CN112967281B - 一种基于弧支持生长的椭圆检测算法 - Google Patents
一种基于弧支持生长的椭圆检测算法 Download PDFInfo
- Publication number
- CN112967281B CN112967281B CN202110370790.2A CN202110370790A CN112967281B CN 112967281 B CN112967281 B CN 112967281B CN 202110370790 A CN202110370790 A CN 202110370790A CN 112967281 B CN112967281 B CN 112967281B
- Authority
- CN
- China
- Prior art keywords
- ellipse
- arc
- points
- point
- growing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于弧支持生长的椭圆检测算法,首先对原始图像采用Sobel算子计算梯度方向、梯度模值,梯度模值高于阈值的像素作为边缘生长种子点;然后构建生长描述子,通过双向自适应生长得到弧段;连接属于同一椭圆的弧段,构造出弧段组并统计组属性;根据位置关系对弧段组进行配对,将断开的弧段边缘连接;拟合得到初始椭圆并验证,然后采用Meanshift方法对初始椭圆进行聚类;最后对聚类的椭圆验证,并获取椭圆中心坐标、长轴、短轴、长轴倾角。本发明给出一种精度、稳定性更好,运算量小,满足工程应用实时性需求的椭圆检测算法,算法克服传统椭圆检测方法运算量大、检测精度低、抗噪声性能不足的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种基于弧支持生长的椭圆检测算法。
背景技术
机器视觉领域中,椭圆检测算法在形状识别、几何测量、边缘模型构建等方面有重要作用,如:无人机自主着降中圆形地面标识的形状识别;基于圆基准的相机精确校正;PCB工业自动化中圆形焊盘、圆孔、器件的定位检测;虹膜识别应用中的瞳孔检测;自动驾驶中交通信号灯的检测。
现有的椭圆检测算法可分为两大类,一类是Hough变换及其改进算法,计算量较大,对噪声较敏感,参数需要人工调整,难以满足实际应用的需求。另一类基于图像中的直线段检测结果进行形状跟踪,由线段对椭圆形状进行多边形几何近似,进而拟合得到椭圆检测结果。
算法检测精度及抗噪声性能相较于基Hough变换及改进算法有所提高,但由于采用了LSD算法的结果,并存在迭代优化过程,计算量较大,算法实时性受到影响。为此,我们提出一种基于弧支持生长的椭圆检测算法。
发明内容
本发明的目的在于提供一种基于弧支持生长的椭圆检测算法,以解决上述背景技术提出的目前算法检测精度及抗噪声性能由于采用了LSD算法的结果,并存在迭代优化过程,计算量较大,算法实时性受到影响的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于弧支持生长的椭圆检测算法,具体步骤如下:
步骤一,对于给定原始图像I,使用Sobel算子计算梯度模值及方向,将高于梯度阈值的像素保留作为边缘生长的种子,按照模值大小对图中边缘点进行伪排序;
步骤二,弧段生长,通过向弧段的两个方向的生长端自适应生长得到弧段,并统计弧段的长度、宽度、极性、覆盖角、端点等信息,通过判断弧段生长弯曲的方向,约束新生长点与弧段平均梯度方向的夹角阈值,满足小于夹角阈值的种子点可以判定为是该弧段的生长点,生长中动态统计弧段梯度方向,采用循环存储队列保存一个生长方向的最新生长点平均梯度方向,当队列已满,新的生长点梯度方向覆盖最早存储的生长点的梯度方向,使弧段生长方向梯度值动态更新,实现弧段弯曲生长;
步骤三,连接可能属于一个椭圆的弧段,构造出弧段组,并统计组的属性,长度、端点、极性、覆盖角;
步骤四,根据覆盖角的情况对组进行配对,可以将断开的弧段,严重缺失的边缘连接,并通过拟合验证配对是否正确,获得用于椭圆拟合的内点;
步骤五,获得用于椭圆拟合的内点后,进行拟合得到初始椭圆,通过内点比例、点数长度比判断初始椭圆是否符合要求;
步骤六,对初始椭圆进行聚类提出重复的椭圆,采用Meanshift方法,通过椭圆5个参数进行级联式的聚类,得到椭圆类、类数、组成该类的组;
步骤七,对聚类得到的椭圆类进行验证,再次拟合通过内点比例、点数长度比进行验证,得到原始图像中椭圆形状的参数,对于椭圆有5个参数中心横纵坐标、椭圆长短半轴、椭圆长轴倾角。
优选的,所述步骤一中对原始图像使用Sobel算子计算梯度模值及方向,获取种子点集合。
优选的,所述步骤二中通过双向自适应生长得到弧段,并统计弧段属性。
优选的,所述步骤五中对内点集合进行拟合,通过内点比例、点数长度比判断初始椭圆是否通过验证,得到初始椭圆集合。
与现有技术相比,本发明的有益效果是:
本发明给出一种精度、稳定性更好,运算量小,满足工程应用实时性需求的椭圆检测算法,算法克服传统椭圆检测方法运算量大、检测精度低、抗噪声性能不足的问题,能够准确确定椭圆的中心横纵坐标、椭圆长轴倾角、椭圆长短半轴长等5个参数,相比已有椭圆检测算法实时性得到明显提升。
附图说明
图1为本发明的算法流程框图。
图2为本发明实施例的原始图像示意图。
图3为本发明实施例的边缘生长后的二值化显示图像示意图。
图4为本发明实施例的弧段组显示图像示意图。
图5为本发明实施例的椭圆、圆目标检测结果示意图。
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,显然,所描述的实施例仅仅是本发明一机构实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图5,本发明提供一种技术方案:
一种基于弧支持生长的椭圆检测算法,首先对原始图像使用Sobel算子计算梯度模值及方向,将高于梯度阈值的像素保留作为边缘生长的种子;然后遍历种子点集合,对满足梯度方向约束条件和生长极性条件的点,将其纳入生长点集合中;其中梯度方向约束条件即生长点与已生长点平均动态梯度方向的夹角小于阈值;通过生长过程得到弧段后,统计弧段几何属性。
连接可能属于一个椭圆的弧段,构造出弧段组,并统计组的属性;根据覆盖角的情况对组进行配对,通过拟合验证配对是否正确,获得用于初始椭圆拟合的内点,然后拟合得到初始椭圆;对初始椭圆采用Meanshift方法聚类,对聚类得到的椭圆类进行验证,再次拟合验证,最终得到原始图像中椭圆、圆形形状集合,本发明具体实现步骤如下:
步骤一,对于给定原始图像I,使用Sobel算子计算梯度模值及方向,将高于梯度阈值的像素保留作为边缘生长的种子,按照模值大小对图中边缘点进行伪排序后使用。
Sobel算子如下:
原始图像I中坐标为(x,y)像素的梯度矢量,即:
其中,Gx和Gy分别表示坐标点(x,y)在水平和竖直方向上的梯度值,该像素(x,y)的梯度模值及方向可以由Gx和Gy计算得到;
步骤二,通过生长得到弧段arc(n),并统计弧段的长度arc(n).length、宽度arc(n).width、极性arc(n).pol、覆盖角arc(n).angle、端点arc(n).endp等属性,生长中通过极性的判断,判断生长弯曲的方向,约束生长点的夹角阈值,其中极性定义为,逆时针弯曲极性为+1,顺时针为-1,不弯曲为0:
步骤三,连接可能属于一个椭圆的弧段,构造出弧段组arcgroup(n),并统计组的属性,长度arcgroup(n).length、端点arcgroup(n).endp、极性arcgroup(n).pol、覆盖角arcgroup(n).angle,连接的弧段之间需要满足端点梯度方向夹角小于阈值同时也要满足极性约束条件:
步骤四,对弧段组arcgroup(m)与arcgroup(n)根据覆盖角的情况对弧段组进行配对,覆盖角大于阈值ang_th可以直接采用弧段组arcgroup(m)或arcgroup(n)的组成点单独进行拟合,根据点到拟合椭圆距离是否小于阈值dis_th判断该组成点是否为内点,内点比例超过阈值Ratio_th判断为椭圆,并得到内点集合inlier(n),对于两个小于阈值的弧段组arcgroup(m)与arcgroup(n)可以根据弧段组弯曲方向及弧段组位置关系进行配对,并通过拟合验证内点占所有组成点的比例判断配对是否正确,获得用于该配对弧段组对应的椭圆内点集合inlier(m,n),遍历所有弧段组,完成所用弧段组的配对。
步骤五,获得用于椭圆拟合的内点集合inlier(n)或inlier(m,n)后,进行拟合,通过内点比例、点数长度比判断初始椭圆是否通过验证,得到初始椭圆集合E0={e0(x,y,φ,a,b)},其中(x,y)是椭圆中心,φ是椭圆长轴倾角,(a,b)是椭圆半长轴、半短轴。
步骤六,采用Meanshift方法对初始椭圆聚类重复椭圆。通过椭圆5个参数进行级联式的聚类,依次按照椭圆中心(x,y),椭圆长轴倾角φ,椭圆长短半轴(a,b)聚类,得到椭圆集合E1={e1(x,y,φ,a,b)}。
步骤七,对聚类得到的椭圆集合E1进行验证,再次拟合通过内点比例、点数长度比进行验证,得到原始图像中椭圆集合Ef={ef(x,y,φ,a,b)},对于圆形,可根据Ef={ef(x,y,φ,a,b)}中|a-b|<THr筛选得到圆集合Cf={cf(x,y,r)}。
针对本发明提出的一种基于弧支持生长的椭圆检测算法,以下举例说明该方法的应用。
实施例:
实验中使用的图像是8位、256×256的灰度图像,如附图2所示。
按照上述实施步骤:
步骤一,对原始图像使用Sobel算子,如(1)式计算梯度模值及方向,获取种子点集合;
步骤二,通过生长得到弧段,弧段生长结果如附图3所示,并统计弧段的几何属性;
步骤三,连接可能属于一个椭圆的弧段,构造出弧段组,并统计组的属性,如图4所示,不同显示代表不同弧段组;
步骤四,对弧段组进行配对,拟合获取内点集合;
步骤五,对内点集合进行拟合,通过内点比例、点数长度比判断初始椭圆是否通过验证,得到初始椭圆集合;
步骤六,采用Meanshift方法对初始椭圆级联聚类,合并重复椭圆;
步骤七,对聚类得到的椭圆集合进行验证,再次拟合通过内点比例、点数长度比进行验证,得到原始图像中椭圆检测结果如附图5所示,图5中椭圆是根据检出椭圆的椭圆中心(x,y),椭圆长轴倾角φ,椭圆长短半轴(a,b)这5个参数绘制的结果。
该发明的主要思想是通过弧段自适应生长的方法获取同一椭圆的内点,拟合验证初始椭圆并聚类,再对聚类椭圆类别验证得到图中的椭圆形状的精确参数,本算法适用于椭圆形的识别及几何参数测量,PCB工业自动化中圆形焊盘、圆孔、器件的定位检测,虹膜瞳孔检测,自动驾驶中交通信号灯的信号检测等领域,提高了椭圆检出性能、参数提取精度及算法实时性。
Claims (4)
1.一种基于弧支持生长的椭圆检测方法,其特征在于:具体步骤如下:
步骤一,对于给定原始图像,使用Sobel算子计算梯度模值及方向,将高于梯度阈值的像素保留作为边缘生长的种子,按照模值大小对图中边缘点进行伪排序;
步骤二,弧段生长,通过向弧段的两个方向的生长端自适应生长得到弧段,并统计弧段的长度、宽度、极性、覆盖角、端点信息,通过判断弧段生长弯曲的方向,约束新生长点与弧段平均梯度方向的夹角阈值,满足小于夹角阈值的种子点可以判定为是该弧段的生长点,生长中动态统计弧段梯度方向,采用循环存储队列保存一个生长方向的最新生长点平均梯度方向,当队列已满,新的生长点梯度方向覆盖最早存储的生长点的梯度方向,使弧段生长方向梯度值动态更新,实现弧段弯曲生长;
步骤三,连接属于一个椭圆的弧段,构造出弧段组,并统计组的属性,包括长度、端点、极性、覆盖角;
步骤四,根据覆盖角的情况对组进行配对,将断开的弧段、严重缺失的边缘连接,并通过拟合验证配对是否正确,获得用于椭圆拟合的内点;
具体为:对弧段组根据覆盖角的情况对弧段组进行配对,覆盖角大于阈值直接采用弧段组的组成点单独进行拟合,根据点到拟合椭圆距离是否小于阈值判断该组成点是否为内点,内点比例超过阈值判断为椭圆,并得到内点集合,对于两个小于阈值的弧段组根据弧段组弯曲方向及弧段组位置关系进行配对,并通过拟合验证内点占所有组成点的比例判断配对是否正确,获得用于该配对弧段组对应的椭圆内点集合,遍历所有弧段组,完成所用弧段组的配对;
步骤五,获得用于椭圆拟合的内点后,进行拟合得到初始椭圆,通过内点比例、点数长度比判断初始椭圆是否符合要求;
步骤六,对初始椭圆进行聚类提出重复的椭圆,采用Meanshift方法,通过椭圆5个参数进行级联式的聚类,得到椭圆类、类数、组成该类的组;
步骤七,对聚类得到的椭圆类进行验证,再次拟合通过内点比例、点数长度比进行验证,得到原始图像中椭圆形状的参数,对于椭圆有5个参数中心横纵坐标、椭圆长短半轴、椭圆长轴倾角。
2.根据权利要求1所述的一种基于弧支持生长的椭圆检测方法,其特征在于:所述步骤一中对原始图像使用Sobel算子计算梯度模值及方向,获取种子点集合。
3.根据权利要求1所述的一种基于弧支持生长的椭圆检测方法,其特征在于:所述步骤二中通过双向自适应生长得到弧段,并统计弧段属性。
4.根据权利要求1所述的一种基于弧支持生长的椭圆检测方法,其特征在于:所述步骤五中对内点集合进行拟合,通过内点比例、点数长度比判断初始椭圆是否通过验证,得到初始椭圆集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370790.2A CN112967281B (zh) | 2021-04-07 | 2021-04-07 | 一种基于弧支持生长的椭圆检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370790.2A CN112967281B (zh) | 2021-04-07 | 2021-04-07 | 一种基于弧支持生长的椭圆检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967281A CN112967281A (zh) | 2021-06-15 |
CN112967281B true CN112967281B (zh) | 2022-11-08 |
Family
ID=76281307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370790.2A Active CN112967281B (zh) | 2021-04-07 | 2021-04-07 | 一种基于弧支持生长的椭圆检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503387B (zh) * | 2023-06-25 | 2024-03-26 | 聚时科技(深圳)有限公司 | 图像检测方法、装置、设备、系统及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741858A (zh) * | 2009-10-28 | 2012-10-17 | 数字标记公司 | 基于传感器的移动搜索、相关方法和系统 |
CN107301638A (zh) * | 2017-05-27 | 2017-10-27 | 东南大学 | 一种基于弧支持线段的椭圆检测方法 |
CN112377332A (zh) * | 2020-10-19 | 2021-02-19 | 北京宇航系统工程研究所 | 一种基于计算机视觉的火箭发动机极性测试方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2953805B1 (fr) * | 2009-12-15 | 2011-12-30 | Ratier Figeac Soc | Dispositif de pilotage d'un aeronef a elements magneto-sensibles de detection de position angulaire montes hors axe |
JP5682282B2 (ja) * | 2010-12-15 | 2015-03-11 | 富士通株式会社 | 弧検出装置、弧検出プログラム及び携帯端末装置 |
-
2021
- 2021-04-07 CN CN202110370790.2A patent/CN112967281B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741858A (zh) * | 2009-10-28 | 2012-10-17 | 数字标记公司 | 基于传感器的移动搜索、相关方法和系统 |
CN107301638A (zh) * | 2017-05-27 | 2017-10-27 | 东南大学 | 一种基于弧支持线段的椭圆检测方法 |
CN112377332A (zh) * | 2020-10-19 | 2021-02-19 | 北京宇航系统工程研究所 | 一种基于计算机视觉的火箭发动机极性测试方法及系统 |
Non-Patent Citations (6)
Title |
---|
An Ellipse Detection Method for Real Images;Dilip K. Prasad等;《2010 25th International Conference of Image and Vision Computing New Zealand》;20120209;第1-8页 * |
Fast high-precision ellipse detection method;Zepeng Wang等;《Pattern Recognition》;20201031;第1-14页 * |
一种新的基于弧段提取的椭圆检测方法;王春芳等;《计算机测量与控制》;20150225(第02期);第587-589页+592页 * |
交通标志检测与分类算法研究;王刚毅;《中国优秀博士学位论文全文数据库信息科技辑》;20140115;I138-67 * |
基于多重去伪的快速椭圆检测算法研究;易昊朗;《中国优秀硕士学位论文全文数据库信息科技辑》;20210115;I138-1060 * |
基于边界曲线弧分割的多椭圆检测;李楠楠等;《计算机应用》;20110701(第07期);第1853-1855页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112967281A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10607106B2 (en) | Object symmetry axis detection method based on RGB-D camera | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN103473774B (zh) | 一种基于路面图像特征匹配的车辆定位方法 | |
CN110111248B (zh) | 一种基于特征点的图像拼接方法、虚拟现实系统、照相机 | |
CN106683137B (zh) | 基于人工标志的单目多目标识别与定位方法 | |
CN107063261B (zh) | 用于无人机精准着陆的多特征信息地标检测方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN111612841A (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
CN113935428A (zh) | 基于图像识别的三维点云聚类识别方法及系统 | |
CN112967281B (zh) | 一种基于弧支持生长的椭圆检测算法 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN107463939B (zh) | 一种图像关键直线检测方法 | |
CN116503850A (zh) | 一种识别吊物轮廓的方法、装置、设备及可读存储介质 | |
CN113470017B (zh) | 基于人工智能的输电线安全预警检测方法、装置及设备 | |
CN110889874A (zh) | 一种双目相机标定结果的误差评估方法 | |
CN114267032A (zh) | 一种集装箱定位识别方法、装置、设备及存储介质 | |
CN111127494B (zh) | 基于图像处理的高速公路货车限重识别方法 | |
CN108388854A (zh) | 一种基于改进fast-surf算法的定位方法 | |
CN104239411B (zh) | 一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法 | |
CN107273935B (zh) | 一种基于自适应K-Means的车道标志分组方法 | |
CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位系统 |
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 |