CN112819844A - 一种图像边缘检测方法及装置 - Google Patents
一种图像边缘检测方法及装置 Download PDFInfo
- Publication number
- CN112819844A CN112819844A CN202110124787.2A CN202110124787A CN112819844A CN 112819844 A CN112819844 A CN 112819844A CN 202110124787 A CN202110124787 A CN 202110124787A CN 112819844 A CN112819844 A CN 112819844A
- Authority
- CN
- China
- Prior art keywords
- gradient
- image
- thresh
- low
- edge
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种图像边缘检测方法及装置。所述图像边缘检测方法包括如下步骤:1)获取待检测图像,计算图像中各个像素点的梯度值,其中,像素点A(i,j)的梯度值为G(i,j);2)确定高梯度阈值high_thresh和低梯度阈值low_thresh;3)比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,判断像素点A(i,j)是否为边缘像素点,全部所述边缘像素点组成所检测的边缘;其中,待检测图像的大小为m×n像素,所述i∈[1,m],j∈[1,n];在所述的步骤2)中,根据步骤1)中得到的梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh。本发明根据图像本身的多个梯度值确定用于判断边缘像素点的阈值,避免了图像亮度对检测结果的影响,所得边缘检测结果更加准确。
Description
技术领域
本发明属于图像处理技术领域,具体地说,涉及一种图像边缘检测方法及装置。
背景技术
现有技术中,一种对图像进行边缘检测的方法是通过计算图像的梯度矩阵来实现的。但梯度矩阵中各个元素的梯度值会受到图像本身亮度的影响,当采用同一套标准对不同的图像进行检测时,会导致最终检测效果与图像亮度密切相关。具体地,亮度过低的图像在检测时会出现主要边缘丢失现象,而图像亮度过高时则会出现虚假边缘过多的情况。进而由于无法提取到图像中真实有效的边缘,会对图像的后续分析产生影响。
目前大多刨花板生产企业都是依靠工人在连续生产线上用肉眼检测,判断生产出的刨花板板面是否存在缺陷,效率低下,漏检率和误检率高,目前还没有自动化的检测系统投入生产应用。机器视觉技术是工业无损检测技术的主流,使用机器视觉技术进行板面缺陷检测具有检测速度快、精度高、运行稳定等优点。
将机器视觉技术应用于板面缺陷检测的前提是对采集到的图像中的板面区域进行准确定位。但由于生产车间光照条件复杂,光线会实时发生变化,导致在不同时间采集到的板面图像亮度不同,按照常规检测方法进行边缘检测会导致检测结果的准确性出现浮动。例如,图1(a)至图1(c)所示分别为不同光照条件下采集到的板面图像,图2(a)至图2(c)所示分别为对应的边缘检测图像。可以看出,图像亮度较低时,检测出的板面边缘不完整,而当图像较亮时,检测结果中,尤其是在板面本身的范围内出现了很多虚假边缘。
板面边缘检测若出现错误,将直接影响对图像中板面区域的准确定位,造成所圈定的板面区域包含背景部分,或者部分板面缺失的情况,进而在检测板面缺陷时会出现漏检或误检的现象。因此,需要设计一种稳定的边缘检测算法,使检测结果不再受图像亮度的影响,对不同亮度的图像都能检测出主要边缘,减少虚假边缘。
有鉴于此,特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足,提供一种图像边缘检测方法及装置,可以使检测结果不受图像本身的亮度影响,对于不同亮度条件下采集的图像均可实现边缘的准确检测。
为解决上述技术问题,本发明采用技术方案的基本构思是:
一种图像边缘检测方法,包括如下步骤:
1)获取待检测图像,计算图像中各个像素点的梯度值,其中,像素点A(i,j)的梯度值为G(i,j);
2)确定高梯度阈值high_thresh和低梯度阈值low_thresh;
3)比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,判断像素点A(i,j)是否为边缘像素点,全部所述边缘像素点组成所检测的边缘;
其中,待检测图像的大小为m×n像素,所述i∈[1,m],j∈[1,n];
其特征在于,在所述的步骤2)中,根据步骤1)中得到的梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh。
进一步地,所述的步骤2)具体包括:
预设梯度比例高阈值rh和梯度比例低阈值rl;
将各个梯度值G(i,j)按照大小进行顺序排列,得到梯度值序列Glist;
所述梯度值序列Glist中由大到小第m×n×rh个梯度值作为高梯度阈值high_thresh;
所述梯度值序列Glist中由大到小第m×n×rl个梯度值作为低梯度阈值low_thresh。
进一步地,所述的步骤2)还包括:
计算梯度均值Gavg,其中:
比较各个梯度值G(i,j)与梯度均值Gavg的大小,对于大于等于梯度均值Gavg的各个梯度值G(i,j)进行降序排列得到梯度值序列Glist。
进一步地,所述的步骤3)具体包括:
将各个像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,
若梯度值G(i,j)>high_thresh,则将像素点A(i,j)标记为真边缘点;
若梯度值G(i,j)<low_thresh,则将像素点A(i,j)标记为非边缘点;
若梯度值满足low_thresh≤G(i,j)≤high_thresh,则将像素点A(i,j)标记为弱边缘点;
全部比较完成后,针对被标记为弱边缘点的像素点,判断其周围的八个像素点中是否存在真边缘点;若判断结果为是,则将所述弱边缘点标记为真边缘点,否则标记为非边缘点;
将所有真边缘点标记为边缘像素点,得到所检测的边缘;
优选地,先将待检测图像中相邻的s个像素点的梯度值进行比较,确定其中梯度值最大的像素点,再将该像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记;
更优地,将待检测图像中任意3×3个像素点的梯度值进行比较,取其中梯度值最大的像素点,将该像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记。
进一步地,所述的步骤1)具体包括:
计算像素点A(i,j)在x方向和y方向的梯度Gx(i,j)和Gy(i,j),其中:
计算像素点A(i,j)的梯度值G(i,j),其中:
G(i,j)=|Gx(i,j)|+|Gy(i,j)|。
进一步地,所述步骤3)之后还包括步骤4):将所述边缘像素点的灰度值设置为c,待检测图像中其他像素点的灰度值设置为d,输出所得图像,即为边缘检测图像;
优选地,所述c=225,d=0。
进一步地,所述图像边缘检测方法应用于板材图像的板面区域检测,所述图像边缘检测方法还包括在一定光照条件下采集板材的板面图像,将采集到的板材的板面图像作为待检测图像进行边缘检测,根据检测结果确定板面区域。
本发明的另一目的是提供一种图像边缘检测装置,用于实现上述所述的图像边缘检测方法,包括计算单元、分析单元和输出单元;
所述计算单元用于计算待检测图像中像素点A(i,j)的梯度值G(i,j),以及根据梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh;
所述分析单元与计算单元连接,用于接收计算单元计算的梯度值G(i,j)、高梯度阈值high_thresh和低梯度阈值low_thresh,将梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,以确定像素点A(i,j)是否为边缘像素点;
所述输出单元与分析单元连接,用于接收分析单元得到的所有边缘像素点的坐标(i,j),以输出所检测的边缘。
进一步地,所述分析单元包括相互连接的排序模块和比较模块;所述排序模块与所述计算单元连接,所述比较模块与所述输出单元连接;
所述排序模块用于将接收到的多个梯度值G(i,j)按照大小进行顺序排列,得到梯度值序列Glist,并通过预存的梯度比例高阈值rh和梯度比例低阈值rl从Glist中确认高梯度阈值high_thresh和低梯度阈值low_thresh;
所述比较模块用于比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,根据比较结果确定全部边缘像素点的坐标。
进一步地,所述输出单元包括显示模块,所述显示模块根据所得边缘像素点的坐标,按照所有边缘像素点的灰度值为c,待检测图像中其他像素点的灰度值为d进行显示,输出边缘检测图像。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
本发明的图像边缘检测方法,根据图像自身各个像素点的梯度值确定高、低梯度阈值,用于比较判断边缘像素点,对于不同的图像,其判定边缘像素点的标准也会适应图像自身发生变化,从而避免了图像亮度对边缘检测的影响,提高了边缘检测的准确性。
本发明的图像边缘检测方法,通过预设梯度比例高阈值rh和梯度比例低阈值rl用于计算判定边缘像素点的高、低阈值。对于图像内容相对接近的图像,不同亮度的图像中边缘像素点的梯度值差异较大,但边缘像素点在图像中所占的比例相对接近,因此可以得到与待检测图像自身相适应的检测标准,且检测结果的准确性良好。
本发明的图像边缘检测方法,由于只有高梯度值的像素点会对高、低梯度阈值产生影响,在排序时将低于梯度均值的梯度值全部舍弃进行排序,可以大幅度减少所需的计算量,进而有效提高计算速度。
本发明的图像边缘检测方法用于板材的板面区域检测,可以得到准确的板面边缘位置,从而提高对板面区域位置判定的准确性,有利于后续利用机器视觉技术进行板面缺陷检测。
本发明的图像边缘检测装置,能够实现对待检测图像中边缘像素点的准确判断,得到准确的边缘检测结果。通过显示模块按照不同的灰度值显示边缘像素点与其他像素点,实现边缘检测图像的显示,方便用户直观了解所得边缘检测结果。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,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附图。在附图中:
图1是同一张板材在不同亮度下采集到的板面图像;
图2是图1中的板面图像按照常规检测方法进行检测得到的边缘检测图像;
图3是本发明实施例一中图像边缘检测方法的流程图;
图4是本发明实施例一中同一张板材在不同亮度下采集到的板面图像;
图5是本发明图4中的板面图像按照实施例一所述的图像边缘检测方法进行检测得到的边缘检测图像;
图6是本发明实施例二中图像边缘检测装置的结构框图。
需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
如图3所示,本实施例提供一种图像边缘检测方法,包括如下步骤:
1)获取待检测图像,计算图像中各个像素点的梯度值,其中,像素点A(i,j)的梯度值为G(i,j);
2)确定高梯度阈值high_thresh和低梯度阈值low_thresh;
3)比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,判断像素点A(i,j)是否为边缘像素点,全部所述边缘像素点组成所检测的边缘;
其中,待检测图像的大小为m×n像素,所述i∈[1,m],j∈[1,n]。
在所述的步骤2)中,根据步骤1)中得到的梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh。
在上述方案中,根据计算出的各个像素点的梯度值G(i,j)再进行计算,得到用于判定边缘像素点的高梯度阈值high_thresh和低梯度阈值low_thresh,对于不同亮度的图像,得到的高梯度阈值high_thresh和低梯度阈值low_thresh也不相同。因此,可以得到与待检测图像相适应的判定标准,从而避免了图像亮度对边缘检测的影响,提高了所得边缘检测结果的准确性。
进一步地,所述的步骤2)具体包括:
预设梯度比例高阈值rh和梯度比例低阈值rl;
将各个梯度值G(i,j)按照大小进行顺序排列,得到梯度值序列Glist;
所述梯度值序列Glist中由大到小第m×n×rh个梯度值作为高梯度阈值high_thresh;
所述梯度值序列Glist中由大到小第m×n×rl个梯度值作为低梯度阈值low_thresh。
在上述方案中,确定高梯度阈值high_thresh和低梯度阈值low_thresh后,图像中所有梯度值大于高梯度阈值high_thresh的像素点全部确定为边缘像素点,所有梯度值小于低梯度阈值low_thresh的像素点全部确定为非边缘像素点。梯度值位于高梯度阈值high_thresh和低梯度阈值low_thresh之间的像素点再进行进一步判断,以得到所有边缘像素点。
对于亮度不同的图像,虽然每幅图像中相对应像素点的梯度值大小不同,但图像中边缘位置所对应的像素点在整幅图像中所占的比例基本一致。发明人通过研究不同光照条件下采集到的图像发现,为得到相对准确的边缘检测结果,针对每幅图像所需设定的高、低梯度阈值不同,但通过高、低梯度阈值将所有像素点的梯度值划分为三个区间时,不同图像中处于同一区间内的像素点在整幅图像中所占的比例相对稳定。本实施例中,通过预设梯度比例高阈值rh和梯度比例低阈值rl,然后将待检测图像中各个像素点的梯度值进行排序,从而选取到Glist中由大到小的前rh比例中梯度值最小的作为high_thresh,前rl比例中梯度值最小的作为low_thresh。针对不同光照条件下采集到的图像,预设的梯度比例高阈值rh和梯度比例低阈值rl相同,但得到的高梯度阈值high_thresh和低梯度阈值low_thresh不同,对不同亮度的图像均可以准确地检测图像中的边缘。
进一步地,所述的步骤2)还包括:
计算梯度均值Gavg,其中:
比较各个梯度值G(i,j)与梯度均值Gavg的大小,对于大于等于梯度均值Gavg的各个梯度值G(i,j)进行降序排列得到梯度值序列Glist。
在上述方案中,在待检测图像中,只有梯度值相对较高的像素点才有可能为边缘像素点,因此高梯度阈值high_thresh和低梯度阈值low_thresh的取值在梯度值序列Glist中会较为靠近梯度值较高的一端。因此在对各个像素点的梯度值进行排序时,梯度值偏低的像素点可以舍弃不参与排序,而不会对计算高、低梯度阈值产生影响。由于图像中边缘像素点所占比例远小于非边缘像素点,且非边缘像素点的梯度值也在很大程度上低于边缘像素点的梯度值,因此所有像素点的梯度均值Gavg一定小于最终确定的低梯度阈值low_thresh。在对图像中各个像素点的梯度值进行排序时,将低于梯度均值的梯度值全部舍弃,不参与排序,可以大幅度减少所需的计算量,进而有效提高计算速度。
本实施例中,所述步骤3)中比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh,从而判断像素点A(i,j)是否为边缘像素点的具体步骤包括:
将各个像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,
若梯度值G(i,j)>high_thresh,则将像素点A(i,j)标记为真边缘点;
若梯度值G(i,j)<low_thresh,则将像素点A(i,j)标记为非边缘点;
若梯度值满足low_thresh≤G(i,j)≤high_thresh,则将像素点A(i,j)标记为弱边缘点;
全部比较完成后,针对被标记为弱边缘点的像素点,判断其周围的八个像素点中是否存在真边缘点;若判断结果为是,则将所述弱边缘点标记为真边缘点,否则标记为非边缘点。
最后将所有真边缘点标记为边缘像素点,即得到所检测的边缘。
优选地,先将待检测图像中相邻的s个像素点的梯度值进行比较,确定其中梯度值最大的像素点,再将该像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记;
更优地,将待检测图像中任意3×3个像素点的梯度值进行比较,取其中梯度值最大的像素点,将该像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记。
待检测图像中,边缘位置所对应的像素点的梯度值大于非边缘区域的像素点的梯度值。在上述方案中,先在相邻的多个像素点中选取梯度值最大的像素点,再将选出的像素点分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记。而未被选出的像素点不进行比较,减少了所需计算量,从而加快了检测速度,同时检测结果的准确性并不会受到明显影响。
本实施例中,步骤1)计算梯度值G(i,j)的具体步骤包括:
计算像素点A(i,j)在x方向和y方向的梯度Gx(i,j)和Gy(i,j),其中:
计算像素点A(i,j)的梯度值G(i,j),其中:
G(i,j)=|Gx(i,j)|+|Gy(i,j)|;
本实施例中,还同时计算出像素点A(i,j)的梯度方向θ,其中:
本实施例的进一步方案中,所述步骤3)之后还包括步骤4):将所述边缘像素点的灰度值设置为c,待检测图像中其他像素点的灰度值设置为d,输出所得图像,即为边缘检测图像。
在上述方案中,通过将边缘像素点和非边缘像素点设置为不同的灰度值并输出,以图像的形式对边缘检测结果进行显示,方便用户直观地了解检测到的边缘为形状与位置。
优选地,将边缘像素点的灰度值全部设置为225,其他像素点的灰度值设置为0,输出边缘检测图像。通过在黑色背景上以白色显示所检测到的边缘,清晰直观。
进一步地,所述图像边缘检测方法应用于板材图像的板面区域检测,具体用于对生产线上采集到的刨花板图像进行板面区域检测。所述图像边缘检测方法还包括在一定光照条件下采集板材的板面图像,将采集到的板材的板面图像作为待检测图像进行边缘检测,根据检测结果确定板面区域。
为实现对生产线上生产的板材进行板面缺陷检测,需要设置朝向生产线的采集装置,如摄像头,对经过的板材进行采集。尽管可以控制采集装置在每块待检测板材通过一个固定的采集位置时进行采集,不同板材的位置间还是会存在一定差异。为保证采集到的板材板面的完整性,采集时一般适当放大采集范围,使图像中板材的四周还存在一定背景部分,从而避免出现板面缺失的情况。
在进一步根据所采集到的板面图像进行板面缺陷检测时,由于背景部分与板面部分灰度值差异较大,为避免将背景部分错误地识别为板面缺陷,需要先将图像中的背景部分去除。也即需要先根据采集到的板面图像,检测出图像中板材边缘所在位置,对板面区域进行定位,从而将板面区域从图像中提取出来。若在进行边缘检测时出现边缘缺失或虚假边缘,可能导致提取的板面区域中包含非板面区域,进而在进行缺陷检测时将非板面区域错误地识别为缺陷;或者可能造成部分板面缺失,当缺失部分板面上存在缺陷时,会导致缺陷的漏检。因此,对板面区域的提取是否准确、完整将直接影响到后续根据提取的板面区域图像进行板面缺陷检测的准确性。
然而生产车间内的光照条件复杂,光线会实时发生变化,导致在不同时间采集到的板面图像的亮度不同。在对不同亮度的图像进行边缘检测以确定板面区域时,所选取的高、低梯度阈值也不相同。但板材的大小和形状基本一致,因而采用本实施例中预设梯度比例高阈值rh和梯度比例低阈值rl以确定针对每一张图像的高梯度阈值high_thresh和低梯度阈值low_thresh的方法,可以准确、完整地检测到板面的边缘,从而实现对板面区域的准确定位。
如图4和图5所示为本实施例的图像边缘检测方法应用于板材图像的板面区域检测的一个示例,其中,图4(a)至图4(e)分别为同一张板材在不同光照强度下采集到的板面图像,图5(a)至图5(e)分别为相应的板面图像采用本实施例的图像边缘检测方法进行检测所得到的边缘检测图像。可以看出,对于不同亮度的图像,本实施例的图像边缘检测方法都得到了比较完整的板材边缘。
本实施例的图像边缘检测方法受图像亮度变化的影响很小,从而提高了所得边缘检测结果的准确性。
实施例二
如图6所示,本实施例提供一种图像边缘检测装置,用于实现上述实施例一所述的图像边缘检测方法。
所述图像边缘检测装置包括计算单元、分析单元和输出单元。
计算单元用于计算待检测图像中像素点A(i,j)的梯度值G(i,j),以及根据梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh。
分析单元与计算单元连接,用于接收计算单元计算的梯度值G(i,j)、高梯度阈值high_thresh和低梯度阈值low_thresh,将梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,以确定像素点A(i,j)是否为边缘像素点。
输出单元与分析单元连接,用于接收分析单元得到的所有边缘像素点的坐标(i,j),以输出所检测的边缘。
本实施例的进一步方案中,分析单元包括相互连接的排序模块和比较模块。排序模块与计算单元连接,比较模块与输出单元连接。
排序模块用于将接收到的多个梯度值G(i,j)按照大小进行顺序排列,得到梯度值序列Glist,并通过预存的梯度比例高阈值rh和梯度比例低阈值rl从Glist中确认高梯度阈值high_thresh和低梯度阈值low_thresh。
比较模块用于比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,根据比较结果确定全部边缘像素点的坐标,并将所得边缘像素点的坐标发送至输出单元。
进一步地,输出单元包括显示模块,显示模块根据所得边缘像素点的坐标,按照所有边缘像素点的灰度值为c,待检测图像中其他像素点的灰度值为d进行显示,输出边缘检测图像。
优选地,显示模块按照所有边缘像素点的灰度值为225,其他像素点的灰度值为0进行显示。
本实施例中,图像边缘检测装置能够不受图像亮度的影响,对待检测图像中的边缘像素点进行准确判断,进而得到准确的边缘检测结果。通过显示模块按照不同的灰度值显示边缘像素点与其他像素点,实现边缘检测图像的显示,方便用户直观了解所得边缘检测结果。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。
Claims (10)
1.一种图像边缘检测方法,包括如下步骤:
1)获取待检测图像,计算图像中各个像素点的梯度值,其中,像素点A(i,j)的梯度值为G(i,j);
2)确定高梯度阈值high_thresh和低梯度阈值low_thresh;
3)比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,判断像素点A(i,j)是否为边缘像素点,全部所述边缘像素点组成所检测的边缘;
其中,待检测图像的大小为m×n像素,所述i∈[1,m],j∈[1,n];
其特征在于,在所述的步骤2)中,根据步骤1)中得到的梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh。
2.根据权利要求1所述的图像边缘检测方法,其特征在于,所述的步骤2)具体包括:
预设梯度比例高阈值rh和梯度比例低阈值rl;
将各个梯度值G(i,j)按照大小进行顺序排列,得到梯度值序列Glist;
所述梯度值序列Glist中由大到小第m×n×rh个梯度值作为高梯度阈值high_thresh;
所述梯度值序列Glist中由大到小第m×n×rl个梯度值作为低梯度阈值low_thresh。
4.根据权利要求1-3中任意一项所述的图像边缘检测方法,其特征在于,所述的步骤3)具体包括:
将各个像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,
若梯度值G(i,j)>high_thresh,则将像素点A(i,j)标记为真边缘点;
若梯度值G(i,j)<low_thresh,则将像素点A(i,j)标记为非边缘点;
若梯度值满足low_thresh≤G(i,j)≤high_thresh,则将像素点A(i,j)标记为弱边缘点;
全部比较完成后,针对被标记为弱边缘点的像素点,判断其周围的八个像素点中是否存在真边缘点;若判断结果为是,则将所述弱边缘点标记为真边缘点,否则标记为非边缘点;
将所有真边缘点标记为边缘像素点,得到所检测的边缘;
优选地,先将待检测图像中相邻的s个像素点的梯度值进行比较,确定其中梯度值最大的像素点,再将该像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记;
更优地,将待检测图像中任意3×3个像素点的梯度值进行比较,取其中梯度值最大的像素点,将该像素点的梯度值分别与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,根据比较结果对该像素点进行标记。
6.根据权利要求1-5中任意一项所述的图像边缘检测方法,其特征在于,所述步骤3)之后还包括步骤4):将所述边缘像素点的灰度值设置为c,待检测图像中其他像素点的灰度值设置为d,输出所得图像,即为边缘检测图像;
优选地,所述c=225,d=0。
7.根据权利要求1-6中任意一项所述的图像边缘检测方法,其特征在于,所述图像边缘检测方法应用于板材图像的板面区域检测,所述图像边缘检测方法还包括在一定光照条件下采集板材的板面图像,将采集到的板材的板面图像作为待检测图像进行边缘检测,根据检测结果确定板面区域。
8.一种图像边缘检测装置,用于实现权利要求1-7中任意一项所述的图像边缘检测方法,其特征在于,包括计算单元、分析单元和输出单元;
所述计算单元用于计算待检测图像中像素点A(i,j)的梯度值G(i,j),以及根据梯度值G(i,j)计算高梯度阈值high_thresh和低梯度阈值low_thresh;
所述分析单元与计算单元连接,用于接收计算单元计算的梯度值G(i,j)、高梯度阈值high_thresh和低梯度阈值low_thresh,将梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh进行比较,以确定像素点A(i,j)是否为边缘像素点;
所述输出单元与分析单元连接,用于接收分析单元得到的所有边缘像素点的坐标(i,j),以输出所检测的边缘。
9.根据权利要求8所述的图像边缘检测装置,其特征在于,所述分析单元包括相互连接的排序模块和比较模块;所述排序模块与所述计算单元连接,所述比较模块与所述输出单元连接;
所述排序模块用于将接收到的多个梯度值G(i,j)按照大小进行顺序排列,得到梯度值序列Glist,并通过预存的梯度比例高阈值rh和梯度比例低阈值rl从Glist中确认高梯度阈值high_thresh和低梯度阈值low_thresh;
所述比较模块用于比较梯度值G(i,j)与高梯度阈值high_thresh和低梯度阈值low_thresh的大小,根据比较结果确定全部边缘像素点的坐标。
10.根据权利要求8或9所述的图像边缘检测装置,其特征在于,所述输出单元包括显示模块,所述显示模块根据所得边缘像素点的坐标,按照所有边缘像素点的灰度值为c,待检测图像中其他像素点的灰度值为d进行显示,输出边缘检测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124787.2A CN112819844B (zh) | 2021-01-29 | 2021-01-29 | 一种图像边缘检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124787.2A CN112819844B (zh) | 2021-01-29 | 2021-01-29 | 一种图像边缘检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819844A true CN112819844A (zh) | 2021-05-18 |
CN112819844B CN112819844B (zh) | 2023-03-14 |
Family
ID=75860146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110124787.2A Active CN112819844B (zh) | 2021-01-29 | 2021-01-29 | 一种图像边缘检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819844B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219794A (zh) * | 2021-12-17 | 2022-03-22 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN114693684A (zh) * | 2022-06-01 | 2022-07-01 | 领伟创新智能系统(浙江)有限公司 | 一种机载式风机叶片缺陷检测方法 |
CN115082429A (zh) * | 2022-07-20 | 2022-09-20 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770646A (zh) * | 2010-02-25 | 2010-07-07 | 昆山锐芯微电子有限公司 | 基于Bayer RGB图像的边缘检测方法 |
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
US20170024855A1 (en) * | 2015-07-26 | 2017-01-26 | Macau University Of Science And Technology | Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm |
CN106485264A (zh) * | 2016-09-20 | 2017-03-08 | 河南理工大学 | 基于梯度序划分及映射策略的曲线描述及匹配方法 |
CN108682017A (zh) * | 2018-04-11 | 2018-10-19 | 浙江工业大学 | 基于Node2Vec算法的超像素图像边缘检测方法 |
CN111402280A (zh) * | 2020-03-10 | 2020-07-10 | 西安电子科技大学 | 基于对数图像处理模型的图像边缘检测系统及方法 |
CN111444948A (zh) * | 2020-03-21 | 2020-07-24 | 哈尔滨工程大学 | 一种图像特征提取与匹配方法 |
CN111539269A (zh) * | 2020-04-07 | 2020-08-14 | 北京达佳互联信息技术有限公司 | 文本区域的识别方法、装置、电子设备和存储介质 |
CN111862032A (zh) * | 2020-07-16 | 2020-10-30 | 浙江理工大学 | 一种车载导航导光板黄化视觉检测方法 |
CN112150488A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 纤维直径测量方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110124787.2A patent/CN112819844B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770646A (zh) * | 2010-02-25 | 2010-07-07 | 昆山锐芯微电子有限公司 | 基于Bayer RGB图像的边缘检测方法 |
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
US20170024855A1 (en) * | 2015-07-26 | 2017-01-26 | Macau University Of Science And Technology | Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm |
CN106485264A (zh) * | 2016-09-20 | 2017-03-08 | 河南理工大学 | 基于梯度序划分及映射策略的曲线描述及匹配方法 |
CN108682017A (zh) * | 2018-04-11 | 2018-10-19 | 浙江工业大学 | 基于Node2Vec算法的超像素图像边缘检测方法 |
CN111402280A (zh) * | 2020-03-10 | 2020-07-10 | 西安电子科技大学 | 基于对数图像处理模型的图像边缘检测系统及方法 |
CN111444948A (zh) * | 2020-03-21 | 2020-07-24 | 哈尔滨工程大学 | 一种图像特征提取与匹配方法 |
CN111539269A (zh) * | 2020-04-07 | 2020-08-14 | 北京达佳互联信息技术有限公司 | 文本区域的识别方法、装置、电子设备和存储介质 |
CN111862032A (zh) * | 2020-07-16 | 2020-10-30 | 浙江理工大学 | 一种车载导航导光板黄化视觉检测方法 |
CN112150488A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 纤维直径测量方法、装置、电子设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219794A (zh) * | 2021-12-17 | 2022-03-22 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN114219794B (zh) * | 2021-12-17 | 2023-01-20 | 沭阳县桐盛木业制品厂(普通合伙) | 基于机器视觉的刨花板表面质量评估方法及系统 |
CN114693684A (zh) * | 2022-06-01 | 2022-07-01 | 领伟创新智能系统(浙江)有限公司 | 一种机载式风机叶片缺陷检测方法 |
CN115082429A (zh) * | 2022-07-20 | 2022-09-20 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112819844B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819844B (zh) | 一种图像边缘检测方法及装置 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN109916910B (zh) | 光伏玻璃边部缺陷检测系统及相应的方法 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN111879781B (zh) | 一种基于机器视觉的试纸质量检测系统 | |
CN111289538A (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及系统 | |
CN111261079B (zh) | 一种亮、暗斑异常现象的检测方法 | |
CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
CN108802052A (zh) | 一种关于拉链缺陷的检测系统及其检测方法 | |
CN111047655A (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN108827597B (zh) | 一种结构光投影器的光斑均匀度检测方法和检测系统 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN110376211B (zh) | 一种湿法涂胶的合成革卷边在线检测装置及方法 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN114494103A (zh) | 缺陷检测方法及检测装置 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN112837287B (zh) | 一种板面缺陷区域的提取方法及装置 | |
CN112987356A (zh) | 液晶面板底部异物误检滤除方法及装置 | |
CN107014830A (zh) | Ito导电玻璃检测方法与检测装置 | |
CN105973910A (zh) | 基于结构纹理特征的灯管质量检测与瑕疵分类方法及系统 | |
CN114937013B (zh) | 一种光伏印刷网版缺陷检测方法及系统 |
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 |