CN113284158A - 一种基于结构约束聚类的图像边缘提取方法及系统 - Google Patents
一种基于结构约束聚类的图像边缘提取方法及系统 Download PDFInfo
- Publication number
- CN113284158A CN113284158A CN202110635802.XA CN202110635802A CN113284158A CN 113284158 A CN113284158 A CN 113284158A CN 202110635802 A CN202110635802 A CN 202110635802A CN 113284158 A CN113284158 A CN 113284158A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- pixel
- thresholding
- cluster
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于结构约束聚类的图像边缘提取方法及系统,其方法包括:步骤S1:对原始图像进行灰度化处理,得到灰度图;将灰度图进行阈值化处理,得到的阈值化图;步骤S2:将阈值化图放入平面直角坐标系中,构建坐标化的阈值化图;步骤S3:利用密度聚类方法,将坐标化的阈值化图中的像素聚类为像素簇;步骤S4:对像素簇,进行结构知识约束下的簇优选,得到包含物体边缘的边缘簇;步骤S5:对边缘簇去除边缘簇中包含的内部点,得到初步图像边缘提取结果;步骤S6:根据初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果。本发明提供的方法提升了传统边缘检测的自动化程度,使对物体边缘的提取更加高效和准确。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于结构约束聚类的图像边缘提取方法及系统。
背景技术
边缘检测是图形图像处理、计算机视觉和机器视觉中的一个基本工具,通常用于特征提取和特征检测,旨在检测一张数字图像中有明显变化的边缘或者不连续的区域,在一维空间中,类似的操作被称作步长检测。边缘是一幅图像中不同区域之间的边界线,通常一个边缘图像是一个二值图像。边缘检测的目的是捕捉亮度急剧变化的区域,而这些区域通常是我们关注的。在一幅图像中两度不连续的区域通常是以下几项之一:图像深度不连续处、图像(梯度)朝向不连续处、图像光照(强度)不连续处、纹理变化处。
理想情况下,对所给图像应用边缘检测器可以得到一系列连续的曲线,用于表示对象的边界。因此应用边缘检测算法所得到的结果将会大大减少图像数据量,从而过滤掉很多不需要的信息,留下图像的重要结构,所要处理的工作即被大大简化。然而,从普通图片上提取的边缘往往被图像的分割所破坏,也就是说,检测到的曲线通常不是连续的,导致边缘线段的丢失,此外还会出现一些检测中不感兴趣的边缘。这就需要边缘检测算法具备足够的准确性。传统实现的边缘检测的算法有canny算子、sobel算子、Prewitt算子等,以及一些基于深度学习的边缘检测方法,但是都不具备足够的边缘检测的准确性。
发明内容
为了解决上述技术问题,本发明提供一种基于结构约束聚类的图像边缘提取方法及系统。
本发明技术解决方案为:一种基于结构约束聚类的图像边缘提取方法,包括:
步骤S1:采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对所述原始图像进行灰度化处理,得到灰度图;将所述灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值;
步骤S2:将所述阈值化图放入平面直角坐标系中,得到每个像素的坐标,并构建坐标化的阈值化图;
步骤S3:利用密度聚类方法,将所述坐标化的阈值化图中的像素聚类为像素簇;
步骤S4:对所述像素簇,进行结构知识约束下的簇优选,得到包含所述物体边缘的边缘簇;
步骤S5:对所述边缘簇,利用正交双向投影去除所述边缘簇中包含的内部点,得到初步图像边缘提取结果;
步骤S6:根据所述初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果。
本发明与现有技术相比,具有以下优点:
1、本发明提供的基于结构约束聚类的图像边缘提取方法相比传统技术,可以得到更加准确的物体边缘信息,排除噪声干扰。传统边缘提取方法,如利用canny算子进行边缘检测,容易被局部不连续的边缘或噪声干扰,并且边缘检测结果中也会包含很多背景噪音。本发明中采用的密度聚类算法,对噪声不敏感,算法能够较好地判断离群点,即使出现少数错判的离群点,对最终的聚类结果也不会产生明显影响。同时,本发明的边缘提取方法也可以建立在传统方法之上,作为一种对边缘提取结果的优化措施,剔除背景噪音,得到准确性更高的物体边缘信息。
2、本发明提供的基于结构约束聚类的图像边缘提取方法具有一定的自适应性,不需要提前指定聚类的数目,并且可以根据图像特征聚类成任意形状的类。无论被检测物体的形状特征是什么样的,其边缘分布都符合连续性和局部高密度的特征,因而本发明靠不断连接邻域内的高密度点来发现簇,只需要定义邻域大小和密度阈值,就可以发现不同形状,不同大小的簇。本发明的自适应性可以保证其在实际应用中无需根据物体的形状不同而调整参数,在缺乏先验知识的情况下,能够覆盖更多的检测需要,具有较强的普适性。
3、本发明提供的基于结构约束聚类的图像边缘提取方法在实现过程中,可以结合被检测物体的结构知识,帮助提升边缘检测效果。在一些应用场景中,由于拥有被检测物体的先验知识,例如:形状,尺寸等,结合这些结构知识,可以提前为边缘检测任务缩小范围。本方法完成密度聚类后,在结构知识约束下进行簇优选,挑选出最可能包含物体边缘的像素簇,就是参照了物体轮廓特征的结构信息。本方法可以在拥有结构知识的情况下,进一步利用其结构特点,达到更好地边缘提取效果。
4、本发明将计算机领域的图像识别技术带入传统工业检测,提升了检测效率,发挥了图像技术的优势。在应用到工业测量领域时,相比传统方法,本发明只需要获取一张被检测物体的图像,处理速度相较人工检测有大幅提升,同时还降低了对技术人员的专业需求。并且,根据结构知识得到物体尺寸后,还可以结合提取到的物体边缘,实现更进一步的精细化测量。
附图说明
图1为本发明实施例中一种基于结构约束聚类的图像边缘提取方法的流程图;
图2为本发明实施例中一种基于结构约束聚类的图像边缘提取方法中步骤S1:采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对原始图像进行灰度化处理,得到灰度图;将灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值的流程图;
图3为本发明实施例中被检测物体的灰度图示意图;
图4为本发明实施例中被检测物体的阈值化图示意图;
图5本发明实施例中一种基于结构约束聚类的图像边缘提取方法中步骤S2:将阈值化图放入平面直角坐标系中,得到每个像素的坐标的流程图;
图6本发明实施例中一种基于结构约束聚类的图像边缘提取方法中步骤S3:利用密度聚类方法,将坐标化的阈值化图中的像素聚类为像素簇的流程图;
图7本发明实施例中被检测物体的像素簇示意图;
图8本发明实施例中一种基于结构约束聚类的图像边缘提取方法中步骤S4:对像素簇,进行结构知识约束下的簇优选,得到包含物体边缘的边缘簇的流程图;
图9本发明实施例中被检测物体的边缘簇包含内部点的示意图;
图10本发明实施例中一种基于结构约束聚类的图像边缘提取方法中步骤S5:对边缘簇,利用正交双向投影去除边缘簇中包含的内部点,得到初步图像边缘提取结果的流程图;
图11本发明实施例中被检测物体的初步图像边缘提取结果的示意图;
图12本发明实施例中一种基于结构约束聚类的图像边缘提取方法中步骤S6:根据初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果的流程图;
图13本发明实施例中被检测物体的初步图像边缘提取结果进行边缘修正的示意图;
图14发明实施例中被检测物体的最终的边缘提取结果的示意图;
图15本发明实施例中一种基于结构约束聚类的图像边缘提取系统的结构框图。
具体实施方式
本发明提供了一种基于结构约束聚类的图像边缘提取方法,利用图像处理技术实现了对物体边缘的准确检测,提升了传统边缘检测的自动化程度,使对物体边缘的提取更加高效和准确。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
为了准确描述本发明内容,本发明解释如下术语及含义。
图像边缘提取:使用图像处理技术提取出图像内的物体边缘轮廓,在本发明中的图像边缘提取,指从被检测物体正视方向拍摄图像,利用算法将其中被检测物体的边缘进行特征提取。
图像阈值化:图像阈值化是一种图像分割方法,可以从一幅图像中分割出所需要的物体部分。该方法基于图像中物体与背景之间的灰度值差异,用图像中的每一个像素点的灰度值和给定的阈值进行比较,按照比较结果将指定各像素的灰度值归类为黑色或白色。
密度聚类:基于密度的聚类是根据样本的密度分布来进行聚类。通常情况下,密度聚类从样本密度的角度出来,来考查样本之间的可连接性,并基于可连接样本不断扩展聚类簇,以获得最终的聚类结果。
像素簇:像素簇也叫像素类簇,本发明中是指在经过密度聚类算法后,得到的聚类结果,一个像素簇就是由密度可达关系导出的最大的密度相连的像素集合。
结构知识:在本专利中,结构知识指的是物体的物理性参数,如长度、宽度、形状特征等先验知识。
正交:正交是线性代数的概念,是垂直这一直观概念的推广。若内积空间中两向量的内积为0,则称它们是正交的。在本发明中,像素簇在相互正交(垂直)的两个方向上分别投影,消除重复边缘点。
图搜索:很多数据都属于图结构,例如社交网络、经济网络、生物医学网络、信息网络(互联网网站、学术引用)、神经网络等。图搜索就是将这些符合图结构的数据进行图表示,再按照一定的连接规则进行图节点间的搜索。
实施例一
如图1所示,本发明实施例提供的一种基于结构约束聚类的图像边缘提取方法,包括下述步骤:
步骤S1:采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对原始图像进行灰度化处理,得到灰度图;将灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值;
步骤S2:将阈值化图放入平面直角坐标系中,得到每个像素的坐标,并构建坐标化的阈值化图;
步骤S3:利用密度聚类方法,将坐标化的阈值化图中的像素聚类为像素簇;
步骤S4:对像素簇,进行结构知识约束下的簇优选,得到包含物体边缘的边缘簇;
步骤S5:对边缘簇,利用正交双向投影去除边缘簇中包含的内部点,得到初步图像边缘提取结果;
步骤S6:根据初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果。
如图2所示,在一个实施例中,上述步骤S1:采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对原始图像进行灰度化处理,得到灰度图;将灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值,具体包括:
步骤S11:对原始图像进行灰度化处理,得到灰度图,使得所述灰度图中每个像素的灰度值在0~255之间;
本发明实施选择的被检测物体为盾构机上的刀具,刀具是盾构机上的重要配件之一,并且在工作过程中有着磨损量检测需求。目前的磨损量检测还大都是依靠人工测量,效率不高。首先,将更换下来的盾构机刀具平放,拍摄正视图作为整个专利流程输入的原始图像。首先,在程序中读取作为输入的盾构机刀具的原始图像,分辨率为1600*1200,记作Original_img。对使用RGB颜色模型表示的原始图像Original_im,进行灰度化处理。
本发明实施例利用加权平均法,根据R、G、B三个维度的重要性,将三个分量按不同的权值进行加权平均。按照加权平均公式:f(i,j)=0.30*R(i,j)+0.59*G(i,j)+0.11*B(i,j),对每个像素进行灰度化表示,其中f(i,j)为二维图片中坐标为(i,j)的点的灰度值,R(i,j)、G(i,j)、B(i,j)分别为坐标为(i,j)的点在R、G、B三个分量上的值。原始图像经过上述灰度化处理后,得到如图3所示的灰度图Gray_img,其中,灰度图的每个像素的灰度值在0~255之间。
步骤S12:将灰度图进行阈值化处理,得到阈值化图,使得阈值化图中每个像素的灰度值为0或255。
对灰度图Gray_img按照自适应阈值OTSU算法,对其进行阈值化表示。首先,统计灰度图的灰度值的直方分布,再分别计算背景图像、前景图像的平均灰度、背景图像像素数所占比例,最后遍历0~255各灰阶,计算并寻找类间方差极大值所对应灰度值。找到Gray_img对应的阈值限后,将每个像素的灰度进行阈值化分割,变成灰度值只包含0和255的如图4所示的阈值化图threshold_img。
如图5所示,在一个实施例中,上述步骤S2:将所述阈值化图放入平面直角坐标系中,得到每个像素的坐标,具体包括:
步骤S21:以阈值化图的左上角为原点,长边为x轴方向,短边为y轴方向建立平面直角坐标系;
将阈值化图的像素用坐标表示,是为了将阈值化图转化为后续步骤的输入格式。首先,根据阈值化图像的像素矩阵表示,以阈值化图像threshold_img的左上角为原点,长边为x轴方向,短边为y轴方向建立平面直角坐标系。根据Original_img的分辨率确定横纵坐标的范围,横坐标范围为0~1600,纵坐标的范围为0~1200。按像素矩阵排列将像素一一对应至平面直角坐标系。
步骤S22:阈值化图中每个像素都包含两个分量:pixel(i,j)={(i,j),grayscale};其中,i,j是像素的坐标;grayscale是该像素的灰度值为0或255;
坐标表示后的每个像素都包含两个分量,i,j是像素的坐标信息,grayscale是像素阈值化后的灰度值,即pixel(i,j)={(i,j),grayscale},其中,grayscale的值为0或255。
步骤S23:构建坐标化的阈值化图P={pixel(1,1),pixel(1,2),…pixel(i,j),…pixel(m,n)}
其中,m为P的长边像素数量,n为P的短边像素数量。
如图6所示,在一个实施例中,上述步骤S3:利用密度聚类方法,将坐标化的阈值化图中的像素聚类为像素簇,具体包括:
步骤S31:提取坐标化的阈值化图P中所有灰度值为255的像素,作为密度聚类的输入P1,设定的搜索半径eps邻域和密度阈值MinPt;
对坐标化的阈值化图P,按灰度值grayscale提取出所有白色亮点,即grayscale=255的像素点,作为密度聚类的输入,记作P1。
本发明实施例利用DBSCAN算法,根据图像中像素的密度分布来进行聚类。首先,需要先调整DBSCAN算法中的两个关键参数值:搜索半径eps和密度阈值MinPts。本发明实施例根据图像的实际情况,在图像分辨率为1600*1200,对比测试不同搜索半径eps和密度阈值MinPts的搭配聚类后的轮廓系数,最终得到半径eps=8和密度阈值MinPts=5这个组合聚类效果最好。并且这个参数组合,在针对后续这一类图片的聚类都能表现出较好的效果,无需在每个图片聚类前都进行重新调整。
步骤S32:从P1中任选一个像素作为起始点,判断该点是核心点、边界点或者离群点,若是离群点则删除;
步骤S33:对P1中剩余的像素,重复步骤S32;
步骤S34:如果两个核心点之间的距离小于MinPts,就将二者连接在一起;
步骤S35:将边界点分配到距离它最近的核心点范围内;
步骤S36:按照预设的迭代次数,重复步骤S34~S35,形成最终的聚类结果为像素簇C。
每个像素在经过上述步骤的密度聚类后,都有一个对应的簇标签,其中噪声对应的簇标签为-1。计算噪声比,即噪声点占所有像素的比例,根据计算公式本发明实施例的噪声比为0.20%,在正常范围内。如果噪声比太高,代表在当前聚类参数下,聚类结果还是过于离散,需要重新调整参数组合。本发明实施例获取簇的数目N=469,并根据每个像素对应的簇标签统计每个簇的像素数量。最终的聚类结果,如图7所示,像素簇C={Cluster1,Cluster2,…ClusterN},N=469。
如图8所示,在一个实施例中,上述步骤S4:对像素簇,进行结构知识约束下的簇优选,得到包含物体边缘的边缘簇,具体包括:
步骤S41:计算每个像素簇内的像素总数Pcount和在X、Y方向上的最大坐标跨度ΔX和ΔY;
对上述密度聚类结果像素簇C,根据已知的物体结构知识,包括物体的形状特征和像素分布特性进行筛选。筛选被检测物体所在的像素簇前,需要先计算各像素簇内的像素总数Pcount和X、Y方向上的最大坐标跨度ΔX和ΔY。
步骤S42:利用离差标准化公式(1)~(2)对两个维度的数据进行归一化处理;
本发明实施例为了降低工作的计算量,排除稀疏簇的干扰,只保留像素数量Pcount前5的像素簇参与后续计算,按像素数量排序保留后的结果记为C1:
C1={Cluster2,Cluster237,Cluster353,Cluster130,Cluster59},其中每个像素簇的像素数量分别为36484,1421,616,483,437。
对C1中的5个像素簇分别计算X、Y方向上的最大坐标跨度ΔX和ΔY,计算结果记为S:S={(ΔX1,ΔY1),(ΔX2,ΔY2),(ΔX3,ΔY3),(ΔX4,ΔY4),(ΔX5,ΔY5)}。
按照离差标准化公式(1)~(2),分别带入C1和S内的数据进行归一化处理,消除两个维度数据量纲不同带来的影响,标准化处理后的像素数量和像素坐标跨度数据记为C1*和S*。
步骤S43:利用下述公式(3),计算物体边缘可能性得分;
其中,P代表物体边缘可能性得分,P的值越大代表该像素簇包含目标物体边缘的概率越大;ω1为像素数量维度的设计权重,ω2为像素坐标跨度的权重,满足条件ω1+ω2=1;Pcount *和ΔX*,ΔY*为归一化后的像素数量信息和像素跨度信息;
在物体边缘可能性的计算公式的权重组合(ω1,ω2)设定上,通过对比发现在取值为ω1=0.68,ω2=0.32时,对像素簇的区分效果最好。将归一化处理后的像素数量和像素坐标跨度数据带入物体边缘可能性的计算公式(3),得到各像素簇对应的物体边缘可能性得分Pedge:Pedge={PCluster2,PCluster237,PCluster353,PCluster130,PCluster59},在本发明实施例中,每个像素簇的物体边缘可能性得分分别为0.903,0.176,0.034,0.027,0.023。
步骤S44:找到可能性得分P最高的像素簇Cluster i,作为包含物体边缘的边缘簇。
最后,通过分析边缘可能性得分的计算结果,本发明实施例中,将得分最高的像素簇Cluster 2作为包含物体边缘信息的边缘簇,作为后续步骤的输入。
如图9所示,选中的边缘簇会将内部一些距离边缘较近的像素点也包含进来。为了去除像素簇Cluster 2中的噪声点,本方法利用图形的封闭特性,采用正交双向投影的方法来进行噪声过滤。
如图10所示,在一个实施例中,上述步骤S5:对边缘簇,利用正交双向投影去除边缘簇中包含的内部点,得到初步图像边缘提取结果,具体包括:
步骤S51:将边缘簇在x轴方向投影,其结果为Transx;
首先,是x轴方向投影,对边缘簇Cluster 2内的像素,按照行标号进行遍历,只保留每行中y坐标取值最大和最小的像素点;若该行只有一个像素,则直接保留该像素,不做处理。x轴方向投影后的得到的处理结果记为Transx。
步骤S52:将边缘簇在y轴方向投影,其结果为Transy;
其次,进行y轴方向投影,对边缘簇Cluster 2内的像素,按照列标号进行遍历,只保留每行中x坐标取值最大和最小的像素点;若该行只有一个像素,则直接保留该像素,不做处理。y轴方向投影后的得到的处理结果记为Transy。
步骤S53:对Transx和Transy取交集,得到双向投影结果Transxy,即为初步图像边缘提取结果。
最后,对Transx和Transy取交集,得到双向投影结果Transxy。如图11所示,作为初步边缘提取结果。
如图12所示,在一个实施例中,上述步骤S6:根据初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果,包括:
利用图搜索方法,从Transxy中选取起始点开始搜索,去除偏离边缘的点,得到最终的图像边缘提取结果。
具体的边缘修正步骤如下:
步骤S61:确定搜索起始点和锚点。从Transxy中选出Xmin,Xmax,Ymin,Ymax四个点;将Xmin作为搜索起始点,另外三个点作为锚点;
本发明实施例中,Xmin=3,Xmax=1194,Ymin=117,Ymax=1334,构成如图13所示的1、2、3、4四个点,从1开始作为搜索起始点;
步骤S62:按顺时针搜索的思想,设定初始方向d为直角坐标系第一象限;
本发明实施例中,设置初始步长r=1,步长上限rmax=10;
步骤S63:从起始点开始进行搜索,检查在当前搜索方向和步长下是否有像素,如果没有符合的像素就逐步迭代增加步长,直到搜索到符合的像素;以符合要求的像素作为下一搜索点继续搜索,并重置步长r为1,迭代直至遇到锚点;
步骤S64:遇到锚点后,按顺时针调整方向,执行对后续1/4区域的搜索,过程重复步骤S63;
步骤S65:当搜索的下一节点回到起始点Xmin时,结束图搜索,并返回整个搜索路径序列GSearch;
图搜索进行边缘修正的结果如图14所示,可以看到边缘的少数异常点被进一步的修正排除,得到的搜索路径Gsearch就作为最终的边缘提取结果,搜索路径Gsearch可以表示为:Gsearch={(Xmin,y1),…,(x1,Ymax),…,(Xmax,y2),…,(x2,Ymin),…}。
本发明提供的基于结构约束聚类的图像边缘提取方法相比传统技术,可以得到更加准确的物体边缘信息,排除噪声干扰。传统边缘提取方法,如利用canny算子进行边缘检测,容易被局部不连续的边缘或噪声干扰,并且边缘检测结果中也会包含很多背景噪音。本发明中采用的密度聚类算法,对噪声不敏感,算法能够较好地判断离群点,即使出现少数错判的离群点,对最终的聚类结果也不会产生明显影响。同时,本发明的边缘提取方法也可以建立在传统方法之上,作为一种对边缘提取结果的优化措施,剔除背景噪音,得到准确性更高的物体边缘信息。
本发明提供的基于结构约束聚类的图像边缘提取方法具有一定的自适应性,不需要提前指定聚类的数目,并且可以根据图像特征聚类成任意形状的类。无论被检测物体的形状特征是什么样的,其边缘分布都符合连续性和局部高密度的特征,因而本发明靠不断连接邻域内的高密度点来发现簇,只需要定义邻域大小和密度阈值,就可以发现不同形状,不同大小的簇。本发明的自适应性可以保证其在实际应用中无需根据物体的形状不同而调整参数,在缺乏先验知识的情况下,能够覆盖更多的检测需要,具有较强的普适性。
本发明提供的基于结构约束聚类的图像边缘提取方法在实现过程中,可以结合被检测物体的结构知识,帮助提升边缘检测效果。在一些应用场景中,由于拥有被检测物体的先验知识,例如:形状,尺寸等,结合这些结构知识,可以提前为边缘检测任务缩小范围。本方法完成密度聚类后,在结构知识约束下进行簇优选,挑选出最可能包含物体边缘的像素簇,就是参照了物体轮廓特征的结构信息。本方法可以在拥有结构知识的情况下,进一步利用其结构特点,达到更好地边缘提取效果。
本发明将计算机领域的图像识别技术带入传统工业检测,提升了检测效率,发挥了图像技术的优势。在应用到工业测量领域时,相比传统方法,本发明只需要获取一张被检测物体的图像,处理速度相较人工检测有大幅提升,同时还降低了对技术人员的专业需求。并且,根据结构知识得到物体尺寸后,还可以结合提取到的物体边缘,实现更进一步的精细化测量。
实施例二
如图15所示,本发明实施例提供了一种基于结构约束聚类的图像边缘提取系统,包括下述模块:
获取阈值化图模块71,用于采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对原始图像进行灰度化处理,得到灰度图;将灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值;
获取阈值化图坐标模块72,用于将阈值化图放入平面直角坐标系中,得到每个像素的坐标,并构建坐标化的阈值化图;
获取像素簇模块73,用于利用密度聚类方法,将坐标化的阈值化图中的像素聚类为像素簇;
获取物体边缘簇模块74,用于对像素簇,进行结构知识约束下的簇优选,得到包含物体边缘的边缘簇;
去除物体边缘簇内部点模块75,用于对边缘簇,利用正交双向投影去除边缘簇中包含的内部点,得到初步图像边缘提取结果;
修正物体边缘簇模块76,用于根据初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (8)
1.一种基于结构约束聚类的图像边缘提取方法,其特征在于,包括:
步骤S1:采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对所述原始图像进行灰度化处理,得到灰度图;将所述灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值;
步骤S2:将所述阈值化图放入平面直角坐标系中,得到每个像素的坐标,并构建坐标化的阈值化图;
步骤S3:利用密度聚类方法,将所述坐标化的阈值化图中的像素聚类为像素簇;
步骤S4:对所述像素簇,进行结构知识约束下的簇优选,得到包含所述物体边缘的边缘簇;
步骤S5:对所述边缘簇,利用正交双向投影去除所述边缘簇中包含的内部点,得到初步图像边缘提取结果;
步骤S6:根据所述初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果。
2.根据权利要求1所述的基于结构约束聚类的图像边缘提取方法,其特征在于,所述步骤S1:采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对所述原始图像进行灰度化处理,得到灰度图;将所述灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值,具体包括:
步骤S11:对所述原始图像进行灰度化处理,得到灰度图,使得所述灰度图中每个像素的灰度值在0~255之间;
步骤S12:将所述灰度图进行阈值化处理,得到阈值化图,使得所述阈值化图中每个像素的灰度值为0或255。
3.根据权利要求1所述的基于结构约束聚类的图像边缘提取方法,其特征在于,所述步骤S2:将所述阈值化图放入平面直角坐标系中,得到每个像素的坐标,具体包括:
步骤S21:以所述阈值化图的左上角为原点,长边为x轴方向,短边为y轴方向建立平面直角坐标系;
步骤S22:所述阈值化图中每个像素都包含两个分量:pixel(i,j)={(i,j),grayscale}其中,i,j是所述像素的坐标;grayscale是该像素的灰度值为0或255;
步骤S23:构建坐标化的阈值化图P={pixel(1,1),pixel(1,2),...pixel(i,j),...pixel(m,n)}
其中,m为P的长边像素数量,n为P的短边像素数量。
4.根据权利要求1所述的基于结构约束聚类的图像边缘提取方法,其特征在于,所述步骤S3:利用密度聚类方法,将所述坐标化的阈值化图中的像素聚类为像素簇,具体包括:
步骤S31:提取所述坐标化的阈值化图P中所有灰度值为255的像素,作为密度聚类的输入P1,设定的搜索半径eps邻域和密度阈值MinPt;
步骤S32:从P1中任选一个像素作为起始点,判断该点是核心点、边界点或者离群点,若是离群点则删除;
步骤S33:对P1中剩余的像素,重复步骤S32;
步骤S34:如果两个所述核心点之间的距离小于MinPts,就将二者连接在一起;
步骤S35:将所述边界点分配到距离它最近的所述核心点范围内;
步骤S36:按照预设的迭代次数,重复步骤S34~S35,形成最终的聚类结果为像素簇C。
5.根据权利要求1所述的基于结构约束聚类的图像边缘提取方法,其特征在于,所述步骤S4:对所述像素簇,进行结构知识约束下的簇优选,得到包含所述物体边缘的边缘簇,具体包括:
步骤S41:计算每个所述像素簇内的像素总数Pcount和在X、Y方向上的最大坐标跨度ΔX和ΔY;
步骤S42:利用离差标准化公式(1)~(2)对两个维度的数据进行归一化处理;
步骤S43:利用下述公式(3),计算物体边缘可能性得分;
其中,P代表物体边缘可能性得分,P的值越大代表该像素簇包含目标物体边缘的概率越大;ω1为像素数量维度的设计权重,ω2为像素坐标跨度的权重,满足条件ω1+ω2=1;Pcount *和ΔX*,ΔY*为归一化后的像素数量信息和像素跨度信息;
步骤S44:找到所述可能性得分P最高的像素簇Cluster i,作为包含所述物体边缘的边缘簇。
6.根据权利要求1所述的基于结构约束聚类的图像边缘提取方法,其特征在于,所述步骤S5:对所述边缘簇,利用正交双向投影去除所述边缘簇中包含的内部点,得到初步图像边缘提取结果,具体包括:
步骤S51:将所述边缘簇在x轴方向投影,其结果为Transx;
步骤S52:将所述边缘簇在y轴方向投影,其结果为Transy;
步骤S53:对Transx和Transy取交集,得到双向投影结果Transxy,即为初步图像边缘提取结果。
7.根据权利要求1所述的基于结构约束聚类的图像边缘提取方法,其特征在于,所述步骤S6:根据所述初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果,包括:
利用图搜索方法,从Transxy中选取起始点开始搜索,去除偏离边缘的点,得到最终的图像边缘提取结果。
8.一种基于结构约束聚类的图像边缘提取系统,其特征在于,包括下述模块:
获取阈值化图模块,用于采集需要提取边缘的物体图像,得到物体正视方向的图像作为原始图像;对所述原始图像进行灰度化处理,得到灰度图;将所述灰度图进行阈值化处理,得到的阈值化图只具有明暗两种灰度值;
获取阈值化图坐标模块,用于将所述阈值化图放入平面直角坐标系中,得到每个像素的坐标,并构建坐标化的阈值化图;
获取像素簇模块,用于利用密度聚类方法,将所述坐标化的阈值化图中的像素聚类为像素簇;
获取物体边缘簇模块,用于对所述像素簇,进行结构知识约束下的簇优选,得到包含所述物体边缘的边缘簇;
去除物体边缘簇内部点模块,用于对所述边缘簇,利用正交双向投影去除所述边缘簇中包含的内部点,得到初步图像边缘提取结果;
修正物体边缘簇模块,用于根据所述初步图像边缘提取结果,使用基于图搜索的边缘修正,得到最终的图像边缘提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635802.XA CN113284158B (zh) | 2021-06-08 | 2021-06-08 | 一种基于结构约束聚类的图像边缘提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635802.XA CN113284158B (zh) | 2021-06-08 | 2021-06-08 | 一种基于结构约束聚类的图像边缘提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284158A true CN113284158A (zh) | 2021-08-20 |
CN113284158B CN113284158B (zh) | 2022-05-31 |
Family
ID=77283945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635802.XA Active CN113284158B (zh) | 2021-06-08 | 2021-06-08 | 一种基于结构约束聚类的图像边缘提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284158B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173187A (zh) * | 2023-11-03 | 2023-12-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952268A (zh) * | 2017-02-23 | 2017-07-14 | 浙江工业大学 | 一种基于关联矩阵自学习及显式秩约束的医学图像分割方法 |
US20180157904A1 (en) * | 2016-12-01 | 2018-06-07 | Sasken Communication Technologies Ltd | Method and apparatus for human detection in images |
CN110084169A (zh) * | 2019-04-22 | 2019-08-02 | 东南大学 | 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法 |
CN110443809A (zh) * | 2019-07-12 | 2019-11-12 | 太原科技大学 | 带边界约束的结构敏感性彩色图像分割超像素化方法 |
-
2021
- 2021-06-08 CN CN202110635802.XA patent/CN113284158B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157904A1 (en) * | 2016-12-01 | 2018-06-07 | Sasken Communication Technologies Ltd | Method and apparatus for human detection in images |
CN106952268A (zh) * | 2017-02-23 | 2017-07-14 | 浙江工业大学 | 一种基于关联矩阵自学习及显式秩约束的医学图像分割方法 |
CN110084169A (zh) * | 2019-04-22 | 2019-08-02 | 东南大学 | 一种基于K-Means聚类和轮廓拓扑约束的违章建筑物识别方法 |
CN110443809A (zh) * | 2019-07-12 | 2019-11-12 | 太原科技大学 | 带边界约束的结构敏感性彩色图像分割超像素化方法 |
Non-Patent Citations (4)
Title |
---|
XIAOFENG CAI等: "An Aided Vehicle Diagnosis Method Based on the Fault Description", 《CHINESECSCW 2020》, 7 May 2021 (2021-05-07), pages 275 - 289 * |
冯晓毅等: "一种基于点密度和分类约束规则的图像边缘提取方法", 《弹箭与制导学报》, no. 01, 30 March 1999 (1999-03-30) * |
杨春蓉等: "利用改进的最优聚类算法边缘提取方法研究", 《计算机应用与软件》, no. 12, 15 December 2012 (2012-12-15) * |
贾洪等: "基于局部线结构约束的FCM聚类视网膜血管分割", 《光学学报》, no. 09, 10 May 2020 (2020-05-10) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173187A (zh) * | 2023-11-03 | 2023-12-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
CN117173187B (zh) * | 2023-11-03 | 2024-03-05 | 南通银河水泵有限公司 | 一种阀门故障智能检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113284158B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别系统及存储介质 | |
CN111415363B (zh) | 一种图像边缘识别方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN112991283A (zh) | 基于超像素的柔性ic基板线宽检测方法、介质和设备 | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN113688846A (zh) | 物体尺寸识别方法、可读存储介质及物体尺寸识别系统 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN113033558A (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
Cai et al. | An efficient method for electric meter readings automatic location and recognition | |
CN116188826A (zh) | 一种复杂光照条件下的模板匹配方法及装置 | |
CN100371944C (zh) | 基于反射或透射光强分布特性的灰度图像分割方法 | |
CN115546139A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN115294035A (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
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 |