CN113888456B - 一种基于轮廓的角点检测方法 - Google Patents
一种基于轮廓的角点检测方法 Download PDFInfo
- Publication number
- CN113888456B CN113888456B CN202010619850.5A CN202010619850A CN113888456B CN 113888456 B CN113888456 B CN 113888456B CN 202010619850 A CN202010619850 A CN 202010619850A CN 113888456 B CN113888456 B CN 113888456B
- Authority
- CN
- China
- Prior art keywords
- corner
- points
- point
- contour
- candidate
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000001629 suppression Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006835 compression Effects 0.000 abstract 1
- 238000007906 compression Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
在数字图像处理中，角点检测作为图像特征提取的一部分被广泛用于形状提取与分析、目标配准与匹配、图像压缩等领域，与工业现场的工件的测量、识别与定位有着密不可分的关系。针对目前工业上对工件进行角点提取时定位准确度低、检测时间长等问题，本文提出一种基于轮廓的角点检测算法，采用八邻域轮廓跟踪法对预处理后的图像进行轮廓提取，计算轮廓点的尖锐度，通过非极大值抑制得到候选角点，采用SUSAN圆形模板和支撑区域自适应方法对候选角点进行优化。实验结果表明，该算法抗干扰性高，定位精确，速度较快。
Description
技术领域
本发明涉及一种图像角点提取方法，可用于工业测量等方面。属于图像处理技术领域。
背景技术
图像的角点是表征图像的一种重要特征，图像的角点检测(Corner Detection)作为工业现场中工件的自动检测等过程中很重要的一环,其提取角点的能力和速度会直接影响工业自动化检测的精度和效率。
现阶段的角点检测方法主要有基于灰度图像、二值图像和轮廓曲线的角点检测算法三类，而在轮廓曲线上进行角点提取时，因其计算量较少、检测的准确性较高，且工业检测在保证精度的同时对速度也有很大的要求，因此该类算法被广泛的应用在工业检测现场。
基于轮廓尖锐度的角点检测方法首先对轮廓曲线在最佳尺度下进行高斯平滑，然后通过轮廓线中心点两侧支撑区域夹角的近似计算提取角点,最后进行非极大值抑制获取最终角点，该方法能较好的检测角点并抑制伪角点，但高斯平滑使算法复杂并且使检测精度降低。
SUSAN算法采用圆形模板检测图像的角点，直接通过对像素邻域灰度值进行比较即可判断出角点，优点是角点检测时不用计算梯度、不用插值且不依赖于前期图像预处理的结果，缺点是定位精度较差、对噪声敏感并且可能漏检角点。
发明内容
本发明的目的在于针对现有方法的不足,提出一种基于轮廓的角点检测方法，提高角点检测的准确性。
本发明的技术方案：首先采用八邻域轮廓跟踪法对预处理后的图像进行轮廓提取:然后计算轮廓点的尖锐度,通过非极大值抑制得到候选角点；最后采用SUSAN圆形模板和支撑区域自适应方法对候选角点进行优化。
本发明的方法通过以下几个步骤实现：
(1)对图像预处理得到二值图像，将目标与背景分离；
(2)采用八邻域轮廓跟踪法提取目标的轮廓；
(3)计算轮廓上每个点的尖锐度,获取候选角点；
(4)针对候选角点应用改进的SUSAN模板二次遍历，去除边缘伪角点；
(5)利用支撑区域自适应方法去除邻接伪角点。
与现有方法相比，本方法的优越性体现在：
1.直接对二值图像使用八邻域轮廓跟踪法进行轮廓提取，定位准确；
2.与传统的基于轮廓尖锐度的角点检测算法相比，本发明鲁棒性更好；
3.与传统的SUSAN角点检测算法相比，本发明速度更快,误检率更低；
4.算法实现简单，计算效率较高；
5.可应用于工件尺寸测量、特征匹配以及识别定位等方面。
如上所述的方法，其特征在于，所述步骤2采用8邻域轮廓追踪算法直接对二值图像进行轮廓的提取,避免了轮廓出现断点的问题，精度更高、速度更快。
八邻域轮廓跟踪算法的主要步骤如下：
stepl：根据二值图像轮廓的性质，先对图像进行扫描寻找轮廓的起始边界点0并存储到容器中；
step2：按照预先设定的跟踪方向(顺时针)，以0点为中心进行八邻域搜索，定位到下一个像素点N；
step3：检测N点是否与轮廓的起始边界点0重合，若不是，则存储N点并从N点开始重复执行step2，若是则停止搜索。
如上所述的方法，其特征在于，所述步骤3首先计算轮廓上各个点的尖锐度，主要是对轮廓上的任意一点pi(x(i),y(i))，选取前后相邻的距离为k两点pi-k(x(i-k),y(i-k))，pi+k(x(i+k),y(i+k))作为支撑点，以该点为中心点、该点到支撑点为两边构成角α,α的角度计算公式为：
则有定义sharp＝1-|pi-kpi+k|/(|pipi-k|+|pipi+k|)为该圆弧的尖锐度，sharp越大，表明轮廓越尖锐，sharp越小，表明轮廓越平缓。设定阈值T，当sharp值比T大时,作为候选角点，再经过非极大值抑制进行筛选，得到较准确的候选角点。
如上所述的方法，其特征在于，所述步骤4采用如下的SUSAN圆形模板去除边缘伪角点：实际检测时，角点即核心点一定在轮廓上，故核值相似区的典型区域为三种情况:核心在轮廓的边缘上时，核心点的核值相似区域为圆形模板的一半；当核心在角点上时，核心点的核值相似区域为两种情况，一种为核心点在外角点上一种为核心点在轮廓内角点上。SUSAN算法优化的主要步骤如下：
1)在候选角点上放置一个具有37个像素大小的圆形模板，在预处理后的二值图像上，依次比较圆形模板内37个像素点的灰度值与候选角点的灰度值，设置阈值判断是否属于核值相似区域，判别函数如下：
2)统计圆形模板中和核心点有相似灰度值的像素个数n(r0),如下式所示：
其中，D(r0)是r0以为中心的圆形模板区域；
3)由于候选角点都在目标轮廓上，既有内角点也有外角点，故构建角点响应函数如下式，
若某个候选角点的核值相似区值小于某一特定阈值g1，或大于某一特定阈值g2则该候选角点被认为是角点，
如上所述的方法，其特征在于，所述步骤5利用支撑区域自适应方法去除邻接伪角点，由于在复杂的轮廓变化较快的部分，会有多个点被判定为候选角点，这些候选角点互相邻接，去除邻接伪角点的步骤如下：
1)为保证最大程度的去邻接伪角点，首先确定邻接范围N,选取N＝m×k,其中k为支撑区域大小,m为整数；
2)遍历候选角点，对于每个候选角点在邻接范围N由内到外搜寻邻接角点，搜索范围为若有邻接角点，对比角点的尖锐度sharp，若当前点的sharp值最大，则保留该角点；
3)再次遍历候选角点，对于每个候选角点在邻接范围N由外内到外搜寻邻接角点，搜索范围为若有邻接角点，则以该角点为支撑点，重新计算当前点的轮廓尖锐度sharp，若新的sharp值大于阈值T，则保留该角点。
附图说明
图1为本发明八邻域轮廓跟踪示意图。
图2为本发明SUSAN圆形模板示意图。
图3为本发明轮廓上SUSAN典型区域示意图。
图4为本发明标准原始图像角点检测过程示意图。
图5为本发明工件原始图像角点检测过程示意图。
具体实施方式
为了更好地理解本发明的技术方案，以下结合附图和实施例，作进一步的详细描述。
采用本发明方法进行轮廓角点提取，具体按如下步骤进行。
1.对图像进行预处理
首先对图像进行增强，然后滤波，最后二值化将目标与背景分割开来。
2.提取目标轮廓信息
stepl：根据二值图像轮廓的性质，先对图像进行扫描寻找轮廓的起始边界点0并存储到容器中；
step2：按照预先设定的跟踪方向(顺时针)，以0点为中心进行八邻域搜索，定位到下一个像素点N：
step3：检测N点是否与轮廓的起始边界点0重合，若不是，则存储N点并从N点开始重复执行step2,若是则停止搜索；
图1为本发明八邻域轮廓跟踪示意图。
3.获取候选角点
首先计算轮廓上各个点的尖锐度,主要是对轮廓上的任意一点pi(x(i),y(i))，选取前后相邻的距离为k两点pi-k(x(i-k),y(i-k)),pi+k(x(i+k),y(i+k))作为支撑点，以该点为中心点、该点到支撑点为两边构成角α,α的角度计算公式为:
则有定义sharp＝1-|pi-kpi+k|/(|pipi-k|+|pipi+k|)为该圆弧的尖锐度,sharp越大，表明轮廓越尖锐，sharp越小，表明轮廓越平缓。设定阈值T,当sharp值比T大时,作为候选角点，再经过非极大值抑制进行筛选，得到较准确的候选角点。
4.获取真实角点
采用如下的SUSAN圆形模板去除边缘伪角点：实际检测时，角点即核心点一定在轮廓上，故USAN的典型区域为三种情况:核心在轮廓的边缘上时，核心点的核值相似区域为圆形模板的一半；当核心在角点上时，核心点的核值相似区域为两种情况，一种为核心点在外角点上一种为核心点在轮廓内角点上，图2为本发明SUSAN圆形模板示意图，图3为本发明轮廓上SUSAN典型区域示意图。
SUSAN算法优化的主要步骤如下：
1)在候选角点上放置一个具有37个像素大小的圆形模板,在预处理后的二值图像上,依次比较圆形模板内37个像素点的灰度值与候选角点的灰度值，设置阈值判断是否属于核值相似区域，判别函数如下：
2)统计圆形模板中和核心点有相似灰度值的像素个数n(r0)，如下式所示：
其中，D(r0)是以r0为中心的圆形模板区域；
3)由于候选角点都在目标轮廓上，既有内角点也有外角点，故构建角点响应函数如下式，若某个候选角点的核值相似值小于某一特定阈值g1，或大于某一特定阈值g2则该候选角点被认为是角点，
如上所述的方法，其特征在于，所述步骤5利用支撑区域自适应方法去除邻接伪角点，由于在复杂的轮廓变化较快的部分，会有多个点被判定为候选角点，这些候选角点互相邻接，去除邻接伪角点的步骤如下：
1)为保证最大程度的去邻接伪角点，首先确定邻接范围N，选取N＝m×k,其中k为支撑区域大小，m为整数；
2)遍历候选角点，对于每个候选角点在邻接范围N由内到外搜寻邻接角点，搜索范围为若有邻接角点，对比角点的尖锐度sharp，若当前点的sharp值最大，则保留该角点；
3)再次遍历候选角点，对于每个候选角点在邻接范围N由外内到外搜寻邻接角点，搜索范围为若有邻接角点，则以该角点为支撑点，重新计算当前点的轮廓尖锐度sharp，若新的sharp值大于阈值T，则保留该角点。
通过以上步骤最终获得图像轮廓上的真实角点，图4为本发明标准原始图像角点检测过程示意图，图5为本发明工件原始图像角点检测过程示意图。
Claims (1)
1.一种基于轮廓的角点检测方法,其特征在于包括以下步骤：
步骤1:采用八邻域轮廓跟踪法提取二值图像轮廓；
步骤2：计算轮廓尖锐度，获取候选角点；
步骤3：针对候选角点应用改进的SUSAN模板二次遍历，去除边缘伪角点；实际检测时，角点即核心点一定在轮廓上，故核值相似区的典型区域为三种情况:核心在轮廓的边缘上时，核心点的USAN区域为圆形模板的一半；当核心在角点上时，核心点的核值相似区域为两种情况,一种为核心点在外角点上一种为核心点在轮廓内角点上,SUSAN角点优化的主要步骤如下：
1)在候选角点上放置一个具有37个像素大小的圆形模板,在预处理后的二值图像上,依次比较圆形模板内37个像素点的灰度值与候选角点的灰度值，设置阈值判断是否属于核值相似区域,判别函数如下：
2)统计圆形模板中和核心点有相似灰度值的像素个数n(r0)，如下式所示：
其中，D(r0)是以r0为中心的圆形模板区域；
3)由于候选角点都在目标轮廓上，既有内角点也有外角点，故构建角点响应函数如下式，
若某个候选角点的核值相似区值小于某一特定阈值g1，或大于某一特定阈值g2则该候选角点被认为是角点，
步骤4：利用支撑区域自适应方法去除邻接伪角点；由于在复杂的轮廓变化较快的部分，会有多个点被判定为候选角点，这些候选角点互相邻接,去除邻接伪角点的步骤如下：
1)为保证最大程度的去邻接伪角点，首先确定邻接范围N,选取N＝m×k,其中k为支撑区域大小，m为整数；
2)遍历候选角点，对于每个候选角点在邻接范围N由内到外搜寻邻接角点，搜索范围为若有邻接角点，对比角点的尖锐度sharp，若当前点的sharp值最大，则保留该角点；
3)再次遍历候选角点，对于每个候选角点在邻接范围N由外内到外搜寻邻接角点，搜索范围为若有邻接角点，则以该角点为支撑点，重新计算当前点的轮廓尖锐度sharp，若新的sharp值大于阈值T,则保留该角点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010619850.5A CN113888456B (zh) | 2020-07-01 | 2020-07-01 | 一种基于轮廓的角点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010619850.5A CN113888456B (zh) | 2020-07-01 | 2020-07-01 | 一种基于轮廓的角点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113888456A CN113888456A (zh) | 2022-01-04 |
| CN113888456B true CN113888456B (zh) | 2024-05-24 |
Family
ID=79012441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010619850.5A Active CN113888456B (zh) | 2020-07-01 | 2020-07-01 | 一种基于轮廓的角点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888456B (zh) |
Families Citing this family (3)
| 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 |
| CN115564728B (zh) * | 2022-09-30 | 2023-08-11 | 苏州大学 | 一种图像角点检测方法、装置、设备及应用 |
| CN118570233B (zh) * | 2024-08-05 | 2024-10-11 | 大连冉星信息科技有限公司 | 一种耳鼻喉检查图像智能分割方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100591608B1 (ko) * | 2005-03-18 | 2006-06-20 | 전남대학교산학협력단 | 영상 정합시 대응점 검색방법 |
| CN101794446A (zh) * | 2010-02-11 | 2010-08-04 | 东南大学 | 一种图像角点的线搜索式检测方法 |
| CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
| CN106652048A (zh) * | 2016-12-30 | 2017-05-10 | 杭州电子科技大学 | 基于3d‑susan算子的三维模型感兴趣点提取方法 |
| WO2017193414A1 (zh) * | 2016-05-12 | 2017-11-16 | 惠州学院 | 一种基于转弯半径的图像角点检测方法 |
| CN108765441A (zh) * | 2018-06-05 | 2018-11-06 | 哈尔滨理工大学 | 基于高斯变换的多尺度susan角点检测方法 |
-
2020
- 2020-07-01 CN CN202010619850.5A patent/CN113888456B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100591608B1 (ko) * | 2005-03-18 | 2006-06-20 | 전남대학교산학협력단 | 영상 정합시 대응점 검색방법 |
| CN101794446A (zh) * | 2010-02-11 | 2010-08-04 | 东南大学 | 一种图像角点的线搜索式检测方法 |
| CN101887586A (zh) * | 2010-07-30 | 2010-11-17 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
| WO2017193414A1 (zh) * | 2016-05-12 | 2017-11-16 | 惠州学院 | 一种基于转弯半径的图像角点检测方法 |
| CN106652048A (zh) * | 2016-12-30 | 2017-05-10 | 杭州电子科技大学 | 基于3d‑susan算子的三维模型感兴趣点提取方法 |
| CN108765441A (zh) * | 2018-06-05 | 2018-11-06 | 哈尔滨理工大学 | 基于高斯变换的多尺度susan角点检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 工件图像轮廓角点特征提取算法;刘晨;于微波;杨宏韬;王国秀;谢家欣;;长春工业大学学报;20191015(第05期);全文 * |
| 结合Mahalanobis距离的SUSAN彩色边缘检测方法研究;卢军;谭智仁;;陕西科技大学学报(自然科学版);20131225(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113888456A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113888456B (zh) | 一种基于轮廓的角点检测方法 | |
| CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| WO2022007431A1 (zh) | 一种Micro QR二维码的定位方法 | |
| CN105046252B (zh) | 一种人民币冠字码识别方法 | |
| 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 | |
| CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
| CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN106446894A (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
| CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
| CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
| CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
| CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
| CN112233116A (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 | |
| CN111401449A (zh) | 一种基于机器视觉的图像匹配方法 | |
| CN115311289A (zh) | 一种素色布匹油渍缺陷检测方法 | |
| CN106815851B (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
| CN118212179A (zh) | 一种复杂背景的角度检测方法 | |
| CN116823827B (zh) | 一种基于图像处理的矿石粉碎效果评价方法 | |
| CN109934817B (zh) | 一种果体外部轮廓畸形检测方法 | |
| CN116863463A (zh) | 一种鸡蛋流水线快速识别计数方法 | |
| CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
| CN114049380B (zh) | 目标物体定位追踪方法、装置、计算机设备和存储介质 | |
| Yu et al. | An algorithm for corner detection based on Contour |
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 |