CN113221926B - 一种基于角点优化的线段提取方法 - Google Patents
一种基于角点优化的线段提取方法 Download PDFInfo
- Publication number
- CN113221926B CN113221926B CN202110700010.6A CN202110700010A CN113221926B CN 113221926 B CN113221926 B CN 113221926B CN 202110700010 A CN202110700010 A CN 202110700010A CN 113221926 B CN113221926 B CN 113221926B
- Authority
- CN
- China
- Prior art keywords
- line segment
- image
- corner
- points
- point
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种基于角点优化的线段提取方法,该方案提出将角点检测算法加入到线段检测算法中,作为线段提取的一个约束条件,同时对所提取的角点进行非极大值抑制处理,防止角点聚集,本方案不需要调整线段提取算法的相关阈值,在保持较好的计算效率的同时,能够剔除特征不明显区域的线段。
Description
技术领域
本发明涉及图像特征抽取技术领域,尤其涉及一种基于角点优化的线段提取方法。
背景技术
直线段是数字图像中常见而重要的几何元素,在空间上表现为一个连通的像素点集合,集合内的像素点通常具有相似的灰度值和梯度方向。在人造环境中,存在许多由平面构成的物体,因此可以通过直线段进行描述。所以,直线段检测在消失点检测、图像匹配、三维重建、道路检测和遥感图像分析等一系列视觉任务中都有着广泛的应用。
目前主流的线段检测方法是感知分组算法,比如EDLines。这类算法检测线段的性能主要取决于图像的边缘,由此会产生误提取的问题。比如对于天空的云朵、光照的阴影、玻璃的反射等线段特征不明显的区域,也会提取出线段。当前对于此类问题,一般的解决方法是调整线段提取算法的梯度阈值,但是对于不同场景,阈值的设定不一样,且会影响原有正常线段的提取。
由此看出,如果不调整线段提取算法的相关阈值,且剔除特征不明显区域的线段,是本发明待解决的问题。
发明内容
基于上述存在的技术问题,本申请提出一种基于角点优化的线段提取方法,包括如下步骤:
步骤一:将原图像转换为灰度图像;使用EDLines算法提取灰度图像的线段特征,将提取的线段定为原始线段;使用Shi-Tomasi算法提取灰度图像的角点特征,将提取的角点定为原始角点;
步骤二:对步骤一所述的灰度图像重新定义尺寸,所述原始线段和所述原始角点的位置也相应改变;然后将重新定义尺寸的所述灰度图像分成若干个图像块,统计每个图像块中原始角点的数量;
步骤三:判断步骤二所统计出的每个图像块的原始角点数量,如果所述原始角点数量大于16,则设定角点提取函数的角点间最短距离阈值为10个像素,并对所述图像块重新提取新的角点替换所述图像块的原始角点;
步骤四:对于每条原始线段,设定一个外接矩形,所述矩形的两短边垂直于线段,所述矩形的两短边与线段端点之间的距离为6个像素点长度;两长边平行于线段,两长边与线段之间的距离为6个像素点长度;统计外接矩形内的角点数量,当角点数量大于等于1时,则判定该线段是特征明显的线段。
进一步地,对于角点数量等于0的外接矩形,判断对应线段的长度是否大于线段平均长度,如果不是则剔除线段。
进一步地,每个所述角点的最小距离为3个像素点。
进一步地,所述EDLines线段提取算法主要如下:
(1)、对图片进行高斯滤波平滑;
(2)、计算图片每个像素的梯度方向和大小,公式如下:
其中,I(x,y)为该像素点的灰度值,gx(x,y)和gy(x,y)表示该像素点在x方向和y方向的梯度幅值,g(x,y)表示该像素点的总梯度幅值,angle(x,y)为该像素点的梯度方向;
(3)、遍历每个像素点,将一个梯度强度大于其梯度方向上另外两个相邻像素点,且至少大于锚点阈值的像素点设定为锚点;所述锚点阈值设置为3个梯度强度;
(4)连接各个锚点,形成图像边缘,并对图像边缘进行最小二乘法拟合,得到线段。进一步地,使用Shi-Tomasi算法对图像提取角点算法主要如下:
(1)、通过向各个方向移动局部小窗口ω(x,y),计算每个方向的灰度变化,根据变化程度检测是否为特征点,平移窗口产生灰度变化,Ix和Iy分别表示图像灰度在x和y方向上的梯度值;最终可以得到一个矩阵M表示为:
(2)、角点响应函数被定义为:
R=min(λ1,λ2)>τc
上式的λ1,λ2是矩阵M的特征值;如果设定的阈值τc小于λ1,λ2中较小的那个,那么该点则被设定为角点,其中τc为角点阈值。
为了不调整线段提取算法的相关阈值,且剔除特征不明显区域的线段,本发明根据角点是边缘曲线上亮度变化明显或曲率较大的图像点、大概率出现在线段附近的这一特性,提出将角点检测算法加入到线段检测算法中,作为线段提取的一个约束条件。同时对所提取的角点进行非极大值抑制处理,极大地减少了角点的数量,有利于加快查找线段周围角点的数量,保持线段检测效率。此方法得到的效果是,在保持较好的计算效率的同时,剔除特征不明显区域的线段,这是现有技术未曾提出过的。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例中方法流程示意图;
图2为本发明外接矩形示意图;
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,基于角点优化的线段提取方法具体详细的实施方式如下:
1、摄像头接入计算机,对需要提取线段的区域进行拍摄,并将图片传入电脑。
2、该图片的色彩三通道的值分别为R,G,B,对图片进行灰度处理,此时灰度图只有单色彩通道,公式如下:
Gray=R*0.299+G*0.587+B*0.114
3、对灰度图进行线段提取,EDLines线段提取算法主要如下:
(1)、对图片进行高斯滤波平滑
(2)、计算图片每个像素的梯度方向和大小,公式如下:
其中,I(x,y)为该像素点的灰度值,gx(x,y)和gy(x,y)表示该像素点在x方向和y方向的梯度幅值,g(x,y)表示该像素点的总梯度幅值,angle(x,y)为该像素点的梯度方向。
(3)、遍历各个像素点,将一个梯度强度大于其梯度方向上另外两个相邻像素点,且至少大于锚点阈值的像素点设定为锚点。锚点阈值设置为3个梯度强度。
(4)连接各个锚点,形成图像边缘,并对图像边缘进行最小二乘法拟合,得到线段。
4、对灰度图进行角点提取,Shi-Tomasi角点提取算法主要如下:
(1)、通过向各个方向移动局部小窗口W(x,y),计算每个方向的灰度变化。根据变化程度检测是否为特征点,平移窗口产生灰度变化,Ix和Iy分别表示图像灰度在x和y方向上的梯度值。最终可以得到一个矩阵M表示为:
(2)、角点响应函数被定义为:
R=min(λ1,λ2)>τc
上式的λ1,λ2是矩阵M的特征值。如果设定的阈值R小于λ1,λ2中较小的那个,那么该点则被设定为角点,其中τc为角点阈值。
5、对含有原始线段和原始角点的灰度图重新定义尺寸为640x480像素大小,并对图像分割为16x12个图像块,每个图像块40x40像素大小。统计每个图像块内的角点数量,如果角点数量大于16个,则将角点提取算法的角点间最短距离阈值提高到10个像素,对该图像块重新进行角点提取。
6、统计每条线段的外接矩形内角点的数量。
7、遍历每条线段,如果线段同时不满足以下两个条件,则判定该线段特征不明显,需要剔除。条件如下:
(1)、外接矩形内的角点数量大于等于1
(2)、线段长度小于平均线段长度
8、输出线段。
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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于角点优化的线段提取方法,其特征在于,包括如下步骤:
步骤一:将原图像转换为灰度图像;使用EDLines算法提取灰度图像的线段特征,将提取的线段定为原始线段;使用Shi-Tomasi算法提取灰度图像的角点特征,将提取的角点定为原始角点;
步骤二:对步骤一所述的灰度图像重新定义尺寸,所述原始线段和所述原始角点的位置也相应改变;然后将重新定义尺寸的所述灰度图像分成若干个图像块,统计每个图像块中原始角点的数量;
步骤三:判断步骤二所统计出的每个图像块的原始角点数量,如果所述原始角点数量大于16,则设定角点提取函数的角点间最短距离阈值为10个像素,并对所述图像块重新提取新的角点替换所述图像块的原始角点;
步骤四:对于每条原始线段,设定一个外接矩形,所述矩形的两短边垂直于线段,所述矩形的两短边与线段端点之间的距离为6个像素点长度;两长边平行于线段,两长边与线段之间的距离为6个像素点长度;统计外接矩形内的角点数量,当角点数量大于等于1时,则判定该线段是特征明显的线段。
2.根据权利要求1所述的方法,其特征在于,所述图像重新定义尺寸为640×480个像素大小。
3.根据权利要求2所述的方法,其特征在于,图像块的个数为16×12个。
4.根据权利要求1所述的方法,其特征在于,对于外接矩形内的角点数量等于0的外接矩形,判断该外接矩形内对应线段的长度是否大于线段平均长度,如果不是则剔除该线段。
5.根据权利要求4所述的方法,其特征在于,每个所述角点之间的最小距离为3个像素点。
8.一种计算机可读存储介质,其特征在于,包括程序或指令,当所述程序或指令在计算机上运行时,如权利要求1至7中任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700010.6A CN113221926B (zh) | 2021-06-23 | 2021-06-23 | 一种基于角点优化的线段提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700010.6A CN113221926B (zh) | 2021-06-23 | 2021-06-23 | 一种基于角点优化的线段提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221926A CN113221926A (zh) | 2021-08-06 |
CN113221926B true CN113221926B (zh) | 2022-08-02 |
Family
ID=77081076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700010.6A Active CN113221926B (zh) | 2021-06-23 | 2021-06-23 | 一种基于角点优化的线段提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221926B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324913B (zh) * | 2013-05-29 | 2016-03-30 | 长安大学 | 一种基于形状特征和轨迹分析的行人事件检测方法 |
CN106504182B (zh) * | 2016-11-02 | 2019-11-08 | 山东正晨科技股份有限公司 | 一种基于fpga的直线特征提取系统 |
CN108615248B (zh) * | 2018-04-27 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
CN110874844A (zh) * | 2018-08-30 | 2020-03-10 | 京东方科技集团股份有限公司 | 线段检测方法、装置和设备 |
CN110751640A (zh) * | 2019-10-17 | 2020-02-04 | 南京鑫和汇通电子科技有限公司 | 一种基于角点配对的深度图像的四边形检测方法 |
CN110933926B (zh) * | 2019-11-13 | 2021-04-06 | 浙江工业大学 | 一种基于角点检测的贴片机吸嘴元件角度的自动校正方法 |
CN111462153B (zh) * | 2020-04-30 | 2023-05-19 | 柳州智视科技有限公司 | 一种基于图像轮廓Freeman链码的角点特征提取方法 |
CN111582134A (zh) * | 2020-04-30 | 2020-08-25 | 平安科技(深圳)有限公司 | 证件边沿检测方法、装置、设备和介质 |
CN111754422A (zh) * | 2020-06-02 | 2020-10-09 | 浙江工业大学 | 一种基于EDLines和LSM的视觉巡边方法 |
CN112258455A (zh) * | 2020-09-28 | 2021-01-22 | 上海工程技术大学 | 基于单目视觉检测零件空间位置的检测方法 |
CN112507867B (zh) * | 2020-12-04 | 2022-04-22 | 华南理工大学 | 一种基于EDLines线特征的车道线检测方法 |
CN112766113B (zh) * | 2021-01-08 | 2023-09-15 | 广州小鹏自动驾驶科技有限公司 | 一种路口检测方法、装置、设备及存储介质 |
-
2021
- 2021-06-23 CN CN202110700010.6A patent/CN113221926B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113221926A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970844B2 (en) | Image segmentation method and device, computer device and non-volatile storage medium | |
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
CN111415363B (zh) | 一种图像边缘识别方法 | |
CN108230292B (zh) | 物体检测方法和神经网络的训练方法、装置及电子设备 | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN110111347B (zh) | 图像标志提取方法、装置及存储介质 | |
CN111062331A (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN111145105A (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN110046623B (zh) | 一种图像特征点提取方法和相机 | |
CN113705380B (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN114862897A (zh) | 一种图像背景处理方法、装置及电子设备 | |
CN112907461B (zh) | 一种红外雾天降质图像去雾增强方法 | |
CN113221926B (zh) | 一种基于角点优化的线段提取方法 | |
KR102386930B1 (ko) | 도로 영상의 경계선 검출 장치 및 그 방법 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN117456376A (zh) | 一种基于深度学习的遥感卫星影像目标检测方法 | |
CN110557622B (zh) | 基于结构光的深度信息获取方法及装置、设备及介质 | |
CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
CN111311610A (zh) | 图像分割的方法及终端设备 | |
CN114943770B (zh) | 一种基于人工智能与建筑物信息的视觉定位方法及系统 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Luo Kaiqing Inventor after: Deng Juncan Inventor after: Cai Weibo Inventor after: Zhou Yubin Inventor before: Deng Juncan Inventor before: Cai Weibo Inventor before: Zhou Yubin Inventor before: Luo Kaiqing |
|
CB03 | Change of inventor or designer information |