CN112308121B - 一种模板图像边缘点优化方法 - Google Patents
一种模板图像边缘点优化方法 Download PDFInfo
- Publication number
- CN112308121B CN112308121B CN202011111083.3A CN202011111083A CN112308121B CN 112308121 B CN112308121 B CN 112308121B CN 202011111083 A CN202011111083 A CN 202011111083A CN 112308121 B CN112308121 B CN 112308121B
- Authority
- CN
- China
- Prior art keywords
- edge
- point
- points
- edge point
- template 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明公开了一种模板图像边缘点优化方法,包括:选取多张待匹配图像,分别提取模板图像和各张待匹配图像中的边缘点;利用模板图像中的边缘点Ai信息对各张待匹配图像中的边缘点进行匹配,在每张待匹配图像中找到匹配点Dij及各匹配点对应的匹配分数值Sij;利用分数值Sij计算第i个边缘点的权重Votei;遍历每个边缘点,剔除权重值小于预设值的点,将剩余边缘点记为优化后的模板图像边缘点;本方法利用多种不同情况下的待匹配图像对模板图像中的边缘点进行优化,在此基础上,本方法还采用了聚类方法和最近邻方法相结合,去除对匹配精度无影响的边缘点,提升匹配速度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种模板图像边缘点优化方法。
背景技术
模板匹配是一种最原始、最基本的模式识别方法,它是图像处理中最基本、最常用的匹配方法。模板匹配具有自身的局限性,对于特征点的匹配要求较高,而现有方法中,仅采用边缘提取方法获得模板图像中的边缘点,对于边缘点没有进行进一步处理,这会使得模板图像中的边缘点有较多杂点,影响匹配精度;同时,模板图像中的边缘点数量过多时,会造成匹配信息的冗余,这种情况非但无法提高精度反而降低了匹配速度。
发明内容
为了现有技术存在的问题,本发明提供了一种模板图像边缘点优化方法,其利用多种不同情况下的待匹配图像对模板图像中的边缘点进行优化,还采用了聚类方法和最近邻方法相结合,去除对匹配精度无影响的边缘点,提升匹配速度。
为此,本发明的技术方案如下:
一种模板图像边缘点优化方法,包括:选取多张待匹配图像,分别提取模板图像和各张待匹配图像中的边缘点;
利用模板图像中的边缘点Ai信息对各张待匹配图像中的边缘点进行匹配,在每张待匹配图像中找到匹配点Dij及各匹配点对应的匹配分数值Sij;i表示第i个边缘点,1≤i≤m,m表示模板图像中边缘点的总个数;j表示第j张待匹配图像,1≤j≤n,n表示待匹配图像的总张数;
计算第i个边缘点的权重Votei:
遍历每个边缘点,剔除权重值小于预设值的点,将剩余边缘点记为优化后的模板图像边缘点。
进一步,所述预设值为0.5~0.8。
优选,在提取模板图像和各张待匹配图像中的边缘点之前,预先对模板图像和待匹配图像进行图像预处理,包括滤波、增强、均衡化处理。
进一步,提取图像中边缘点的方法为canny边缘检测方法或sobel边缘检测方法。
为了缩短模板匹配时间,将所述优化后的模板图像边缘点进行聚类处理,得到K个边缘点聚类结果;
若则:统计各边缘点梯度方向的均值,将均值记为该类边缘点集的主方向;查找该类边缘点集中的首个边缘点,将其存储为起始点,沿所述主方向,以步长s=L/c进行最近邻搜索,将邻域内的距离起始点最远的边缘点存储为新的起始点、其他边缘点剔除,以新的起始点继续进行最近邻搜索,直到遍历完该类边缘点集的所有点,将被存储为起始点的各个边缘点记为该类边缘点集中的最终边缘点;
否则:直接将当前边缘点聚类结果中的各个边缘点记为最终边缘点,并跳转到下一个边缘点聚类结果中,计算步长系数c,并再次判断;直到遍历完K类边缘点集,得出每类边缘点集中的最终边缘点;将所有最终边缘点汇总为模板图像中的最终边缘点。
进一步,所述聚类方法包括K-means++聚类方法和K-means聚类方法。
本发明方法利用多种不同情况下的待匹配图像对模板图像中的边缘点进行优化,剔除容易造成误匹配的点,保留匹配精度高的点;为了更进一步的提高匹配效率,还采用了聚类方法和最近邻方法相结合,对边缘点进行进一步的整合,去除对匹配精度无影响的边缘点,提升匹配速度。
附图说明
图1为模板图像对各张待匹配图像进行匹配得到的匹配点的示意图;
图2为对模板图像进行聚类处理、剔除冗余边缘点的示意图;
图3为分别采用常规模板图像和优化模板图像匹配出的边缘点示意图。
具体实施方式
以下结合附图和具体实施方式对本发明的技术方案进行详细描述。
一种模板图像边缘点优化方法,包括:选取多张待匹配图像,分别提取模板图像和各张待匹配图像中的边缘点;
本实施例中,预先采集了不同情况下(不同比例、倾斜角度)的多张待匹配图像;
利用模板图像中的边缘点Ai信息对各张待匹配图像中的边缘点进行匹配,如图1所示,在每张待匹配图像中找到匹配点Dij及各匹配点对应的匹配分数值Sij;i表示第i个边缘点,1≤i≤m,m表示模板图像中边缘点的总个数;j表示第j张待匹配图像,1≤j≤n,n表示待匹配图像的总张数;
计算第i个边缘点的权重Votei:
遍历每个边缘点,剔除权重值小于预设值的点,将剩余边缘点记为优化后的模板图像边缘点。
具体的,预设值为0.5~0.8,本实施例中,预设值为0.7;作为本发明的一种优选实施方式,在提取模板图像和各张待匹配图像中的边缘点之前,预先对模板图像和待匹配图像进行图像预处理,包括滤波、增强、均衡化处理。
其中,提取图像中边缘点的方法为canny边缘检测方法或sobel边缘检测方法。
为了缩短模板匹配时间,将优化后的模板图像边缘点进行聚类处理,得到K个边缘点聚类结果;
若则:统计各边缘点梯度方向的均值,将均值记为该类边缘点集的主方向;查找该类边缘点集中的首个边缘点,将其存储为起始点,沿主方向,以步长s=L/c进行最近邻搜索,将邻域内的距离起始点最远的边缘点存储为新的起始点、其他边缘点剔除,以新的起始点继续进行最近邻搜索,直到遍历完该类边缘点集的所有点,将被存储为起始点的各个边缘点记为该类边缘点集中的最终边缘点;
否则:直接将当前边缘点聚类结果中的各个边缘点记为最终边缘点,并跳转到下一个边缘点聚类结果中,计算步长系数c,并再次判断;直到遍历完K类边缘点集,得出每类边缘点集中的最终边缘点;将所有最终边缘点汇总为模板图像中的最终边缘点(如图2所示,经过聚类处理的边缘点数量减少,利用其进行模板匹配,处理时间将有效提升)。
其中,聚类方法包括K-means++聚类方法和K-means聚类方法;当采用K-means聚类方法时,设置K值为模板边缘拐点的个数。
本实施例中得出的模板图像可直接用于后续的模板匹配过程,对大量的待匹配图像进行实时的模板匹配;下表为:在对同一张待匹配图像进行模板匹配时,本方法模板图像与现有方法中的模板图像对比,进行模板匹配时的耗时对比;
如表所见,采用本发明处理的模板图像,在进行模板匹配时,处理时间远低于常规模板图像进行模板匹配的时间,更加适用于实时匹配过程。
同时,为了验证优化后模板图像进行匹配的精度,如图3所示,分别采用常规的模板图像和优化的模板图像进行匹配得到的边缘点信息,可见,采用本方法优化的模板图像,剔除了容易造成误匹配的点,保留匹配精度高的点,使得匹配结果更加精准,无冗余信息。
Claims (6)
2.如权利要求1所述的模板图像边缘点优化方法,其特征在于:所述预设值为0.5~0.8。
3.如权利要求1所述的模板图像边缘点优化方法,其特征在于:在提取模板图像和各张待匹配图像中的边缘点之前,预先对模板图像和待匹配图像进行图像预处理,包括滤波、增强、均衡化处理。
4.如权利要求1所述的模板图像边缘点优化方法,其特征在于,提取图像中边缘点的方法为canny边缘检测方法或sobel边缘检测方法。
5.如权利要求1所述的模板图像边缘点优化方法,其特征在于:将所述优化后的模板图像边缘点进行聚类处理,得到K个边缘点聚类结果;
若则:统计各边缘点梯度方向的均值,将均值记为该类边缘点集的主方向;查找该类边缘点集中的首个边缘点,将其存储为起始点,沿所述主方向,以步长s=L/c进行最近邻搜索,将邻域内的距离起始点最远的边缘点存储为新的起始点、其他边缘点剔除,以新的起始点继续进行最近邻搜索,直到遍历完该类边缘点集的所有点,将被存储为起始点的各个边缘点记为该类边缘点集中的最终边缘点;
否则:直接将当前边缘点聚类结果中的各个边缘点记为最终边缘点,并跳转到下一个边缘点聚类结果中,计算步长系数c,并再次判断;直到遍历完K类边缘点集,得出每类边缘点集中的最终边缘点;将所有最终边缘点汇总为模板图像中的最终边缘点。
6.如权利要求5中所述的模板图像边缘点优化方法,其特征在于:所述聚类方法包括K-means++聚类方法和K-means聚类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011111083.3A CN112308121B (zh) | 2020-10-16 | 2020-10-16 | 一种模板图像边缘点优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011111083.3A CN112308121B (zh) | 2020-10-16 | 2020-10-16 | 一种模板图像边缘点优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308121A CN112308121A (zh) | 2021-02-02 |
CN112308121B true CN112308121B (zh) | 2022-06-14 |
Family
ID=74328044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011111083.3A Active CN112308121B (zh) | 2020-10-16 | 2020-10-16 | 一种模板图像边缘点优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308121B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818577A (zh) * | 2017-10-26 | 2018-03-20 | 滁州学院 | 一种基于混合模型的零件识别与定位方法 |
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 |
CN111079803A (zh) * | 2019-12-02 | 2020-04-28 | 易思维(杭州)科技有限公司 | 基于梯度信息的模板匹配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120082385A1 (en) * | 2010-09-30 | 2012-04-05 | Sharp Laboratories Of America, Inc. | Edge based template matching |
-
2020
- 2020-10-16 CN CN202011111083.3A patent/CN112308121B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818577A (zh) * | 2017-10-26 | 2018-03-20 | 滁州学院 | 一种基于混合模型的零件识别与定位方法 |
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 |
CN111079803A (zh) * | 2019-12-02 | 2020-04-28 | 易思维(杭州)科技有限公司 | 基于梯度信息的模板匹配方法 |
Non-Patent Citations (1)
Title |
---|
一种鲁棒型Hausdorff距离图像匹配方法;孙瑾等;《中国图象图形学报》;20080715(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308121A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416342B (zh) | 一种结合细节点和细线结构的指纹识别方法 | |
JP3065104B2 (ja) | 指紋一致装置 | |
CN101620677B (zh) | 一种基于三角剖分与lod技术的指纹识别方法 | |
CN1163841C (zh) | 在线手写中文字识别装置 | |
CN114170279A (zh) | 一种基于激光扫描的点云配准方法 | |
CN100390815C (zh) | 模板优化的字符识别方法和系统 | |
CN111104398A (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
CN110598581B (zh) | 基于卷积神经网络的光学乐谱识别方法 | |
CN111340032A (zh) | 一种基于金融领域应用场景的字符识别方法 | |
CN108121806A (zh) | 一种基于局部特征匹配的图像搜索方法及系统 | |
US11281714B2 (en) | Image retrieval | |
Giotis et al. | Shape-based word spotting in handwritten document images | |
CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
CN112308121B (zh) | 一种模板图像边缘点优化方法 | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
CN112015935B (zh) | 图像搜索方法、装置、电子设备及存储介质 | |
CN107437097B (zh) | 一种基于角点描述的两阶段局部轮廓匹配方法 | |
CN111191587A (zh) | 一种行人重识别方法及系统 | |
US20230030210A1 (en) | Tea impurity data annotation method based on supervised machine learning | |
JPH1166238A (ja) | 手書き文字認識方法 | |
CN115438682A (zh) | 用于确定解码方向的方法、装置及解码设备 | |
CN112541328B (zh) | 一种笔迹的存储方法、装置、设备及存储介质 | |
CN115100696A (zh) | 一种掌静脉识别中的连通域快速标记与提取方法及系统 | |
JPH09161062A (ja) | パターン認識方法 | |
CN112434658A (zh) | 一种智慧城市指纹图像多特征快速匹配算法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee after: Yi Si Si (Hangzhou) Technology Co.,Ltd. Address before: Room 495, building 3, 1197 Bin'an Road, Binjiang District, Hangzhou City, Zhejiang Province 310051 Patentee before: ISVISION (HANGZHOU) TECHNOLOGY Co.,Ltd. |