,如图1所示,该危化品仓库中货物边缘检测方法包括:
S11:采集危化品仓库中货物的第一灰度图像;
S12:对第一灰度图像进行自适应中值滤波,得到第二灰度图像;
S13:计算第二灰度图像的梯度幅值和方向;
S14:沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;
S15:计算候选边缘点的高阈值和低阈值;
S16:对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘。
传统的边缘检测中,先对获取的仓库图像进行高斯平滑处理,然后用差分卷积模板计算梯度幅值和方向,再对梯度图像进行非极大值抑制,最后进行双阈值检测和边缘连接,得到货物边缘。但是由于危化品仓库中摄像头获取的图像经常会受到大量椒盐噪声和不同光照变化的干扰,将一些噪声误当作边缘点识别,并且因阈值设置的不合理而造成的虚假边缘或边缘不连续等问题,影响边缘提取效果,导致边缘检测的准确度较低。
本实施例中,通过采集危化品仓库中货物的第一灰度图像,对灰度图像进行自适应中值滤波,得到第二灰度图像,计算第二灰度图像的梯度幅值和方向,沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点,计算候选边缘点的高阈值和低阈值,对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘,可以减少椒盐噪声的干扰,去除伪边缘,提高信噪比,边缘检测效果显著提高。
本发明实施例提供另一种危化品仓库中货物边缘检测方法,如图2所示的流程图,该危化品仓库中货物边缘检测方法还包括:
使用迭代均值法确定所述候选边缘点的高阈值,具体包括:
S21:初始化阈值为T0;
S22:使用Ti将全部像素值分为G1、G2两部分,小于等于T0的值为G1和大于T0的值G2,计算两部分的均值分别为m1和m2;
S23:用m1和m2计算新阈值
S24:比较T0和Ti,若|Ti-Ti-1|<ΔT,则返回Ti,即为迭代阈值;否则T0=Ti,重复S21-S23。
需要说明的是,收敛条件决定阈值的收敛精度,影响最后得出的高阈值,△T设置过大,则迭代次数减少,速度变快,精度降低;若△T设置过小,迭代次数增加,准确度提高。因此,本领域技术人员可以根据实际需要设置收敛条件。
通过T0=Ti赋值操作,从而使T0尽量靠近中间的像素,可以有效减少迭代次数。
对于前后景差异较大的特定图像,微小的数据变化会引起阈值选取乃至最后边缘检测结果巨大改变,而迭代均值法能通过循环找出收敛于最小灰度的最优阈值,从而得出最为逼近差异最大化的双阈值检测条件,故而将其用于双阈值检测中的高阈值。因在图像灰度范围内迭代,所以收敛范围即灰度直方图范围,且收敛序列极小值为初始值0。这样,对于有干扰类图像,或前后景差异并不悬殊的图像,迭代逼近会表现的很好,所以使用迭代均值法确定候选边缘点的高阈值适合应用于封闭、环境多重复、可能存在突发情况等特性的危化品仓库中货物边缘检测中。
本实施例中,通过使用迭代均值法确定候选边缘点的高阈值,在图像灰度范围内迭代,对于有干扰类图像,或前后景差异并不悬殊的图像,迭代逼近会取得更好的边缘检测效果。
本发明实施例提供另一种危化品仓库中货物边缘检测方法,如图3所示的流程图,该危化品仓库中货物边缘检测方法还包括:
S31:对第一灰度图像进行高斯滤波;
在大津法处理之前,对第一灰度图像进行高斯滤波,可以减少由于获取危险化学品仓库中获取的第一灰度图像的分割前景和后景的阈值会受光照影响。因此,高斯滤波是为大津法做预处理,高斯滤波是一种线性平滑滤波,就是对整幅图像进行加权平均的过程。每一个像素点的值,都由其本身和邻域内的其他像素点的值经过加权平均后得到。这样可以实现图像平滑的同时,保留图像总体灰度的分布特征。
用二维高斯函数对图像进行卷积,其中G(x,y)为高斯函数,H(x,y)为卷积后图像。
H(x,y)=f(x,y)·H(x,y)
其中,σ为高斯函数标准差,f(x,y)为输入图像灰度值。
S32:使用大津法确定候选边缘点的低阈值。
大津法是一种对图像进行全局自适应阈值来进行分割的方法。算法假定该图像根据双模直方图包含前景像素和背景像素两类像素。根据图像的灰度特性,如果计算使得它们的类内方差最小,即类间方差最大,得到两部分分离的最佳阈值,就可将图像分割为前景和后景两个部分。后景和前景之间的类间方差越大,说明构成图像的两部分的差别越大。当部分前景错分为后景或部分后景错分为前景都会导致两部分差别变小,即类间方差最大的分割也就意味着错分率最小。根据双阈值检测判断标准,低阈值目的是用来平滑边缘轮廓,保证强边缘分割后的边缘连续且增加强分割效果,因此将大津法作为双阈值检测中的低阈值确定方法。
如图4所示,使用大津法确定候选边缘点的低阈值具体流程包括:首先将图像保存为灰度直方图,将灰度直方图分割为前后景,利用大津法依次遍历直方图,进行迭代分割运算。当存在某值使得前景、后景两类像素的类间方差最大时,则该值为最优分割阈值。
设T为大津阈值,将图像中灰度值高于T的像素设为前景,低于T的像素为后景。设g为图像的类间方差,w0为分割后前景像素点占图像像素比例,u为图像加权总灰度,u0为分割后前景像素点的平均灰度,w1为分割后后景像素点占图像像素比例,u1为分割后的后景像素点的平均灰度:
u=w0*u0+w1*u1
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)
因为w0+w1=1,则
g=w0*w1*(u0-u1)*(u0-u1)
用L个灰度级遍历t次,使g最大,一些实施例中,设置最终得到低阈值为0.4*大津阈值。
本实施例中,通过在大津法处理之前,对第一灰度图像进行高斯滤波,可以减少由于获取危险化学品仓库中获取的第一灰度图像的分割前景和后景的阈值会受光照影响;使用大津法确定候选边缘点的低阈值,可以平滑边缘轮廓,保证强边缘分割后的边缘连续且增加强分割效果。
本发明实施例提供另一种危化品仓库中货物边缘检测方法,如图5所示的流程图,该危化品仓库中货物边缘检测方法包括:
S51:读取货物的灰度图,分别执行S52、S53;
S52:对灰度图进行自适应中值滤波处理,分别执行S54、S56;
自适应中值滤波处理过程包括:设Sxy为矩形窗口,Zmin为Sxy中的最小灰度值,Zmax为Sxy中的最大灰度值,Zmed为Sxy中的灰度值中值,Zxy表示坐标(x,y)处的灰度值,Smax为Sxy允许的最大窗口;
将自适应中值滤波分为A、B两个过程:
设Sxy为矩形窗口,Zmin为Sxy中的最小灰度值,Zmax为Sxy中的最大灰度值,Zmed为Sxy中的灰度值中值,Zxy表示坐标(x,y)处的灰度值,Smax为Sxy允许的最大窗口;
将自适应中值滤波分为A、B两个过程:
过程A,A1=Zmed-Zmin,A2=Zmed-Zmax:
如果A1>0且A2<0,则转至B;
否则,增大窗口尺寸;
如果增大后窗口尺寸≤Smax,则重复A过程;
否则,输出Zmed;
过程B,B1=Zxy-Zmin,B2=Zxy-Zmax:
如果B1>0且B2<0,则非噪点的中值为zxy;
否则非噪点的中值为Zmed。
S53:对灰度图进行高斯滤波处理,执行S57;
S54:计算梯度幅值与方向;
设p(x),p(y)分别为x,y方向一阶差分模板。g(x)、g(y)分别为x,y梯度图卷积后图像,为梯度强度、/>为梯度方向。
定义一阶差分卷积梯度模板:
用梯度模板分别对x,y方向的梯度图像进行二维卷积处理:
g(x)=f(x,y)*px(x,y)
g(y)=f(x,y)*py(x,y)
进一步得到梯度幅值和方向:
梯度幅值
梯度方向
S55:进行非极大值抑制计算;
在每一像素点上,八邻域内中心点(x,y)与沿着其对应的梯度方向的两个像素点相比,若中心点像素为最大值,则保留,否则舍弃。
S56:使用迭代均值法确定高阈值;
S57:使用大津法确定低阈值;
S58:进行双阈值检测处理;
S59:进行边缘连接。
一些实施例中,对候选边缘点进行高阈值和低阈值检测和边缘连接,包括:
将梯度幅值小于低阈值的像素点定义为弱边缘,将弱边缘排除;
将梯度幅值大于高阈值的像素点定义为强边缘,将强边缘保留为边缘像素;
将介于强边缘、弱边缘之间的像素点,使用八连通区域判定,若判定像素点在八连通区域内与任一强边缘像素点连接,则保留为边缘像素;
将边缘像素连接得到货物边缘,从而达到平滑的效果。
一些实施例中,还包括:
采用峰值信噪比和信息熵共同作为评价指标对边缘检测结果进行验证,以得到真实货物边缘。
峰值信噪比是信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值。峰值信噪比常用对数分贝单位来表示。图像的峰值信噪比越高越好。
峰值信噪比PSNR定义为:
其中MSE为均方差:
MAX表示图像像素灰度最大值,I为待检测图像,K为缩小后图像,图像大小为m*n。
信息熵可以理解为某种特定信息的出现概率,可以用于图像的混乱程度的判断,信息熵越小,边缘信息就越精确,边缘检测效果越好。
用H代表信息熵,遍历像素灰度值分布,选择图像的邻域灰度均值作为灰度分布的空间特征量,与图像像素灰度组成特征二元组,记为(i,j)。其中,i表示像素灰度值(0≤i≤255),j表示邻域灰度(0≤j≤255),N表示图像尺度(m*n),Pij为一维熵,f(i,j)为(i,j)出现频数。
Pij=f(i,j)/N2
参考图6~8,以图6为例,图中最左侧为原始图像,中间为传统边缘检测识别算法的货物边缘,最右边为本实施例提供的边缘检测方法识别的货物边缘,可见,普通光照条件下,传统边缘检测算法混入了较多的椒盐噪声点,同时伪边缘较多,难以分辨物体边缘。本实施例提供的边缘检测方法,边缘去除了较多的椒盐噪声点,保留了较完整的物体边缘。夜视环境和夜视下有光照干扰的条件下,传统边缘检测算法很难分清物体边缘,噪声干扰严重,边缘连接不完整。本实施例提供的边缘检测方法通过自适应中值滤波有效去除噪声,大津阈值对图像保护和伪边缘处理效果明显。
本实施例中,通过采用中值滤波提高噪声过滤效果,更好保护图像边缘信息,再通过大津阈值和迭代阈值进行高低阈值-双阈值的自适应选取,可以去除过多的伪边缘,使边缘检测的准确度提升。
本发明实施例提供一种危化品仓库中货物边缘检测装置,如图9所示的功能结构图,该危化品仓库中货物边缘检测装置包括:
采集模块91,用于采集危化品仓库中货物的第一灰度图像;
自适应中值滤波模块92,用于对所述第一灰度图像进行自适应中值滤波,得到第二灰度图像;
第一计算模块93,用于计算所述第二灰度图像的梯度幅值和方向;
非极大值抑制模块94,用于沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;
第二计算模块95,用于计算候选边缘点的高阈值和低阈值;
边缘检测模块96,用于对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘。
一些实施例中,第二计算模块95包括:
迭代均值计算单元:用于使用迭代均值法确定候选边缘点的高阈值。
大津法计算单元:用于使用大津法确定候选边缘点的低阈值。
高斯滤波单元,用于对述第一灰度图像进行高斯滤波。
本实施例中,通过采集模块采集危化品仓库中货物的第一灰度图像;自适应中值滤波模块对灰度图像进行自适应中值滤波,得到第二灰度图像;第一计算模块计算第二灰度图像的梯度幅值和方向;非极大值抑制模块沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;第二计算模块计算候选边缘点的高阈值和低阈值;边缘检测模块对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘,可以减少椒盐噪声的干扰,去除伪边缘,提高信噪比,边缘检测效果显著提高。
本实施例提供了一种终端设备,终端设备包括存储器和处理器,存储器存储有计算机指令程序,计算机指令程序被处理器执行时,使得处理器执行如下方法步骤:采集危化品仓库中货物的第一灰度图像;对灰度图像进行自适应中值滤波,得到第二灰度图像;计算第二灰度图像的梯度幅值和方向;沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;计算候选边缘点的高阈值和低阈值;对候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘。
需要说明的是,上述危化品仓库中货物边缘检测方法、危化品仓库中货物边缘检测装置及终端设备属于一个总的发明构思,危化品仓库中货物边缘检测方法、危化品仓库中货物边缘检测装置及终端设备实施例中的内容可相互适用。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
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、结构、材料或者特点包含于本申请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一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料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。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (7)
1.一种危化品仓库中货物边缘检测方法,其特征在于,包括:
采集危化品仓库中货物的第一灰度图像;
对所述第一灰度图像进行自适应中值滤波,得到第二灰度图像;
计算所述第二灰度图像的梯度幅值和方向;
沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;
计算所述候选边缘点的高阈值和低阈值;
对所述候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘;
其中,所述计算所述候选边缘点的高阈值,包括:
使用迭代均值法确定所述候选边缘点的高阈值;
其中,所述计算所述候选边缘点的低阈值,包括:
使用大津法确定所述候选边缘点的低阈值;
在使用大津法确定所述候选边缘点的低阈值前,还包括:
对所述第一灰度图像进行高斯滤波。
2.根据权利要求1所述的危化品仓库中货物边缘检测方法,其特征在于,所述使用迭代均值法确定所述候选边缘点的高阈值,包括:
步骤1:初始化阈值为T0;
步骤2:使用Ti将全部像素值分为G1、G2两部分,小于等于T0的值为G1和大于T0的值G2,计算两部分的均值分别为m1和m2;
步骤3:用m1和m2计算新阈值
步骤4:比较T0和Ti,若|Ti-Ti-1|<ΔT,则返回Ti,即为迭代阈值;否则T0=Ti,重复步骤1-3。
3.根据权利要求1所述的危化品仓库中货物边缘检测方法,其特征在于,所述对所述候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘,包括:
将梯度幅值小于低阈值的像素点定义为弱边缘,将弱边缘排除;
将梯度幅值大于高阈值的像素点定义为强边缘,将强边缘保留为边缘像素;
将介于强边缘、弱边缘之间的像素点,使用八连通区域判定,若判定像素点在八连通区域内与任一强边缘像素点连接,则保留为边缘像素;
将边缘像素连接得到货物边缘。
4.根据权利要求1所述的危化品仓库中货物边缘检测方法,其特征在于,还包括:
采用峰值信噪比和信息熵共同作为评价指标对边缘检测结果进行验证,以得到真实货物边缘。
5.根据权利要求1所述的危化品仓库中货物边缘检测方法,其特征在于,对所述灰度图像进行自适应中值滤波,包括:
设Sxy为矩形窗口,Zmin为Sxy中的最小灰度值,Zmax为Sxy中的最大灰度值,Zmed为Sxy中的灰度值中值,Zxy表示坐标(x,y)处的灰度值,Smax为Sxy允许的最大窗口;
将自适应中值滤波分为A、B两个过程:
过程A,A1=Zmed-Zmin,A2=Zmed-Zmax:
如果A1>0且A2<0,则转至B;
否则,增大窗口尺寸;
如果增大后窗口尺寸≤Smax,则重复A过程;
否则,输出Zmed;
过程B,B1=Zxy-Zmin,B2=Zxy-Zmax:
如果B1>0且B2<0,则非噪点的中值为Zxy;
否则非噪点的中值为Zmed。
6.一种危化品仓库中货物边缘检测装置,其特征在于,包括:
采集模块,用于采集危化品仓库中货物的第一灰度图像;
自适应中值滤波模块,用于对所述第一灰度图像进行自适应中值滤波,得到第二灰度图像;
第一计算模块,用于计算所述第二灰度图像的梯度幅值和方向;
非极大值抑制模块,用于沿梯度方向对梯度幅值进行非极大值抑制,获取候选边缘点;
第二计算模块,用于计算所述候选边缘点的高阈值和低阈值;
边缘检测模块,用于对所述候选边缘点进行高阈值和低阈值检测和边缘连接,得到货物边缘;
其中,所述第二计算模块包括:
迭代均值计算单元:用于使用迭代均值法确定候选边缘点的高阈值;
大津法计算单元:用于使用大津法确定候选边缘点的低阈值;
高斯滤波单元,用于对所述第一灰度图像进行高斯滤波。
7.一种终端设备,其特征在于,包括:
存储器和处理器,所述存储器存储有计算机指令程序,所述计算机指令程序被所述处理器执行时,使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550449.0A CN111815660B (zh) | 2020-06-16 | 2020-06-16 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550449.0A CN111815660B (zh) | 2020-06-16 | 2020-06-16 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815660A CN111815660A (zh) | 2020-10-23 |
CN111815660B true CN111815660B (zh) | 2023-07-25 |
Family
ID=72845084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010550449.0A Active CN111815660B (zh) | 2020-06-16 | 2020-06-16 | 危化品仓库中货物边缘检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815660B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114140481A (zh) * | 2021-11-03 | 2022-03-04 | 中国安全生产科学研究院 | 一种基于红外图像的边缘检测方法、装置 |
CN114972338B (zh) * | 2022-07-26 | 2022-11-29 | 武汉工程大学 | 一种高铁动车组走行部故障机器视觉测量方法 |
CN117455800B (zh) * | 2023-12-22 | 2024-03-15 | 肥城新查庄地质勘查有限公司 | 基于计算机视觉的煤矿钻探定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2041600A (en) * | 1998-12-11 | 2000-06-26 | Synapix, Inc. | Interactive edge detection markup process |
GB0900248D0 (en) * | 2009-01-09 | 2009-02-11 | Maddison John R | Optimizing the initialization and convergence of active contours for segmentation of cell nuclei in histological sections |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及系统 |
CN110245600A (zh) * | 2019-06-11 | 2019-09-17 | 长安大学 | 自适应起始快速笔画宽度无人机道路检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9488721B2 (en) * | 2009-12-25 | 2016-11-08 | Honda Motor Co., Ltd. | Image processing apparatus, image processing method, computer program, and movable body |
CN109410230B (zh) * | 2018-09-07 | 2022-06-17 | 南京航空航天大学 | 一种可抗噪声的改进Canny图像边缘检测方法 |
CN109919095B (zh) * | 2019-03-07 | 2020-12-01 | 北京石油化工学院 | 危化品仓库中码垛的监控方法及电子设备 |
CN110688871A (zh) * | 2019-09-19 | 2020-01-14 | 浙江工业大学 | 一种基于条码识别的边缘检测方法 |
-
2020
- 2020-06-16 CN CN202010550449.0A patent/CN111815660B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2041600A (en) * | 1998-12-11 | 2000-06-26 | Synapix, Inc. | Interactive edge detection markup process |
GB0900248D0 (en) * | 2009-01-09 | 2009-02-11 | Maddison John R | Optimizing the initialization and convergence of active contours for segmentation of cell nuclei in histological sections |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及系统 |
CN110245600A (zh) * | 2019-06-11 | 2019-09-17 | 长安大学 | 自适应起始快速笔画宽度无人机道路检测方法 |
Non-Patent Citations (5)
Title |
---|
An edge-detection method based on adaptive canny algorithm and iterative segmentation threshold;Song Qiang等;2016 2nd International Conference on Control Science and Systems Engineering (ICCSSE);第64-67页 * |
Edge detection of fuzzy droplet image based on combination of Canny operator and morphology operation;Xu Yingqiang等;3rd International Conference on Mechanical Engineering and Intelligent Systems (ICMEIS);第33-35页 * |
一种改进自适应阈值的Canny算法;于晓海等;机械与电子;第38卷(第1期);第6-9页 * |
基于改进Canny算法的边缘检测;孙凯乐等;电脑编程技巧与维护(第6期);第153-160页 * |
改进的LOG算子在医学图像边检测中的应用研究;唐闻等;硅谷(第20期);第95-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815660A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815660B (zh) | 危化品仓库中货物边缘检测方法、装置及终端设备 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
Sridevi et al. | A survey on monochrome image segmentation methods | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN111882568B (zh) | 火灾图像边缘提取处理方法、终端及系统 | |
CN111047615A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115797872A (zh) | 基于机器视觉的包装缺陷识别方法、系统、设备及介质 | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
CN109146803B (zh) | 基于多角度图像的sar图像辐射分辨率提升方法及装置 | |
CN112734816A (zh) | 基于CSS-Delaunay的异源图像配准方法 | |
CN113837198A (zh) | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 | |
CN117789198B (zh) | 基于4d毫米波成像雷达实现点云退化检测的方法 | |
CN110889817A (zh) | 图像融合质量评价方法及装置 | |
Jennifer Ranjani et al. | Fast threshold selection algorithm for segmentation of synthetic aperture radar images | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN108573236B (zh) | 基于离散分数布朗随机场的云天背景下红外弱小目标检测方法 | |
CN112329674B (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
CN114155174A (zh) | 基于融合直方图分层和非线性导数的边缘检测算法 | |
Bi et al. | Adaptive blind image restoration algorithm of degraded image | |
JP7056751B2 (ja) | 船舶検出システム、方法およびプログラム | |
Nevis | Adaptive background equalization and image processing applications for laser line scan data |
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 |