CN113409334B - 一种基于质心的结构光角点检测方法 - Google Patents

一种基于质心的结构光角点检测方法 Download PDF

Info

Publication number
CN113409334B
CN113409334B CN202110682262.0A CN202110682262A CN113409334B CN 113409334 B CN113409334 B CN 113409334B CN 202110682262 A CN202110682262 A CN 202110682262A CN 113409334 B CN113409334 B CN 113409334B
Authority
CN
China
Prior art keywords
connected domain
image
centroid
pixel
detection
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
Application number
CN202110682262.0A
Other languages
English (en)
Other versions
CN113409334A (zh
Inventor
马春波
孙奕潇
敖珺
简必建
秦芳利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110682262.0A priority Critical patent/CN113409334B/zh
Publication of CN113409334A publication Critical patent/CN113409334A/zh
Application granted granted Critical
Publication of CN113409334B publication Critical patent/CN113409334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于质心的结构光角点检测方法，包括将拍摄的图像转换为二值图像后，基于边缘检测算法进行轮廓查找，遍历查找获得最大连通域，并将最大连通域转换为矩形图框，最大轮廓区域即为目标图像；对目标图像进行区域分割，得到图像的多个连通域；获取连通域轮廓的像素集，计算每个轮廓的中心点，即为连通域的质心；遍历每个连通域的像素点，根据质心坐标位置和标准结构光形状特征，将连通域分割成个n子区域；计算质心距离各个子区域最远的n个像素点，即为各个连通域角点，并对角点进行标记。本发明解决了现有角点检测算法出现的多检、误检、图像出现运动模糊时漏检等问题；提高了数据处理速度，缩短了角点提取的时间。

Description

一种基于质心的结构光角点检测方法
技术领域
本发明涉及计算机图像处理技术领域和水下光学成像技术领域，具体涉及跨介质水下成像中一种基于质心的结构光角点检测方法。
背景技术
角点检测是计算机视觉系统中用来获得图像特征的一种方法,广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中。角点通常被定义为两条边的交点，更严格的说，角点的局部邻域应该具有两个不同区域的不同方向的边界。目前经典的角点检测技术有Harris角点检测算法、Fast角点检测算法、Surf角点检测算法等。
对于跨介质水下成像，由于水面的随机波动导致拍摄的结构光图像会出现严重的扭曲及运动模糊。图像的这种扭曲和模糊严重影响了人们视觉观察的主观感受并极容易引起对图像内容的误判。对于该类图像，目前的角点检测方法存在漏检、重复检测、多检以及检测不准确等问题，对后续图像的复原及目标的识别造成干扰。
发明内容
水面的随机波动会导致结构光图像的扭曲，目前角点检测方法存在漏检、重复检测、多检等问题，针对目前已有的角点检测算法的不足，本发明提供一种基于质心的结构光角点检测方法，保证了检测精度，防止了伪角点的产生。
本发明解决其技术问题所采用的技术方案是：
一种基于质心的结构光角点检测方法，包括如下步骤：
步骤1)，将拍摄的图像转换为二值图像后，基于边缘检测算法进行轮廓查找，遍历查找获得最大连通域，并将最大连通域转换为矩形图框，最大轮廓区域即为目标图像；
步骤2)，根据连通域对结构光图像进行区域分割，即从目标图像内任一像素出发，寻找具有相同像素值的相邻像素组成像素集合为一个连通域，阈值分割得到结构光图像的多个连通域，并对每个连通域进行标记；
步骤3)，在区域分割的基础上，通过边缘检测算法获取连通域轮廓的像素集G，利用空间矩函数计算每个轮廓的中心点，即为连通域的质心，其中空间矩函数为：
Figure GDA0003806751000000011
其中mpq为p+q阶空间矩函数，p,q为阶数，M×N为连通域所在图像的像素大小，G(i,j)为连通域轮廓的像素集，i,j表示图像第i行第j列个像素点；
由公式(1)可求得质心坐标：
Figure GDA0003806751000000021
其中
Figure GDA0003806751000000022
为质心行坐标，
Figure GDA0003806751000000023
为质心列坐标，m00为空间矩函数的零阶矩，表示像素集G的元素个数；m10为空间矩函数的一阶矩，表示像素集G中像素行坐标的累加和；m01为空间矩函数的一阶矩，表示像素集G中像素列坐标的累加和；
步骤4)，遍历每个连通域的像素点，根据质心坐标位置和标准结构光形状特征，将连通域分割成个n子区域，其中n为多边形的边数；
步骤5)，根据距离度量公式，通过距离最大公式计算质心距离各个子区域最远的n个像素点，即为各个连通域角点，并对角点进行标记；例如使用欧式距离作为距离的度量标准，其中距离最大公式为：
Figure GDA0003806751000000024
其中d为质心到各个角点之间的距离，xa为像素点的行坐标，ya为像素点的列坐标；xc为质心的行坐标，yc为质心的列坐标。
本发明的优点或有益效果：
(1)针对目前已有的角点检测算法的不足，解决了该类方法出现的多检、误检以及图像出现运动模糊时漏检等问题；
(2)本发明利用边缘检测相关原理，提出基于质心的结构光角点检测方法。由于水面的随机波动导致拍摄的结构光会出现严重的扭曲及运动模糊。图像的这种扭曲和模糊严重影响了人们视觉观察的主观感受并极容易引起对图像内容的误判。本发明也适用于跨介质水下成像造成的畸变图像的角点提取，在保证检测结果可靠性的同时，又提高了数据处理速度，缩短了角点提取的时间。
附图说明
图1为实施例中基于质心的结构光角点检测方法的原理图；
图2为实施例中基于质心的结构光角点检测流程图；
图3a-图3e为实施例中基于质心的结构光角点检测方法的实际拍摄与处理的效果图，其中图3a为实际图像，图3b为获取图像的目标区域，图3c为对目标区域的预处理图像，图3d为获取方格质心，图3e角点检测的结果；
图4a-图4b为实施例中因随机波动水面引起的交错条纹结构光产生的扭曲与畸变方格分析图，其中图4a为拍摄扭曲的结构光图像，图4b为检测结构光图像的角点。
具体实施方式
下面结合附图和实施例对本发明内容作详细描述，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
实施例：
如图2所示，在空中拍摄水下的标准结构光图像，通过图像预处理和基于质心的结构光角点检测方法，实现了图像中扭曲结构光的角点检测，具体包含以下技术：
结构光：由于结构光具有非接触测量，方案成熟，夜晚也可使用，精度较高等优点，常用来进行三维扫描或者三维空间复原。
边缘检测：消除图像中无关的信息，获得图像中亮度变化剧烈的轮廓信息，从而改进特征提取、图像分割、目标识别和定位的可靠性。
角点检测：目前角点检测技术有Harris算法、Fast算法、Susan算法等。对于图3b该类结构光图像，以往算法存在漏检、多检以及检测不准确等问题，本发明利用边缘检测相关原理，提出基于质心的结构光角点检测方法。
如图2所示，空中通过相机拍摄水下的标准结构光图像，对拍摄的图像基于边缘检测方法进行轮廓筛选，获取结构光所在的目标区域，再对该目标区域进行二值化处理，通过质心的结构光角点检测方法检测获取目标图像的每个角点。
一种基于质心的结构光角点检测方法，包括以下步骤：
步骤(1)，空中通过相机拍摄水下的标准结构光图像如图3a所示，将拍摄的图像转换为二值图像后，基于边缘检测算法进行轮廓查找，遍历查找获得最大连通域，并将最大连通域转换为矩形图框，提取图3a中最大轮廓区域即为结构光所在的目标图像，如图3b所示；
步骤(2)，对提取的目标图像做二值化处理如图3c所示，根据连通域对结构光图像进行区域分割，即从目标图像内任一像素出发，寻找具有相同像素值的相邻像素组成像素集合为一个连通域，阈值分割得到多个连通域，并对每个连通域进行标记；
步骤(3)，在区域分割基础上，通过边缘检测算法获取连通域轮廓的像素集G，利用空间矩函数计算每个轮廓的中心点，即为连通域的质心如图3d所示，其中，空间矩函数为：
Figure GDA0003806751000000041
其中，mpq为p+q阶空间矩函数，p,q为阶数，M×N为连通域所在图像的像素大小，G(i,j)为连通域轮廓的像素集，i,j表示图像第i行第j列个像素点；
由公式(1)可求得质心坐标：
Figure GDA0003806751000000042
Figure GDA0003806751000000043
为质心行坐标，
Figure GDA0003806751000000044
为质心列坐标；m00为空间矩函数的零阶矩，表示像素集G的元素个数；m10为空间矩函数的一阶矩，表示像素集G中像素行坐标的累加和；m01为空间矩函数的一阶矩，表示像素集G中像素列坐标的累加和；
步骤(4)，遍历每个连通域的像素点，根据质心坐标位置和标准结构光形状特征，将连通域分割成个n子区域，其中n为多边形的边数，根据质心的坐标位置划分成4个子区域，设输入向量索引值的行坐标为xa、列坐标为ya，中心点的行坐标为xc、列坐标为yc，判定关系如表1所示，判定范围为每一个连通域；
表1划定区域判定表
判定关系式 区域
x<sub>a</sub>＜x<sub>c</sub>&amp;y<sub>a</sub>＜y<sub>c</sub> 左上
x<sub>a</sub>＞x<sub>c</sub>&amp;y<sub>a</sub>＜y<sub>c</sub> 左下
x<sub>a</sub>＜x<sub>c</sub>&amp;y<sub>a</sub>＞y<sub>c</sub> 右上
x<sub>a</sub>＞x<sub>c</sub>&amp;y<sub>a</sub>＞y<sub>c</sub> 右下
步骤(5)，采用欧式距离作为距离的度量标准，如图1所示通过距离最大公式计算质心距离4个子区域最大的4个像素点，即为角点，如图1中点P1-P4，其中max即获取最大值，并对角点进行标记处理，从而获得结构光的全部角点如图3e所示，其中距离最大公式为：
Figure GDA0003806751000000045
其中d为质心到各个角点之间的距离，xa为像素点的行坐标，ya为像素点的列坐标；xc为质心的行坐标，yc为质心的列坐标。
与其他角点检测方法相比，本发明方法用于因随机波动水面引起的交错条纹图像产生的扭曲方格，如图4a图4b所示，该角点检测亦不会出现漏检、重复检测、多检以及由于运动模糊造成的检测不准确等问题。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (1)

1.一种基于质心的结构光角点检测方法，其特征在于，包括如下步骤：
步骤1)，将拍摄的图像转换为二值图像后，基于边缘检测算法进行轮廓查找，遍历查找获得最大连通域，并将最大连通域转换为矩形图框，最大轮廓区域即为目标图像；
步骤2)，根据连通域对目标图像进行区域分割，阈值分割得到图像的多个连通域，并对每个连通域进行标记；
步骤3)，在区域分割的基础上，通过边缘检测算法获取连通域轮廓的像素集G，利用空间矩函数计算每个轮廓的中心点，即为连通域的质心；
步骤3)中，空间矩函数为：
Figure FDA0003806750990000011
其中mpq为p+q阶空间矩函数，p,q为阶数，M×N为连通域所在图像的像素大小，G(i,j)为连通域轮廓的像素集，i,j表示图像第i行第j列个像素点；
由公式(1)可求得质心坐标：
Figure FDA0003806750990000012
其中
Figure FDA0003806750990000013
为质心行坐标，
Figure FDA0003806750990000014
为质心列坐标，m00为空间矩函数的零阶矩，表示像素集G的元素个数；m10为空间矩函数的一阶矩，表示像素集G中像素行坐标的累加和；m01为空间矩函数的一阶矩，表示像素集G中像素列坐标的累加和；
步骤4)，遍历每个连通域的像素点，根据质心坐标位置和标准结构光形状特征，将连通域分割成个n子区域，其中n为多边形的边数；
步骤5)，根据距离度量公式，通过距离最大公式计算质心距离各个子区域最远的n个像素点，即为各个连通域角点，并对角点进行标记。
CN202110682262.0A 2021-06-20 2021-06-20 一种基于质心的结构光角点检测方法 Active CN113409334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682262.0A CN113409334B (zh) 2021-06-20 2021-06-20 一种基于质心的结构光角点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682262.0A CN113409334B (zh) 2021-06-20 2021-06-20 一种基于质心的结构光角点检测方法

Publications (2)

Publication Number Publication Date
CN113409334A CN113409334A (zh) 2021-09-17
CN113409334B true CN113409334B (zh) 2022-10-04

Family

ID=77681635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682262.0A Active CN113409334B (zh) 2021-06-20 2021-06-20 一种基于质心的结构光角点检测方法

Country Status (1)

Country Link
CN (1) CN113409334B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015029A (zh) * 2022-07-18 2024-05-10 宁德时代新能源科技股份有限公司 极耳的角点的检测方法、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832659A (zh) * 2020-07-21 2020-10-27 武汉纺织大学 一种基于特征点提取算法检测的激光标刻系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9524432B1 (en) * 2014-06-24 2016-12-20 A9.Com, Inc. Fast interest point extraction for augmented reality
CN105046213B (zh) * 2015-06-30 2019-03-12 塔普翊海（上海）智能科技有限公司 一种增强现实的方法
CN105740809B (zh) * 2016-01-28 2019-03-12 东南大学 一种基于机载摄像机的高速公路车道线检测方法
CN108921804A (zh) * 2018-07-04 2018-11-30 苏州大学 扭曲文档图像的校正方法
CN109949361A (zh) * 2018-12-16 2019-06-28 内蒙古工业大学 一种基于单目视觉定位的旋翼无人机姿态估计方法
CN111524156A (zh) * 2020-04-29 2020-08-11 浙江工业大学 一种基于距离变换和角点检测的重叠柑橘分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832659A (zh) * 2020-07-21 2020-10-27 武汉纺织大学 一种基于特征点提取算法检测的激光标刻系统及方法

Also Published As

Publication number Publication date
CN113409334A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN109035276B (zh) 一种图像边缘提取方法、装置及自动驾驶系统
CN108717531B (zh) 基于Faster R-CNN的人体姿态估计方法
JP6125188B2 (ja) 映像処理方法及び装置
CN108470356B (zh) 一种基于双目视觉的目标对象快速测距方法
CN107993258B (zh) 一种图像配准方法及装置
CN107369159B (zh) 基于多因素二维灰度直方图的阈值分割方法
EP2079054B1 (en) Detection of blobs in images
EP2602761A1 (en) Object detection device, object detection method, and program
CN106875415A (zh) 一种动态背景中弱小动目标的连续稳定跟踪方法
CN108154491B (zh) 一种图像反光消除方法
CN109559324A (zh) 一种线阵图像中的目标轮廓检测方法
CN108510544B (zh) 一种基于特征聚类的光条定位方法
CN110222661A (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
CN113409334B (zh) 一种基于质心的结构光角点检测方法
JP4818285B2 (ja) 混雑滞留検知システム
CN113781523A (zh) 一种足球检测跟踪方法及装置、电子设备、存储介质
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
CN109635679A (zh) 一种实时的靶纸定位及环线识别方法
JPH05215547A (ja) ステレオ画像間対応点決定方法
CN116958058A (zh) 镜头脏污检测方法、装置及图像检测设备
WO2019242388A1 (zh) 一种基于深度图像的图书馆机器人障碍识别方法
CN111243006A (zh) 一种基于图像处理的液滴接触角及尺寸的测量方法
CN113723432B (zh) 一种基于深度学习的智能识别、定位追踪的方法及系统
CN115471537A (zh) 一种基于单目摄像头的移动目标距离与高度的测量方法

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