CN113012124A - 一种鞋印孔洞和嵌入物特征检测及描述方法 - Google Patents
一种鞋印孔洞和嵌入物特征检测及描述方法 Download PDFInfo
- Publication number
- CN113012124A CN113012124A CN202110277363.XA CN202110277363A CN113012124A CN 113012124 A CN113012124 A CN 113012124A CN 202110277363 A CN202110277363 A CN 202110277363A CN 113012124 A CN113012124 A CN 113012124A
- Authority
- CN
- China
- Prior art keywords
- region
- point
- value
- image
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims description 72
- 238000012216 screening Methods 0.000 claims abstract description 28
- 230000012010 growth Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 230000035040 seed growth Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- -1 (i)-O Chemical class 0.000 description 1
- 241001581440 Astroides Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种鞋印孔洞和嵌入物特征检测及描述方法,包括:获取鞋印孔洞候选集并提取其属性信息;遍历孔洞候选集、基于几何和灰度属性进行孔洞区域筛选获得候选区域集合;以长轴、短轴、偏心率、面积为特征基于欧式距离构建相似度矩阵,采用改进生长规则后的种子生长算法对精确候选区域集合进行种子生长获取孔洞特征的生长区域;基于多尺度差分高斯获取候选嵌入物特征点集;遍历所有的候选嵌入物特征点集,通过将灰度均值与其阈值比较获得筛选后的嵌入物特征初始区域,通过对该嵌入物特征区域进行纹理一致性筛选并基于最大极值稳定区域从而确定精准嵌入物区域;采用水平集算法对精准嵌入物区域进行边界描述。
Description
技术领域
本发明涉及图像特征分析技术领域;尤其涉及一种基于多级筛选最大极值稳定区域的鞋印孔洞和嵌入物特征检测及描述方法。
背景技术
William J在文献[1]中阐明了鞋印随机特征在嫌疑人同一认定中的重要作用,目前还没有算法对孔洞、嵌入物特征进行检测及描述,相近的技术领域是缺陷检测,包括(1)利用基于混合高斯模型的背景差分法提取目标检测区域的焊缝缺陷区域检测算法[2]:(2)铜条表面的缺陷检测算法通过提取感兴趣区域,采用大津法阈值分割,对图像中相同像素的连通域进行分析,检测出缺陷[3];(3)基于图像空间的深度缺陷检测网络,使用卷积自编码网络在不同的高斯金字塔等级上重建图像子块,合并各个分辨率通道下的重建结果,与输入图像相减获得残差图像,用来判断是否存在异常[4]。
目前现有技术的缺陷为:基于机器视觉技术的缺陷检测算法对具有一致性纹理的图像上效果较好,而鞋印图像花纹变化较大,背景复杂,干扰信息较多;基于深度学习的缺陷检测需要大量标注的数据集,且同类缺陷背景一致,同类鞋印图像不具备大规模数据集。
发明内容
根据现有技术存在的问题,本发明公开了一种基于多级筛选最大极值稳定区域的鞋印孔洞和嵌入物特征检测及描述方法:具体包括如下步骤:
获取鞋印孔洞候选集并提取其属性信息;
遍历孔洞候选集、基于几何和灰度属性进行孔洞区域筛选获得候选区域集合;
以长轴、短轴、偏心率、面积为特征基于欧式距离构建相似度矩阵,通过遍历相似度矩阵中的元素并将其与阈值进行比较获得精确候选区域集合;
以修正后的种子点为初始点,采用改进生长规则后的区域生长算法对精确候选区域集合进行种子生长获取孔洞特征的生长区域,将生长区域的面积和长轴与设定阈值进行比较得到最终的孔洞特征区域,提取孔洞特征区域连通域的轮廓,将该轮廓作为最终的孔洞特征边界;
基于多尺度差分高斯进行嵌入物特征的检测获取候选嵌入物特征点集;
遍历所有的候选嵌入物特征点集,通过将灰度均值与其阈值比较获得筛选后的嵌入物特征初始区域,通过对该嵌入物特征区域进行纹理一致性筛选并基于最大极值稳定区域从而确定精准嵌入物区域;
采用水平集算法对嵌入物进行区域分割,其中水平集算法的输入为精准嵌入物区域的像素点坐标集,输出为分割后的区域集合,通过提取分割后的区域集合的连通域轮廓,将该轮廓曲线作为嵌入物的特征边界。
进一步的,对孔洞区域进行筛选时:
遍历孔洞候选集R1中的每一个候选区域,将灰度均值umean大于灰度阈值、或者长轴长度lmax小于长轴阈值的区域从孔洞候选集R1中剔除形成候选集R2[i],i=1,2,...,n2;
提取候选集R2[i]的中心点坐标(xi,yi),计算候选区集R2中任意两个区域中心点之间的距离,若两区域间的距离小于距离阈值Td,则将长轴短的那个区域删除,循环该过程直到候选集R2[i]的任何两个区域中心点之间的距离都大于Td为止,从而形成的候选区域集合记为R3[i],i=1,2,...,n3,其中n3表示候选区域集合R3中区域的数目。
进一步的,在获取精确候选区域集合时采用如下方式:
以长轴lmax、短轴lmin、偏心率p、面积a为特征,基于欧式距离构建相似度矩阵S,采用矩阵元素sij表示区域R3[i]与区域R3[j](j=1,...,n3)的相似度;
遍历相似度矩阵S元每一行、统计该行中元素值大于阈值Ts的个数N,若N>TN,则证明存在多个区域与该行对应的区域相似,该区域为鞋印本身的花纹特征而非孔洞特征,因此将区域R3[i]从候选区域中删除,从而获得精确候选区域集合记为R4[i],i=1,2,...,n4,其中n4表示精确候选区域集合R4中区域的数目,TN为相似区域个数阈值。
进一步的,获取孔洞特征边界时:
提取精确候选区域集合R4[i]中的区域最小外接矩形所对应的图像块I1,对图像I1二值化处理,并提取连通域,将面积小于Ta的连通域去除,同时进行孔洞填充得到填充后的图像I2;
以精确候选区域集合区域R4[i]的中心点(xi,yi)为基准,截取N×N大小的图像块,记为I3,将图像块I3分成互不重叠的块,计算每个块的灰度均值,对灰度均值排序,取出灰度均值最小的块M,将块M的中心点作为修正后的区域生长的初始种子点(x0,y0);
创建全零图像J,其中全零图像J的大小与图像块I1相同,初始化种子点像素值J(x0,y0)=1,初始化基准灰度值seed为I1(x0,y0),对图像J进行区域生长,生长准则为:
对图像J中的每个值为1的点(x,y)遍历其八邻域中值为0的点:以其中(x+u,y+v)点为例,判断I1(x+u,y+v)与基准灰度值之差是否小于设定阈值,即是否满足:
|I1(x+u,y+v)-seed|<=Tseed
若满足,且I2(x+u,y+v)=1,则将(x+u,y+v)对应的J(x+u,y+v)值置为1,更新基准灰度值seed为当前已经加入到J中值为1的点对应在图像I1中的灰度均值;
若不满足上述条件,则对点(x,y)八邻域中下一个值为0的点进行上述操作,直至8邻域中所有值为0的点遍历完毕;
提取J中值为1区域属性信息,包括面积A,长轴长度Len,若该区域的面积A>TA且Len>Tlen,则说明此区域为随机孔洞特征,标记图像J中的连通域,并绘制连通域轮廓,将该轮廓作为最终的孔洞特征边界。
进一步的,获取候选嵌入物特征点集时:
提取待处理图像I的最长边长lm,根据缩放比例因子η对读入图像进行缩放,对缩放后的图像进行二值化处理得到二值化图像IBW,对二值化图像IBW进行闭运算,再以原图像为基准进行与操作得到待处理图像I的感兴趣区域IROI;
对感兴趣区域IROI进行多尺度差分高斯检测,其中窗口尺寸σ为对应层数l的2倍,即σ=2l,从而构建起多尺度n层的差分图像,提取差分图像的连续上中下三层间局部最大值大于阈值k的点作为检测点从而得到检测点集PD,并保留各点对应点的σ,形成候选嵌入物特征点集合σD。
进一步的,对嵌入物进行筛选获得检测点集:
以检测点集中的检测点PD(i)为锚点,在感兴趣区域图像IROI上以设定窗口求取灰度平均值VAVE,遍历所有的检测点,将所有灰度平均值VAVE的平均值作为均值筛选阈值ThAVE,如果VAVE<ThAVE,则从检测点集PD中删除对应的检测点PD(i),以此规则对检测点集PD中的每个点进行筛选得到初步筛选后的检测点集PDA。
进一步的,获取嵌入物特征初始区域时:
以PH(i)为锚点,以对应检测窗口尺寸值σD(i)的e1倍为边长,在图像I取出邻域子区域为花纹块BH(i),以PDA(i)为锚点,以对应检测窗口尺寸值σD(i)的e2倍为边长,在图像I上取出邻域子区域为检测图像块BDA(i);
使用PCA方法计算各个花纹块BH(i)的纹理主轴方向OH(i),以及各个检测图像块BDA(i)的纹理主轴方向ODA(i),计算花纹块与检测图像块主轴方向的差值ODF(i),并将ODF(i)在区间[0,Oth]内归一化、记为OD(i);
检测各个检测图像块BDA(i)的边缘并计算其偏离圆形的程度CDA(i),若Ctm>CDA(i)>Cdm,则CDF(i)=CDA(i)-Cdm,否则,将对应的CDF(i)赋值为Cth,并将CDF(i)在区间[0,Cth]内归一化记为CD(i);
新建空集合PMA,计算R(i)=CcCD(i)+CoOD(i),若R(i)>Rth,则将点PDA(i)加入到集合PMA中,以集合PMA中的点PMA(j)为锚点,以对应检测窗口尺寸值σD(j)的e2倍为边长,在图像I上取出邻域子区域作为检测图像块BMA(j)作为嵌入物特征初始区域。
进一步的,获取嵌入物的特征边界时:
采用水平集算法对嵌入物进行区域分割,其中水平集算法的输入为精准嵌入物区域的像素点坐标集,输出为分割后的区域集合L1。
以结构元素BL对区域集合L1进行膨胀得到区域集合L2,将区域集合L2与区域集合L1相减得到区域集合L3,将区域集合L1进行边界扩展,扩展程度参考区域集合L3中值为1的像素点对应在图像块上的灰度均值uL。
若灰度均值uL<T,L1保持不变,其中T为灰度阈值,大小为0.6倍精准嵌入物区域灰度最大值;否则将图像块中满足灰度值大于0.5倍精准嵌入物区域灰度最大值的像素点加入到区域集合L1中。提取区域集合L1的连通域轮廓,将该轮廓作为嵌入物的特征边界。
由于采用了上述技术方案,本发明提供的一种基于多级筛选最大极值稳定区域的鞋印孔洞和嵌入物特征检测及描述方法,本方法采用最大极值稳定区域检测定位特征,保证了检出率。考虑到鞋印图像噪声及花纹设计特征干扰信息较多,采用多级筛选的策略,避免了大量的干扰区域。本方法将特征检测与特征边界描述方法融合,在准确定位特征区域的基础上,对特征边界进行了准确描述。在鞋印的检验和鉴定中,孔洞和嵌入物属于随机特征,出现频率高,形成方式千差万别,具有特定性,特征的检测及描述为嫌疑人身份同一认定提供了技术支持。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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。
图1为本发明方法的流程图;
图2(a)为本发明中孔洞特征示意图;
图2(b)为本发明中孔洞特征示意图;
图3(a)为本发明中嵌入物特征示意图;
图3(b)为本发明中嵌入物特征示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
如图1所示的一种基于多级筛选最大极值稳定区域的鞋印孔洞和嵌入物特征检测及描述方法,包括孔洞检测和嵌入物检测两部分,具体包括如下步骤:
孔洞检测以及描述的步骤如下:
S1:获取孔洞候选集并提取其属性信息:
将待检测的图像缩小到原来尺寸的一半、对缩小后的图像进行中值滤波得到预处理后的鞋印图像I;
对鞋印图像I进行最大极值稳定区域检测(MSER),得到候选候选区域集合,记为R1[i],i=1,2,...,n1,n1为检测到的候选区域个数;提取R1[i]的属性信息,包括:长轴长度、短轴长度、灰度均值、最大灰度值、偏心率、面积等属性。
S2:基于几何和灰度属性进行孔洞区域筛选:
(1)遍历集合R1中的每一个候选区域,将灰度均值umean>Tu或者长轴长度lmax<Tl的区域从候选区域集R1中剔除,形成候选集R2[i],i=1,2,...,n2,这里的Tu、Tl分别为灰度阈值、长轴阈值,优先设置为60、150。
(2)提取候选区域R2[i]的中心点坐标(xi,yi),计算R2中任意两个区域中心点之间的距离,若两区域间的距离小于距离阈值Td,则将长轴短的那个区域删除。下面以集合R2中的区域R2[1]为例说明此过程:
a)计算R2[1]中心点(x1,y1)到R2[2]的距离d:
b)若d<Td,则比较R2[1]的长轴长度lmax(1)与R2[2]的长轴长度lmax(2),如果lmax(1)>lmax(2),则从R2中删除R2[2],否则删除R2[1]。
不断从R2中选取两个区域,重复过程a)与b),直至R2中任何两个区域中心点之间的距离都大于Td为止。
经本步骤筛选后,形成的候选区域集合记为R3[i],i=1,2,...,n3,其中n3表示候选集R3中区域的数目。
S3:基于相似区域数目进行随机孔洞筛选:
以长轴lmax、短轴lmin、偏心率p、面积a为特征,基于欧式距离构建相似度矩阵S,其中矩阵元素sij表示区域R3[i]与区域R3[j](j=1,...,n3)的相似度。
遍历相似度矩阵S元每一行,统计该行中元素值大于阈值Ts的个数N;若N>TN,则说明存在多个区域与该行对应的区域相似,该区域为鞋印本身的花纹特征而非孔洞特征,因此将区域R3[i]从候选区域中删除,其中TN为相似区域个数阈值,优先设置为8。
本步骤形成候选区域集合记为R4[i],i=1,2,...,n4,其中n4表示候选集R4中区域的数目。
S4:基于种子生长信息进行随机孔洞筛选及边界描述,遍历候选区域R4集合中的每个区域,进行下述操作:
(1)提取R4[i]的中心点(xi,yi),以及区域最小外接矩形所对应的图像块I1,同时计算I1的灰度均值u1,标准差std1。
使用大津法计算I1的二值化阈值,对图像I1二值化处理得到图像Ibw;标记Ibw的连通域并计算连通域的面积,将面积小于Ta的连通域去除。
创建尺寸与Ibw的图像X0,令其中心点为1,其余为0,以结构元素B对X0进行膨胀,并与Ibw的补集Ibw c求交集,不断迭代此过程,直到Xk(k=1,2,...)不再变化,最后用Xk并上Ibw便可得到填充后的孔洞图像I2,计算过程如式2所示。
I2=Xk∪Ibw (2)
(2)以候选区域R4[i]的中心点(xi,yi)为基准,截取N×N大小的图像块,记为I3,这里N优先选为15,将I3分成互不重叠的块,每个块的大小为w×w个像素,w优先选为5;计算每个块的灰度均值,对灰度均值排序,取出灰度均值最小的块M,将M的中心点作为修正后的区域生长的初始种子点(x0,y0)。
创建全零图像J,J的大小与I1相同,J(x,y)值仅有0或者1两种可能性,若值为1则表示该点为孔洞区域中的一点,值为0则表示该点不是孔洞区域中的一点,初始化种子点像素值J(x0,y0)=1,初始化基准灰度值seed为I1(x0,y0)。对图像J进行区域生长,生长准则为:
对J中的每个值为1的点(x,y),遍历其八邻域中值为0的点:以其中(x+u,y+v)点为例,判断I1(x+u,y+v)与基准灰度值之差是否小于设定阈值,即是否满足:
|I1(x+u,y+v)-seed|<=Tseed (3)
其中Tseed优先设置为0.5std1。
若满足,且I2(x+u,y+v)=1,则将(x+u,y+v)对应的J(x+u,y+v)值置为1。更新基准灰度值seed为当前已经加入到J中值为1的点对应在图像I1中的灰度均值;
其中,sum是当前已加入到生长区域的像素点灰度值之和,count为已加入到生长区域的像素点个数。
若不满足上述条件,则对(x,y)点八邻域中下一个值为0的点进行上述操作,直至8邻域中所有值为0的点遍历完毕。
(3)提取J中值为1的区域属性信息:包括面积A,长轴长度Len。若生长区域的面积A>TA且Len>Tlen,则说明此区域为随机孔洞特征,标记图像J中的连通域,并绘制连通域轮廓,将该轮廓作为孔洞的特征边界,如图2(a)(b)所示。其中TA、Tlen分别为面积阈值、长轴阈值,优先设置为20000、200。
嵌入物检测以及描述的步骤如下:
1、输入图像预处理
(2)对缩放后的图像进行二值化处理,得到二值化图像IBW,对IBW进行闭运算,再以原图像为基准进行与操作,得到待处理图像I的感兴趣区域IROI。
2、基于多尺度差分高斯的随机嵌入物检测
(1)对感兴趣区域IROI进行多尺度差分高斯检测,其中窗口尺寸σ为对应层数l的2倍,即σ=2l,从而构建起多尺度的n层的差分图像,优先设n=3。
(2)提取差分图像的连续上中下三层间局部最大值大于阈值k的点作为检测点从而得到检测点集PD,并保留各点对应点的σ,形成集合σD,阈值k=0.2。
3、基于灰度均值的嵌入物点集筛选
(1)以检测点集PD中的检测点PD(i)为锚点,在感兴趣区域图像IROI上以5×5的窗口求取灰度平均值VAVE。遍历所有的检测点,将所有VAVE的平均值作为均值筛选阈值ThAVE。
(2)若VAVE<ThAVE,则从检测点集PD中删除对应的检测点PD(i);依此规则对检测点集PD中的每个点进行筛选,得到初步筛选后的检测点集PDA。
4、基于纹理一致性的嵌入物区域筛选
(2)以PH(i)为锚点,以对应检测窗口尺寸值σD(i)的e1倍为边长,在图像I取出邻域子区域为花纹块BH(i);以PDA(i)为锚点,以对应检测窗口尺寸值σD(i)的e2倍为边长,在图像I上取出邻域子区域为检测图像块BDA(i),其中e1、e2优先取值为12、6。
(3)使用PCA方法计算各个花纹块BH(i)的纹理主轴方向OH(i),以及各个检测图像块BDA(i)的纹理主轴方向ODA(i)。
(4)计算花纹块与检测图像块主轴方向的差值ODF(i),其中ODF(i)=ODA(i)-OH(i),若|ODF(i)|>Oth,则将ODF(i)值赋值为Oth,否则保留ODF(i)的值。并将ODF(i)在区间[0,Oth]内归一化,记为OD(i)。其中Oth为主轴方向差值的阈值,优先设Oth为3。
(5)检测各个检测图像块BDA(i)的边缘并计算其偏离圆形的程度CDA(i);若Ctm>CDA(i)>Cdm,则CDF(i)=CDA(i)-Cdm;否则,将对应的CDF(i)赋值为Cth;并将CDF(i)在区间[0,Cth]内归一化,记为CD(i),其中Ctm为偏离圆形程度的上阈值,Cdm为圆形程度的下阈值,Cth=Ctm-Cdm,结合嵌入物的表征通常取Ctm=5,Cdm=2。
(6)新建空集合PMA,计算R(i)=CcCD(i)+CoOD(i),若R(i)>Rth,则将点PDA(i)中加入到集合PMA中。其中Cc,Co为比例系数通常取Cc=0.7,Co=0.7,Rth为筛选阈值通常取Rth=0.5。
(7)以集合PMA中的点PMA(j)为锚点,以对应检测窗口尺寸值σD(j)的e2倍为边长,在图像I上取出邻域子区域作为检测图像块BMA(j),e2优先取值为6,将BMA(j)作为嵌入物特征初始区域。此步骤得到特征区域如图3(a)白色矩形框所示的图像块。
5、基于最大极值稳定区域从而精确定位嵌入物
对步骤4中(7)的每个图像块BMA(j)进行如下操作:
(1)对图像块BMA(j)进行最大极值稳定区域检测并提取各个区域相应的像素点坐标集、灰度均值、灰度最大值、长轴长度等属性。本步骤形成候选区域集合记为RF1[i],i=1,2,…,m1,其中m1表示候选集RF1中区域的数目。
(2)统计候选区域集合RF1中的最大灰度均值和最大灰度值,分别记为uM、grayM。遍历每一个候选区域,若区域RF1[i]的灰度值u(i)>TgraygrayM,进入步骤(3);否则进入步骤(4),Tgray优先设为0.95。
(3)若u(i)不满足u(i)>T1uM,则将区域RF1[i]从候选区域中删除,T1优先设为0.9。
(4)若u(i)不满足u(i)>T2uM,则将区域RF1[i]从候选区域中删除,T2优先设为0.7。
上述步骤形成的候选集记为RF2[i],i=1,2,…,m2,其中m2表示候选集RF2中区域的数目。
(5)按照孔洞检测步骤S2中的第(2)步计算集合RF2中任意两个区域中心点之间的距离dij,若dij<Td,则说明存在特征相同但区域重复的情况,此时只需要保留长轴大的区域,将长轴小的区域从集合RF2中删除。不断将集合RF2中的区域两两作比较,直到RF2中任意两个区域中心点之间的距离都大于Td。
经上述步骤筛选后,候选区域集合更新为RF3[i],i=1,2,...,m3,其中m3为候选集RF3中区域的数目。
6、采用水平集算法对嵌入物进行区域分割,其中水平集算法的输入为RF3的像素点坐标集,输出为分割后的区域集合L1,其中L1是图3(b)中以黑色实线包络内的像素为前景,其余为背景的图像块集合。
以结构元素BL对区域集合L1进行膨胀得到区域集合L2,将区域集合L2与区域集合L1相减得到区域集合L3,将区域集合L1进行边界扩展,扩展程度参考区域集合L3中值为1的像素点对应在图像块上的灰度均值uL。
若灰度均值uL<T,L1保持不变,其中灰度阈值T=0.6um(i),其中um(i)为区域RF[i]的灰度最大值,否则将图像块中满足灰度值大于0.5um(i)的像素点加入到区域集合L1中,提取L1的连通域轮廓,即如图3(b)所示的黑色星形线,将该曲线作为嵌入物的特征边界。
本方法通过对鞋印图像进行多级筛选的最大极值稳定区域检测来定位孔洞、嵌入物特征;通过改进种子生长算法的生长规则提升孔洞边界描述的准确性,采用水平集算法对嵌入物特征边界进行准确的描述。本方法通过对足迹检验所需的特征进行定量描述,分析特征的特异性;可以用于比较样本足迹与现场足迹在孔洞以及嵌入物特征级别上的相似性,为嫌疑人的同一认定提供技术支持。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种鞋印孔洞和嵌入物特征检测及描述方法,其特征在于包括:
获取鞋印孔洞候选集,并提取其属性信息;
遍历孔洞候选集、基于几何和灰度属性进行孔洞区域筛选获得候选区域集合;
以长轴、短轴、偏心率、面积为特征基于欧式距离构建相似度矩阵,通过遍历相似度矩阵中的元素并将其与阈值进行比较获得精确候选区域集合;
以修正后的种子点为初始点,采用改进生长规则后的区域生长算法对精确候选区域集合进行区域生长获取孔洞特征的生长区域,将生长区域的面积和长轴与设定阈值进行比较得到最终的孔洞特征区域,提取孔洞特征区域连通域的轮廓,将该轮廓作为最终的孔洞特征边界;
基于多尺度差分高斯进行嵌入物特征的检测获取候选嵌入物特征点集;
遍历所有的候选嵌入物特征点集,通过将灰度均值与其阈值比较获得筛选后的嵌入物特征初始区域,通过对该嵌入物特征区域进行纹理一致性筛选并基于最大极值稳定区域从而确定精准嵌入物区域;
采用水平集算法对嵌入物进行区域分割,其中水平集算法的输入为精准嵌入物区域的像素点坐标集,输出为分割后的区域集合,通过提取分割后的区域集合的连通域轮廓,将该轮廓曲线作为嵌入物的特征边界。
2.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:对孔洞区域进行筛选时:
遍历孔洞候选集R1中的每一个候选区域,将灰度均值umean大于灰度阈值、或者长轴长度lmax小于长轴阈值的区域从孔洞候选集R1中剔除形成候选集R2[i],i=1,2,...,n2;
提取候选集R2[i]的中心点坐标(xi,yi),计算候选区集R2中任意两个区域中心点之间的距离,若两区域间的距离小于距离阈值Td,则将长轴短的那个区域删除,循环该过程直到候选集R2[i]的任何两个区域中心点之间的距离都大于Td为止,从而形成的候选区域集合记为R3[i],i=1,2,...,n3,其中n3表示候选区域集合R3中区域的数目。
3.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:在获取精确候选区域集合时采用如下方式:
以长轴lmax、短轴lmin、偏心率p、面积a为特征,基于欧式距离构建相似度矩阵S,采用矩阵元素sij表示区域R3[i]与区域R3[j](j=1,...,n3)的相似度;
遍历相似度矩阵S元每一行、统计该行中元素值大于阈值Ts的个数N,若N>TN,则证明存在多个区域与该行对应的区域相似,该区域为鞋印本身的花纹特征而非孔洞特征,因此将区域R3[i]从候选区域中删除,从而获得精确候选区域集合记为R4[i],i=1,2,...,n4,其中n4表示精确候选区域集合R4中区域的数目,TN为相似区域个数阈值。
4.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:获取孔洞特征边界时:
提取精确候选区域集合R4[i]中的区域最小外接矩形所对应的图像块I1,对图像I1二值化处理,并提取连通域,将面积小于Ta的连通域去除,同时进行孔洞填充得到填充后的图像I2;
以精确候选区域集合区域R4[i]的中心点(xi,yi)为基准,截取N×N大小的图像块,记为I3,将图像块I3分成互不重叠的块,计算每个块的灰度均值,对灰度均值排序,取出灰度均值最小的块M,将块M的中心点作为修正后的区域生长的初始种子点(x0,y0);
创建全零图像J,其中全零图像J的大小与图像块I1相同,初始化种子点像素值J(x0,y0)=1,初始化基准灰度值seed为I1(x0,y0),对图像J进行区域生长,生长准则为:
对图像J中的每个值为1的点(x,y)遍历其八邻域中值为0的点:以其中(x+u,y+v)点为例,判断I1(x+u,y+v)与基准灰度值之差是否小于设定阈值,即是否满足:
|I1(x+u,y+v)-seed|<=Tseed
若满足,且I2(x+u,y+v)=1,则将(x+u,y+v)对应的J(x+u,y+v)值置为1,更新基准灰度值seed为当前已经加入到J中值为1的点对应在图像I1中的灰度均值;
若不满足上述条件,则对点(x,y)八邻域中下一个值为0的点进行上述操作,直至8邻域中所有值为0的点遍历完毕;
提取J中值为1的区域属性信息,包括面积A,长轴长度Len,若该区域的面积A>TA且长轴Len>Tlen,则说明此区域为随机孔洞特征,其中TA、Tlen分别为面积阈值、长轴阈值;标记图像J中的连通域,并绘制连通域轮廓,将该轮廓作为最终的孔洞特征边界。
5.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:获取候选嵌入物特征点集时:
提取待处理图像I的最长边长lm,根据缩放比例因子η对读入图像进行缩放,对缩放后的图像进行二值化处理得到二值化图像IBW,对二值化图像IBW进行闭运算,再以原图像为基准进行与操作得到待处理图像I的感兴趣区域IROI;
对感兴趣区域IROI进行多尺度差分高斯检测,其中窗口尺寸σ为对应层数l的2倍,即σ=2l,从而构建起多尺度n层的差分图像,提取差分图像的连续上中下三层间局部最大值大于阈值k的点作为检测点从而得到检测点集PD,并保留各点对应点的σ,形成候选嵌入物特征点集合σD。
6.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:对嵌入物进行筛选获得检测点集:
以检测点集PD中的检测点PD(i)为锚点,在感兴趣区域图像IROI上以设定窗口求取灰度平均值VAVE,遍历所有的检测点,将所有灰度平均值VAVE的平均值作为均值筛选阈值ThAVE,如果VAVE<ThAVE,则从检测点集PD中删除对应的检测点PD(i),以此规则对检测点集PD中的每个点进行筛选得到初步筛选后的检测点集PDA。
7.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:获取嵌入物特征初始区域时:
以PH(i)为锚点,以对应检测窗口尺寸值σD(i)的e1倍为边长,在图像I取出邻域子区域为花纹块BH(i),以PDA(i)为锚点,以对应检测窗口尺寸值σD(i)的e2倍为边长,在图像I上取出邻域子区域为检测图像块BDA(i);
使用PCA方法计算各个花纹块BH(i)的纹理主轴方向OH(i),以及各个检测图像块BDA(i)的纹理主轴方向ODA(i),计算花纹块与检测图像块主轴方向的差值ODF(i),并将ODF(i)在区间[0,Oth]内归一化、记为OD(i);
检测各个检测图像块BDA(i)的边缘并计算其偏离圆形的程度CDA(i),若Ctm>CDA(i)>Cdm,则CDF(i)=CDA(i)-Cdm,否则,将对应的CDF(i)赋值为Cth,并将CDF(i)在区间[0,Cth]内归一化记为CD(i);
新建空集合PMA,计算R(i)=CcCD(i)+CoOD(i),若R(i)>Rth,则将点PDA(i)加入到集合PMA中,以集合PMA中的点PMA(j)为锚点,在图像I上取出邻域子区域BMA(i)作为嵌入物特征初始区域。
8.根据权利要求1所述的鞋印孔洞和嵌入物特征检测及描述方法,其特征在于:获取嵌入物的特征边界时:
采用水平集算法对嵌入物进行区域分割,其中水平集算法的输入为精准嵌入物区域的像素点坐标集,输出为分割后的区域集合L1;
以结构元素BL对区域集合L1进行膨胀得到区域集合L2,将区域集合L2与区域集合L1相减得到区域集合L3,将区域集合L1进行边界扩展,扩展程度参考区域集合L3中值为1的像素点对应在图像块上的灰度均值uL;
若灰度均值uL<T,L1保持不变,其中T为灰度阈值,大小为0.6倍精准嵌入物区域灰度最大值;否则将图像块中满足灰度值大于0.5倍精准嵌入物区域灰度最大值的像素点加入到区域集合L1中,提取区域集合L1的连通域轮廓,将该轮廓作为嵌入物的特征边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277363.XA CN113012124B (zh) | 2021-03-15 | 2021-03-15 | 一种鞋印孔洞和嵌入物特征检测及描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277363.XA CN113012124B (zh) | 2021-03-15 | 2021-03-15 | 一种鞋印孔洞和嵌入物特征检测及描述方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012124A true CN113012124A (zh) | 2021-06-22 |
CN113012124B CN113012124B (zh) | 2024-02-23 |
Family
ID=76407454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110277363.XA Active CN113012124B (zh) | 2021-03-15 | 2021-03-15 | 一种鞋印孔洞和嵌入物特征检测及描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012124B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082865A (zh) * | 2022-07-27 | 2022-09-20 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
CN115239714A (zh) * | 2022-09-22 | 2022-10-25 | 山东汇智家具股份有限公司 | 一种用于地板生产的原木材料分级评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN111860500A (zh) * | 2020-07-10 | 2020-10-30 | 大连海事大学 | 一种鞋印磨损区域检测与描边方法 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-15 CN CN202110277363.XA patent/CN113012124B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751178A (zh) * | 2015-03-31 | 2015-07-01 | 上海理工大学 | 基于形状模板匹配结合分类器的肺结节检测装置及方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN111860500A (zh) * | 2020-07-10 | 2020-10-30 | 大连海事大学 | 一种鞋印磨损区域检测与描边方法 |
Non-Patent Citations (4)
Title |
---|
MOURAD GUEHAM; AHMED BOURIDANE; DANNY CROOKES: "Automatic Recognition of Partial Shoeprints Based on Phase-Only Correlation", 《2007 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
SAYYAD ALIZADEH,CEMAL KOSE: "Automatic retrieval of shoeprint images using blocked sparse representation", 《FORENSIC SCIENCE INTERNATIONAL》 * |
刘真: "鞋印个性特征检测与表达算法研究" * |
谢吉航: "基于机器视觉的工业仪表自动测度方法与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082865A (zh) * | 2022-07-27 | 2022-09-20 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
CN115082865B (zh) * | 2022-07-27 | 2022-11-11 | 国能大渡河检修安装有限公司 | 基于视觉图像识别的桥机入侵危险行为预警方法及系统 |
CN115239714A (zh) * | 2022-09-22 | 2022-10-25 | 山东汇智家具股份有限公司 | 一种用于地板生产的原木材料分级评价方法 |
CN115239714B (zh) * | 2022-09-22 | 2022-12-06 | 山东汇智家具股份有限公司 | 一种用于地板生产的原木材料分级评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113012124B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
Zaitoun et al. | Survey on image segmentation techniques | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111402267B (zh) | 前列腺癌病理图像中上皮细胞核的分割方法、装置和终端 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN113012124A (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
CN111179263B (zh) | 一种工业图像表面缺陷检测模型、方法、系统及装置 | |
CN115984284A (zh) | 一种用于船舶维护的x射线船体焊缝图像检测方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及系统 | |
Geman et al. | Locating texture and object boundaries | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN111325724B (zh) | 隧道裂纹区域检测方法和装置 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
Gill et al. | A review of enhancement and segmentation techniques for digital images | |
Nagase et al. | Automatic calculation and visualization of nuclear density in whole slide images of hepatic histological sections |
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 |