CN113470056B - 一种基于高斯模型卷积的亚像素边缘点检测方法 - Google Patents

一种基于高斯模型卷积的亚像素边缘点检测方法 Download PDF

Info

Publication number
CN113470056B
CN113470056B CN202111035751.3A CN202111035751A CN113470056B CN 113470056 B CN113470056 B CN 113470056B CN 202111035751 A CN202111035751 A CN 202111035751A CN 113470056 B CN113470056 B CN 113470056B
Authority
CN
China
Prior art keywords
sub
point
pixel
edge
pixel 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
Application number
CN202111035751.3A
Other languages
English (en)
Other versions
CN113470056A (zh
Inventor
冯西
王盼
刘中
张勇
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.)
Chengdu Xinxiwang Automation Technology Co ltd
Original Assignee
Chengdu Xinxiwang Automation Technology Co ltd
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 Chengdu Xinxiwang Automation Technology Co ltd filed Critical Chengdu Xinxiwang Automation Technology Co ltd
Priority to CN202111035751.3A priority Critical patent/CN113470056B/zh
Publication of CN113470056A publication Critical patent/CN113470056A/zh
Application granted granted Critical
Publication of CN113470056B publication Critical patent/CN113470056B/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
    • G06T7/13—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
    • G06T7/68—Analysis of geometric attributes of symmetry

Landscapes

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

Abstract

本发明公开了一种基于高斯模型卷积的亚像素边缘点检测方法，包括以下步骤：获取待检测区域的亚像素点；获取所述亚像素点的灰度值；沿垂直于搜索方向获取所述检测区域内每一行或每一列的所述亚像素点的灰度平均值；用高斯卷积核模型对所述灰度平均值进行卷积获取，得到边缘强度值；根据边缘类型和所述边缘强度值获取最佳边缘点；根据所述最佳边缘点拟合抛物线，所述抛物线的对称轴与所述旋转矩形的中心线的交点为最佳亚像素边缘点。本发明的目的在于提供一种基于高斯模型卷积的亚像素边缘点检测方法，通过设置卷积核宽度可以对任意强度的边缘图像进行边缘点检测，有效的提高了亚像素边缘点的检测精度和算法鲁棒性。

Description

一种基于高斯模型卷积的亚像素边缘点检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于高斯模型卷积的亚像素边缘点检测方法。
背景技术
随着人工智能技术的发展，手机等电子产品更新换代的速度日益加快，针对电子产品零部件的组装要求越来越高。而产品图像边缘作为图像特征的主要部分，边缘点检测的精度对于产品的组装精度有着至关重要的影响。
对于边缘点检测的常用手段是视觉检测，即利用图像处理的相关算法提取图像边缘点，以此为依据进行后续的直线拟合或其他操作。但是目前多数算法仅停留在对于整像素边缘点的检测，常规方法为：二值化-Canny边缘检测-边缘点提取。这种检测方法受拍摄环境的影响较大，不易得到图像的真实边缘，且检测精度相对较低，稳定性较差，对于与图像水平或竖直方向有一定角度的边缘，常规方法检测得到的边缘点坐标误差则更大。
发明内容
本发明的目的在于提供一种基于高斯模型卷积的亚像素边缘点检测方法，通过设置卷积核宽度可以对任意强度的边缘图像进行边缘点检测，有效的提高了亚像素边缘点的检测精度和算法鲁棒性。
本发明通过下述技术方案实现：
一种基于高斯模型卷积的亚像素边缘点检测方法，包括以下步骤：
S1：获取待检测区域的亚像素点；
S2：获取所述亚像素点的灰度值；
S3：获取待检测区域中心线上各点的灰度值；所述待检测区域中心线上各点的灰度值为所述检测区域内每一行或每一列的所述亚像素点的平均灰度值；
S4：获取边缘强度值，所述边缘强度值由高斯卷积核模型对所述中心线上各点的灰度值进行卷积获取；
S5：根据边缘类型和所述边缘强度值获取最佳边缘点；
S6：根据所述最佳边缘点拟合抛物线，所述抛物线的对称轴与所述待检测区域中心线的交点为最佳亚像素边缘点。
对于边缘点检测的常用手段是视觉检测，即利用图像处理的相关算法提取图像边缘点，以此为依据进行后续的直线拟合或其他操作。现有技术中，多数算法仅停留在对于整像素边缘点的检测，常规方法为：二值化-Canny边缘检测-边缘点提取。这种检测方法受拍摄环境的影响较大，不易得到图像的真实边缘，且检测精度相对较低，稳定性较差，对于与图像水平或竖直方向有一定角度的边缘，检测得到的边缘点坐标误差则更大。基于此，在本申请中，提供了一种基于高斯模型卷积的亚像素边缘点检测方法，针对不同的拍摄环境可设置不同的卷积核宽度，通过对设置的旋转矩形区域亚像素坐标对应灰度值的求解及基于高斯模型的卷积，可得到图像的真实边缘。
优选地，所述S1包括以下子步骤：
S11：根据中心点、预设宽度以及预设高度在待测图像中设置正矩形，所述正矩形为水平轴线平行于水平面的矩形；
根据所述中心点、所述预设宽度、所述预设高度以及预设角度在所述待测图像中设置旋转矩形，以形成所述待检测区域；
其中，所述中心点为在所述待测图像的边缘随机选取的一点；
S12：以所述正矩形左上角的顶点为原点，获取所述正矩形内各个整像素点的坐标；
S13：根据所述整像素点的坐标获取所述整像素点在所述旋转矩形内对应的亚像素点的坐标。
优选地，所述S2包括以下子步骤：
所述S2包括以下子步骤：
S21：获取与所述旋转矩形中每个所述亚像素点相邻的四个所述整像素点的坐标；
S22：获取所述旋转矩形中每个所述亚像素点到相邻的四个所述整像素点的投影距离；
Figure DEST_PATH_IMAGE001
其中，a为亚像素点到左上角的整像素点的投影距离，b为所述亚像素点到右上角的所述整像素点的投影距离，c为所述亚像素点到右下角的所述整像素点的投影距离，d为所述亚像素点到左下角的所述整像素点的投影距离，
Figure 124401DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
分别为所述亚像素点的横纵坐标，
Figure 320503DEST_PATH_IMAGE004
为位于所述亚像素点左上角的整像素点的纵坐标，
Figure DEST_PATH_IMAGE005
为位于所述亚像素点右上角的整像素点的横坐标，
Figure 303502DEST_PATH_IMAGE006
为位于亚像素点右下角的整像素点的纵坐标，
Figure DEST_PATH_IMAGE007
为位于亚像素点左下角的整像素点的横坐标；
S23：以所述投影距离作为权重获取所述旋转矩形中每个亚像素点对应的灰度值：
Figure 416821DEST_PATH_IMAGE008
；
其中
Figure DEST_PATH_IMAGE009
分别为左上角、左下角、右上角以及右下角的所述整像素点的灰度值，a为所述亚像素点到左上角的所述整像素点的投影距离，b为所述亚像素点到右上角的所述整像素点的投影距离，c为所述亚像素点到右下角的所述整像素点的投影距离，d为所述亚像素点到左下角的所述整像素点的投影距离。
优选地，所述S2包括以下子步骤：
S21：获取与所述亚像素点对应的所述整像素点，以及以该整像素点为中心的邻近8个所述整像素点；
S22：根据9个所述整像素点的灰度值获取所述亚像素点的灰度值；
Figure 168876DEST_PATH_IMAGE010
；
其中，
Figure DEST_PATH_IMAGE011
表示所述亚像素点的灰度值，
Figure 617437DEST_PATH_IMAGE012
表示所述整像素点对应的灰度值，i表示第几个所述整像素点。
优选地，所述S2包括以下子步骤：
S21：获取与所述旋转矩形中每个所述亚像素点相邻的四个所述整像素点的坐标；
S22：获取所述亚像素点到相邻四个所述整像素点在水平方向和竖直方向上的投影距离；
Figure DEST_PATH_IMAGE013
其中，
Figure 212367DEST_PATH_IMAGE014
表示所述亚像素点到左上角或左下角的所述整像素点在水平方向上的投影距离，
Figure DEST_PATH_IMAGE015
表示所述亚像素点到左上角或右上角的所述整像素点在竖直方向上的投影距离，
Figure 627911DEST_PATH_IMAGE016
表示所述亚像素点到右上角或右下角的所述整像素点在水平方向上的投影距离，
Figure DEST_PATH_IMAGE017
表示所述亚像素点到左下角或右下角的所述整像素点在竖直方向上的投影距离，
Figure 687003DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
分别为所述亚像素点的横纵坐标，
Figure 509728DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
分别为位于所述亚像素点左上角的整像素点的横纵坐标，
Figure 60795DEST_PATH_IMAGE022
为位于所述亚像素点右上角的整像素点的横坐标，
Figure DEST_PATH_IMAGE023
为位于所述亚像素点左下角的整像素点的纵坐标；
S22：将所述投影距离作为权重获取所述亚像素点的灰度值；
Figure 735490DEST_PATH_IMAGE024
；
Figure DEST_PATH_IMAGE025
；
Figure 445826DEST_PATH_IMAGE026
；
其中，
Figure DEST_PATH_IMAGE027
表示所述亚像素点的灰度值，
Figure 813353DEST_PATH_IMAGE028
表示所述亚像素点在水平方向上的灰度值，
Figure DEST_PATH_IMAGE029
表示所述亚像素点在竖直方向上的灰度值；
Figure 740464DEST_PATH_IMAGE030
分别为左上角、左下角、右上角以及右下角的所述整像素点的灰度值。
优选地，所述S3包括以下子步骤：
S31：判断所述旋转矩形的所述预设宽度与所述预设高度的大小；
S32：当所述预设宽度大于所述预设高度时，沿所述旋转矩形的高度方向横向搜索所述旋转矩形中的所述亚像素点，并求取每一列的所述亚像素点的灰度平均值；
其中，所述横向为所述旋转矩形的宽度方向；
S33：当所述预设宽度小于所述预设高度时，则沿所述旋转矩形的宽度方向竖向搜索所述旋转矩形中的所述亚像素点，并求取每一行所述的亚像素点的灰度平均值；
其中，所述竖向为所述旋转矩形的高度方向。
优选地，所述高斯卷积核模型为：
Figure DEST_PATH_IMAGE031
；
Figure 953271DEST_PATH_IMAGE032
；
其中，
Figure DEST_PATH_IMAGE033
表示高斯卷积核模型，k表示卷积核宽度，且k>1，
Figure 518113DEST_PATH_IMAGE034
为标准正态分布函数。
优选地，所述S5包括以下子步骤：
S51：获取第一边缘强度值；所述第一边缘强度值为大于预设边缘幅度值的所述边缘强度值；
S52：获取所述待检测区域的边缘类型，所述边缘类型包括由黑到白检测以及由白到黑检测；
S53：当所述边缘类型为由黑到白检测时，所述最佳边缘点为所述第一边缘强度值中的最大值，且所述最大值大于0；
当所述边缘类型为由白到黑检测时，所述最佳边缘点为所述第一边缘强度值中的最小值，且所述最小值小于0。
优选地，所述S6包括以下子步骤：
S61：获取所述正矩形中心线上的每个所述整像素点的坐标；
S62：根据所述中心点及所述预设角度将所述最佳边缘点转换到所述正矩形的中心线上，在所述正矩形的中心线上，以该点的横坐标为中心，前后各取一个点，同时获取这三个点对应的所述亚像素点的边缘强度值，并以这三组坐标点拟合抛物线；
S63：获取所述抛物线的对称轴；
S64：根据所述中心点及所述预设角度将所述对称轴转换为所述旋转矩形的对称轴；
S65：获取所述旋转矩形的对称轴与所述旋转矩形中心线的交点，所述交点为最佳亚像素边缘点。
本发明与现有技术相比，具有如下的优点和有益效果：
基于权重分配的亚像素坐标点灰度值求解以及创建高斯模型卷积核进行卷积处理将整像素点的强度获取转化为亚像素点的强度获取，通过设置卷积核宽度可以对任意强度的边缘图像进行边缘点检测，有效的提高了亚像素边缘点的检测精度和算法鲁棒性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
一种基于高斯模型卷积的亚像素边缘点检测方法，如图1所示，包括以下步骤：
S1：获取待检测区域的亚像素点；
首先通过相机采集得到产品的待测图像，其次在待测图像的边缘处随机选择一点作为旋转矩形和正矩形的中心点，记为
Figure DEST_PATH_IMAGE035
，然后根据中心点在待测图像边缘的位置设置旋转矩形和正矩形的宽度、高度以及角度；具体地为，当中心点设置在图像的水平边缘时，设置的宽度值应小于高度值；当中心点设置在图像的竖直边缘时，设置的宽度值应大于高度值。
本实施例所说的正矩形为水平轴线平行于水平面的矩形，由中心点、宽度以及高度创建，旋转矩形由正矩形根据角度变换进行创建；具体地，以正矩形左上角的顶点为原点，获取正矩形内各个整像素点的坐标；然后根据整像素点的坐标以及角度获取整像素点在旋转矩形内对应点的坐标，即亚像素点的坐标。假设正矩形中的一点为
Figure 790963DEST_PATH_IMAGE036
，则旋转矩形中该点对应的亚像素点的坐标为：
Figure DEST_PATH_IMAGE037
；
Figure 208300DEST_PATH_IMAGE038
；
其中，
Figure DEST_PATH_IMAGE039
和
Figure 959218DEST_PATH_IMAGE040
分别为亚像素点的横纵坐标，
Figure DEST_PATH_IMAGE041
为角度。
S2：获取亚像素点的灰度值；
具体地，在本实施例中提供了三种不同的获取方式：
方式一：
首先根据旋转矩形中每个亚像素点的坐标获取与每个亚像素点相邻的四个整像素坐标；
Figure 644146DEST_PATH_IMAGE042
；
Figure DEST_PATH_IMAGE043
；
Figure 353476DEST_PATH_IMAGE044
；
Figure DEST_PATH_IMAGE045
；
其中，
Figure 989601DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
分别为位于亚像素点左上角的整像素点的横纵坐标，
Figure 809789DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
分别为位于亚像素点左下角的整像素点的横纵坐标，
Figure 349224DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
分别为位于亚像素点右上角的整像素点的横纵坐标，
Figure 963876DEST_PATH_IMAGE052
和
Figure DEST_PATH_IMAGE053
分别为位于亚像素点右下角的整像素点的横纵坐标；
然后获取旋转矩形中每个亚像素点到相邻的四个整像素点的投影距离；
Figure 90226DEST_PATH_IMAGE054
其中，a为亚像素点到左上角的整像素点的投影距离，b为所述亚像素点到右上角的所述整像素点的投影距离，c为所述亚像素点到右下角的所述整像素点的投影距离，d为所述亚像素点到左下角的所述整像素点的投影距离；
最后以a，b，c，d作为权重获取旋转矩形中每个亚像素点对应的灰度值：
Figure DEST_PATH_IMAGE055
；
其中
Figure 448526DEST_PATH_IMAGE056
分别为左上角、左下角、右上角以及右下角的整像素点的灰度值。
在本方式中，通过对临近四个整像素点灰度值的权重累加，可增强实际边缘点的边缘强度，从而得到较为真实的亚像素点灰度值信息，因此特别适用于沿边缘法线方向灰度值变化平缓的边缘。
方式二：
首先按照四舍五入的方式获取与旋转矩形中每个亚像素点对应的整像素点的位置，然后以该整像素点的位置为中心，获取邻近的8个整像素点，共9个整像素点；
然后计算这9个整像素点的灰度平均值，将灰度平均值作为亚像素点的灰度值；
Figure DEST_PATH_IMAGE057
；
其中，
Figure 717833DEST_PATH_IMAGE058
表示亚像素点的灰度值，
Figure DEST_PATH_IMAGE059
表示整像素点对应的灰度值，i表示第几个整像素点。
在本方式中，通过邻域平均的方式可减少边缘附近的噪声点，因此特别适用于含有噪声的边缘。
方式三：
首先根据旋转矩形中每个亚像素点的坐标获取与每个亚像素点相邻的四个整像素坐标；
Figure 18234DEST_PATH_IMAGE042
；
Figure 349989DEST_PATH_IMAGE043
；
Figure 105455DEST_PATH_IMAGE044
；
Figure 321280DEST_PATH_IMAGE045
；
其中，
Figure 136789DEST_PATH_IMAGE046
和
Figure 690261DEST_PATH_IMAGE047
分别为位于亚像素点左上角的整像素点的横纵坐标，
Figure 514998DEST_PATH_IMAGE048
和
Figure 352373DEST_PATH_IMAGE049
分别为位于亚像素点左下角的整像素点的横纵坐标，
Figure 807625DEST_PATH_IMAGE050
和
Figure 113972DEST_PATH_IMAGE051
分别为位于亚像素点右上角的整像素点的横纵坐标，
Figure 211241DEST_PATH_IMAGE052
和
Figure 670167DEST_PATH_IMAGE053
分别为位于亚像素点右下角的整像素点的横纵坐标；
其次获取亚像素点到相邻四个整像素点在水平方向和竖直方向上的投影距离：
Figure 561899DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE061
表示亚像素点到左上角或左下角的整像素点在水平方向上的投影距离，
Figure 886701DEST_PATH_IMAGE062
表示亚像素点到左上角或右上角的整像素点在竖直方向上的投影距离，
Figure DEST_PATH_IMAGE063
表示亚像素点到右上角或右下角的整像素点在水平方向上的投影距离，
Figure 443454DEST_PATH_IMAGE064
表示亚像素点到左下角或右下角的整像素点在竖直方向上的投影距离。
然后以
Figure 740574DEST_PATH_IMAGE061
、
Figure 68787DEST_PATH_IMAGE062
、
Figure 855388DEST_PATH_IMAGE063
、
Figure 560039DEST_PATH_IMAGE064
作为权重获取旋转矩形中每个亚像素点的灰度值；
Figure 836299DEST_PATH_IMAGE024
；
Figure 210780DEST_PATH_IMAGE025
；
Figure 838070DEST_PATH_IMAGE026
；
其中，
Figure 205467DEST_PATH_IMAGE027
表示亚像素点的灰度值，
Figure 601813DEST_PATH_IMAGE028
表示亚像素点在水平方向上的灰度值，
Figure 147195DEST_PATH_IMAGE029
表示亚像素点在竖直方向上的灰度值；
Figure 261781DEST_PATH_IMAGE030
分别为左上角、左下角、右上角以及右下角的整像素点的灰度值。
在本方式中，通过对临近四个整像素点的灰度值分别在水平和竖直方向上进行权重的累加，有效减少了边缘锐利时带来的灰度值突变，因此特别适用于沿边缘法线方向灰度值变化剧烈的边缘。
值得说明的是，亚像素点灰度值的获取方式并不局限于上述三种方式，还可以采用其他方式进行获取，本实施例只是做一个适应性说明，且上述三种方式也不是只能适应于上述三种边缘，其他种类的边缘点也同样适用。
S3：获取待检测区域中心线上各点的灰度值；待检测区域中心线上各点的灰度值为检测区域内每一行或每一列的亚像素点的平均灰度值；
判断旋转矩形的宽度与旋转矩形高度的大小；
当宽度大于高度时，即：中心点设置在图像的竖直边缘时，沿旋转矩形的高度方向横向搜索旋转矩形中的亚像素点，并求取每一列的亚像素点的灰度平均值；从而将多维数据转换为一维数据，并将该灰度平均值作为旋转矩形中心线上每一点的灰度值。
其中，横向为旋转矩形的宽度方向；
当宽度小于高度时，即：中心点设置在图像的水平边缘时，则沿旋转矩形的宽度方向竖向搜索旋转矩形中的亚像素点，并求取每一行的亚像素点的灰度平均值，从而将多维数据转换为一维数据，并将该灰度平均值作为旋转矩形中心线上每一点的灰度值。
其中，竖向为旋转矩形的高度方向。
S4：获取边缘强度值，边缘强度值由高斯卷积核模型对中心线上各点的灰度值进行卷积获取；
具体地，在本实施例中，根据卷积核宽度k（k>1）将标准正态分布横坐标为1以内的区域进行等分，归一化处理后得到最终的卷积核模型；其中，标准正态分布函数为：
Figure DEST_PATH_IMAGE065
；
则卷积核模型为：
Figure 934333DEST_PATH_IMAGE066
；
用该卷积核模型对得到的一系列灰度平均值（旋转矩形中心线上各点的灰度值）进行卷积获取，得到卷积后的灰度值，即边缘强度值：
Figure DEST_PATH_IMAGE067
；
其中，
Figure 857290DEST_PATH_IMAGE068
表示旋转矩形中心线上第i点的边缘增强值，
Figure DEST_PATH_IMAGE069
表示灰度平均值，
Figure 353999DEST_PATH_IMAGE070
，i表示旋转矩形中心线上的点的索引，w表示旋转矩形的宽度，j表示卷积核模型的索引值，
Figure DEST_PATH_IMAGE071
，
Figure 96827DEST_PATH_IMAGE072
为卷积核模型索引值对应的具体卷积核数值。
S5：根据边缘类型和边缘强度值获取最佳边缘点；包括：
S51：获取第一边缘强度值；第一边缘强度值为大于预设边缘幅度值的边缘强度值；
S52：获取待检测区域的边缘类型，边缘类型包括由黑到白检测以及由白到黑检测；
S53：当边缘类型为由黑到白检测时，最佳边缘点为第一边缘强度值中的最大值，且最大值大于0；
当边缘类型为由白到黑检测时，最佳边缘点为第一边缘强度值中的最小值，且最小值小于0。
S6：根据最佳边缘点拟合抛物线，抛物线的对称轴与旋转矩形的中心线的交点为最佳亚像素边缘点；
S61：获取正矩形中心线上的每个整像素点的坐标；
S62：根据中心点及预设角度将最佳边缘点转换到正矩形的中心线上，并获得对应的坐标，以该点的横坐标为中心，在中心线上前后各取一个点，同时获取这三个点进行卷积后的灰度值（即：对应于旋转矩形中的亚像素点卷积后的灰度值），以这三个点的横坐标为横坐标，灰度值作为纵坐标，以这三组坐标点拟合抛物线；
S63：获取抛物线的对称轴；
S64：根据中心点及预设角度将对称轴转换为旋转矩形的对称轴；
S65：获取旋转矩形的对称轴与旋转矩形中心线的交点，该交点便是最佳亚像素边缘点。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，包括以下步骤：
S1：获取待检测区域的亚像素点；
S2：获取所述亚像素点的灰度值；
S3：获取待检测区域中心线上各点的灰度值；所述待检测区域中心线上各点的灰度值为所述待检测区域内每一行或每一列的所述亚像素点的平均灰度值；
S4：获取边缘强度值，所述边缘强度值由高斯卷积核模型对所述中心线上各点的灰度值进行卷积获取；
S5：根据边缘类型和所述边缘强度值获取最佳边缘点；
S6：根据所述最佳边缘点拟合抛物线，所述抛物线的对称轴与所述待检测区域中心线的交点为最佳亚像素边缘点。
2.根据权利要求1所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S1包括以下子步骤：
S11：根据中心点、预设宽度以及预设高度在待测图像中设置正矩形，所述正矩形为水平轴线平行于水平面的矩形；
根据所述中心点、所述预设宽度、所述预设高度以及预设角度在所述待测图像中设置旋转矩形，以形成所述待检测区域；
其中，所述中心点为在所述待测图像的边缘随机选取的一点；
S12：以所述正矩形左上角的顶点为原点，获取所述正矩形内各个整像素点的坐标；
S13：根据所述整像素点的坐标获取所述整像素点在所述旋转矩形内对应的亚像素点的坐标。
3.根据权利要求2所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S2包括以下子步骤：
S21：获取与所述旋转矩形中每个所述亚像素点相邻的四个所述整像素点的坐标；
S22：获取所述旋转矩形中每个所述亚像素点到相邻的四个所述整像素点的投影距离；
a＝abs(yr-yLU)；
b＝abs(xr-xRU)；
c＝abs(yr-yRD)；
d＝abs(xr-xLD)；
其中，a为亚像素点到左上角的整像素点的投影距离，b为所述亚像素点到右上角的所述整像素点的投影距离，c为所述亚像素点到右下角的所述整像素点的投影距离，d为所述亚像素点到左下角的所述整像素点的投影距离，xr和yr分别为所述亚像素点的横纵坐标，yLU为位于所述亚像素点左上角的整像素点的纵坐标，xRU为位于所述亚像素点右上角的整像素点的横坐标，yRD为位于亚像素点右下角的整像素点的纵坐标，xLD为位于亚像素点左下角的整像素点的横坐标；
S23：以所述投影距离作为权重获取所述旋转矩形中每个亚像素点对应的灰度值：
Gr＝c(dGA+bGB)+a(dGC+bGD)；
其中GA、GB、GC、GD分别为左上角、左下角、右上角以及右下角的所述整像素点的灰度值，a为所述亚像素点到左上角的所述整像素点的投影距离，b为所述亚像素点到右上角的所述整像素点的投影距离，c为所述亚像素点到右下角的所述整像素点的投影距离，d为所述亚像素点到左下角的所述整像素点的投影距离。
4.根据权利要求2所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S2包括以下子步骤：
S21：获取与所述亚像素点对应的所述整像素点，以及以该整像素点为中心的邻近8个所述整像素点；
S22：根据9个所述整像素点的灰度值获取所述亚像素点的灰度值；
Figure FDA0003305758210000021
其中，Gr表示所述亚像素点的灰度值，Gi表示所述整像素点对应的灰度值，i表示第几个所述整像素点。
5.根据权利要求2所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S2包括以下子步骤：
S21：获取与所述旋转矩形中每个所述亚像素点相邻的四个所述整像素点的坐标；
S22：获取所述亚像素点到相邻四个所述整像素点在水平方向和竖直方向上的投影距离；
ah＝abs(xr-xLU)；
av＝abs(yr-yLU)；
bh＝abs(xr-xRU)；
cv＝abs(yr-yLD)；
其中，ah表示所述亚像素点到左上角或左下角的所述整像素点在水平方向上的投影距离，av表示所述亚像素点到左上角或右上角的所述整像素点在竖直方向上的投影距离，bh表示所述亚像素点到右上角或右下角的所述整像素点在水平方向上的投影距离，cv表示所述亚像素点到左下角或右下角的所述整像素点在竖直方向上的投影距离，xr和yr分别为所述亚像素点的横纵坐标，xLU和yLU分别为位于所述亚像素点左上角的整像素点的横纵坐标，xRU为位于所述亚像素点右上角的整像素点的横坐标，yLD为位于所述亚像素点左下角的整像素点的纵坐标；
S22：将所述投影距离作为权重获取所述亚像素点的灰度值；
Figure FDA0003305758210000031
Figure FDA0003305758210000032
Figure FDA0003305758210000033
其中，Gr表示所述亚像素点的灰度值，Grh表示所述亚像素点在水平方向上的灰度值，Grv表示所述亚像素点在竖直方向上的灰度值；GA、GB、GC、GD分别为左上角、左下角、右上角以及右下角的所述整像素点的灰度值。
6.根据权利要求2-5中任意一项所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S3包括以下子步骤：
S31：判断所述旋转矩形的所述预设宽度与所述预设高度的大小；
S32：当所述预设宽度大于所述预设高度时，沿所述旋转矩形的高度方向横向搜索所述旋转矩形中的所述亚像素点，并求取每一列的所述亚像素点的灰度平均值；
其中，所述横向为所述旋转矩形的宽度方向；
S33：当所述预设宽度小于所述预设高度时，则沿所述旋转矩形的宽度方向竖向搜索所述旋转矩形中的所述亚像素点，并求取每一行所述的亚像素点的灰度平均值；
其中，所述竖向为所述旋转矩形的高度方向。
7.根据权利要求1所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述高斯卷积核模型为：
Figure FDA0003305758210000034
Figure FDA0003305758210000035
其中，kenel表示高斯卷积核模型，k表示卷积核宽度，且k>1，f(x)为标准正态分布函数。
8.根据权利要求2-5中任意一项所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S5包括以下子步骤：
S51：获取第一边缘强度值；所述第一边缘强度值为大于预设边缘幅度值的所述边缘强度值；
S52：获取所述待检测区域的边缘类型，所述边缘类型包括由黑到白检测以及由白到黑检测；
S53：当所述边缘类型为由黑到白检测时，所述最佳边缘点为所述第一边缘强度值中的最大值，且所述最大值大于0；
当所述边缘类型为由白到黑检测时，所述最佳边缘点为所述第一边缘强度值中的最小值，且所述最小值小于0。
9.根据权利要求2-5中任意一项所述的一种基于高斯模型卷积的亚像素边缘点检测方法，其特征在于，所述S6包括以下子步骤：
S61：获取所述正矩形中心线上的每个所述整像素点的坐标；
S62：根据所述中心点及所述预设角度将所述最佳边缘点转换到所述正矩形的中心线上，在所述正矩形的中心线上，以该点的横坐标为中心，前后各取一个点，同时获取这三个点对应的所述亚像素点的边缘强度值，并以这三组坐标点拟合抛物线；
S63：获取所述抛物线的对称轴；
S64：根据所述中心点及所述预设角度将所述对称轴转换为所述旋转矩形的对称轴；
S65：获取所述旋转矩形的对称轴与所述旋转矩形的中心线的交点，所述交点为最佳亚像素边缘点。
CN202111035751.3A 2021-09-06 2021-09-06 一种基于高斯模型卷积的亚像素边缘点检测方法 Active CN113470056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111035751.3A CN113470056B (zh) 2021-09-06 2021-09-06 一种基于高斯模型卷积的亚像素边缘点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111035751.3A CN113470056B (zh) 2021-09-06 2021-09-06 一种基于高斯模型卷积的亚像素边缘点检测方法

Publications (2)

Publication Number Publication Date
CN113470056A CN113470056A (zh) 2021-10-01
CN113470056B true CN113470056B (zh) 2021-11-16

Family

ID=77867502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111035751.3A Active CN113470056B (zh) 2021-09-06 2021-09-06 一种基于高斯模型卷积的亚像素边缘点检测方法

Country Status (1)

Country Link
CN (1) CN113470056B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
CN103186904A (zh) * 2011-12-31 2013-07-03 北京新媒传信科技有限公司 图片轮廓提取方法及装置
CN103208117A (zh) * 2013-03-21 2013-07-17 袁景 一种多功能智能皮带表面斑块边缘检测方法
CN103512892A (zh) * 2013-09-22 2014-01-15 上海理工大学 电磁线薄膜绕包的检测方法
EP3528205A1 (en) * 2016-10-13 2019-08-21 Kyungpook National University Industry-Academic Cooperation Foundation Method for setting edge blur for edge modeling
CN111415376A (zh) * 2020-02-27 2020-07-14 湖南大学 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法
CN111968144A (zh) * 2020-09-07 2020-11-20 北京凌云光技术集团有限责任公司 一种图像边缘点获取方法及装置
CN112288796A (zh) * 2020-12-18 2021-01-29 南京佗道医疗科技有限公司 一种透视图像标记点中心提取方法
CN112557400A (zh) * 2020-11-30 2021-03-26 电子科技大学 一种卫星望远镜镜片表面疵病轮廓检测系统及方法
CN112712554A (zh) * 2020-12-08 2021-04-27 上海交通大学烟台信息技术研究院 一种半透明朗伯体表面激光条纹中心线提取方法
CN113091693A (zh) * 2021-04-09 2021-07-09 天津大学 一种基于图像超分辨率技术的单目视觉长程测距方法
CN113240667A (zh) * 2021-06-08 2021-08-10 长春汽车工业高等专科学校 一种基于图像处理的汽车模具平面裂纹检测方法
CN113324478A (zh) * 2021-06-11 2021-08-31 重庆理工大学 一种线结构光的中心提取方法及锻件三维测量方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074267B (zh) * 2016-11-18 2023-08-11 松下知识产权经营株式会社 交点检测装置及方法、摄像头校正系统及方法及记录介质
US10909725B2 (en) * 2017-09-18 2021-02-02 Apple Inc. Point cloud compression
CN112330628A (zh) * 2020-11-03 2021-02-05 南通斯迈尔精密设备有限公司 一种金属工件表面缺陷图像检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334263A (zh) * 2008-07-22 2008-12-31 东南大学 圆形目标的圆心定位方法
CN103186904A (zh) * 2011-12-31 2013-07-03 北京新媒传信科技有限公司 图片轮廓提取方法及装置
CN103208117A (zh) * 2013-03-21 2013-07-17 袁景 一种多功能智能皮带表面斑块边缘检测方法
CN103512892A (zh) * 2013-09-22 2014-01-15 上海理工大学 电磁线薄膜绕包的检测方法
EP3528205A1 (en) * 2016-10-13 2019-08-21 Kyungpook National University Industry-Academic Cooperation Foundation Method for setting edge blur for edge modeling
CN111415376A (zh) * 2020-02-27 2020-07-14 湖南大学 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法
CN111968144A (zh) * 2020-09-07 2020-11-20 北京凌云光技术集团有限责任公司 一种图像边缘点获取方法及装置
CN112557400A (zh) * 2020-11-30 2021-03-26 电子科技大学 一种卫星望远镜镜片表面疵病轮廓检测系统及方法
CN112712554A (zh) * 2020-12-08 2021-04-27 上海交通大学烟台信息技术研究院 一种半透明朗伯体表面激光条纹中心线提取方法
CN112288796A (zh) * 2020-12-18 2021-01-29 南京佗道医疗科技有限公司 一种透视图像标记点中心提取方法
CN113091693A (zh) * 2021-04-09 2021-07-09 天津大学 一种基于图像超分辨率技术的单目视觉长程测距方法
CN113240667A (zh) * 2021-06-08 2021-08-10 长春汽车工业高等专科学校 一种基于图像处理的汽车模具平面裂纹检测方法
CN113324478A (zh) * 2021-06-11 2021-08-31 重庆理工大学 一种线结构光的中心提取方法及锻件三维测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An effective corner detection method using subpixel edge detector and Gaussian filter;Chiou, Y.等;《Sensor Review》;20100126;第30卷(第1期);第51-61页 *
基于高斯积分曲面拟合的亚像素边缘定位算法;段振云等;《仪器仪表学报》;20170131;第38卷(第1期);第219-225页 *

Also Published As

Publication number Publication date
CN113470056A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN114972329B (zh) 基于图像处理的表面缺陷检测仪的图像增强方法及系统
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN109785291B (zh) 一种车道线自适应检测方法
CN110866924B (zh) 一种线结构光中心线提取方法及存储介质
CN108898147B (zh) 一种基于角点检测的二维图像边缘平直化方法、装置
US6859555B1 (en) Fast dominant circle detection through horizontal and vertical scanning
CN111353961B (zh) 一种文档曲面校正方法及装置
CN111429533A (zh) 一种相机镜头畸变参数估计装置及方法
CN103473537B (zh) 一种目标图像轮廓特征表示方法及装置
CN108133471B (zh) 一种基于人工蜂群算法的机器人导航路径提取方法及装置
CN105427333A (zh) 视频序列图像的实时配准方法、系统及拍摄终端
CN109190452B (zh) 作物行识别方法及装置
CN110738092A (zh) 一种发票文本检测方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN113807238A (zh) 一种河道水面漂浮物面积的视觉测量方法
CN106951902B (zh) 一种图像二值化处理方法及装置
CN113470056B (zh) 一种基于高斯模型卷积的亚像素边缘点检测方法
CN110263597B (zh) 一种快速准确的qr码校正方法及系统
CN109118565B (zh) 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法
CN108009459B (zh) 基于三角定位符的字符二维条码快速定位方法
CN111179271A (zh) 一种基于检索匹配的物体角度信息标注方法及电子设备
CN114049380B (zh) 目标物体定位追踪方法、装置、计算机设备和存储介质
CN107330436B (zh) 一种基于尺度判据的全景图像sift优化方法
US11087481B2 (en) Method for detecting dimension of box based on depth map

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