CN113538491B - 一种基于自适应阈值的边缘识别方法、系统及存储介质 - Google Patents

一种基于自适应阈值的边缘识别方法、系统及存储介质 Download PDF

Info

Publication number
CN113538491B
CN113538491B CN202111077911.0A CN202111077911A CN113538491B CN 113538491 B CN113538491 B CN 113538491B CN 202111077911 A CN202111077911 A CN 202111077911A CN 113538491 B CN113538491 B CN 113538491B
Authority
CN
China
Prior art keywords
image
adaptive
digital
threshold
gray
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
CN202111077911.0A
Other languages
English (en)
Other versions
CN113538491A (zh
Inventor
程捷
王杨
李光辉
赵青云
张翼龙
曹立林
王伟
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.)
Windmagics Wuhan Co ltd
Original Assignee
Windmagics Wuhan 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 Windmagics Wuhan Co ltd filed Critical Windmagics Wuhan Co ltd
Priority to CN202111077911.0A priority Critical patent/CN113538491B/zh
Publication of CN113538491A publication Critical patent/CN113538491A/zh
Application granted granted Critical
Publication of CN113538491B publication Critical patent/CN113538491B/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
    • G06T7/10—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing

Landscapes

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

Abstract

本发明涉及一种基于自适应阈值的边缘识别方法、系统及存储介质，其方法包括，获取带有标记物的数字图像，并对数字图像进行灰度化处理，得到数字灰度图像；以数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将有效区间划分为多个bin，并生成统计分布直方图；采用多次多项式对统计分布直方图进行曲线拟合得到拟合曲线；根据拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值；根据自适应边缘识别的阈值对数字灰度图像进行黑白二值化处理。本发明根据图像色彩的分bin图，得到图像二值化的阈值，从而动态分割数字图像的标记和背景，可以得到清晰和严格的边界，适应各种不同的光照强度场景，改善识别结果，提高识别精度。

Description

一种基于自适应阈值的边缘识别方法、系统及存储介质
技术领域
本发明涉及数字图像处理领域，具体涉及一种基于自适应阈值的边缘识别方法、系统及存储介质。
背景技术
机器视觉技术是一种新兴的测量技术，通过在目标物上粘贴标记物，计算机可以通过采集到的数字图像，对物体进行跟踪计算，通过标记物成像的像素和色彩等信息，得到目标物在相机坐标系、世界坐标系的位置、大小、角度等信息。
对于固定场景、固定光源，如果提前标定，对目标物的识别效果往往是比较好的，但是如果现场情况不是标准场景，光照过程不能统一恒定，标记物的识别和定位就会产生较大的误差。
发明内容
本发明所要解决的技术问题是提供一种基于自适应阈值的边缘识别方法、系统及存储介质，根据图像色彩的分bin图，得到图像二值化的阈值，从而动态分割数字图像的标记和背景，适应各种不同的光照强度场景，改善识别结果，提高识别精度。
本发明解决上述技术问题的技术方案如下：一种基于自适应阈值的边缘识别方法，包括以下步骤，
S1，获取带有标记物的数字图像，并对所述数字图像进行灰度化处理，得到数字灰度图像；
S2，以所述数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将所述有效区间划分为多个bin，并统计所述数字灰度图像中像素点在各bin内的个数，生成统计分布直方图；
S3，采用多次多项式对所述统计分布直方图进行曲线拟合，得到拟合曲线；
S4，根据所述拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值；
S5，根据自适应边缘识别的阈值对所述数字灰度图像进行黑白二值化处理，得到二值化数字图像。
基于上述一种基于自适应阈值的边缘识别方法，本发明还提供一种基于自适应阈值的边缘识别系统。
一种基于自适应阈值的边缘识别系统，包括以下模块，
图像获取及灰度处理模块，其用于获取带有标记物的数字图像，并对所述数字图像进行灰度化处理，得到数字灰度图像；
分bin及统计模块，其用于以所述数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将所述有效区间划分为多个bin，并统计所述数字灰度图像中像素点在各bin内的个数，生成统计分布直方图；
曲线拟合模块，其用于采用多次多项式对所述统计分布直方图进行曲线拟合，得到拟合曲线；
阈值计算模块，其用于根据所述拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值；
二值化模块，其用于根据自适应边缘识别的阈值对所述数字灰度图像进行黑白二值化处理，得到二值化数字图像。
基于上述一种基于自适应阈值的边缘识别方法，本发明还提供一种计算机存储介质。
一种计算机存储介质，包括存储器以及存储在所述存储器内的计算机程序，所述计算机程序被处理器执行时实现如上述所述的基于自适应阈值的边缘识别方法。
本发明的有益效果是：一种基于自适应阈值的边缘识别方法、系统及存储介质，采用数字图像本身的灰度进行统计，统计图本身已经包含了现场的光照、场景等信息，根据图像色彩的分bin图，得到图像二值化的阈值，从而动态分割数字图像的标记和背景，可以得到清晰和严格的边界，适应各种不同的光照强度场景，改善识别结果，提高识别精度。
附图说明
图1为本发明一种基于自适应阈值的边缘识别方法的流程图；
图2为标记物的示意图；
图3为数字灰度图像的示意图；
图4为统计分布直方图；
图5为拟合曲线图；
图6为二值化数字图像示意图；
图7为本发明一种基于自适应阈值的边缘识别系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种基于自适应阈值的边缘识别方法，包括以下步骤，
S1，获取带有标记物的数字图像，并对所述数字图像进行灰度化处理，得到数字灰度图像。
标记物一般可以设计为深色标记、浅色背景的图案，临时粘贴或者永久固定在目标物上，跟踪目标物的动态。本实施例以如图2所示的黑方白底为标记物，图2中的w代表黑方（黑色方块）的宽度；图2所示的标记物固定到目标物上面之后，采集到的数字图像如图3所示，将数字图像进行灰度化处理后，每个像素仅仅包含灰度值信息。由图3可以看出，由于环境、光照、对比度方面的影响，图像的背景并不是纯白色，呈现一定灰度的背景，标记物也并非纯黑色，而是有一定噪声的高灰度区域。
S2，以所述数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将所述有效区间划分为多个bin，并统计所述数字灰度图像中像素点在各bin内的个数，生成统计分布直方图。
具体的，所述有效区间被划分为不小于16个bin。在本实施例中，采用32bin对图3所示的数字灰度图像作图，生成如图4所示的统计分布直方图；图4中的左侧较为集中的柱状图代表图像中灰度较小的像素点的统计图，代表亮色的背景区域，右侧较为集中的柱状图代表图像中灰度较大的像素点的统计图，代表黑色的标记区域。图4中的横坐标代表灰度值，纵坐标代表像素点个数。
S3，采用多次多项式对所述统计分布直方图进行曲线拟合，得到拟合曲线。
具体的，采用4次以上的多项式对所述统计分布直方图进行曲线拟合。本实施例采用6次多项式对所述统计分布直方图进行曲线拟合，得到的拟合曲线如图5所示，图5中的横坐标代表灰度值，纵坐标代表像素点个数。
S4，根据所述拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值。
具体的，所述拟合曲线前两个极值点分别为所述拟合曲线左侧开始的第一个极大值点和第一个极小值点；自适应边缘识别的阈值具体为所述第一个极大值点和所述第一个极小值点的横坐标的中位数。如图5所示，第一个极大值点为A点，第一个极小值点为B点，所述第一个极大值点和所述第一个极小值点的横坐标的中位数为C点。那么，自适应边缘识别的阈值即为C点的横坐标；自适应边缘识别的阈值即为区隔亮色背景和黑色标记的合理阈值；采用这一阈值，进行二值化处理，可以得到标记的严格边界。
S5，根据所述自适应边缘识别的阈值对所述数字灰度图像进行黑白二值化处理，得到二值化数字图像。
具体的，采用如图5所示的自适应边缘识别阈对如图3所示的数字灰度图像进行二值化处理后得到的二值化数字图像如图6所示。从图6可以看出，采用本发明的方法进行图像处理，可以得到清晰和严格的边界，从而区分标记物的标记和背景。
本发明根据标记物成像图（数字灰度图像）中的灰度统计特性，计算自适应的黑白二值化阈值，从而用来区分标记物的标记和背景，在本发明的方法中：（1）采用图像本身的灰度进行统计，计算得到的黑白二值化的阈值（自适应边缘识别的阈值），得到的统计分布直方图本身已经包含了现场的光照、场景等信息；（2）利用这种自适应的阈值，动态区隔标记和背景的灰度；（3）通过这种方式，可以实现标签的跟踪和位置的识别；排除了物距、光照条件、视线条件的波动带来的影响，实现稳定的识别结果。
基于上述一种基于自适应阈值的边缘识别方法，本发明还提供一种基于自适应阈值的边缘识别系统。
如图7所示，一种基于自适应阈值的边缘识别系统，包括以下模块，
图像获取及灰度处理模块，其用于获取带有标记物的数字图像，并对所述数字图像进行灰度化处理，得到数字灰度图像；
分bin及统计模块，其用于以所述数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将所述有效区间划分为多个bin，并统计所述数字灰度图像中像素点在各bin内的个数，生成统计分布直方图；
曲线拟合模块，其用于采用多次多项式对所述统计分布直方图进行曲线拟合，得到拟合曲线；
阈值计算模块，其用于根据所述拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值；
二值化模块，其用于根据自适应边缘识别的阈值对所述数字灰度图像进行黑白二值化处理，得到二值化数字图像。
在本具体实施例中：
在所述分bin及统计模块中，所述有效区间被划分为不小于16个bin。
在所述曲线拟合模块中，具体采用4次以上的多项式对所述统计分布直方图进行曲线拟合。
在所述阈值计算模块中，所述拟合曲线前两个极值点分别为所述拟合曲线左侧开始的第一个极大值点和第一个极小值点；自适应边缘识别的阈值具体为所述第一个极大值点和所述第一个极小值点的横坐标的中位数。
基于上述一种基于自适应阈值的边缘识别方法，本发明还提供一种计算机存储介质。
一种计算机存储介质，包括存储器以及存储在所述存储器内的计算机程序，所述计算机程序被处理器执行时实现如上述所述的基于自适应阈值的边缘识别方法。
本发明一种基于自适应阈值的边缘识别方法、系统及存储介质，采用数字图像本身的灰度进行统计，统计图本身已经包含了现场的光照、场景等信息，根据图像色彩的分bin图，得到图像二值化的阈值，从而动态分割数字图像的标记和背景，可以得到清晰和严格的边界，适应各种不同的光照强度场景，改善识别结果，提高识别精度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于自适应阈值的边缘识别方法，其特征在于：包括以下步骤，
S1，获取带有标记物的数字图像，并对所述数字图像进行灰度化处理，得到数字灰度图像；
S2，以所述数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将所述有效区间划分为多个bin，并统计所述数字灰度图像中像素点在各bin内的个数，生成统计分布直方图；
S3，采用多次多项式对所述统计分布直方图进行曲线拟合，得到拟合曲线；
S4，根据所述拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值；
S5，根据自适应边缘识别的阈值对所述数字灰度图像进行黑白二值化处理，得到二值化数字图像。
2.根据权利要求1所述的基于自适应阈值的边缘识别方法，其特征在于：在所述S2中，所述有效区间被划分为不小于16个bin。
3.根据权利要求1所述的基于自适应阈值的边缘识别方法，其特征在于：在所述S3中，具体采用4次以上的多项式对所述统计分布直方图进行曲线拟合。
4.根据权利要求1至3任一项所述的基于自适应阈值的边缘识别方法，其特征在于：在所述S4中，所述拟合曲线前两个极值点分别为所述拟合曲线左侧开始的第一个极大值点和第一个极小值点。
5.根据权利要求4所述的基于自适应阈值的边缘识别方法，其特征在于：在所述S4中，自适应边缘识别的阈值具体为所述第一个极大值点和所述第一个极小值点的横坐标的中位数。
6.一种基于自适应阈值的边缘识别系统，其特征在于：包括以下模块，
图像获取及灰度处理模块，其用于获取带有标记物的数字图像，并对所述数字图像进行灰度化处理，得到数字灰度图像；
分bin及统计模块，其用于以所述数字灰度图像中像素点的最大灰度值和最小灰度值为有效区间，将所述有效区间划分为多个bin，并统计所述数字灰度图像中像素点在各bin内的个数，生成统计分布直方图；
曲线拟合模块，其用于采用多次多项式对所述统计分布直方图进行曲线拟合，得到拟合曲线；
阈值计算模块，其用于根据所述拟合曲线前两个极值点的坐标计算出自适应边缘识别的阈值；
二值化模块，其用于根据自适应边缘识别的阈值对所述数字灰度图像进行黑白二值化处理，得到二值化数字图像。
7.根据权利要求6所述的基于自适应阈值的边缘识别系统，其特征在于：在所述分bin及统计模块中，所述有效区间被划分为不小于16个bin。
8.根据权利要求6所述的基于自适应阈值的边缘识别系统，其特征在于：在所述曲线拟合模块中，具体采用4次以上的多项式对所述统计分布直方图进行曲线拟合。
9.根据权利要求6至8任一项所述的基于自适应阈值的边缘识别系统，其特征在于：在所述阈值计算模块中，所述拟合曲线前两个极值点分别为所述拟合曲线左侧开始的第一个极大值点和第一个极小值点；自适应边缘识别的阈值具体为所述第一个极大值点和所述第一个极小值点的横坐标的中位数。
10.一种计算机存储介质，其特征在于：包括存储器以及存储在所述存储器内的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于自适应阈值的边缘识别方法。
CN202111077911.0A 2021-09-15 2021-09-15 一种基于自适应阈值的边缘识别方法、系统及存储介质 Active CN113538491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111077911.0A CN113538491B (zh) 2021-09-15 2021-09-15 一种基于自适应阈值的边缘识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111077911.0A CN113538491B (zh) 2021-09-15 2021-09-15 一种基于自适应阈值的边缘识别方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113538491A CN113538491A (zh) 2021-10-22
CN113538491B true CN113538491B (zh) 2021-11-23

Family

ID=78092597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111077911.0A Active CN113538491B (zh) 2021-09-15 2021-09-15 一种基于自适应阈值的边缘识别方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113538491B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897923B (zh) * 2022-05-25 2023-07-21 中国海洋大学 天然气水合物ct图像阈值分割方法、系统、设备及介质
CN115690430B (zh) * 2022-12-29 2023-03-28 尚特杰电力科技有限公司 光伏组件边缘特征图补齐方法、系统、设备及存储介质
CN116977230B (zh) * 2023-09-22 2024-01-02 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种扫描电子显微镜图像优化增强方法
CN117333373B (zh) * 2023-12-01 2024-02-23 武汉宇微光学软件有限公司 一种曲线多边形图像缩放方法、系统及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013503A (zh) * 2007-01-26 2007-08-08 清华大学 一种医学图像中腹部器官分割方法
CN108389215A (zh) * 2018-03-15 2018-08-10 京东方科技集团股份有限公司 一种边缘检测方法、装置、计算机存储介质及终端
CN111476233A (zh) * 2020-03-12 2020-07-31 广州杰赛科技股份有限公司 一种车牌号码的定位方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10420523B2 (en) * 2016-03-21 2019-09-24 The Board Of Trustees Of The Leland Stanford Junior University Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013503A (zh) * 2007-01-26 2007-08-08 清华大学 一种医学图像中腹部器官分割方法
CN108389215A (zh) * 2018-03-15 2018-08-10 京东方科技集团股份有限公司 一种边缘检测方法、装置、计算机存储介质及终端
CN111476233A (zh) * 2020-03-12 2020-07-31 广州杰赛科技股份有限公司 一种车牌号码的定位方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Robust regression for image binarization under heavy noise and nonuniform background》;Garret D. Vo等;《Pattern Recognition》;20180405;全文 *
《一种基于改进Canny算法的塑胶手套残次品检测方法》;李文文 等;《塑料科技》;20171031;第45卷(第10期);全文 *

Also Published As

Publication number Publication date
CN113538491A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113538491B (zh) 一种基于自适应阈值的边缘识别方法、系统及存储介质
CN107066933B (zh) 一种道路标牌识别方法及系统
CN103310211B (zh) 一种基于图像处理的填注标记识别方法
CN103489254B (zh) 彩票的识别方法及系统
CN110909640A (zh) 水位线的确定方法及装置、存储介质、电子装置
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN112446225B (zh) 光学代码的模块尺寸的确定
CN110288612B (zh) 铭牌定位与校正方法及设备
CN108985129B (zh) 二维码的定位与检出方法
CN110415296B (zh) 一种有阴影光照下矩形状电器件的定位方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN104615972B (zh) 指针式仪表智能识别方法及其装置
CN109190452B (zh) 作物行识别方法及装置
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN104331695A (zh) 一种鲁棒的圆形标志符形状质量检测方法
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN116433701A (zh) 一种工件孔洞轮廓的提取方法、装置、设备及存储介质
US20200372264A1 (en) Image-based road cone recognition method and appartus, storage medium, and vehicle
CN111797832B (zh) 一种图像感兴趣区域自动生成方法及系统及图像处理方法
CN112232344A (zh) 一种数字式万用表读数识别方法
CN101666621A (zh) 一种与光照无关的标记点提取方法
CN112419225A (zh) 一种基于引脚分割的sop型芯片检测方法及系统
CN114724119B (zh) 车道线提取方法、检测设备及存储介质
CN111209912A (zh) 一种中文文字图片长干扰线去除方法
CN108734158B (zh) 一种实时列车车号识别方法及装置

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