CN111833371A - 一种基于pq-mean稀疏测度的图像边缘检测方法 - Google Patents

一种基于pq-mean稀疏测度的图像边缘检测方法 Download PDF

Info

Publication number
CN111833371A
CN111833371A CN202010979829.6A CN202010979829A CN111833371A CN 111833371 A CN111833371 A CN 111833371A CN 202010979829 A CN202010979829 A CN 202010979829A CN 111833371 A CN111833371 A CN 111833371A
Authority
CN
China
Prior art keywords
sliding window
mean
sparse measurement
local
current
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
Application number
CN202010979829.6A
Other languages
English (en)
Other versions
CN111833371B (zh
Inventor
李峰平
李小刚
孙维方
马光
林礼区
李沛
陈景云
黄豪驰
顾王林
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.)
Liaiwei Innovative Intelligent System Zhejiang Co ltd
Wenzhou University
Original Assignee
Liaiwei Innovative Intelligent System Zhejiang Co ltd
Institute of Laser and Optoelectronics Intelligent Manufacturing of Wenzhou University
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 Liaiwei Innovative Intelligent System Zhejiang Co ltd, Institute of Laser and Optoelectronics Intelligent Manufacturing of Wenzhou University filed Critical Liaiwei Innovative Intelligent System Zhejiang Co ltd
Priority to CN202010979829.6A priority Critical patent/CN111833371B/zh
Publication of CN111833371A publication Critical patent/CN111833371A/zh
Application granted granted Critical
Publication of CN111833371B publication Critical patent/CN111833371B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于pq‑mean稀疏测度的图像边缘检测方法，设置宽度为w的滑动窗口，则形成的滑动窗口的大小为w×w；将滑动窗口移动至图像左上角，计算得到当前滑动窗口内的局部pq‑mean稀疏测度；将滑动窗口逐次移动一个像素来遍历当前图片所有像素，得到每个当前滑动窗口内的局部pq‑mean稀疏测度，形成局部pq‑mean稀疏测度序列；对pq‑mean稀疏测度序列进行规整；进行边缘特征判断；若规整后pq‑mean稀疏测度值大于阈值，则该像素点为图像边缘特征。本发明通过对局部稀疏测度的评价实现图像的边缘检测，并具有抗噪声干扰能力强的特点。

Description

一种基于pq-mean稀疏测度的图像边缘检测方法
技术领域
本发明涉及数字图像处理技术领域，特别涉及一种基于pq-mean稀疏测度的图像边缘检测方法。
背景技术
边缘是数字图像最基本的特征之一，其准确的提取是实现几何尺寸检测、特征提取的重要前提。边缘特征是指数字图像中灰度发生急剧变化的区域，因此一般可由一阶微分或者梯度的变化进行边缘轮廓的提取。Robert算子、Sobel算子、Canny算子、Laplacian算子时最常见的边缘检测算法。然而，成像噪声等噪声干扰极大影响着边缘检测的效果。
发明内容
本发明的目的在于，提供一种基于pq-mean稀疏测度的图像边缘检测方法。本发明通过对局部稀疏测度的评价实现图像的边缘检测，并具有抗噪声干扰能力强的特点。
本发明的技术方案：一种基于pq-mean稀疏测度的图像边缘检测方法，其特征在于：包括以下步骤：
S1：设置宽度为w的滑动窗口，则形成的滑动窗口的大小为w×w；
S2：将滑动窗口移动至图像左上角，计算得到当前滑动窗口内的局部pq-mean稀疏测度；
当前滑动窗口内的pq-mean稀疏测度的算法为：
Figure DEST_PATH_IMAGE002
其中
Figure DEST_PATH_IMAGE004
为滑动窗口内像素点灰度值，
Figure DEST_PATH_IMAGE006
为滑动窗口内所有元素的个数，
Figure DEST_PATH_IMAGE008
为滑动窗口 内元素对应序号，
Figure DEST_PATH_IMAGE010
为所求的局部稀疏测度，
Figure DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE014
为对应的指数信息，其中
Figure DEST_PATH_IMAGE016
；
S3：将滑动窗口逐次移动一个像素来遍历当前图片所有像素，得到每个当前滑动窗口内的局部pq-mean稀疏测度，形成局部pq-mean稀疏测度序列；
S4：对pq-mean稀疏测度序列进行规整；
S5：进行边缘特征判断；若规整后pq-mean稀疏测度值大于阈值，则该像素点为图像边缘特征。
前述的基于pq-mean稀疏测度的图像边缘检测方法中，所述的步骤S4中,对pq-mean稀疏测度序列进行规整的算法为：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
为局部滑动窗口元素计算后的pq-mean稀疏测度序列，
Figure DEST_PATH_IMAGE022
为规整后的pq- mean稀疏测度序列。
前述的基于pq-mean稀疏测度的图像边缘检测方法中，所述的步骤S5中,边缘特征判断的算法为：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像 素点不含有缺陷信息，
Figure DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE030
分别为图像行列数，
Figure DEST_PATH_IMAGE031
为当前像素点对应的pq- mean稀疏测度，
Figure DEST_PATH_IMAGE033
为预设的缺陷阈值，
Figure DEST_PATH_IMAGE035
为滑动窗口序号。
与现有技术相比，本发明具有以下优点：
本发明首先设置一定宽度且固定大小的滑动窗口；并将滑动窗口移动至需要图像边缘处理的图像左上角，并计算当前滑动窗口内的局部pq-mean稀疏测度；随后将滑动窗口向右移动一个像素，计算当前滑动窗口内元素的局部pq-mean稀疏测度将滑动窗口逐次移动一个像素来遍历当前图片所有像素，形成局部pq-mean稀疏测度序列，并使用softmax函数对pq-mean稀疏测度序列进行规整；最终，进行边缘特征判断，若规整后pq-mean稀疏测度值大于阈值，则该像素点为图像边缘特征。本发明具备简易的边缘检测辨识机制，由于采用pq-mean稀疏测度，鲁棒性较好，可较好地保证测量的快捷性和准确度。此外本发明通过对局部稀疏测度的评价实现图像的边缘检测，并具有抗噪声干扰能力强的特点。
附图说明
图1是本发明的流程图；
图2是本发明的实施例中滑动窗口示意图；
图3是本发明的实施例中计算的pq-mean稀疏测度的图表；
图4本发明中实施例中获取到的测试台边缘轮廓图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例：一种基于pq-mean稀疏测度的图像边缘检测方法，如图1所示，首先获取到的某测试台的现场照片，包括以下步骤：
S1：设置宽度为w的滑动窗口，则形成的滑动窗口的大小为w×w；滑动窗口的设置如图2所示。
S2：将滑动窗口移动至图像左上角，计算得到当前滑动窗口内的局部pq-mean稀疏测度；其计算的pq-mean稀疏测度如附图3所示；
所述的步骤S2中,当前滑动窗口内的pq-mean稀疏测度的算法为：
Figure DEST_PATH_IMAGE036
其中
Figure 924523DEST_PATH_IMAGE004
为滑动窗口内像素点灰度值，
Figure 210010DEST_PATH_IMAGE006
为滑动窗口内所有元素的个数，
Figure DEST_PATH_IMAGE037
为滑动窗口 内元素对应序号，
Figure DEST_PATH_IMAGE038
为所求的局部稀疏测度，
Figure 806077DEST_PATH_IMAGE012
和
Figure DEST_PATH_IMAGE039
为对应的指数信息，其中
Figure 893244DEST_PATH_IMAGE016
。
S3：将滑动窗口逐次移动一个像素来遍历当前图片所有像素，得到每个当前滑动窗口内的局部pq-mean稀疏测度，形成局部pq-mean稀疏测度序列；
S4：对pq-mean稀疏测度序列进行规整；所述的步骤S4中,对pq-mean稀疏测度序列进行规整的算法为：
Figure DEST_PATH_IMAGE040
其中，
Figure 588667DEST_PATH_IMAGE020
为局部滑动窗口元素计算后的pq-mean稀疏测度序列，
Figure 361451DEST_PATH_IMAGE022
为规整后的pq- mean稀疏测度序列。
S5：进行边缘特征判断；若规整后pq-mean稀疏测度值大于阈值，则该像素点为图像边缘特征；（此实例中为1倍的pq-mean平均值）。
所述的步骤S5中,边缘特征判断的算法为：
Figure DEST_PATH_IMAGE041
其中，
Figure 698892DEST_PATH_IMAGE026
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像 素点不含有缺陷信息，
Figure 139100DEST_PATH_IMAGE028
、
Figure 5425DEST_PATH_IMAGE030
分别为图像行列数，
Figure 265505DEST_PATH_IMAGE031
为当前像素点对应的pq- mean稀疏测度，
Figure DEST_PATH_IMAGE042
为预设的缺陷阈值，
Figure 905172DEST_PATH_IMAGE035
为滑动窗口序号。图4本发明中实施例中获取到的 测试台边缘轮廓图。
本发明首先设置一定宽度且固定大小的滑动窗口；并将滑动窗口移动至需要图像边缘处理的图像左上角，并计算当前滑动窗口内的局部pq-mean稀疏测度；随后将滑动窗口向右移动一个像素，计算当前滑动窗口内元素的局部pq-mean稀疏测度将滑动窗口逐次移动一个像素来遍历当前图片所有像素，形成局部pq-mean稀疏测度序列，并使用softmax函数对pq-mean稀疏测度序列进行规整；最终，进行边缘特征判断，若规整后pq-mean稀疏测度值大于阈值，则该像素点为图像边缘特征。本发明具备简易的边缘检测辨识机制，由于采用pq-mean稀疏测度，鲁棒性较好，可较好地保证测量的快捷性和准确度。此外本发明通过对局部稀疏测度的评价实现图像的边缘检测，并具有抗噪声干扰能力强的特点。

Claims (3)

1.一种基于pq-mean稀疏测度的图像边缘检测方法，其特征在于：包括以下步骤：
S1：设置宽度为w的滑动窗口，则形成的滑动窗口的大小为w×w；
S2：将滑动窗口移动至图像左上角，计算得到当前滑动窗口内的局部pq-mean稀疏测度；
当前滑动窗口内的pq-mean稀疏测度的算法为：
Figure DEST_PATH_IMAGE001
其中
Figure 619244DEST_PATH_IMAGE002
为滑动窗口内像素点灰度值，
Figure DEST_PATH_IMAGE003
为滑动窗口内所有元素的个数，
Figure 598701DEST_PATH_IMAGE004
为滑动窗口 内元素对应序号，
Figure DEST_PATH_IMAGE005
为所求的局部稀疏测度，
Figure 939290DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
为对应的指数信息，其中
Figure 662396DEST_PATH_IMAGE008
；
S3：将滑动窗口逐次移动一个像素来遍历当前图片所有像素，得到每个当前滑动窗口内的局部pq-mean稀疏测度，形成局部pq-mean稀疏测度序列；
S4：对pq-mean稀疏测度序列进行规整；
S5：进行边缘特征判断；若规整后pq-mean稀疏测度值大于阈值，则该像素点为图像边缘特征。
2.根据权利要求1所述的基于pq-mean稀疏测度的图像边缘检测方法，其特征在于，所述的步骤S4中,对pq-mean稀疏测度序列进行规整的算法为：
Figure DEST_PATH_IMAGE009
其中，
Figure 539085DEST_PATH_IMAGE010
为局部滑动窗口元素计算后的pq-mean稀疏测度序列，
Figure DEST_PATH_IMAGE011
为规整后的pq-mean 稀疏测度序列。
3.根据权利要求1所述的基于pq-mean稀疏测度的图像边缘检测方法，其特征在于，所述的步骤S5中,边缘特征判断的算法为：
Figure 423864DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像 素点不含有缺陷信息，
Figure 956477DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
分别为图像行列数，
Figure 984738DEST_PATH_IMAGE016
为当前像素点对应的pq- mean稀疏测度，
Figure DEST_PATH_IMAGE017
为预设的缺陷阈值，
Figure 715934DEST_PATH_IMAGE018
为滑动窗口序号。
CN202010979829.6A 2020-09-17 2020-09-17 一种基于pq-mean稀疏测度的图像边缘检测方法 Active CN111833371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010979829.6A CN111833371B (zh) 2020-09-17 2020-09-17 一种基于pq-mean稀疏测度的图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010979829.6A CN111833371B (zh) 2020-09-17 2020-09-17 一种基于pq-mean稀疏测度的图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN111833371A true CN111833371A (zh) 2020-10-27
CN111833371B CN111833371B (zh) 2020-12-11

Family

ID=72918509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010979829.6A Active CN111833371B (zh) 2020-09-17 2020-09-17 一种基于pq-mean稀疏测度的图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN111833371B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112197964A (zh) * 2020-12-07 2021-01-08 领伟创新智能系统(浙江)有限公司 一种基于谱pq-mean的局部冲击信号定位方法
CN113686577A (zh) * 2021-08-17 2021-11-23 山东科技大学 一种基于快速非线性稀疏谱的轴承故障诊断方法
CN113870120A (zh) * 2021-12-07 2021-12-31 领伟创新智能系统(浙江)有限公司 一种基于pq-mean分布的加工表面纹理倾斜校正方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977661A (zh) * 2017-10-13 2018-05-01 天津工业大学 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法
CN109087322A (zh) * 2018-07-18 2018-12-25 华中科技大学 一种航拍图像的运动小目标检测方法
EP3464219A1 (en) * 2016-05-31 2019-04-10 Corning Incorporated Porous article and method of manufacturing the same
CN109934178A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种基于Kronecker基稀疏表示的红外弱小目标检测方法
CN110535546A (zh) * 2019-07-22 2019-12-03 西安交通大学 一种基于稀疏多径感知的滑动互相关帧检测方法
CN111709964A (zh) * 2020-06-22 2020-09-25 重庆理工大学 一种pcba目标边缘检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3464219A1 (en) * 2016-05-31 2019-04-10 Corning Incorporated Porous article and method of manufacturing the same
CN107977661A (zh) * 2017-10-13 2018-05-01 天津工业大学 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法
CN109087322A (zh) * 2018-07-18 2018-12-25 华中科技大学 一种航拍图像的运动小目标检测方法
CN109934178A (zh) * 2019-03-18 2019-06-25 电子科技大学 一种基于Kronecker基稀疏表示的红外弱小目标检测方法
CN110535546A (zh) * 2019-07-22 2019-12-03 西安交通大学 一种基于稀疏多径感知的滑动互相关帧检测方法
CN111709964A (zh) * 2020-06-22 2020-09-25 重庆理工大学 一种pcba目标边缘检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯小丽: "《图像边缘检测技术发展综述》", 《太原城市职业技术学院学报》 *
冀宗玉: "《基于稀疏边缘检测的重叠细胞分割方法研究》", 《万方学位论文数据库》 *
常娜: "《图像处理中的边缘检测算法研究综述》", 《中国科技信息》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112197964A (zh) * 2020-12-07 2021-01-08 领伟创新智能系统(浙江)有限公司 一种基于谱pq-mean的局部冲击信号定位方法
CN113686577A (zh) * 2021-08-17 2021-11-23 山东科技大学 一种基于快速非线性稀疏谱的轴承故障诊断方法
CN113686577B (zh) * 2021-08-17 2024-06-11 山东科技大学 一种基于快速非线性稀疏谱的轴承故障诊断方法
CN113870120A (zh) * 2021-12-07 2021-12-31 领伟创新智能系统(浙江)有限公司 一种基于pq-mean分布的加工表面纹理倾斜校正方法

Also Published As

Publication number Publication date
CN111833371B (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN111833371B (zh) 一种基于pq-mean稀疏测度的图像边缘检测方法
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN103593670B (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
Gong et al. Interactive shadow removal and ground truth for variable scene categories
CN109671078B (zh) 一种产品表面图像异常检测方法及装置
CN109409290B (zh) 一种温度表检定读数自动识别系统及方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN104637046B (zh) 图像检测方法和装置
CN112200808B (zh) 一种基于局部基尼系数的带钢表面缺陷检测方法
CN104408707A (zh) 一种快速数字成像模糊鉴别与复原图像质量评估方法
CN116777907A (zh) 一种钣金件质量检测方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN111638218A (zh) 一种涂层表面缺陷的检测方法
CN116468687A (zh) 划伤缺陷检测方法、装置及存储介质、电子设备
CN112014407A (zh) 一种集成电路晶圆表面缺陷检测的方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN106530273B (zh) 高精度fpc直线线路检测与缺陷定位方法
US9628659B2 (en) Method and apparatus for inspecting an object employing machine vision
CN116883412A (zh) 一种石墨烯远红外电热设备故障检测方法
JP2021052238A (ja) 付着物検出装置および付着物検出方法
CN110887563B (zh) 一种高光谱面阵探测器坏元检测方法
CN110516725B (zh) 基于机器视觉的木板条纹间距和颜色的检测方法
CN114998346B (zh) 一种防水布质量数据处理、识别方法
CN114140426A (zh) 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法
CN110827272B (zh) 一种基于图像处理的轮胎x光图像缺陷检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20210323

Address after: Room 304, building C1, ocean science and Technology Pioneer Park, Longwan District, Wenzhou City, Zhejiang Province 325000

Patentee after: Liaiwei Innovative Intelligent System (Zhejiang) Co.,Ltd.

Patentee after: Wenzhou University

Address before: Room 304, building C1, ocean science and Technology Pioneer Park, Longwan District, Wenzhou City, Zhejiang Province 325000

Patentee before: Liaiwei Innovative Intelligent System (Zhejiang) Co.,Ltd.

Patentee before: INSTITUTE OF LASER AND OPTOELECTRONICS INTELLIGENT MANUFACTURING, WENZHOU University