CN113487589B - 一种亚像素圆心检测方法及系统 - Google Patents

Abstract

本发明提供了一种亚像素圆心检测方法及系统，涉及数字图像处理技术领域，该方法包括：步骤S1：从原始图像当中提取圆形轮廓；步骤S2：获得符合范围的圆形轮廓之后，拟合圆心坐标。本发明能够提高亚像素圆心检测的检测精度以及抗干扰能力，从而达到了准确、鲁棒实现亚像素圆心检测的效果。

Description

一种亚像素圆心检测方法及系统

技术领域

本发明涉及数字图像处理技术领域，具体地，涉及一种亚像素圆心检测方法及系统。

背景技术

在目前的很多领域中，都迫切需要从数字图像中提取亚像素级特征点坐标的方法，比如在医学影像分析领域，往往需要提取亚像素级别的细胞边缘坐标；测绘领域，如果能通过建筑物的数字图像提取到一些特征点的精确亚像素级坐标，就可以直接通过数字图像测量建筑物的高度等信息，从而能够大大节省人力物力。

现有相关文献Zhang H,Da F P,Xing D K.An improved algorithm forsubpixel location of circle center[C]//2008Chinese Conference on PatternRecognition.IEEE,2008：1-6.该文献介绍了一种从亚像素边缘位置出发，根据实际图像中心的几何特征和灰度分布特征，然后通过最小二乘法实现中心位置的方法。

针对上述现有技术，存在以下技术缺陷，该方法不能直接运用于自然图像的轮廓检测结果，大量密集交错的轮廓线会被不加区别的拟合，很难从中分离出检测目标，且对干扰点的抗噪能力不强，容易产生拟合偏差。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种亚像素圆心检测方法及系统，能够提高亚像素圆心检测的检测精度以及抗干扰能力。

根据本发明提供的一种亚像素圆心检测方法及系统，所述方案如下：

第一方面，提供了一种亚像素圆心检测方法，所述方法包括：

从原始图像当中提取圆形轮廓；

获得符合范围的圆形轮廓之后，拟合圆心坐标。

优选的，所述提取圆形轮廓包括：

判断圆形轮廓是否闭合，并筛去曲线不闭合的轮廓；

获得闭合的圆形轮廓之后，判断距离不变量的标准差；

判断闭合圆形轮廓与其外接矩形的面积之比。

优选的，所述判断距离不变量的标准差包括：

利用openCV中提供的fitEllipse函数对所有的圆形轮廓结果进行初步拟合，获取其两个焦点的坐标；

计算该圆形轮廓上所有点至两焦点距离之和的标准差；

得到所述标准差之后，筛去标准差过大也即不符合椭圆基本特征的轮廓。

优选的，所述判断闭合圆形轮廓与其外接矩形的面积之比包括：

在限制椭圆长短轴之比的情况下，通过实验测量随机生成的多个规则椭圆，椭圆的外接矩形的面积之比在0.78～0.92的范围之内；

以上述测量值为标准，对圆形轮廓检测结果中的每一个圆形轮廓获得外接矩形；

筛去面积之比不符合0.78～0.92的范围之内的圆形轮廓。

优选的，所述拟合圆心坐标包括：

寻找一组参数，获得椭圆参数的精确估计，使得数据点和椭圆之间拟合的误差平方和e最小，也即：

min e＝‖SW‖²

矩阵分解后最小化目标变为：

min e＝‖SW‖²＝minS^TW^TWS＝minλ

其中，S为椭圆的系数矩阵，W为待定系数矩阵，T为矩阵转置符号，λ为最小的正特征值；

采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合。

第二方面，提供了一种亚像素圆心检测系统，所述系统包括：

提取模块，从原始图像当中提取圆形轮廓；

拟合模块，获得符合范围的圆形轮廓之后，拟合圆心坐标。

优选的，所述提取模块包括：

判断圆形轮廓是否闭合，并筛去曲线不闭合的轮廓；

获得闭合的圆形轮廓之后，判断距离不变量的标准差；

判断闭合圆形轮廓与其外接矩形的面积之比。

优选的，所述判断距离不变量的标准差包括：

利用openCV中提供的fitEllipse函数对所有的圆形轮廓结果进行初步拟合，获取其两个焦点的坐标；

计算该圆形轮廓上所有点至两焦点距离之和的标准差；

得到所述标准差之后，筛去标准差过大也即不符合椭圆基本特征的轮廓。

优选的，所述判断闭合圆形轮廓与其外接矩形的面积之比包括：

在限制椭圆长短轴之比的情况下，通过实验测量随机生成的多个规则椭圆，椭圆的外接矩形的面积之比在0.78～0.92的范围之内；

以上述测量值为标准，对圆形轮廓检测结果中的每一个圆形轮廓获得外接矩形；

筛去面积之比不符合0.78～0.92的范围之内的圆形轮廓。

优选的，所述拟合模块包括：

寻找一组参数，获得椭圆参数的精确估计，使得数据点和椭圆之间拟合的误差平方和e最小，也即：

min e＝‖SW‖²

矩阵分解后最小化目标变为：

min e＝‖SW‖²＝minS^TW^TWS＝minλ

其中，S为椭圆的系数矩阵，W为待定系数矩阵，T为矩阵转置符号，λ为最小的正特征值；

采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合。

与现有技术相比，本发明具有如下的有益效果：

通过采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合的方法，提高了亚像素圆心检测的检测精度和抗干扰能力，达到了准确、鲁棒实现亚像素圆心检测的效果。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为亚像素圆心检测方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本发明实施例提供了一种亚像素圆心检测方法，参照图1所示，首先需要从需要处理的原图像中提取出圆形轮廓，其次在获得符合范围的圆形轮廓的基础上，拟合圆心坐标。

亚像素圆心检测的主要工作之一是从耦合度较高的自然图像轮廓检测结果中提取目标圆，经过总结圆形的几何特征，在提取圆形轮廓的过程中，首先应当判断圆形轮廓是否闭合，其中闭曲线可以理解为起点和终点重合的曲线，平面中的闭曲线即为单位圆周到平面中连续映射的像。对于闭曲线中的任意一点，遍历闭曲线，都能回到这一点。所以，对于闭曲线中的所有点，除了它本身以外，和这个点距离最小的点都有两个，并以此筛去曲线不闭合的轮廓。

获得闭合的圆形轮廓之后，判断距离不变量的标准差，对于圆和椭圆，都可以容易地找出其几何特性中的距离不变量：圆周上的点到其圆心或两焦点的距离之和不变。先利用openCV中提供的fitEllipse函数对所有的轮廓结果进行初步拟合，获取其两个焦点的坐标，并计算该轮廓上所有点至两焦点距离之和的标准差，以此筛去标准差过大也即不符合椭圆基本特征的轮廓。

依据标准差筛去不符合椭圆基本特征的轮廓后，判断闭合圆形轮廓与其外接矩形的面积之比，在限制椭圆长短轴之比的情况下，通过实验测量随机生成的多个规则椭圆，本实施例中可以选取100个规则椭圆，经试验测量之后可以发现，这些随机生成的规则椭圆与其外接矩形的面积之比在0.78～0.92的范围之内。以测量的范围值为标准，对圆形轮廓检测结果中的每一个圆形轮廓获得外接矩形，然后滤去面积之比不符合此范围的圆形轮廓。

最后，在获得符合范围的圆形轮廓的基础之上，拟合圆心坐标。为了获得椭圆参数的精确估计，应找到一组参数，使得数据点和椭圆之间拟合的误差平方和e最小，也即：mine＝‖SW‖²，矩阵分解后最小化目标变为：min e＝‖SW‖²＝minS^TW^TWS＝minλ，其中，S为椭圆的系数矩阵，W为待定系数矩阵，T为矩阵转置符号，λ为最小的正特征值；为求解上述方程，首先需要求得所有可能的广义特征向量，然后选择对应于最小的正特征值λ的特征向量解为拟合后的椭圆参数，从而根据椭圆方程得出椭圆亚像素圆心坐标。为了消除同方向上噪声点的干扰，提出改进的拟合方法，采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合。

本发明实施例提供了一种亚像素圆心检测方法，针对亚像素圆心检测，提出提取圆形轮廓的方法，改进了最小二乘法的拟合策略，在椭圆边缘并不明显的自然图像中检测并提取出符合条件的圆心的亚像素坐标，超越了现有的亚像素圆心检测算法的精度，且拥有更好的抗干扰能力。

本发明实施例还提供了一种亚像素圆心检测系统，该系统包含了提取模块和拟合模块。其中提取模块主要用于从原始图像当中提取圆形轮廓，在提取的过程中首先判断圆形轮廓是否闭合，闭曲线可以理解为起点和终点重合的曲线。平面中的闭曲线即为单位圆周到平面中连续映射的像，对于闭曲线中的任意一点，遍历闭曲线，都能回到这一点。所以，对于闭曲线中的所有点，除了它本身以外，和这个点距离最小的点都有两个，以此筛去曲线不闭合的轮廓。

提取出圆形轮廓之后，判断距离不变量的标准差。对于圆和椭圆，都可以容易地找出其几何特性中的距离不变量：圆周上的点到其圆心或两焦点的距离之和不变。首先利用openCV中提供的fitEllipse函数对所有的轮廓结果进行初步拟合，获取其两个焦点的坐标，再计算该轮廓上所有点至两焦点距离之和的标准差，最后以此筛去标准差过大即不符合椭圆基本特征的圆形轮廓。

在筛去不符合椭圆基本特征的圆形轮廓之后，判断闭合圆形轮廓与其外接矩形的面积之比。在限制椭圆长短轴之比的情况下，通过实验测量了随机生成的100个规则椭圆，会发现其外接矩形的面积之比在0.78～0.92的范围之内，再以此为标准，对轮廓检测结果中的每一个轮廓获得外接矩形，最后滤去面积之比不符合此范围的圆形轮廓。

拟合模块是在获得符合范围的圆形轮廓之后，拟合圆心坐标。为了获得椭圆参数的精确估计，应找到一组参数，使得数据点和椭圆之间拟合的误差平方和e最小，也即：mine＝‖SW‖²，矩阵分解后最小化目标变为：min e＝‖SW‖²＝minS^TW^TWS＝minλ，其中，S为椭圆的系数矩阵，W为待定系数矩阵，T为矩阵转置符号，λ为最小的正特征值；为求解上述方程，首先需要求得所有可能的广义特征向量，然后选择对应于最小的正特征值λ的特征向量解为拟合后的椭圆参数，从而根据椭圆方程得出椭圆亚像素圆心坐标。为了消除同方向上噪声点的干扰，提出改进的拟合方法，采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合。

本发明实施例提供了一种亚像素圆心检测系统，通过采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合的方法，解决了亚像素圆心检测的检测精度低和抗干扰能力差的问题，达到了准确、鲁棒实现亚像素圆心检测的效果。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (2)

1.一种亚像素圆心检测方法，其特征在于，所述方法包括：

步骤S1：从原始图像当中提取圆形轮廓；

步骤S2：获得符合范围的圆形轮廓之后，拟合圆心坐标；

所述步骤1包括：

步骤S1.1：判断圆形轮廓是否闭合，并筛去曲线不闭合的轮廓；

步骤S1.2：获得闭合的圆形轮廓之后，判断距离不变量的标准差；

步骤S1.3：判断闭合圆形轮廓与其外接矩形的面积之比；

步骤S1.2包括：

步骤S1.2.1：利用openCV中提供的fitEllipse函数对所有的圆形轮廓结果进行初步拟合，获取其两个焦点的坐标；

步骤S1.2.2：计算该圆形轮廓上所有点至两焦点距离之和的标准差；

步骤S1.2.3：得到所述标准差之后，筛去标准差过大也即不符合椭圆基本特征的轮廓；

所述步骤S1.3包括：

步骤S1.3.1：在限制椭圆长短轴之比的情况下，通过实验测量随机生成的多个规则椭圆，椭圆的外接矩形的面积之比在0.78～0.92的范围之内；

步骤S1.3.2：以上述测量范围为标准，对圆形轮廓检测结果中的每一个圆形轮廓获得外接矩形；

步骤S1.3.3：筛去面积之比不符合0.78～0.92的范围之内的圆形轮廓；

所述步骤S2包括：

寻找一组参数，获得椭圆参数的精确估计，使得数据点和椭圆之间拟合的误差平方和e最小，也即：

min e＝‖SW‖²

矩阵分解后最小化目标变为：

min e＝‖SW‖²＝minS^TW^TWS＝minλ

其中，S为椭圆的系数矩阵，W为待定系数矩阵，T为矩阵转置符号，λ为最小的正特征值；

采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合。

2.一种亚像素圆心检测系统，其特征在于，所述系统包括：

提取模块，从原始图像当中提取圆形轮廓；

拟合模块，获得符合范围的圆形轮廓之后，拟合圆心坐标；

所述提取模块包括：

判断圆形轮廓是否闭合，并筛去曲线不闭合的轮廓；

获得闭合的圆形轮廓之后，判断距离不变量的标准差；

判断闭合圆形轮廓与其外接矩形的面积之比；

所述判断距离不变量的标准差包括：

利用openCV中提供的fitEllipse函数对所有的圆形轮廓结果进行初步拟合，获取其两个焦点的坐标；

计算该圆形轮廓上所有点至两焦点距离之和的标准差；

得到所述标准差之后，筛去标准差过大也即不符合椭圆基本特征的轮廓；

所述判断闭合圆形轮廓与其外接矩形的面积之比包括：

在限制椭圆长短轴之比的情况下，通过实验测量随机生成的多个规则椭圆，椭圆的外接矩形的面积之比在0.78～0.92的范围之内；

以上述测量值为标准，对圆形轮廓检测结果中的每一个圆形轮廓获得外接矩形；

筛去面积之比不符合0.78～0.92的范围之内的圆形轮廓；

所述拟合模块包括：

寻找一组参数，获得椭圆参数的精确估计，使得数据点和椭圆之间拟合的误差平方和e最小，也即：

min e＝‖SW‖²

矩阵分解后最小化目标变为：

min e＝‖SW‖²＝minS^TW^TWS＝minλ

其中，S为椭圆的系数矩阵，W为待定系数矩阵，T为矩阵转置符号，λ为最小的正特征值；

采用最小化数据点和椭圆方程之间的误差绝对值的策略进行拟合。