CN111931786A - 一种图像处理方法、装置及计算机可读存储介质 - Google Patents

一种图像处理方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN111931786A
CN111931786A CN202010579474.1A CN202010579474A CN111931786A CN 111931786 A CN111931786 A CN 111931786A CN 202010579474 A CN202010579474 A CN 202010579474A CN 111931786 A CN111931786 A CN 111931786A
Authority
CN
China
Prior art keywords
image
product
edge
template
edge image
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
CN202010579474.1A
Other languages
English (en)
Other versions
CN111931786B (zh
Inventor
罗文君
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.)
LCFC Hefei Electronics Technology Co Ltd
Original Assignee
LCFC Hefei Electronics Technology Co Ltd
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 LCFC Hefei Electronics Technology Co Ltd filed Critical LCFC Hefei Electronics Technology Co Ltd
Priority to CN202010579474.1A priority Critical patent/CN111931786B/zh
Publication of CN111931786A publication Critical patent/CN111931786A/zh
Application granted granted Critical
Publication of CN111931786B publication Critical patent/CN111931786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/753—Transform-based matching, e.g. Hough transform
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像处理方法、装置及计算机可读存储介质，首先采集待检测的产品图像和对应的模板图像；接着分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；最后使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。

Description

一种图像处理方法、装置及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置及计算机可读存储介质。
背景技术
机器视觉技术在装配线防错检测中的应用有利于提高装配线的柔性和工业自动化水平。然而，由于产品内部结构复杂，光照变化、拍摄角度变化、图像畸变等因素影响，待检测产品内部部件的定位精度存在瓶颈。
发明内容
本发明实施例创造性地提供了一种图像处理方法、装置及计算机可读存储介质。
根据本发明第一方面，提供了一种图像处理方法，该方法包括：采集待检测的产品图像和对应的模板图像；分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；使用广义霍夫变换(Generalized HoughTransform，GHT)对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
根据本发明一实施方式，所述方法还包括：利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度；使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配。
根据本发明一实施方式，所述利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度，包括：使用霍夫变换检测所述产品图像中的直线段；计算所检测到的直线段的斜率，并形成直线段的斜率集合；使用迭代自组织数据分析方法对所形成的直线段的斜率集合进行聚类运算，得到直线段的斜率聚类结果；利用产品边缘的斜率先验信息对所得到的直线段的斜率聚类结果按类别成员数量进行排序，以获得所述产品图像的近似旋转角度。
根据本发明一实施方式，根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配，包括：根据所述产品图像的近似旋转角度对所述产品边缘图像进行转正处理；对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
根据本发明一实施方式，根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配，包括：根据所述产品图像的近似旋转角度设置小范围的角度搜索区间；在所设置的小范围的角度搜索区间内对所述模板边缘图像和产品边缘图像进行形状匹配。
根据本发明一实施方式，分别对所述模板图像和产品图像进行显著特征边缘选取，包括：针对模板图像和产品图像任一待显著特征边缘选取的图像分别进行如下操作：使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；计算所述边缘二值图像中各边缘的像素坐标的标准差；使用所计算得到的各边缘的像素坐标的标准差滤除像素偏离程度低的边缘，以获得具有显著特征的模板边缘图像和产品边缘图像。
根据本发明一实施方式，使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，包括：使用Sobel算子分别计算所述模板边缘图像和产品边缘图像的梯度方向图像；使用广义霍夫变换对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配。
根据本发明第二方面，还提供了一种图像处理装置，该装置包括：采集模块，用于采集待检测的产品图像和对应的模板图像；显著特征边缘选取模块，用于分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；形状匹配模块，用于使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
根据本发明一实施方式，所述装置还包括：旋转角度计算模块，用于利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度；所述形状匹配模块，还用于使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配。
根据本发明一实施方式，所述旋转角度计算模块，具体用于使用霍夫变换检测所述产品图像中的直线段；计算所检测到的直线段的斜率，并形成直线段的斜率集合；使用迭代自组织数据分析方法对所形成的直线段的斜率集合进行聚类运算，得到直线段的斜率聚类结果；利用产品边缘的斜率先验信息对所得到的直线段的斜率聚类结果按类别成员数量进行排序，以获得所述产品图像的近似旋转角度。
根据本发明一实施方式，所述形状匹配模块，具体用于根据所述产品图像的近似旋转角度对所述产品边缘图像进行转正处理；对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
根据本发明一实施方式，所述形状匹配模块，具体用于根据所述产品图像的近似旋转角度设置小范围的角度搜索区间；在所设置的小范围的角度搜索区间内对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
根据本发明一实施方式，所述显著特征边缘选取模块，具体用于针对模板图像和产品图像任一待显著特征边缘选取的图像分别进行如下操作的：使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；计算所述边缘二值图像中各边缘的像素坐标的标准差；使用所计算得到的各边缘的像素坐标的标准差滤除像素偏离程度低的边缘，以获得具有显著特征的模板边缘图像和产品边缘图像。
根据本发明一实施方式，所述形状匹配模块具体用于，使用Sobel算子分别计算所述模板边缘图像和产品边缘图像的梯度方向图像；使用广义霍夫变换对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配。
根据本发明第三方面，又提供了一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行上述任一图像处理方法。
本发明实施例图像处理方法、装置及计算机可读存储介质，首先采集待检测的产品图像和对应的模板图像；接着分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；最后使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。如此，本发明通过显著特征边缘的选取，使用广义霍夫变换匹配显著边缘，提高了定位精度和稳定性；同时，避免了模板建立过程中显著特征部件的选取，降低了建立模板的复杂性，避免了由于模板选取不佳造成的定位失败。
需要理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
在附图中，相同或对应的标号表示相同或对应的部分。
图1示出了本发明实施例图像处理方法的实现流程示意图一；
图2示出了本发明实施例图像处理方法的实现流程示意图二；
图3示出了本发明一应用实例图像处理方法的简易流程图；
图4示出了本发明实施例图像处理装置的组成结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为使本发明更加透彻和完整，并能够将本发明的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
图1示出了本发明实施例图像处理方法的实现流程示意图一。
参考图1，本发明实施例提供了一种图像处理方法，该方法包括：操作101，采集待检测的产品图像和对应的模板图像；操作102，分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；操作103，使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
在操作101，本发明可以适应工业相机在任意的图像采集条件下采集待检测的产品图像和对应的模板图像，即待检测的产品对象的产品图像和对应产品对象的模板图像，其中，产品对象可以为笔记本电脑，手机终端或其他任意形式的电子设备及其内部部件。
这里，本领域技术任意应当理解，具体图像采集条件与现有技术基于显著特征部件的图像定位不同，并不需要使用显著特征的部件定位，故在采集待检测的产品图像时不需要在与产线相似的图像采集条件下采集图像，同样在采集对应的模板图像时也不再需要通过手工框取的方式获得定位模板。这样，避免了建立模板的复杂性增加了检测设备的使用难度，对工人的操作技能要求显著降低。
在操作102，针对模板图像和产品图像任一待显著特征边缘选取的图像分别进行如下操作的：使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；计算所述边缘二值图像中各边缘的像素坐标的标准差；使用所计算得到的各边缘的像素坐标的标准差滤除像素偏离程度低的边缘，以获得具有显著特征的模板边缘图像和产品边缘图像。
具体地，以模板图像的显著特征边缘选取过程为例，操作流程如下：
操作1，在采集模板图像之后，使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；
操作2，计算所述边缘二值图像中各边缘的像素坐标的标准差edge_std_dev，该标准差edge_std_dev描述了当前边缘像素集偏离程度，其中
Figure BDA0002551878240000061
操作3，使用edge_std_dev，滤除像素偏离程度低的边缘，获得由高像素偏离程度边缘组成的模板图，即获得具有显著特征的模板边缘图像。当然，采用类似模板图像的显著特征边缘选取过程，同样可以实现对产品图像的显著特征边缘选取，具体操作过程不再赘述。
在操作103，产品的定位信息包括中心点位置、旋转角度、与模板图像的缩放比等。具体地，使用Sobel算子分别计算所述模板边缘图像和产品边缘图像的梯度方向图像；使用广义霍夫变换对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配。
首先使用Sobel算子，分别计算模板边缘图像和产品边缘图像的梯度方向图像；其中，梯度方向图中当前位置(x，y)的梯度值计算公式二、三、四具体如下：
Figure BDA0002551878240000062
Figure BDA0002551878240000063
Figure BDA0002551878240000064
这里，f(x，y)为模板边缘图像和产品边缘图像任一边缘图像，Gx为f(x，y)边缘图像中(x，y)在x轴方向上的对应梯度值；Gy为f(x，y)边缘图像中(x，y)在y轴方向上的对应梯度值；grad_direction为f(x，y)边缘图像中(x，y)的梯度方向。
接着，使用广义霍夫变换对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配，从而计算得到产品图像中产品的定位信息，如产品的中心点位置、旋转角度、与模板图像的缩放比。
本发明实施例图像处理方法，首先采集待检测的产品图像和对应的模板图像；接着分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；最后使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。如此，本发明通过显著特征边缘的选取，使用广义霍夫变换匹配显著边缘，提高了定位精度和稳定性；同时，避免了模板建立过程中显著特征部件的选取，降低了建立模板的复杂性，避免了由于模板选取不佳造成的定位失败。
图2示出了本发明实施例图像处理方法的实现流程示意图二。
参考图2，本发明实施例图像处理方法，包括：操作201，采集待检测的产品图像和对应的模板图像；操作202，分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；操作203，利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度；操作204，使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
在操作201，本发明可以适应工业相机在任意的图像采集条件下采集待检测的产品图像和对应的模板图像，即待检测的产品对象的产品图像和对应产品对象的模板图像，其中，产品对象可以为笔记本电脑，手机终端或其他任意形式的电子设备及其内部部件。
这里，本领域技术任意应当理解，具体图像采集条件与现有技术基于显著特征部件的图像定位不同，并不需要使用显著特征的部件定位，故在采集待检测的产品图像时不需要在与产线相似的图像采集条件下采集图像，同样在采集对应的模板图像时也不再需要通过手工框取的方式获得定位模板。这样，避免了建立模板的复杂性增加了检测设备的使用难度，对工人的操作技能要求显著降低。
在操作202，针对模板图像和产品图像任一待显著特征边缘选取的图像分别进行如下操作的：使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；计算所述边缘二值图像中各边缘的像素坐标的标准差；使用所计算得到的各边缘的像素坐标的标准差滤除像素偏离程度低的边缘，以获得具有显著特征的模板边缘图像和产品边缘图像。
具体地，以模板图像的显著特征边缘选取过程为例，操作流程如下：
操作1，在采集模板图像之后，使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；
操作2，计算所述边缘二值图像中各边缘的像素坐标的标准差edge_std_dev，该标准差edge_std_dev描述了当前边缘像素集偏离程度，其中
Figure BDA0002551878240000081
操作3，使用edge_std_dev，滤除像素偏离程度低的边缘，获得由高像素偏离程度边缘组成的模板图，即获得具有显著特征的模板边缘图像。当然，采用类似模板图像的显著特征边缘选取过程，同样可以实现对产品图像的显著特征边缘选取，具体操作过程不再赘述。
在操作203，使用霍夫变换检测所述产品图像中的直线段；计算所检测到的直线段的斜率，并形成直线段的斜率集合；使用迭代自组织数据分析方法对所形成的直线段的斜率集合进行聚类运算，得到直线段的斜率聚类结果；利用产品边缘的斜率先验信息对所得到的直线段的斜率聚类结果按类别成员数量进行排序，以获得所述产品图像的近似旋转角度。
在操作204，产品的定位信息包括中心点位置、旋转角度、与模板图像的缩放比等。具体地，使用Sobel算子分别计算所述模板边缘图像和产品边缘图像的梯度方向图像；使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配。
首先使用Sobel算子，分别计算模板边缘图像和产品边缘图像的梯度方向图像；其中，梯度方向图中当前位置(x，y)的梯度值计算公式二、三、四具体如下：
Figure BDA0002551878240000091
Figure BDA0002551878240000092
Figure BDA0002551878240000093
这里，f(x，y)为模板边缘图像和产品边缘图像任一边缘图像，Gx为f(x，y)边缘图像中(x，y)在x轴方向上的对应梯度值；Gy为f(x，y)边缘图像中(x，y)在y轴方向上的对应梯度值；grad_direction为f(x，y)边缘图像中(x，y)的梯度方向。
接着，使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配，从而计算得到产品图像中产品的定位信息，如产品的中心点位置、旋转角度、与模板图像的缩放比。
在一可能实施方式中，参考图3，使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配，包括：根据所述产品图像的近似旋转角度对所述产品边缘图像进行转正处理；对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
在又一可能实施方式中，根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配，包括：根据所述产品图像的近似旋转角度设置小范围的角度搜索区间；在所设置的小范围的角度搜索区间内对所述模板边缘图像和产品边缘图像进行形状匹配。
如此，本发明通过迭代自组织数据分析方法，估计出待检测产品的旋转角度，从而减小了角度匹配区间，即减少了匹配计算量，从而提高了定位速度。
同理，基于上文所述图像处理方法，本发明实施例还提供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程序，当所述程序被处理器执行时，使得所述处理器至少执行如下所述的操作步骤：操作101，采集待检测的产品图像和对应的模板图像；操作102，分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；操作103，使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
进一步地，基于上文所述图像处理方法，本发明实施例还提供了一种图像处理装置，如图4所示，该装置40包括：采集模块401，用于采集待检测的产品图像和对应的模板图像；显著特征边缘选取模块402，用于分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；形状匹配模块403，用于使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
根据本发明一实施方式，装置40还包括：旋转角度计算模块404，用于利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度；所述形状匹配模块，还用于使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配。
根据本发明一实施方式，旋转角度计算模块404，具体用于使用霍夫变换检测所述产品图像中的直线段；计算所检测到的直线段的斜率，并形成直线段的斜率集合；使用迭代自组织数据分析方法对所形成的直线段的斜率集合进行聚类运算，得到直线段的斜率聚类结果；利用产品边缘的斜率先验信息对所得到的直线段的斜率聚类结果按类别成员数量进行排序，以获得所述产品图像的近似旋转角度。
根据本发明一实施方式，形状匹配模块403，具体用于根据所述产品图像的近似旋转角度对所述产品边缘图像进行转正处理；对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
根据本发明一实施方式，形状匹配模块403，具体用于根据所述产品图像的近似旋转角度设置小范围的角度搜索区间；在所设置的小范围的角度搜索区间内对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
根据本发明一实施方式，显著特征边缘选取模块402，具体用于针对模板图像和产品图像任一待显著特征边缘选取的图像分别进行如下操作的：使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；计算所述边缘二值图像中各边缘的像素坐标的标准差；使用所计算得到的各边缘的像素坐标的标准差滤除像素偏离程度低的边缘，以获得具有显著特征的模板边缘图像和产品边缘图像。
根据本发明一实施方式，形状匹配模块403具体用于，使用Sobel算子分别计算所述模板边缘图像和产品边缘图像的梯度方向图像；使用广义霍夫变换对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配。
这里需要指出的是：以上对图像处理装置实施例的描述，与前述图1至3所示的方法实施例的描述是类似的，具有同前述图1至3所示的方法实施例相似的有益效果，因此不做赘述。对于本发明图像处理装置实施例中未披露的技术细节，请参照本发明前述图1至3所示的方法实施例的描述而理解，为节约篇幅，因此不再赘述。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元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。基于这样的理解，本发明实施例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中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
采集待检测的产品图像和对应的模板图像；
分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；
使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度；
相应的，使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息包括：使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配。
3.根据权利要求2所述的方法，其特征在于，所述利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度，包括：
使用霍夫变换检测所述产品图像中的直线段；
计算所检测到的直线段的斜率，并形成直线段的斜率集合；
使用迭代自组织数据分析方法对所形成的直线段的斜率集合进行聚类运算，得到直线段的斜率聚类结果；
利用产品边缘的斜率先验信息对所得到的直线段的斜率聚类结果按类别成员数量进行排序，以获得所述产品图像的近似旋转角度。
4.根据权利要求2所述的方法，其特征在于，根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配，包括：
根据所述产品图像的近似旋转角度对所述产品边缘图像进行转正处理；
对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
5.根据权利要求2所述的方法，其特征在于，根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配，包括：
根据所述产品图像的近似旋转角度设置小范围的角度搜索区间；
在所设置的小范围的角度搜索区间内对所述模板边缘图像和转正后的产品边缘图像进行形状匹配。
6.根据权利要求1至5任一项所述的方法，其特征在于，分别对所述模板图像和产品图像进行显著特征边缘选取，包括：
针对模板图像和产品图像任一待显著特征边缘选取的图像分别进行如下操作的：使用canny算子处理获得待显著特征边缘选取的图像的边缘二值图像；计算所述边缘二值图像中各边缘的像素坐标的标准差；使用所计算得到的各边缘的像素坐标的标准差滤除像素偏离程度低的边缘，以获得具有显著特征的模板边缘图像和产品边缘图像。
7.根据权利要求1至5任一项所述的方法，其特征在于，使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，包括：
使用Sobel算子分别计算所述模板边缘图像和产品边缘图像的梯度方向图像；
使用广义霍夫变换对所述模板边缘图像和产品边缘图像的梯度方向图像进行形状匹配。
8.一种图像处理装置，其特征在于，所述装置包括：
采集模块，用于采集待检测的产品图像和对应的模板图像；
显著特征边缘选取模块，用于分别对所述模板图像和产品图像进行显著特征边缘选取，得到具有显著特征的模板边缘图像和产品边缘图像；
形状匹配模块，用于使用广义霍夫变换对所述模板边缘图像和产品边缘图像进行形状匹配，得到所述产品图像中产品的定位信息。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
旋转角度计算模块，用于利用所述产品边缘图像中线状边缘的聚类特征计算所述产品图像的近似旋转角度；
所述形状匹配模块，还用于使用广义霍夫变换根据所述产品图像的近似旋转角度对所述模板边缘图像和产品边缘图像进行形状匹配。
10.一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行权利要求1至7任一项所述图像处理方法。
CN202010579474.1A 2020-06-23 2020-06-23 一种图像处理方法、装置及计算机可读存储介质 Active CN111931786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579474.1A CN111931786B (zh) 2020-06-23 2020-06-23 一种图像处理方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579474.1A CN111931786B (zh) 2020-06-23 2020-06-23 一种图像处理方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111931786A true CN111931786A (zh) 2020-11-13
CN111931786B CN111931786B (zh) 2022-02-01

Family

ID=73316646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579474.1A Active CN111931786B (zh) 2020-06-23 2020-06-23 一种图像处理方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111931786B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538384A (zh) * 2021-07-19 2021-10-22 凌云光技术股份有限公司 一种特征的定位方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496153A (zh) * 2011-11-04 2012-06-13 西安电子科技大学 基于小波域中字典学习的sar图像相干斑抑制方法
CN103226814A (zh) * 2013-04-02 2013-07-31 湖南大学 一种基于医药视觉检测机器人图像校正的药瓶异物检测方法
CN103281513A (zh) * 2013-05-14 2013-09-04 西安理工大学 一种无重叠域监控系统中行人识别方法
CN103440665A (zh) * 2013-09-13 2013-12-11 重庆大学 膝关节软骨图像自动分割方法
CN103456005A (zh) * 2013-08-01 2013-12-18 华中科技大学 基于局部不变几何特征的广义霍夫变换图像匹配方法
US20150003741A1 (en) * 2013-07-01 2015-01-01 Here Global B.V. Occlusion Resistant Image Template Matching Using Distance Transform
CN105930858A (zh) * 2016-04-06 2016-09-07 吴晓军 一种带旋转、缩放的快速高精度几何模板匹配方法
CN106096569A (zh) * 2016-06-20 2016-11-09 广州中国科学院先进技术研究所 一种手指静脉识别方法
CN106485284A (zh) * 2016-10-19 2017-03-08 哈尔滨工业大学 一种基于模板匹配的元件定位方法
CN110472674A (zh) * 2019-07-31 2019-11-19 苏州中科全象智能科技有限公司 一种基于边缘和梯度特征的模板匹配算法
CN110728326A (zh) * 2019-10-15 2020-01-24 易思维（杭州）科技有限公司 一种带旋转的边缘模板匹配方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496153A (zh) * 2011-11-04 2012-06-13 西安电子科技大学 基于小波域中字典学习的sar图像相干斑抑制方法
CN103226814A (zh) * 2013-04-02 2013-07-31 湖南大学 一种基于医药视觉检测机器人图像校正的药瓶异物检测方法
CN103281513A (zh) * 2013-05-14 2013-09-04 西安理工大学 一种无重叠域监控系统中行人识别方法
US20150003741A1 (en) * 2013-07-01 2015-01-01 Here Global B.V. Occlusion Resistant Image Template Matching Using Distance Transform
CN103456005A (zh) * 2013-08-01 2013-12-18 华中科技大学 基于局部不变几何特征的广义霍夫变换图像匹配方法
CN103440665A (zh) * 2013-09-13 2013-12-11 重庆大学 膝关节软骨图像自动分割方法
CN105930858A (zh) * 2016-04-06 2016-09-07 吴晓军 一种带旋转、缩放的快速高精度几何模板匹配方法
CN106096569A (zh) * 2016-06-20 2016-11-09 广州中国科学院先进技术研究所 一种手指静脉识别方法
CN106485284A (zh) * 2016-10-19 2017-03-08 哈尔滨工业大学 一种基于模板匹配的元件定位方法
CN110472674A (zh) * 2019-07-31 2019-11-19 苏州中科全象智能科技有限公司 一种基于边缘和梯度特征的模板匹配算法
CN110728326A (zh) * 2019-10-15 2020-01-24 易思维（杭州）科技有限公司 一种带旋转的边缘模板匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINWEI QI ET AL.: "A Template Matching Method for Multi-Scale and Rotated Images Using Ring Projection Vector Conversion", 《2018 3RD IEEE INTERNATIONAL CONFERENCE ON IMAGE, VISION AND COMPUTING》 *
张代林 等: "基于形状模板匹配的印刷品缺陷检测", 《自动控制与检测》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538384A (zh) * 2021-07-19 2021-10-22 凌云光技术股份有限公司 一种特征的定位方法及装置
CN113538384B (zh) * 2021-07-19 2024-03-26 凌云光技术股份有限公司 一种特征的定位方法及装置

Also Published As

Publication number Publication date
CN111931786B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
JP7297018B2 (ja) ビジョンシステムでラインを検出するためのシステム及び方法
CN110135455B (zh) 影像匹配方法、装置及计算机可读存储介质
CN112534469B (zh) 图像检测方法、图像检测装置、图像检测设备及介质
CN108965835B (zh) 一种图像处理方法、图像处理装置及终端设备
CN107609451A (zh) 一种基于二维码的高精度视觉定位方法及系统
JP2023120281A (ja) ビジョンシステムでラインを検出するためのシステム及び方法
CN109165657A (zh) 一种基于改进sift的图像特征检测方法及装置
CN116958145B (zh) 图像处理方法、装置、视觉检测系统及电子设备
CN112712466B (zh) 三维点云拼接方法、装置及电子设备
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN105049706A (zh) 一种图像处理方法及终端
CN115829929A (zh) 产品表面图像的缺陷检测方法、装置、设备及存储介质
CN111931786B (zh) 一种图像处理方法、装置及计算机可读存储介质
CN115187769A (zh) 一种定位方法及装置
CN110163914B (zh) 基于视觉的定位
CN114936997A (zh) 检测方法、装置、电子设备及可读存储介质
CN111951211B (zh) 一种目标检测方法、装置及计算机可读存储介质
CN108780572A (zh) 图像校正的方法及装置
CN110930455B (zh) 定位方法、装置、终端设备及存储介质
CN112862676A (zh) 一种图像拼接方法、设备、存储介质
CN114998347A (zh) 一种半导体面板角点定位方法及装置
CN112101059A (zh) 一种条形码定位方法、装置、终端设备及存储介质
CN113822092A (zh) 用于定位位置探测图形的方法及装置、电子设备、介质
CN109815791B (zh) 基于血管的身份识别方法和装置
CN109215068B (zh) 图像放大率测量方法及装置

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