CN112669339B - 一种海水水下图像边缘点的判定方法 - Google Patents
一种海水水下图像边缘点的判定方法 Download PDFInfo
- Publication number
- CN112669339B CN112669339B CN202011443381.2A CN202011443381A CN112669339B CN 112669339 B CN112669339 B CN 112669339B CN 202011443381 A CN202011443381 A CN 202011443381A CN 112669339 B CN112669339 B CN 112669339B
- Authority
- CN
- China
- Prior art keywords
- convolution
- image
- sum
- radius
- height
- 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
Images
Abstract
本发明属于图像处理技术领域，涉及一种海水水下图像边缘点的判定方法，包括以下步骤：计算灰度图像的宽度和高度；根据卷积核大小及系数，建立卷积因子；遍历图像宽度左右各减去卷积半径、高度上下各减去卷积半径的图像数据；计算每个像素点与卷积核的卷积得到的卷积结果作为该像素点的卷积和；重新遍历图像宽度左右各减去（卷积半径+1），高度上下各减去（卷积半径+1）的图像数据；存在以下任一情况，则判定该点为边缘点：左右、左下和与右上、左上与右下、或者上下，卷积和的乘积为负数。本发明的方法，不受累积时间的限制，也不受海洋环境干扰的限制，能够识别出海水水下图像的边缘点，可以提高图像识别的准确度。
Description
技术领域
本发明属于图像处理与分析技术领域，涉及一种图像边缘点的判定方法。
背景技术
在海洋水下图像的分析过程中，特别是对于图片轮廓的处理，对于边界处灰度值变化比较剧烈的地方，就定义为边缘，也就是拐点，拐点是指函数发生凹凸性变化的点。由于在海水水下图像的采集过程中，经常会存在干扰因素，导致检测到图像的像素信号发生无规律的变化，造成噪声和模糊的存在，使检测到的图像边界可能会变宽或在某点处发生间断，很难快速找到水下图像边缘轮廓的位置等纹理信息，影响海水水下图像的分析结果。
发明内容
为解决上述技术问题，本发明提供了一种海水水下图像边缘点的判定方法，在测量海水水下图像的基础上，为提取图像的边缘轮廓，进行分析细化，建立卷积核，计算图像中每个点的卷积，以达到快速找到图像边缘点，提高图像分析的效率和准确度的目的。
为达到上述目的，本发明采用的技术方案如下：
一种海水水下图像边缘点的判定方法，包括以下步骤：
(1)把图像变为灰度图像，并计算图像的宽度和高度；
(2)根据卷积核大小及系数，建立卷积因子；
(3)遍历图像宽度左右各减去卷积半径、高度上下各减去卷积半径的图像数据；
(4)计算每个像素点与卷积核的卷积得到的卷积结果作为该像素点的卷积和；
(5)重新遍历图像宽度左右各减去(卷积半径+1)，高度上下各减去(卷积半径+1)的图像数据；
(6)存在以下任一情况，则判定该点为边缘点：
左边卷积和与右边卷积和的乘积为负数；
上边卷积和与下边卷积和的乘积为负数；
左上边卷积和与右下边卷积和的乘积为负数；
左下边卷积和与右上边卷积和的乘积为负数。
上述方案中，所述步骤(2)中，遍历宽度x和高度y，从负的卷积半径，到正的卷积半径，计算该卷积核的值，计算公式如下：
其中，i为宽度x的遍历位置，j为高度y的遍历位置，d为系数delta，Kernelij为第(i，j)位置上的卷积核的值。
上述方案中，所述步骤(4)中，该像素点卷积和的计算为以该点为中心的卷积核大小的矩阵，与乘积卷积核做矩阵乘法所得到矩阵各个元素的和。
本发明提供的海水水下图像边缘点的判定方法，不受累积时间的限制，也不受海洋环境干扰的限制，能够快速进行海水水下图片的边缘点的判定，以达到提高水下图像分析的效率和准确度的目的。
附图说明
图1为本发明实施例所公开的快速海水水下图像边缘点的判定方法流程示意图；
图2卷积核9*9的计算图表；
图3为本发明实施例中提供的原始图像；
图4为采用本发明的方法提取出的图像边缘点。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供的海水水下图像边缘点的判定方法，流程如图1所示，具体步骤如下：
S101、把图像转换为灰度图像，并计算图像的宽度和高度。计算的图像为一个通道的灰度图像；图像的宽度和高度为图像在宽和高的像素个数，也就是图像数据的列和行。
在本实施实例中，采集的水下图像的宽为640个像素，高为480个像素的单通道的灰度图像。如果图像为三通道的彩色图像，需要转变为单通道的灰度图像。
S102、根据卷积核大小和系数，建立卷积因子。卷积核大小一般为奇数个，如3、5、7、9，所对应的卷积半径为1、2、3、4。卷积系数为delta，根据实际情况而定。
本系统采用卷积系数为1.6，卷积核大小为9，卷积半径为4，卷积因子为一个矩阵。
遍历x和y，从负的卷积半径，到正的卷积半径，计算该点的卷积核的值，计算公式如下：i为x的遍历位置，j为y的遍历位置，d为系数delta。Kernelij为第(i，j)位置上的卷积核的值。
在本实施例中，遍历从第-4列到第4列，遍历从第-4行到第4行。Kernelij第(0,0)元素的值为i为-4，j为-4，d＝1.6,代入上面的公式中，计算的到的值，Kernel矩阵为9*9的一个卷积核矩阵。
S103、遍历图像宽度左右各减去卷积半径，高度上下各减去卷积半径的图像数据。宽度为卷积半径到宽度－卷积半径；高度为卷积半径到高度－卷积半径。
在本实施例中，宽度遍历从第4列到第635列，高度遍历从第4行到第475行，取得该位置的像素作为中心位置，计算以该点为中心，卷积核大小范围，也就是该点上下左右各4个点作为一个矩阵，与卷积核进行卷积运算。遍历区域范围如表1所示。
表1遍历区域范围
S104、计算每个像素点与卷积核的卷积得到的卷积结果作为该像素点的卷积和。该像素点卷积和的计算为以该点为中心的卷积核大小的矩阵，与乘积卷积核做矩阵乘法所得到矩阵各个元素的和。
在本实施例中，以该点为中心的卷积核大小的矩阵，与乘积卷积核做矩阵乘法所得到矩阵为9*9的矩阵，如图2所示。把这所有元素，也就是81个值都相加，得到矩阵各个元素的和，为该像素点的卷积和。
S105、重新遍历图像宽度左右各减去(卷积半径+1)，高度上下各减去(卷积半径+1)的图像数据；宽度为卷积半径到宽度－(卷积半径+1)；高度为卷积半径到高度－(卷积半径+1)。
在本实施例中，如表2所示，宽度遍历从第5列到第634列，高度遍历从第5行到第474行，取得该位置的像素作为中心位置，计算以该点为中心，判断图像的边缘点，也就是整个图像的最边上的半径范围内的像素，不在判断之内。
表2遍历区域范围
S106、如果存在以下任一情况，则判定该点为边缘点：
左边卷积和与右边卷积和的乘积为负数；
上边卷积和与下边卷积和的乘积为负数；
左上边卷积和与右下边卷积和的乘积为负数；
左下边卷积和与右上边卷积和的乘积为负数。
在本实施例中，把所有像素点都置为0，也就是黑色，如果上述其中一个条件成立，将该像素点置为255，也就是白色，所有白色的点都为图像的边缘点。即判断每个点相对位置是否一个正数，一个负数，如果为真，该像素点就可以判定为图像的边缘点，多个边缘点组成的图像数据为边缘提取的轮廓。
采用本发明的方法对海水水下图像进行边缘点的判断提取，原始图像如图3所示，提取的边缘点如图4所示。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种海水水下图像边缘点的判定方法，其特征在于，包括以下步骤：
(1)计算灰度图像的宽度和高度；
(2)根据卷积核大小及系数，建立卷积因子；
(3)遍历图像宽度左右各减去卷积半径、高度上下各减去卷积半径的图像数据；
(4)计算每个像素点与卷积核的卷积得到的卷积结果作为该像素点的卷积和；
(5)重新遍历图像宽度左右各减去(卷积半径+1)，高度上下各减去(卷积半径+1)的图像数据；
(6)存在以下任一情况，则判定该点为边缘点：
左边卷积和与右边卷积和的乘积为负数；
上边卷积和与下边卷积和的乘积为负数；
左上边卷积和与右下边卷积和的乘积为负数；
左下边卷积和与右上边卷积和的乘积为负数。
2.根据权利要求1所述的海水水下图像边缘点的判定方法，其特征在于，所述步骤(2)中，遍历宽度x和高度y，从负的卷积半径，到正的卷积半径，计算该卷积核的值，计算公式如下：
其中，i为宽度x的遍历位置，j为高度y的遍历位置，d为系数delta，Kernelij为第(i，j)位置上的卷积核的值。
3.根据权利要求1所述的海水水下图像边缘点的判定方法，其特征在于，所述步骤(4)中，该像素点卷积和的计算方法为：以该点为中心的卷积核大小的矩阵，与乘积卷积核做矩阵乘法所得到矩阵各个元素的和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011443381.2A CN112669339B (zh) | 2020-12-08 | 2020-12-08 | 一种海水水下图像边缘点的判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011443381.2A CN112669339B (zh) | 2020-12-08 | 2020-12-08 | 一种海水水下图像边缘点的判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669339A CN112669339A (zh) | 2021-04-16 |
| CN112669339B true CN112669339B (zh) | 2022-04-15 |
Family
ID=75402066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011443381.2A Active CN112669339B (zh) | 2020-12-08 | 2020-12-08 | 一种海水水下图像边缘点的判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669339B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202997A (zh) * | 2016-06-29 | 2016-12-07 | 四川大学 | 一种基于深度学习的细胞分裂检测方法 |
| CN111652817A (zh) * | 2020-05-28 | 2020-09-11 | 大连海事大学 | 一种基于人眼视觉感知机理的水下图像清晰化方法 |
| CN111950376A (zh) * | 2020-07-15 | 2020-11-17 | 杭州电子科技大学 | 强方向加权边缘检测及rnl拟合优度的眼睑定位方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101968881B (zh) * | 2010-10-27 | 2012-07-18 | 东南大学 | 一种运动模糊和散焦复合模糊的图像复原方法 |
| US10878310B2 (en) * | 2016-11-29 | 2020-12-29 | Mellanox Technologies, Ltd. | Accelerated convolution in convolutional neural networks |
| US11122981B2 (en) * | 2019-05-17 | 2021-09-21 | Massachusehis Institute Of Technology | Arterial wall characterization in optical coherence tomography imaging |
| CN110363287B (zh) * | 2019-07-01 | 2021-07-13 | 西安交通大学 | 一种面向内存计算和室内是否有人的神经网络设计方法 |
| CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
| CN111709301B (zh) * | 2020-05-21 | 2023-04-28 | 哈尔滨工业大学 | 一种冰壶球运动状态估计方法 |
| CN111798542B (zh) * | 2020-09-10 | 2020-12-22 | 北京易真学思教育科技有限公司 | 模型训练方法、数据处理方法及装置、设备、存储介质 |
-
2020
- 2020-12-08 CN CN202011443381.2A patent/CN112669339B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202997A (zh) * | 2016-06-29 | 2016-12-07 | 四川大学 | 一种基于深度学习的细胞分裂检测方法 |
| CN111652817A (zh) * | 2020-05-28 | 2020-09-11 | 大连海事大学 | 一种基于人眼视觉感知机理的水下图像清晰化方法 |
| CN111950376A (zh) * | 2020-07-15 | 2020-11-17 | 杭州电子科技大学 | 强方向加权边缘检测及rnl拟合优度的眼睑定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669339A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
| KR101795823B1 (ko) | 광학 문자 인식되는 텍스트 영상의 텍스트 개선 기법 | |
| CN107679436B (zh) | 一种适用于弯曲形变二维码的图像修正方法 | |
| CN112950508A (zh) | 一种基于计算机视觉的排水管道视频数据修复方法 | |
| CN107169953B (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
| CN113689428A (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
| CN111753577A (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
| CN110738106A (zh) | 一种基于fpga的光学遥感图像船舶检测方法 | |
| CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
| CN113793337A (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
| CN112767359A (zh) | 复杂背景下的钢板角点检测方法及系统 | |
| CN109543686A (zh) | 基于自适应多阈值的字符识别预处理二值化方法 | |
| CN115797813A (zh) | 基于航拍图像的水环境污染检测方法 | |
| CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN112669339B (zh) | 一种海水水下图像边缘点的判定方法 | |
| CN111429437B (zh) | 面向目标检测的图像无参考清晰度质量检测方法 | |
| CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
| WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
| CN114612333B (zh) | 一种基于显微镜图像的微囊藻类细胞统计方法 | |
| CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
| CN115511884A (zh) | 基于计算机视觉的冲孔复合模表面质量检测方法 |
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 |