CN112967303B - 一种图像边缘检测及其边缘精度验证方法 - Google Patents
一种图像边缘检测及其边缘精度验证方法 Download PDFInfo
- Publication number
- CN112967303B CN112967303B CN202110251568.0A CN202110251568A CN112967303B CN 112967303 B CN112967303 B CN 112967303B CN 202110251568 A CN202110251568 A CN 202110251568A CN 112967303 B CN112967303 B CN 112967303B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- gradient
- point
- points
- 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 89
- 238000003708 edge detection Methods 0.000 title claims abstract description 44
- 238000012795 verification Methods 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种图像边缘检测方法,对预处理后图像进行梯度求取,通过梯度的判断,选择非线性插值方法进行像元分割;用Roberts梯度算子计算像元分割后的图像的梯度幅值和方向,对得到的梯度幅值图进行阈值设定,排除非边缘点,初步获得目标图像的边缘范围;根据梯度方向,结合极大值方法,选取出描点;通过智能路线方法以锚点为起点进行寻迹连线,最终得到图像边缘。本发明还提出一种边缘精度验证方法,利用分辨率板线段间距固定、线段多等级划分的特点,对分辨率板图像提取边缘,通过检查分辨率测试目标图像正片的边缘情况:边缘连续性、边缘等间距情况、最多清晰分辨边缘的元素等级来检验边缘检测精度。本发明提高了检测精度和效率。
Description
技术领域
本发明涉及弹道靶道阴影照相系统的图像测量技术,尤其是涉及一种图像边缘检测及其边缘精度验证方法。
背景技术
弹道靶道的主要测试设备是沿弹道布置的一系列闪光正交阴影照相站,正交阴影照相系统是对高速或超高速运动目标飞行参数测量的一种有效的非接触的可视化测量手段。通过对各照相站的两幅弹丸阴影图像的图像处理,检测出弹丸的边缘获取特征点,再结合空间基准标定得到弹丸的飞行姿态角和质心坐标,完成弹道测试。随着弹药发射技术的快速发展,对靶道照相站弹丸速度精确化测量提出了更高的要求。边缘检测结果的准确性与快速性,对整个弹丸外弹道运动参数测量有重要的影响,因此进一步提高图像特征点的测量精度显得尤为重要。而在传统的边缘检测算法提取弹丸边缘时,易出现噪声点和边缘间断不连续、边缘线过粗的问题,对后续的特征点坐标精度产生影响。针对现阶段靶道测试中弹丸精确化测速时图像处理误差较大的问题,提高弹丸图像边缘检测精度具有重要的研究意义。
发明内容
本发明的目的在于提供一种图像边缘检测及其边缘精度验证方法。
实现本发明目的的技术解决方案为:一种图像边缘检测方法,包括如下步骤:
步骤1,对输入图像进行预处理操作;
步骤2,对预处理后图像进行梯度求取,通过梯度的判断,选择非线性插值方法进行像元分割;
步骤3,用Roberts梯度算子计算像元分割后的图像的梯度幅值和方向,对得到的梯度幅值图进行阈值设定,排除非边缘点,初步获得目标图像的边缘范围;
步骤4,根据梯度方向,结合极大值方法,选取出描点;
步骤5,通过智能路线方法以锚点为起点进行寻迹连线,最终得到图像边缘。
进一步的,步骤1中,对输入图像进行预处理操作,具体方法为:首先是对导入的图片进行裁剪,通过裁剪窗口,选出需要操作的图片部分;接下来对得到的图像进行滤波操作,除去图像采集过程中的噪声,即有较强视觉效果的孤立像素点或像素块。
进一步的,步骤2中,对预处理后图像进行梯度求取,通过梯度的判断,选择非线性插值方法进行像元分割,具体方法为:用非线性插值的方法,引入一个梯度权重系数来选择插值方式,对于非边缘部分采用最近邻插值,在边缘处的像素则采用一维双三次插值。
进一步的,步骤3中,用Roberts梯度算子计算像元分割后的图像的梯度幅值和方向,对得到的梯度幅值图进行阈值设定,排除非边缘点,初步获得目标图像的边缘范围,具体方法为:用一阶微分Roberts模板做卷积得到图像的梯度幅值和方向,在得到图像梯度幅值图后,通过设置初步阈值,使低于阈值的像素点的梯度值设为0,即实现了非边缘区域的抑制,得到了有两三个像素宽的边缘轮廓的新梯度图。
进一步的,步骤4中,根据梯度方向,结合极大值方法,选取出描点,具体方法为:首先定义一个领域范围,在新梯度图中进行移动判断,当邻域内多半数梯度值不为0时,寻找邻域内的最大值点作为锚点;当锚点不唯一时,结合梯度方向剔除重复锚点;对于水平的边缘,当多个最大值在同一行时,均取为锚点,否则取最上层点为锚点;对于垂直边缘,当多个最大值在同一列时,均取为锚点,否则取最左列的点为锚点。
进一步的,步骤5中,通过智能路线方法以锚点为起点进行寻迹连线,最终得到图像边缘,具体方法为:
先任选一个锚点开始判断,当满足梯度幅值G(x,y)>0且未被连接时,开始SR寻迹,从锚点p(x,y)出发,令当前点记为边缘点,通过梯度方向判断沿水平边缘向左寻迹,则需要判别锚点左侧三个邻近像素点p(x-1,y+1)、p(x-1,y)和p(x-1,y-1)之间的梯度幅值的大小关系,向梯度值最大的点连接移动;
当G(x-1,y+1)>G(x-1,y)&&G(x-1,y+1)>G(x-1,y-1)时,向左下角像素点p(x-1,y+1)连线,记为边缘点;当G(x-1,y-1)为最大值时,则向左上角像素点连线并记为边缘点;当G(x-1,y)最大时,向左方像素点连线并记边缘点;
再从当前边缘点记为下一个出发点进行判断,由此实现了水平向左的寻迹,在判断得到新的边缘点后重复连线过程,直到当前点移出边缘区域或者遇到检测过的点则停止连接。
一种图像边缘检测系统,基于所述的方法进行图像边缘检测。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的方法进行图像边缘检测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的方法进行图像边缘检测。
一种基于分辨率板的边缘精度验证方法,所述分辨率板采用UASF1951正负片分辨率测试卡,包括深色图案、浅色背景的正片和深色背景、浅色图案的负片两种类型;每类包含多个组,组号从0开始标记;每组由标记为1到6的六个元素组成,元素通过与其相邻的编号进行定位和区分;每个元素由等间距的线条组成:三横三竖,空格等于线宽,每条长宽比为5:1;
利用分辨率板线段间距固定、线段多等级划分的特点对分辨率版图像提取边缘,通过对比分辨率测试图像中正片的边缘识别情况,包括边缘连续性、边缘等间距情况、最多清晰分辨边缘的元素等级检验边缘检测精度。
本发明与现有技术相比,其显著优点在于:1)通过像元分割将图像分辨率提高,使图像最小单位由像素变为了亚像素级别,解决了目标轮廓处的边界模糊、细节不清晰的问题,使定位更加精确。2)通过Roberts算子做卷积得到图像的梯度幅值和方向,并设置初步阈值,把非边缘区域的梯度值都化为0,得到一个有边缘轮廓范围的梯度图;用局部梯度极值法在梯度图中找到锚点,按SR方法沿着预计边缘方向(与梯度方向垂直)寻找梯度值最大的点进行连接,直到形成闭路;完成边缘连接,得到图像边缘步骤简单,定位精度高,有利于提高弹丸边缘特征点检测精度。3)通过分析分辨率板线段的特性和最多清晰分辨的边缘元素等级,便捷地验证边缘检测算法的可行性与精确度。
附图说明
图1为本发明图像边缘检测的流程图。
图2为本发明选取锚点的流程图。
图3为本发明边缘连接的流程图。
图4为本发明验证边缘检测精度的分辨率板示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,一种图像边缘检测方法,其算法流程如下:
步骤1,对输入图像进行滤波等预处理操作;
所述预处理操作,首先是对导入的图片进行人工裁剪,通过裁剪窗口,选出需要操作的图片部分。接下来对得到的图像进行滤波操作,除去图像采集过程中的噪声,即有较强视觉效果的孤立像素点或像素块。
步骤2,对预处理后图像进行梯度求取,通过梯度的判断,选择非线性插值方法,进行像元分割;
所述像元分割,是将图像从低分辨率变为高分辨率的一种方法。在对弹丸局部特征点提取时,边缘轮廓出现边界模糊、细节不清晰的问题,直接进行边缘检测易使定位不精确。因此图像的分辨率有待提高,在现有的硬件设备基础上,通过将图像中每个像元(最小单元)进一步分割,利用软件近似计算得到亚像素,来提高图像特征点边缘提取的精度。阴影照相系统拍摄得到的弹丸阴影图像,根据阴影成像的原理,弹丸边缘处只有部分被遮挡,即在阴影图像中边缘处出现灰度值的渐变过程。根据成像原理并针对弹丸判读系统的需求,非边缘段没有提供有效数据,仅需对弹丸的边缘特性有良好的保留。因此用非线性插值的方法,引入一个梯度权重系数来选择插值方式。通过梯度的判断,对于非边缘部分采用计算速度快但像素损失较大的最近邻插值;在边缘处的像素则采用与边缘方向一致的一维双三次插值,使保留更多的边缘细节。在像元分割中设定图像放大倍数(即单个像元的每边分割数),并根据梯度权重系数选择相应的插值,适当提高了处理速度,实现对原图像的分辨率的提高,满足后续图像处理的精度要求。
步骤3,用Roberts梯度算子计算像元分割后的图像的梯度幅值和方向,对得到的梯度幅值图进行阈值设定,排除非边缘点,初步获得目标图像的边缘范围;
所述图像梯度计算和阈值处理,用一阶微分Roberts模板做卷积得到图像的梯度幅值和方向。Roberts算子的定位精度好,且对水平和垂直方向的检测具有较好效果。在得到图像梯度幅值图后,通过设置初步阈值,使低于阈值的像素点的梯度值设为0,即实现了非边缘区域的抑制,得到了有两三个像素宽的边缘轮廓的新梯度图。
步骤4,根据梯度方向,结合极大值方法,选取出描点,通过智能路线方法以锚点为起点进行寻迹连线,最终得到图像边缘。
所述选取锚点,通过判断领域内梯度最大值,从边缘轮廓中选取锚点,为边缘连接提供基础点。如图2所示,选取锚点的流程主要为:首先定义一个领域范围,在新梯度图中进行移动判断,当邻域内多半数梯度值不为0时,寻找邻域内的最大值点作为锚点。当锚点不唯一时,结合梯度方向剔除重复锚点。对于水平的边缘,当多个最大值在同一行时,均取为锚点,否则取最上层点为锚点;对于垂直边缘,当多个最大值在同一列时,均取为锚点,否则取最左列的点为锚点。
如图3所示,用智能路线寻迹(Smart Routing,SR)的方法进行边缘连接,即实现对得到的锚点进行连点成线的操作。SR方法从某锚点出发,沿着预计边缘方向(与梯度方向垂直)寻找梯度值最大的点进行连接,直到形成闭路,完成边缘连接,得到图像边缘。SR连接边缘的过程需要先根据梯度方向确定边缘方向,由此判断连接移动方向是水平移动还是垂直移动。图3以水平边缘上向左移动为例介绍SR算法思路:任选一个锚点开始判断,当满足梯度幅值G(x,y)>0且未被连接时,开始SR寻迹。从锚点p(x,y)出发,令当前点记为边缘点。通过梯度方向判断沿水平边缘向左寻迹,则需要判别锚点左侧三个邻近像素点p(x-1,y+1)、p(x-1,y)和p(x-1,y-1)之间的梯度幅值的大小关系,向梯度值最大的点连接移动。当G(x-1,y+1)>G(x-1,y)&&G(x-1,y+1)>G(x-1,y-1)时,向左下角像素点p(x-1,y+1)连线,记为边缘点。当G(x-1,y-1)为最大值时,则向左上角像素点连线并记为边缘点。当G(x-1,y)最大时,向左方像素点连线并记边缘点。再从当前边缘点记为下一个出发点进行判断,由此实现了水平向左的寻迹。在判断得到新的边缘点后重复连线过程,直到当前点移出边缘区域或者遇到检测过的点则停止连接。
本发明还提出一种图像边缘检测系统,基于上述方法进行图像边缘检测,主要包括预处理、像元分割、图像梯度阈值处理、选取锚点和边缘连接五个模块。
所述预处理模块对输入图像进行裁剪、滤波等预处理操作。所述像元分割模块运用图像插值的方法,对像素最小单元进行分割得到亚像素级别,将图片从低分辨率变为高分辨率,细化弹丸边缘处细节,实现源图像的k倍放大,即将源图像中的最小像元分割为k*k个。所述图像梯度阈值处理模块采用Roberts梯度算子对图像进行梯度计算,得到各像元的梯度幅值和方向,通过设定阈值,剔除非边缘点,获取边缘的大致轮廓。所述选取锚点模块通过领域内局部梯度极值判断,从边缘轮廓中选取区域极大值点作为锚点,为边缘连接提供基础点。所述边缘连接模块运用智能路线寻迹的方法,以各锚点为起点,在阈值处理后的梯度图像中寻锚点连线,最终得到图像边缘。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于上述方法进行图像边缘检测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于上述方法进行图像边缘检测。
如图4所示,在验证边缘检测精度时使用如图所示的分辨率板图像。所述分辨率板是UASF1951正负片分辨率测试卡,包括深色图案、浅色背景的正片和深色背景、浅色图案的负片两种类型。每类包含多个组,组号从0开始标记。每组由标记为1到6的六个元素组成,元素通过与其相邻的编号进行定位和区分。每个元素由等间距的线条组成:三横三竖,空格等于线宽,每条长宽比为5:1。利用分辨率板线段间距固定、线段多等级划分的特点,分别用传统边缘检测和本发明的方法对分辨率版图像提取边缘。通过对比分辨率测试图像中正片的边缘识别情况:边缘连续性、边缘等间距情况、最多清晰分辨边缘的元素等级可检验边缘检测精度。
图4是拍摄的分辨率板原图的裁剪图,拍摄时将CCD相机放置在距测试卡120cm距离的位置,以获得良好的聚焦效果(通常25个焦距是从相机到测试卡的理想距离)。通过将卷尺平行置于分辨率板上侧,测量得到分辨率板的实物宽为66mm,直接观察可以看到并正确计数的最后一组条形图是1组的5号元素。经过传统Canny边缘检测和传统Roberts边缘检测以及本发明的方法提取边缘,对比检测的结果发现:传统Canny边缘检测可以分辨出0组的所有元素,而传统Roberts边缘检测则仅分辨到0组的3号元素,本发明的方法可以分辨到1组的4号元素;边缘的连续性传统Canny边缘检测和本发明方法的效果较好;边缘等间距情况本发明的方法相对传统Canny边缘检测较好。综合比较,本发明的图像边缘检测方法的定位精度相对传统边缘检测有了提高。
本发明的图像边缘检测方法,通过像元分割将图像分辨率提高,解决了目标轮廓处的边界模糊、细节不清晰的问题;通过初步阈值,排除非边缘区域,得到由两三个左右像素宽的边缘轮廓梯度图;用局部梯度极值法在梯度图中找到锚点,并按SR方法沿着预计边缘方向寻找领域梯度值最大点进行连接,直到形成闭路;完成边缘连接,得到图像边缘。本发明的方法是一种对弹丸图像进行边缘检测的方法,步骤简单,检测精度高,有利于提高弹丸边缘特征点检测精度。通过分析分辨率板线段的特性和最多清晰分辨的边缘元素等级,是一种便捷地验证边缘检测算法的可行性与精确度的方法。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种图像边缘检测方法,其特征在于,包括如下步骤:
步骤1,对输入图像进行预处理操作;
步骤2,对预处理后图像进行梯度求取,通过梯度的判断,选择非线性插值方法进行像元分割;
步骤3,用Roberts梯度算子计算像元分割后的图像的梯度幅值和方向,对得到的梯度幅值图进行阈值设定,排除非边缘点,初步获得目标图像的边缘范围;
步骤4,根据梯度方向,结合极大值方法,选取出描点;
步骤5,通过智能路线方法以锚点为起点进行寻迹连线,最终得到图像边缘;
步骤5中,通过智能路线方法以锚点为起点进行寻迹连线,最终得到图像边缘,具体方法为:
先任选一个锚点开始判断,当满足梯度幅值G(x,y)>0且未被连接时,开始SR寻迹,从锚点p(x,y)出发,令当前点记为边缘点,通过梯度方向判断沿水平边缘向左寻迹,则需要判别锚点左侧三个邻近像素点p(x-1,y+1)、p(x-1,y)和p(x-1,y-1)之间的梯度幅值的大小关系,向梯度值最大的点连接移动;
当G(x-1,y+1)>G(x-1,y)&&G(x-1,y+1)>G(x-1,y-1)时,向左下角像素点p(x-1,y+1)连线,记为边缘点;当G(x-1,y-1)为最大值时,则向左上角像素点连线并记为边缘点;当G(x-1,y)最大时,向左方像素点连线并记边缘点;
再从当前边缘点记为下一个出发点进行判断,由此实现了水平向左的寻迹,在判断得到新的边缘点后重复连线过程,直到当前点移出边缘区域或者遇到检测过的点则停止连接。
2.根据权利要求1所述的图像边缘检测方法,其特征在于,步骤1中,对输入图像进行预处理操作,具体方法为:首先是对导入的图片进行裁剪,通过裁剪窗口,选出需要操作的图片部分;接下来对得到的图像进行滤波操作,除去图像采集过程中的噪声,即有较强视觉效果的孤立像素点或像素块。
3.根据权利要求1所述的图像边缘检测方法,其特征在于,步骤2中,对预处理后图像进行梯度求取,通过梯度的判断,选择非线性插值方法进行像元分割,具体方法为:用非线性插值的方法,引入一个梯度权重系数来选择插值方式,对于非边缘部分采用最近邻插值,在边缘处的像素则采用一维双三次插值。
4.根据权利要求1所述的图像边缘检测方法,其特征在于,步骤3中,用Roberts梯度算子计算像元分割后的图像的梯度幅值和方向,对得到的梯度幅值图进行阈值设定,排除非边缘点,初步获得目标图像的边缘范围,具体方法为:用一阶微分Roberts模板做卷积得到图像的梯度幅值和方向,在得到图像梯度幅值图后,通过设置初步阈值,使低于阈值的像素点的梯度值设为0,即实现了非边缘区域的抑制,得到了有两三个像素宽的边缘轮廓的新梯度图。
5.根据权利要求1所述的图像边缘检测方法,其特征在于,步骤4中,根据梯度方向,结合极大值方法,选取出描点,具体方法为:首先定义一个领域范围,在新梯度图中进行移动判断,当邻域内多半数梯度值不为0时,寻找邻域内的最大值点作为锚点;当锚点不唯一时,结合梯度方向剔除重复锚点;对于水平的边缘,当多个最大值在同一行时,均取为锚点,否则取最上层点为锚点;对于垂直边缘,当多个最大值在同一列时,均取为锚点,否则取最左列的点为锚点。
6.一种图像边缘检测系统,其特征在于,基于权利要求1-5任一项所述的方法进行图像边缘检测。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1-5任一项所述的方法进行图像边缘检测。
8.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-5任一项所述的方法进行图像边缘检测。
9.一种基于分辨率板的边缘精度验证方法,其特征在于,用于权利要求1-5任一项所述方法检测的图像边缘,所述分辨率板采用UASF1951正负片分辨率测试卡,包括深色图案、浅色背景的正片和深色背景、浅色图案的负片两种类型;每类包含多个组,组号从0开始标记;每组由标记为1到6的六个元素组成,元素通过与其相邻的编号进行定位和区分;每个元素由等间距的线条组成:三横三竖,空格等于线宽,每条长宽比为5:1;
利用分辨率板线段间距固定、线段多等级划分的特点对分辨率版图像提取边缘,通过对比分辨率测试图像中正片的边缘识别情况,包括边缘连续性、边缘间距情况、最多清晰分辨边缘的元素等级来检验边缘检测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251568.0A CN112967303B (zh) | 2021-03-08 | 2021-03-08 | 一种图像边缘检测及其边缘精度验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251568.0A CN112967303B (zh) | 2021-03-08 | 2021-03-08 | 一种图像边缘检测及其边缘精度验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967303A CN112967303A (zh) | 2021-06-15 |
CN112967303B true CN112967303B (zh) | 2022-10-21 |
Family
ID=76277466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110251568.0A Active CN112967303B (zh) | 2021-03-08 | 2021-03-08 | 一种图像边缘检测及其边缘精度验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967303B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049904A (zh) * | 2012-11-30 | 2013-04-17 | 北京华夏力鸿商品检验有限公司 | 一种图像提取方法及其系统、电子证书制作方法及其系统 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
-
2021
- 2021-03-08 CN CN202110251568.0A patent/CN112967303B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049904A (zh) * | 2012-11-30 | 2013-04-17 | 北京华夏力鸿商品检验有限公司 | 一种图像提取方法及其系统、电子证书制作方法及其系统 |
CN107944341A (zh) * | 2017-10-27 | 2018-04-20 | 荆门程远电子科技有限公司 | 基于交通监控图像的司机未系安全带自动检测系统 |
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112967303A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598001B (zh) | 一种基于多模型融合的船舶水尺读数自动识别方法 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN109636771B (zh) | 基于图像处理的飞行目标检测方法及系统 | |
CN106056625B (zh) | 一种基于地理同名点配准的机载红外运动目标检测方法 | |
CN110136196B (zh) | 一种桥梁裂缝宽度自动测量方法 | |
CN107341793A (zh) | 一种靶面图像处理方法及装置 | |
CN114612410A (zh) | 一种新型服装检测装置 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN113393447B (zh) | 基于深度学习的针尖正位度检测方法及系统 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN112967303B (zh) | 一种图像边缘检测及其边缘精度验证方法 | |
CN111161264B (zh) | 一种对含有缺陷的tft电路图像的分割方法 | |
CN115575407B (zh) | 一种应用于轨道与隧道的检测方法 | |
CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 | |
CN110427982B (zh) | 一种基于图像处理的自动布线机路线校正方法及系统 | |
CN113409334A (zh) | 一种基于质心的结构光角点检测方法 | |
CN114419317A (zh) | 一种用于复杂环境线结构光的光条中心提取方法 | |
CN109215068B (zh) | 图像放大率测量方法及装置 | |
CN108256525B (zh) | 一种基于图像处理的导轨目标位置检测方法 | |
CN116758106B (zh) | 基于无人机的水流登记单元界线核实方法 | |
CN115096196B (zh) | 一种用于火箭回收的视觉测高测速方法、系统及存储介质 |
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 |