CN112801111B - 基于梯度方向的图像直线边缘点分类方法及装置 - Google Patents
基于梯度方向的图像直线边缘点分类方法及装置 Download PDFInfo
- Publication number
- CN112801111B CN112801111B CN202011507207.XA CN202011507207A CN112801111B CN 112801111 B CN112801111 B CN 112801111B CN 202011507207 A CN202011507207 A CN 202011507207A CN 112801111 B CN112801111 B CN 112801111B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- pixel
- point
- distance
- 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 35
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于梯度方向的图像直线边缘点分类方法、装置及存储介质,本发名能够通过将目标图像进行预处理得到理想的二值化图像,之后对二值化图像的每条边缘进行分类,再对每一个边缘进行直线拟合能有效地避免干扰直线的产生,能够提高定位测量的精度和准确度。本发明将检测到的零件的每条直线边缘进行分类,再对每一个边缘进行直线拟合能有效地避免干扰直线的产生,本发明方法在零件定位测量等需要用到图像的边缘信息的场合,能够准确地将零件的若干直线边缘进行分类,为后续边缘的拟合提供了准确的边缘点,使检测结果更加准确。
Description
技术领域
本公开涉及计算机视觉技术领域,具体涉及基于梯度方向的图像直线边缘点分类方法、装置及存储介质。
背景技术
在视觉测量系统中,对待测物体进行定位测量首要工作是识别零件的边缘,然后对边缘进行直线或曲线的拟合,最后计算零件的尺寸、零件的位置等。在直线边缘拟合过程中由于零件形状的不规则,形成的直线边缘的长度不一,这使得在使用霍夫直线检测等算法对零件的直线边缘进行检测时容易产生干扰直线,使得检测结果产生误差。而通过调整直线检测阀值同样难以消除干扰直线。
发明内容
本公开旨在至少解决上述问题之一,提供基于梯度方向的图像直线边缘点分类方法、装置及存储介质。
为了实现上述目的,根据本公开的一方面,提供基于梯度方向的图像直线边缘点分类方法,所述方法包括以下步骤:
步骤101、获取目标图像;
步骤102、对所述目标图像进行预处理得到目标图像的二值化图像作为第一图像;
步骤103、对所述第一图像进行边缘检测得到所述第一图像的像素级边缘图像作为第二图像,遍历所述第二图像获取所述第二图像的像素边缘点的数量n以及每个所述像素边缘点的坐标;
步骤104、在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn;
步骤105、对每个所述像素边缘点的边缘方向角度θn进行投票计数,获取票数排名在前i个的边缘方向角度θi,定义j=0;
步骤106、计算边缘方向角度θj所对应的边缘方向的斜率kn,取kj=1/kn,θj包含于θi,将每个像素边缘点投影到直线y=kj*x上形成对应的投影点,并计算每个像素边缘点对应的投影点到坐标原点的距离dn;
步骤107、对计算得出的每一个距离dn进行投票计数,获取排名在前t的对应的距离dt;
步骤108、将所述排名在前t的对应的每一个距离dt所对应的边缘像素点提取出来所形成的点集即为对应的一条边缘,并最终得到t条边缘;
步骤109、令j=j+1,判断j是否大于i,若是则输出最终得到所有边缘,若否则重复执行步骤106至步骤109直到循环结束。
进一步,上述步骤102中的预处理包括图像灰度化、图像种植滤波、形态学处理中的一种或多种的图像噪声去除方法以及图像二值化处理。
进一步,上述步骤103中的边缘检测所采用的算子为canny算子。
进一步,上述步骤104中在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn具体包括以下:
在获取的每个像素边缘点坐标所对应的原图的像素的3x3邻域与Sobel算子Gx、Gy矩阵进行点成,获得该边缘像素点的x方向梯度和y方向梯度,Gy/Gx则为边缘的法向方向的斜率,由于边缘方向与边缘的法向方向相互垂直,通过反三角函数求得边缘方向角度θn,
其中采用的Sobel算子具体为,
进一步,上述步骤105中对每个所述像素边缘点的边缘方向角度θn进行投票计数的方式具体为,
建立表格,其中横坐标从0到180,单位为一度,纵坐标表示该角度θn出现次数,即该角度θn的投票数。
进一步,上述步骤107中对计算得出的每一个距离dn进行投票计数的方式具体为,建立表格,其中横坐标从0到a,其中横坐标代表投影点到坐标原点距离,单位为1,纵坐标表示该距离d出现次数,即该距离的投票数。
本发明还提出基于梯度方向的图像直线边缘点分类装置,所述装置应用于所述的基于梯度方向的图像直线边缘点分类方法,包括:
目标图像获取模块,用于获取目标图像;
预处理模块,用于对所述目标图像进行预处理得到目标图像的二值化图像作为第一图像;
边缘检测模块,用于对所述第一图像进行边缘检测得到所述第一图像的像素级边缘图像作为第二图像,遍历所述第二图像获取所述第二图像的像素边缘点的数量n以及每个所述像素边缘点的坐标;
梯度计算模块,用于在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn;
边缘方向角度筛选模块,用于对每个所述像素边缘点的边缘方向角度θn进行投票计数,获取票数排名在前i个的边缘方向角度θi,定义j=0;
距离计算模块,用于计算边缘方向角度θj所对应的边缘方向的斜率kn,取kj=1/kn,θj包含于θi,将每个像素边缘点投影到直线y=kj*x上形成对应的投影点,并计算每个像素边缘点对应的投影点到坐标原点的距离dn;
距离筛选模块,用于对计算得出的每一个距离dn进行投票计数,获取排名在前t的对应的距离dt;
边缘提取模块,用于将所述排名在前t的对应的每一个距离dt所对应的边缘像素点提取出来所形成的点集即为对应的一条边缘,并最终得到t条边缘;
判断模块,用于令j=j+1,判断j是否大于i,若是则输出最终得到所有边缘,若否则重复执行步骤106至步骤109直到循环结束。
本发明还提出一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于梯度方向的图像直线边缘点分类方法的步骤。
本公开的有益效果为:本发明提供基于梯度方向的图像直线边缘点分类方法、装置及存储介质,通过将目标图像进行预处理得到理想的二值化图像,之后对二值化图像的每条边缘进行分类,再对每一个边缘进行直线拟合能有效地避免干扰直线的产生,能够提高定位测量的精度和准确度。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为基于梯度方向的图像直线边缘点分类方法的流程图;
图2所示为基于梯度方向的图像直线边缘点分类算法的流程图;
图3所示为基于梯度方向的图像直线边缘点分类方法的点投影到直线的方法示意图;
图4所示为一个实施方式中的实施结果图;
图5所示为另一个实施方式中的实施结果图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参照图1、图2以及图3所示为根据本公开的基于梯度方向的图像直线边缘点分类方法的流程图,下面来阐述根据本公开的实施方式的基于梯度方向的图像直线边缘点分类方法。
本公开提出基于梯度方向的图像直线边缘点分类方法,所述方法包括以下步骤:
所述方法包括以下步骤:
步骤101、获取目标图像;
步骤102、对所述目标图像进行预处理得到目标图像的二值化图像作为第一图像;
步骤103、对所述第一图像进行边缘检测得到所述第一图像的像素级边缘图像作为第二图像,遍历所述第二图像获取所述第二图像的像素边缘点的数量n以及每个所述像素边缘点的坐标;
步骤104、在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn;
步骤105、对每个所述像素边缘点的边缘方向角度θn进行投票计数,获取票数排名在前i个的边缘方向角度θi,定义j=0;
步骤106、计算边缘方向角度θj所对应的边缘方向的斜率kn,取kj=1/kn,θj包含于θi,将每个像素边缘点投影到直线y=kj*x上形成对应的投影点,并计算每个像素边缘点对应的投影点到坐标原点的距离dn;
步骤107、对计算得出的每一个距离dn进行投票计数,获取排名在前t的对应的距离dt;
步骤108、将所述排名在前t的对应的每一个距离dt所对应的边缘像素点提取出来所形成的点集即为对应的一条边缘,并最终得到t条边缘;
步骤109、令j=j+1,判断j是否大于i,若是则输出最终得到所有边缘,若否则重复执行步骤106至步骤109直到循环结束。
在本实施例1中,通过将目标图像进行预处理得到理想的二值化图像,之后对二值化图像的每条边缘进行分类,再对每一个边缘进行直线拟合能有效地避免干扰直线的产生,能够提高定位测量的精度和准确度。
相对应的算法的流程包括如下,
步骤1:通过计算机程序控制相机获取一张待测物体的图像。
步骤2:在对图像进行边缘检测前需要对图像进行图像的预处理,以消除噪声的干扰。常用的图像预处理的方法有图像灰度化、图像中值滤波、形态学处理等去除图像噪声。然后通过图像二值化突出边缘信息。
步骤3:利用canny算子对图像进行边缘检测,获取图像的像素级边缘。通过遍历整幅canny算子处理后的边缘图像获得每一个像素边缘点的坐标信息。
步骤4:在获取的每个像素边缘点坐标所对应的原图的像素的3x3邻域与Sobel算子Gx、Gy矩阵进行点成,获得该边缘像素点的x方向梯度和y方向梯度。则Gy/Gx则为边缘的法向方向的斜率。由于边缘方向与边缘法向方向垂直,所以可以通过反三角函数求得边缘方向的角度θ,
其中采用的Sobel算子具体为,
步骤5:建立表格,其中横坐标从0到180,单位为一度。纵坐标表示该角度θ出现次数,即该角度θ的投票数。通过将步骤4中求得的每个边缘像素点的边缘角度进行投票计数,设置合适的阀值可以获得图像每条边缘的边缘方向角度θi,作为待分类边缘的边缘方向角度。并初始化j=0。
其中相应的阈值的设置原则遵循以下:
阀值设置的数值跟所分类的轮廓有关,如:若待检测图像中的轮廓为规则的矩形,则会产生两个不同方向的边缘,获取投票数排名在前两名的边缘方向角度作为边缘角度,此时的阀值为2;若检测的四边形为不规则的四边形,则会产生四个不同角度的边缘,通过获取投票数前四名的边缘方向角度作为边缘角度,此时的阀值为4,以此类推。
步骤6:通过循环结构遍历每条边缘角度,在每次循环中,计算边缘方向θj的斜率kj取将每个像素点投影到直线y=kjx上,并计算投影点到原点(0,0)的距离dn。具体例子如图3所示,其中p0,p1,p2为三个边缘点,k为边缘方向的法向方向的斜率,其中k=kj。求三个点在直线y=kjx上的投影点可以通过求直线y=kjx与直线/>的交点获得。求得交点坐标为x1'=(x0+ky0)/(k2+1),y1'=kjx1,投影点与原点距离为
步骤7:建立表格,其中横坐标从0到a,其中a为图像右下角离图像原点的距离,单位为1。纵坐标表示该距离d出现次数,即该距离的投票数。通过将步骤7中求得的每个边缘像素点在直线y=kjx上的投影点到原点的距离的投票数,设置合适的阀值可以获得与该与直线垂直的边缘的所有像素点投影到直线y=kjx的距离ds。
步骤7中阈值设置的方式具体遵循以下:
此处阀值设置的数值跟每条边缘的长度有关,例如,假设边缘点投影到与某一边缘角度垂直的直线上,并且投影点离图像原点距离相同都为dn,且这样的边缘点数目超过10个(即投票数超过10)可以作为一个边缘。则此时的投票计数阀值为10,以此类推。
步骤8:通过再次计算每个像素点到投影直线y=kjx的距离或者从步骤6中提取每个边缘点在投影直线上的投影点与原点的距离的信息,通过判断d=ds可以筛选出与直线y=kjx垂直的所有边缘的像素点,设j=j+1。
步骤9:通过判断j<i,判断是否结束循环结构,若没有返回步骤6。
具体的,在一次具体的实验中,本发明在Window10、Visual Studio 2015环境下,结合Opencv3.4.5进行了仿真实验,实验效果如图4和图5,实验时对于矩形轮廓进行边缘点分类可以投票出两个边缘方向的角度,每个角度中包含了两条边缘。将所有边缘像素点分别投影到两个边缘方向的法向方向的直线上,可以计算出每个投影点到原点的距离,由此每个方向可以分类出两个边缘的点集,最后得到四条边缘的四个不同的点集。通过每个点集拟合一条直线能准确找出相关的边缘,边缘点的准确率高。
本发明方法在零件定位测量等需要用到图像的边缘信息的场合,能够准确地将零件的若干直线边缘进行分类,为后续边缘的拟合提供了准确的边缘点,使检测结果更加准确。
本发明还提出基于梯度方向的图像直线边缘点分类装置,所述装置应用于所述的基于梯度方向的图像直线边缘点分类方法,包括:
目标图像获取模块100,用于获取目标图像;
预处理模块200,用于对所述目标图像进行预处理得到目标图像的二值化图像作为第一图像;
边缘检测模块300,用于对所述第一图像进行边缘检测得到所述第一图像的像素级边缘图像作为第二图像,遍历所述第二图像获取所述第二图像的像素边缘点的数量n以及每个所述像素边缘点的坐标;
梯度计算模块400,用于在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn;
边缘方向角度筛选模块500,用于对每个所述像素边缘点的边缘方向角度θn进行投票计数,获取票数排名在前i个的边缘方向角度θi,定义j=0;
距离计算模块,用于计算边缘方向角度θj所对应的边缘方向的斜率kn,取kj=1/kn,θj包含于θi,将每个像素边缘点投影到直线y=kj*x上形成对应的投影点,并计算每个像素边缘点对应的投影点到坐标原点的距离dn;
距离筛选模块,用于对计算得出的每一个距离dn进行投票计数,获取排名在前t的对应的距离dt;
边缘提取模块,用于将所述排名在前t的对应的每一个距离dt所对应的边缘像素点提取出来所形成的点集即为对应的一条边缘,并最终得到t条边缘;
判断模块,用于令j=j+1,判断j是否大于i,若是则输出最终得到所有边缘,若否则重复执行步骤106至步骤109直到循环结束。
在应用了上述方法后的本实施例2,能够应用在零件定位测量等需要用到图像的边缘信息的场合,能够准确地将零件的若干直线边缘进行分类,为后续边缘的拟合提供了准确的边缘点,使检测结果更加准确。
本发明还提出一种计算机可读存储的介质,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于梯度方向的图像直线边缘点分类方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。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,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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储的介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (6)
1.基于梯度方向的图像直线边缘点分类方法,其特征在于,所述基于梯度方向的图像直线边缘点分类方法包括以下步骤:
步骤101、获取目标图像;
步骤102、对所述目标图像进行预处理得到目标图像的二值化图像作为第一图像;
步骤103、对所述第一图像进行边缘检测得到所述第一图像的像素级边缘图像作为第二图像,遍历所述第二图像获取所述第二图像的像素边缘点的数量n以及每个所述像素边缘点的坐标;
步骤104、在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn;
步骤105、对每个所述像素边缘点的边缘方向角度θn进行投票计数,获取票数排名在前i个的边缘方向角度θi,同时定义j=0;
步骤106、计算边缘方向角度θj所对应的边缘方向的斜率kn,取kj=1/kn,θj包含于θi,将每个像素边缘点投影到直线y=kj*x上形成对应的投影点,并计算每个像素边缘点对应的投影点到坐标原点的距离dn;
步骤107、对计算得出的每一个距离dn进行投票计数,获取排名在前t的对应的距离dt;
步骤108、将所述排名在前t的对应的每一个距离dt所对应的边缘像素点提取出来所形成的点集即为对应的一条边缘,并最终得到t条边缘;
步骤109、令j=j+1,判断j是否大于i,若是则输出最终得到所有边缘,若否则重复执行步骤106至步骤109直到循环结束;
上述步骤105中对每个所述像素边缘点的边缘方向角度θn进行投票计数的方式具体为,
建立表格,其中横坐标从0到180,单位为一度,纵坐标表示该角度θn出现次数,即该角度θn的投票数;
上述步骤107中对计算得出的每一个距离dn进行投票计数的方式具体为,建立表格,其中横坐标从0到a,其中横坐标代表投影点到坐标原点距离,单位为1,纵坐标表示该距离d出现次数,即该距离的投票数。
2.根据权利要求1所述的基于梯度方向的图像直线边缘点分类方法,其特征在于,上述步骤102中的预处理包括图像灰度化、图像种植滤波、形态学处理中的一种或多种的图像噪声去除方法以及图像二值化处理。
3.根据权利要求1所述的基于梯度方向的图像直线边缘点分类方法,其特征在于,上述步骤103中的边缘检测所采用的算子为canny算子。
4.根据权利要求1所述的基于梯度方向的图像直线边缘点分类方法,其特征在于,上述步骤104中在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn具体包括以下:
在获取的每个像素边缘点坐标所对应的原图的像素的3x3邻域与Sobel算子Gx、Gy矩阵进行点成,获得该边缘像素点的x方向梯度和y方向梯度,Gy/Gx则为边缘的法向方向的斜率,由于边缘方向与边缘的法向方向相互垂直,通过反三角函数求得边缘方向角度θn,
其中采用的Sobel算子具体为,
Gx
Gy 。
5.基于梯度方向的图像直线边缘点分类装置,其特征在于,所述装置应用于所述的基于梯度方向的图像直线边缘点分类方法,包括:
目标图像获取模块,用于获取目标图像;
预处理模块,用于对所述目标图像进行预处理得到目标图像的二值化图像作为第一图像;
边缘检测模块,用于对所述第一图像进行边缘检测得到所述第一图像的像素级边缘图像作为第二图像,遍历所述第二图像获取所述第二图像的像素边缘点的数量n以及每个所述像素边缘点的坐标;
梯度计算模块,用于在每个所述像素边缘点的坐标对应的第一图像的位置进行边缘方向的梯度计算,得到每个所述像素边缘点的边缘方向角度θn;
边缘方向角度筛选模块,用于对每个所述像素边缘点的边缘方向角度θn进行投票计数,获取票数排名在前i个的边缘方向角度θi,定义j=0;
距离计算模块,用于计算边缘方向角度θj所对应的边缘方向的斜率kn,取kj=1/kn,θj包含于θi,将每个像素边缘点投影到直线y=kj*x上形成对应的投影点,并计算每个像素边缘点对应的投影点到坐标原点的距离dn;
距离筛选模块,用于对计算得出的每一个距离dn进行投票计数,获取排名在前t的对应的距离dt;
边缘提取模块,用于将所述排名在前t的对应的每一个距离dt所对应的边缘像素点提取出来所形成的点集即为对应的一条边缘,并最终得到t条边缘;
判断模块,用于令j=j+1,判断j是否大于i,若是则输出最终得到所有边缘,若否则重复执行步骤106至步骤109直到循环结束;
其中,
对每个所述像素边缘点的边缘方向角度θn进行投票计数的方式具体为,
建立表格,其中横坐标从0到180,单位为一度,纵坐标表示该角度θn出现次数,即该角度θn的投票数;
对计算得出的每一个距离dn进行投票计数的方式具体为,建立表格,其中横坐标从0到a,其中横坐标代表投影点到坐标原点距离,单位为1,纵坐标表示该距离d出现次数,即该距离的投票数。
6.一种计算机可读存储的介质,其特征在于,所述计算机可读存储的介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的基于梯度方向的图像直线边缘点分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507207.XA CN112801111B (zh) | 2020-12-18 | 2020-12-18 | 基于梯度方向的图像直线边缘点分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507207.XA CN112801111B (zh) | 2020-12-18 | 2020-12-18 | 基于梯度方向的图像直线边缘点分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801111A CN112801111A (zh) | 2021-05-14 |
CN112801111B true CN112801111B (zh) | 2023-05-26 |
Family
ID=75806994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507207.XA Active CN112801111B (zh) | 2020-12-18 | 2020-12-18 | 基于梯度方向的图像直线边缘点分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801111B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035105B (zh) * | 2022-08-10 | 2022-10-25 | 山东西曼克技术有限公司 | 一种agv小车转向控制的多维数据融合、决策方法 |
CN115330826B (zh) * | 2022-08-11 | 2024-02-20 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
CN115438702A (zh) * | 2022-10-18 | 2022-12-06 | 国网山东省电力公司营销服务中心(计量中心) | 一种电力线载波信道噪声检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647697A (zh) * | 2018-05-11 | 2018-10-12 | 武汉鸿瑞达信息技术有限公司 | 一种基于改进Hough变换的目标边界检测方法和装置 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509338B (zh) * | 2011-09-20 | 2014-05-07 | 北京航空航天大学 | 一种基于轮廓骨架图的视频场景行为生成方法 |
JP5783567B2 (ja) * | 2011-10-12 | 2015-09-24 | 国立大学法人鳥取大学 | 直線検出装置、直線検出方法、直線検出プログラム及び撮影システム |
US10489677B2 (en) * | 2017-09-07 | 2019-11-26 | Symbol Technologies, Llc | Method and apparatus for shelf edge detection |
CN111178193A (zh) * | 2019-12-18 | 2020-05-19 | 深圳市优必选科技股份有限公司 | 一种车道线的检测方法、检测装置及计算机可读存储介质 |
CN111640154B (zh) * | 2020-05-24 | 2022-04-05 | 西安交通大学 | 一种基于显微视觉的立针微平面亚像素级定位方法 |
-
2020
- 2020-12-18 CN CN202011507207.XA patent/CN112801111B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647697A (zh) * | 2018-05-11 | 2018-10-12 | 武汉鸿瑞达信息技术有限公司 | 一种基于改进Hough变换的目标边界检测方法和装置 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112801111A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801111B (zh) | 基于梯度方向的图像直线边缘点分类方法及装置 | |
CN111758024B (zh) | 一种缺陷检测方法及装置 | |
US9704259B2 (en) | People counting device and people counting method | |
DE102016013274A1 (de) | Bildverarbeitungsvorrichtung und verfahren zur erkennung eines bilds eines zu erkennenden objekts aus eingabedaten | |
WO2014018482A2 (en) | Form recognition method and device | |
CN103810474A (zh) | 一种基于多特征低秩矩阵表示的车牌检测方法 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
JPH05101183A (ja) | 直線からなる物体の画像整合方法及び装置 | |
EP1725975A2 (en) | Method, apparatus and program for detecting an object | |
JP2008171417A (ja) | 画像内の略矩形のオブジェクトを検出する方法、画像内のバックグラウンド色を推定する方法、コンピュータ可読媒体、画像内の略矩形のオブジェクトを検出する装置、および画像内のバックグラウンド色を推定する装置 | |
CN105894521A (zh) | 基于高斯拟合的亚像素边缘检测方法 | |
US11074443B2 (en) | Method and device for acquiring slant value of slant image, terminal and storage medium | |
CN112017232A (zh) | 图像内圆形图案的定位方法、装置及设备 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN114862929A (zh) | 三维目标检测方法、装置、计算机可读存储介质及机器人 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN116128873A (zh) | 一种基于图像识别的轴承保持器检测方法、设备及介质 | |
CN110288619B (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
CN114972531A (zh) | 一种标定板、角点检测方法、设备及可读存储介质 | |
CN111080542A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN104573698B (zh) | 面向成像测量的图像纹理主方向识别方法 | |
DE112021002781T5 (de) | Verfahren und Apparate zum Erzeugen von Punktwolkenhistogrammen | |
CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 | |
CN108510636B (zh) | 图像分割方法、图像分割装置及终端设备 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 |
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 |