CN114170228A - 一种计算机图像边缘检测方法 - Google Patents

一种计算机图像边缘检测方法 Download PDF

Info

Publication number
CN114170228A
CN114170228A CN202210131305.0A CN202210131305A CN114170228A CN 114170228 A CN114170228 A CN 114170228A CN 202210131305 A CN202210131305 A CN 202210131305A CN 114170228 A CN114170228 A CN 114170228A
Authority
CN
China
Prior art keywords
gray
pixel point
edge
image
pixel
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.)
Granted
Application number
CN202210131305.0A
Other languages
English (en)
Other versions
CN114170228B (zh
Inventor
梁洪源
宿欣宇
周孝燚
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202210131305.0A priority Critical patent/CN114170228B/zh
Publication of CN114170228A publication Critical patent/CN114170228A/zh
Application granted granted Critical
Publication of CN114170228B publication Critical patent/CN114170228B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种计算机图像边缘检测方法。该方法采集液压阀块图像以获取孔洞图像；将孔洞图像转化为灰度图像，根据灰度图像中每个像素点与其周围像素点之间的灰度差异和相对位置矢量获取每个像素点的灰度连续指标和最佳灰度连接方向；基于最佳灰度连接方向获取孔洞中心点，获取每个像素点与孔洞中心点的距离，由距离和灰度连续指标得到每个像素点的强边缘可能指标；由强边缘可能指标得到高低灰度阈值，根据高低灰度阈值确认孔洞的边缘像素点。结合像素点的灰度连续性和位置坐标自适应得到高低灰度阈值，由高低灰度阈值确认边缘像素点以更加准确的完成孔洞的边缘检测，鲁棒性更佳。

Description

一种计算机图像边缘检测方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种计算机图像边缘检测方法。
背景技术
液压阀块在生产加工过程中,由于孔洞边缘容易出现毛刺,从而需要进行毛刺去除操作。目前通常采用canny边缘检测算子获取液压阀块的孔洞边缘图像。然而由于液压阀块表面光滑很容易受光照影响,难以得到孔洞内准确的边缘图像,无法完成毛刺检测，且canny边缘检测算子在使用中由于受到噪声干扰,所以需要调整双阈值才能获取较为准确的边缘检测效果,并且孔洞相对于整个液压阀块是很小的一部分,所以在整个液压阀块进行空洞内的边缘检测时,也需要精细化化的边缘检测。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种计算机图像边缘检测方法，所采用的技术方案具体如下：
采集液压阀块图像以获取孔洞图像，所述孔洞图像中包括一个孔洞；
将所述孔洞图像转化为灰度图像，设定固定尺寸的第一窗口，分别以灰度图像中每个像素点为所述第一窗口的中心像素点，根据所述第一窗口对应像素点之间的灰度差异获取对应中心像素点的灰度变化量，将所述灰度变化量作为每个像素点的新灰度值以得到新灰度图像；根据所述新灰度图像中每个像素点与其周围像素点之间的灰度变化和相对位置关系分别获取对应每个像素点的灰度连续指标和最佳灰度连接方向；
根据所述新灰度图像中每个像素点的所述最佳灰度连接方向得到孔洞中心点，分别计算每个像素点与孔洞中心点之间的距离，结合所述距离和所述灰度连续指标得到每个像素点的强边缘可能指标；根据所述强边缘可能指标获取所述新灰度图像中像素点的高灰度阈值和低灰度阈值；基于所述高灰度阈值和所述低灰度阈值得到孔洞的边缘像素点，以完成孔洞的边缘检测。
进一步地，所述灰度连续指标的获取方法，包括：
设定尺寸的第二滑窗，分别以所述新灰度图像中的每个像素点为所述第二滑窗内的窗口中心像素点，根据窗口中心像素点分别与该滑窗内的其他像素点之间的灰度差值以及相对位置矢量获取对应窗口中心像素点的所述灰度连续指标；相对位置矢量的正方向为窗口中心像素点指向其他像素点的方向、相对位置矢量的值为窗口中心像素点与其他像素点之间的距离。
进一步地，所述根据窗口中心像素点分别与该滑窗内的其他像素点之间的灰度差值以及相对位置矢量获取对应窗口中心像素点的所述灰度连续指标的方法，包括：
分别获取窗口中心像素点与第二滑窗内每个其他像素点之间的灰度差值和对应相对位置矢量的值；结合灰度差值和相对位置矢量的值计算窗口中心像素点相对于该其他像素点的第一灰度连续值；
将最小的所述第一灰度连续值作为窗口中心像素点的所述灰度连续指标。
进一步地，所述结合所述距离和所述灰度连续指标得到每个像素点的强边缘可能指标的方法，包括：
当像素点的所述灰度连续指标为0时，确认其不是所述边缘像素点，相对应的所述强边缘可能指标为0；
获取非零的所述灰度连续指标与其对应的所述距离之间的乘积，对乘积进行负相关映射得到映射值，将映射值与对应像素点的所述新灰度值相乘得到该像素点的所述强边缘可能指标。
进一步地，所述根据所述强边缘可能指标获取所述新灰度图像中像素点的高灰度阈值和低灰度阈值的方法，包括：
基于所述强边缘可能指标的大小将所述新灰度图像中的所有像素点分为多个类别，分别获取所述强边缘可能指标最大所对应的第一类别和所述强边缘可能指标最小所对应的第二类别；将所述第一类别中像素点的所述新灰度值的最小值作为所述高灰度阈值、将所述第二类别中像素点的所述新灰度值的最大值作为所述低灰度阈值。
进一步地，所述基于所述高灰度阈值和所述低灰度阈值得到孔洞的边缘像素点的方法，包括：
分别根据所述第一类别和所述第二类别中每个像素点的所述新灰度值进行高斯模型的拟合，相对应得到强边缘高斯模型和弱边缘高斯模型；
将介于所述高灰度阈值和所低灰度阈值之间的所述新灰度值分别代入所述强边缘高斯模型和弱边缘高斯模型，相对应得到对应像素点属于强边缘的第一概率和属于弱边缘的第二概率，当所述第一概率大于所述第二概率时，确认该像素点属于所述边缘像素点，同时将所述第一类别中的所有像素点都作为所述边缘像素点。
进一步地，所述最佳灰度连接方向是指最小的所述第一灰度连续值所对应的相对位置矢量的方向。
本发明实施例至少具有如下有益效果：结合像素点的灰度连续性和位置坐标自适应得到高低灰度阈值，由高低灰度阈值确认边缘像素点以更加准确的完成孔洞的边缘检测，鲁棒性更佳。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种计算机图像边缘检测方法的步骤流程图；
图2为本发明实施例所提供的一种孔洞图像的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种计算机图像边缘检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种计算机图像边缘检测方法的具体方案。
本发明实施例所针对的场景为：如果考虑单张无法拍全,则更换角度,或者多加相机,保证有光照部分的光照均匀不易过亮。
请参阅图1，其示出了本发明一个实施例提供的一种计算机图像边缘检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集液压阀块图像以获取孔洞图像，孔洞图像中包括一个孔洞。
具体的，在液压阀块的生产过程中,将RGB相机放置在液压阀块的上方，通过俯视拍摄得到液压阀块图像。对液压阀块标准图像中的孔洞进行标注，将标注后的液压阀块标准图像与实时采集的液压阀块图像进行匹配得到液压阀块图像中如图2所示的孔洞图像，孔洞图像中只包括一个孔洞，且孔洞内部存在螺纹形状。
需要说明的是，俯视拍摄的目的是避免孔洞图像中的孔洞形状出现变形。
步骤S002，将孔洞图像转化为灰度图像，设定固定尺寸的第一窗口，分别以灰度图像中每个像素点为第一窗口的中心像素点，根据第一窗口对应像素点之间的灰度差异获取对应中心像素点的灰度变化量，将灰度变化量作为每个像素点的新灰度值以得到新灰度图像；根据新灰度图像中每个像素点与其周围像素点之间的灰度变化和相对位置关系分别获取对应每个像素点的灰度连续指标和最佳灰度连接方向。
具体的，将孔洞图像转化为灰度图像，对灰度图像中的像素点建立3*3的第一窗口，分别获取第一窗口的中心像素点与其八邻域内每个像素点的灰度差值绝对值，并将灰度差值绝对值的最大值作为中心像素点的灰度变化量，进而能够得到灰度图像中每个像素点的灰度变化量。
将灰度变化量作为每个像素点的新灰度值得到新灰度图像。对于边缘来说,如果各连续像素点之间的灰度变化越一致,则说明是边缘的可能性就越大,是噪点的可能性就越低，则根据新灰度图像中每个像素点与其周围像素点之间的灰度变化和相对位置关系分别获取对应每个像素点的灰度连续指标，其具体方法为：设定尺寸的第二滑窗，分别以新灰度图像中的每个像素点为第二滑窗内的窗口中心像素点，根据窗口中心像素点分别与该滑窗内的其他像素点之间的灰度差值以及相对位置矢量获取对应窗口中心像素点的灰度连续指标；相对位置矢量的正方向为窗口中心像素点指向其他像素点的方向、相对位置矢量的值为窗口中心像素点与其他像素点之间的距离。
作为一个示例，像素点
Figure DEST_PATH_IMAGE001
的灰度连续指标的获取方法为：将像素点
Figure 776898DEST_PATH_IMAGE001
作为第二滑窗的窗口中心像素点，分别获取窗口中心像素点与第二滑窗内每个其他像素点之间的灰度差值和对应相对位置矢量的值；结合灰度差值和相对位置矢量的值计算窗口中心像素点相对于该其他像素点的第一灰度连续值；将最小的第一灰度连续值作为窗口中心像素点的灰度连续指标，且将最小的第一灰度连续值对应的相对位置矢量的方向作为最佳灰度连接方向，其中灰度连续指标的计算公式为：
Figure DEST_PATH_IMAGE003
其中，
Figure 615409DEST_PATH_IMAGE004
为像素点
Figure 863988DEST_PATH_IMAGE001
的灰度连续指标；
Figure DEST_PATH_IMAGE005
为像素点
Figure 196881DEST_PATH_IMAGE001
与其对应第二滑窗内像素点
Figure 230827DEST_PATH_IMAGE006
之间的相对位置矢量，其值为两个像素点之间的欧式距离，距离越小说明连续性就越好,所以通过exp(-x)负相关映射函数,使得
Figure DEST_PATH_IMAGE007
的值越大,
Figure 256552DEST_PATH_IMAGE008
就越小,
Figure 741496DEST_PATH_IMAGE008
所表示的连续性就好；
Figure DEST_PATH_IMAGE009
为像素点
Figure 127347DEST_PATH_IMAGE001
与其对应第二滑窗内像素点
Figure 265067DEST_PATH_IMAGE006
之间灰度差值的绝对值，其值越大,表示窗口中心像素点的灰度变化量（新灰度值）相较于其对应第二滑窗内的其他像素点的灰度变化量的变化更大,表示窗口中心像素点与其对应第二滑窗内的其他像素点的连续更差。
优选的，本发明实施例中的第二窗口的尺寸为5*5。
步骤S003，根据新灰度图像中每个像素点的最佳灰度连接方向得到孔洞中心点，分别计算每个像素点与孔洞中心点之间的距离，结合距离和灰度连续指标得到每个像素点的强边缘可能指标；根据强边缘可能指标获取新灰度图像中像素点的高灰度阈值和低灰度阈值；基于高灰度阈值和低灰度阈值得到孔洞的边缘像素点，以完成孔洞的边缘检测。
具体的，当新灰度图像中像素点的灰度连续指标为0时，认为该像素点所属邻域内的灰度变化均匀，其像素点不属于边缘像素点，认为这些像素点的强边缘可能指标为0，然后对新灰度图像中的其他像素点进行强边缘可能的分析：由于其孔洞内部的螺纹为圆环状，因此根据新灰度图像中像素点的灰度连续指标获取各像素点的最佳灰度连接方向，也即是灰度连续指标对应的相对位置矢量的方向，沿最佳灰度连接方向的垂线方向做延长线，所有像素点对应的延长线之间会形成交点，而孔洞图像中只有一个孔洞，不会出现噪声导致多个延长线交于一点,并且由于螺纹之间形状相似且螺纹间隔有规律,会导致各层螺纹所形成交点接近于一条直线，所以采用k-means ，令k=1,将各延长线之间所形成交点按照坐标信息进行聚类，得到一个综合交点，将综合交点作为孔洞中心点，基于点到直线之间的距离公式分别计算各像素点的延长线与孔洞中心点之间距离值
Figure 727272DEST_PATH_IMAGE010
，距离值
Figure 216022DEST_PATH_IMAGE010
表示各像素点在孔洞边缘内的特征,其距离值
Figure 169678DEST_PATH_IMAGE010
越小,则说明对应像素点越符合孔洞内的螺纹像素点。
进一步地，结合新灰度图像中像素点的距离值和灰度连续指标得到对应像素点的强边缘可能指标，则强边缘可能指标的计算公式为：
Figure 161905DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为第
Figure 795012DEST_PATH_IMAGE001
个像素点的强边缘可能指标，；
Figure 541749DEST_PATH_IMAGE014
为第
Figure 285714DEST_PATH_IMAGE001
个像素点的新灰度值，其值越大,说明属于强边缘的可能性就越高；
Figure DEST_PATH_IMAGE015
为第
Figure 632249DEST_PATH_IMAGE001
个像素点的距离值，其值越小，越可能为孔洞内部边缘的像素点,则说明属于强边缘的可能性就越高；
Figure 961556DEST_PATH_IMAGE016
对距离值和灰度连续指标进行负相关映射使其映射值越大，越可能属于强边缘。
基于上述步骤得到了新灰度图像中所有像素点的强边缘可能指标，基于强边缘可能指标的大小将新灰度图像中的所有像素点分为多个类别，其分类方法为：将强边缘可能指标进行从大到小的排序，采用均值漂移算法获取排序后的强边缘可能指标的分类数量n，然后利用混合高斯模型将排序后的强边缘可能指标分为n个类别。
需要说明的是，均值漂移会导致类别之间相互混杂,高斯混合模型可得到清晰边界线，使得分类结果更加准确。
分别获取强边缘可能指标最大所对应的第一类别和强边缘可能指标最小所对应的第二类别；将第一类别中像素点的新灰度值的最小值作为高灰度阈值、将第二类别中像素点的新灰度值的最大值作为低灰度阈值。分别根据第一类别和第二类别中每个像素点的新灰度值进行高斯模型的拟合，相对应得到强边缘高斯模型和弱边缘高斯模型；将介于高灰度阈值和低灰度阈值之间的新灰度值分别代入强边缘高斯模型和弱边缘高斯模型，相对应得到对应像素点属于强边缘的第一概率和属于弱边缘的第二概率，当第一概率大于第二概率时，确认该像素点属于边缘像素点，反之，第一概率小于第二概率时，确认该像素点为噪声像素点，同时将第一类别中的所有像素点都作为边缘像素点，进而得到新灰度图像中所有的边缘像素点，以完成孔洞边缘检测。
综上所述，本发明实施例提供了一种计算机图像边缘检测方法，该方法采集液压阀块图像以获取孔洞图像；将孔洞图像转化为灰度图像，根据灰度图像中每个像素点与其周围像素点之间的灰度差异和相对位置矢量获取每个像素点的灰度连续指标和最佳灰度连接方向；基于最佳灰度连接方向获取孔洞中心点，获取每个像素点与孔洞中心点的距离，由距离和灰度连续指标得到每个像素点的强边缘可能指标；由强边缘可能指标得到高低灰度阈值，根据高低灰度阈值确认孔洞的边缘像素点。结合像素点的灰度连续性和位置坐标自适应得到高低灰度阈值，由高低灰度阈值确认边缘像素点以更加准确的完成孔洞的边缘检测，鲁棒性更佳。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (7)

1.一种计算机图像边缘检测方法，其特征在于，该方法包括：
采集液压阀块图像以获取孔洞图像，所述孔洞图像中包括一个孔洞；
将所述孔洞图像转化为灰度图像，设定固定尺寸的第一窗口，分别以灰度图像中每个像素点为所述第一窗口的中心像素点，根据所述第一窗口对应像素点之间的灰度差异获取对应中心像素点的灰度变化量，将所述灰度变化量作为每个像素点的新灰度值以得到新灰度图像；根据所述新灰度图像中每个像素点与其周围像素点之间的灰度变化和相对位置关系分别获取对应每个像素点的灰度连续指标和最佳灰度连接方向；
根据所述新灰度图像中每个像素点的所述最佳灰度连接方向得到孔洞中心点，分别计算每个像素点与孔洞中心点之间的距离，结合所述距离和所述灰度连续指标得到每个像素点的强边缘可能指标；根据所述强边缘可能指标获取所述新灰度图像中像素点的高灰度阈值和低灰度阈值；基于所述高灰度阈值和所述低灰度阈值得到孔洞的边缘像素点，以完成孔洞的边缘检测。
2.如权利要求1所述的一种计算机图像边缘检测方法，其特征在于，所述灰度连续指标的获取方法，包括：
设定尺寸的第二滑窗，分别以所述新灰度图像中的每个像素点为所述第二滑窗内的窗口中心像素点，根据窗口中心像素点分别与该滑窗内的其他像素点之间的灰度差值以及相对位置矢量获取对应窗口中心像素点的所述灰度连续指标；相对位置矢量的正方向为窗口中心像素点指向其他像素点的方向、相对位置矢量的值为窗口中心像素点与其他像素点之间的距离。
3.如权利要求2所述的一种计算机图像边缘检测方法，其特征在于，所述根据窗口中心像素点分别与该滑窗内的其他像素点之间的灰度差值以及相对位置矢量获取对应窗口中心像素点的所述灰度连续指标的方法，包括：
分别获取窗口中心像素点与第二滑窗内每个其他像素点之间的灰度差值和对应相对位置矢量的值；结合灰度差值和相对位置矢量的值计算窗口中心像素点相对于该其他像素点的第一灰度连续值；
将最小的所述第一灰度连续值作为窗口中心像素点的所述灰度连续指标。
4.如权利要求1所述的一种计算机图像边缘检测方法，其特征在于，所述结合所述距离和所述灰度连续指标得到每个像素点的强边缘可能指标的方法，包括：
当像素点的所述灰度连续指标为0时，确认其不是所述边缘像素点，相对应的所述强边缘可能指标为0；
获取非零的所述灰度连续指标与其对应的所述距离之间的乘积，对乘积进行负相关映射得到映射值，将映射值与对应像素点的所述新灰度值相乘得到该像素点的所述强边缘可能指标。
5.如权利要求1所述的一种计算机图像边缘检测方法，其特征在于，所述根据所述强边缘可能指标获取所述新灰度图像中像素点的高灰度阈值和低灰度阈值的方法，包括：
基于所述强边缘可能指标的大小将所述新灰度图像中的所有像素点分为多个类别，分别获取所述强边缘可能指标最大所对应的第一类别和所述强边缘可能指标最小所对应的第二类别；将所述第一类别中像素点的所述新灰度值的最小值作为所述高灰度阈值、将所述第二类别中像素点的所述新灰度值的最大值作为所述低灰度阈值。
6.如权利要求5所述的一种计算机图像边缘检测方法，其特征在于，所述基于所述高灰度阈值和所述低灰度阈值得到孔洞的边缘像素点的方法，包括：
分别根据所述第一类别和所述第二类别中每个像素点的所述新灰度值进行高斯模型的拟合，相对应得到强边缘高斯模型和弱边缘高斯模型；
将介于所述高灰度阈值和所低灰度阈值之间的所述新灰度值分别代入所述强边缘高斯模型和弱边缘高斯模型，相对应得到对应像素点属于强边缘的第一概率和属于弱边缘的第二概率，当所述第一概率大于所述第二概率时，确认该像素点属于所述边缘像素点，同时将所述第一类别中的所有像素点都作为所述边缘像素点。
7.如权利要求3所述的一种计算机图像边缘检测方法，其特征在于，所述最佳灰度连接方向是指最小的所述第一灰度连续值所对应的相对位置矢量的方向。
CN202210131305.0A 2022-02-14 2022-02-14 一种计算机图像边缘检测方法 Active CN114170228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210131305.0A CN114170228B (zh) 2022-02-14 2022-02-14 一种计算机图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210131305.0A CN114170228B (zh) 2022-02-14 2022-02-14 一种计算机图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN114170228A true CN114170228A (zh) 2022-03-11
CN114170228B CN114170228B (zh) 2022-04-19

Family

ID=80489920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210131305.0A Active CN114170228B (zh) 2022-02-14 2022-02-14 一种计算机图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN114170228B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581428A (zh) * 2022-03-13 2022-06-03 江苏涂博士新材料有限公司 一种基于光学手段的粉末涂料粘合度检测方法
CN114742826A (zh) * 2022-06-09 2022-07-12 深圳市智尚世家科技有限公司 一种用于市政服装清洗装置的生产异常监测方法
CN114881876A (zh) * 2022-04-29 2022-08-09 启东市东臻通风设备有限公司 一种尼龙网过滤器中滤网图像的增强方法及系统
CN115018850A (zh) * 2022-08-09 2022-09-06 深圳市领拓实业有限公司 基于图像处理的精密电子零部件冲压孔毛刺检测方法
CN115272946A (zh) * 2022-09-30 2022-11-01 江苏三通科技有限公司 一种应用电子设备对共轨喷油器进行损伤识别的方法
CN115775241A (zh) * 2022-12-04 2023-03-10 武汉惠强新能源材料科技有限公司 用于锂电池隔膜生产的流延厚度均匀性检测方法
CN116309599A (zh) * 2023-05-24 2023-06-23 青岛国源中创电气自动化工程有限公司 基于污水前置处理的水质视觉监测方法
CN116385976A (zh) * 2023-05-29 2023-07-04 杭州芯业电子科技有限公司 基于计算机视觉的消防安防一体化监测系统
CN117455800A (zh) * 2023-12-22 2024-01-26 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286233A (zh) * 2008-05-19 2008-10-15 重庆邮电大学 基于对象云的模糊边缘检测方法
CN103150735A (zh) * 2013-03-26 2013-06-12 山东大学 一种基于灰度差值平均的图像边缘检测方法
CN104966296A (zh) * 2015-06-16 2015-10-07 西南石油大学 滑窗N-Smoothlets图像边缘检测方法
CN106339710A (zh) * 2016-08-25 2017-01-18 凌云光技术集团有限责任公司 一种边缘宽度缺陷检测方法及装置
JP2017174311A (ja) * 2016-03-25 2017-09-28 キヤノン株式会社 エッジ検出装置およびエッジ検出方法
CN110009653A (zh) * 2019-03-12 2019-07-12 江苏理工学院 基于灰度阈值分割法增加边缘识别点准确图像识别的方法
CN111696107A (zh) * 2020-08-05 2020-09-22 南京知谱光电科技有限公司 一种实现闭合连通域的熔池轮廓图像提取方法
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
WO2022027949A1 (zh) * 2020-08-04 2022-02-10 湖南大学 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286233A (zh) * 2008-05-19 2008-10-15 重庆邮电大学 基于对象云的模糊边缘检测方法
CN103150735A (zh) * 2013-03-26 2013-06-12 山东大学 一种基于灰度差值平均的图像边缘检测方法
CN104966296A (zh) * 2015-06-16 2015-10-07 西南石油大学 滑窗N-Smoothlets图像边缘检测方法
JP2017174311A (ja) * 2016-03-25 2017-09-28 キヤノン株式会社 エッジ検出装置およびエッジ検出方法
CN106339710A (zh) * 2016-08-25 2017-01-18 凌云光技术集团有限责任公司 一种边缘宽度缺陷检测方法及装置
CN110009653A (zh) * 2019-03-12 2019-07-12 江苏理工学院 基于灰度阈值分割法增加边缘识别点准确图像识别的方法
WO2022027949A1 (zh) * 2020-08-04 2022-02-10 湖南大学 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN111696107A (zh) * 2020-08-05 2020-09-22 南京知谱光电科技有限公司 一种实现闭合连通域的熔池轮廓图像提取方法
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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
FAKE_KILLER: "图像处理常用边缘检测算子总结", 《HTTPS://BLOG.CSDN.NET/QQ_35859033/ARTICLE/DETAILS/80219253》 *
JIAOW: "边缘检测", 《HTTPS://BLOG.CSDN.NET/JIAOW/ARTICLE/DETAILS/105875418》 *
PRAJOY PODDER等: "Relative Performance Analysis of Edge Detection Techniques in Iris Recognition System", 《2018 INTERNATIONAL CONFERENCE ON CURRENT TRENDS TOWARDS CONVERGING TECHNOLOGIES (ICCTCT)》 *
唐路路等: "一种自适应阈值的Canny边缘检测算法", 《光电工程》 *
陈磊等: "多方向自适应阈值边缘检测算法及FPGA并行实现", 《无线通信技术》 *
韦春桃: "基于自适应阈值的细小裂缝与微灰度差异裂缝自动检测方法", 《中外公路》 *
黄书植: "基于视觉自适应阈值的灰度图像边缘检测算法", 《重庆工学院学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581428A (zh) * 2022-03-13 2022-06-03 江苏涂博士新材料有限公司 一种基于光学手段的粉末涂料粘合度检测方法
CN114881876A (zh) * 2022-04-29 2022-08-09 启东市东臻通风设备有限公司 一种尼龙网过滤器中滤网图像的增强方法及系统
CN114742826A (zh) * 2022-06-09 2022-07-12 深圳市智尚世家科技有限公司 一种用于市政服装清洗装置的生产异常监测方法
CN115018850A (zh) * 2022-08-09 2022-09-06 深圳市领拓实业有限公司 基于图像处理的精密电子零部件冲压孔毛刺检测方法
CN115018850B (zh) * 2022-08-09 2022-11-01 深圳市领拓实业有限公司 基于图像处理的精密电子零部件冲压孔毛刺检测方法
CN115272946A (zh) * 2022-09-30 2022-11-01 江苏三通科技有限公司 一种应用电子设备对共轨喷油器进行损伤识别的方法
CN115775241A (zh) * 2022-12-04 2023-03-10 武汉惠强新能源材料科技有限公司 用于锂电池隔膜生产的流延厚度均匀性检测方法
CN116309599A (zh) * 2023-05-24 2023-06-23 青岛国源中创电气自动化工程有限公司 基于污水前置处理的水质视觉监测方法
CN116309599B (zh) * 2023-05-24 2023-08-15 青岛国源中创电气自动化工程有限公司 基于污水前置处理的水质视觉监测方法
CN116385976A (zh) * 2023-05-29 2023-07-04 杭州芯业电子科技有限公司 基于计算机视觉的消防安防一体化监测系统
CN116385976B (zh) * 2023-05-29 2023-08-11 杭州芯业电子科技有限公司 基于计算机视觉的消防安防一体化监测系统
CN117455800A (zh) * 2023-12-22 2024-01-26 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法
CN117455800B (zh) * 2023-12-22 2024-03-15 肥城新查庄地质勘查有限公司 基于计算机视觉的煤矿钻探定位方法

Also Published As

Publication number Publication date
CN114170228B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN114170228B (zh) 一种计算机图像边缘检测方法
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
CN114897898B (zh) 一种基于图像处理的木板质量分类方法
CN104167003A (zh) 一种遥感影像的快速配准方法
CN104268602A (zh) 一种基于二进制特征匹配的遮挡工件识别方法及装置
CN115457004A (zh) 基于计算机视觉的锌膏的智能检测方法
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN116205919A (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN109472770B (zh) 一种印刷电路板检测中的图像特征点快速匹配方法
CN115049657A (zh) 一种玻璃缺陷检测方法
CN115272312B (zh) 基于机器视觉的塑料手机外壳缺陷检测方法
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN111695373B (zh) 斑马线的定位方法、系统、介质及设备
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN117173158B (zh) 一种精密连接器质量智能检测方法及系统
CN115311262A (zh) 一种印刷电路板缺陷识别方法
CN115082451A (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN117218029B (zh) 基于神经网络的夜间暗光图像智能处理方法
CN114581376A (zh) 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN115100174A (zh) 一种船舶钣金件漆面缺陷检测方法
CN116844036A (zh) 基于人工智能及opencv图像识别算法的覆冰类型与厚度检测方法
CN115222735B (zh) 一种基于麻点缺陷的金属模具质量检测方法

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