CN114255253A - 边缘检测方法、边缘检测装置及计算机可读存储介质 - Google Patents

边缘检测方法、边缘检测装置及计算机可读存储介质 Download PDF

Info

Publication number
CN114255253A
CN114255253A CN202011023157.8A CN202011023157A CN114255253A CN 114255253 A CN114255253 A CN 114255253A CN 202011023157 A CN202011023157 A CN 202011023157A CN 114255253 A CN114255253 A CN 114255253A
Authority
CN
China
Prior art keywords
edge
binary image
target
image
pixels
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.)
Pending
Application number
CN202011023157.8A
Other languages
English (en)
Inventor
于冀
张会强
韩雪松
喻金万
冯兆阳
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.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN202011023157.8A priority Critical patent/CN114255253A/zh
Publication of CN114255253A publication Critical patent/CN114255253A/zh
Pending legal-status Critical Current

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30204—Marker

Landscapes

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

Abstract

本公开是关于一种边缘检测方法、边缘检测装置及计算机可读存储介质。边缘检测方法，包括：获取模板像素图像，并确定模板像素图像的强边缘二值图像和弱边缘二值图像。基于强边缘二值图像和弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像，目标边缘二值图像与弱边缘二值图像具有相同尺寸大小。对目标边缘二值图像进行连通域选取，得到多个连通域，连通域中包括连续边缘像素组成的至少一个团。在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域。基于目标连通域检测出模板像素图像的边缘图像。通过本公开提供的方法，能够根据边缘像素的数量筛选符合指定阈值的连通域，进而得到长度合适的边缘，从而降低噪声干扰。

Description

边缘检测方法、边缘检测装置及计算机可读存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种边缘检测方法、边缘检测装置及计算机可读存储介质。
背景技术
边缘检测是图像处理和计算机视觉中的基本问题，主要用于提取模板图像的边缘信息并进行保存，作为后续的模板匹配操作的操作基础。在工业视觉定位任务中，常采用基于边缘轮廓特征的模板匹配方法对检测目标进行定位。而轮廓模板匹配方法则是基于现有检测目标轮廓模板与搜索图像比较，进而获得搜索图像中目标物位置和角度的方法。
相关技术中，在创建边缘轮廓模板时，通常预先采用Canny算法对模板像素图像进行边缘轮廓提取，进而得到模板像素图像的边缘图像，从而将得到的该边缘图像作为边缘轮廓模板。但采用Canny算法进行边缘检测，无法区分模板像素图像中的噪声和短边缘，进而导致得到的边缘图像噪音多、不精确。
发明内容
为克服相关技术中存在的问题，本公开提供一种边缘检测方法、边缘检测装置及计算机可读存储介质。
根据本公开实施例的第一方面，提供一种边缘检测方法，包括：获取模板像素图像，并确定所述模板像素图像的强边缘二值图像和弱边缘二值图像。基于所述强边缘二值图像和所述弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像，所述目标边缘二值图像与所述弱边缘二值图像具有相同尺寸大小。对所述目标边缘二值图像进行连通域选取，得到多个连通域，所述连通域中包括连续边缘像素组成的至少一个团。在所述多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域。基于所述目标连通域检测出所述模板像素图像的边缘图像。
在一实施例中，所述对所述目标边缘二值图像进行连通域选取，得到多个连通域，包括：逐行扫描所述目标边缘二值图像中的连续边缘像素。基于各行扫描到的连续边缘像素，确定多个团，并对所述多个团进行标记，其中，标记的内容包括团的起始边缘像素和团的终止边缘像素、以及团所在的行号。基于所述多个团确定所述多个连通域。
在另一实施例中，所述基于各行扫描到的连续边缘像素，确定多个团，并对所述多个团进行标记，包括：针对所述目标边缘二值图像中的第i行，将扫描到的连续边缘像素组成第一团。完成所述目标边缘二值图像全部行的扫描，得到多个团，并对所述多个团进行标记。其中，若所述第一团中的边缘像素与第i-1行中已标记的一个第二团中的边缘像素存在列坐标重合，则对所述第一团进行与所述第二团的标记内容一致的标记。若所述第一团中的边缘像素与第i-1行中已标记的多个第二团中的边缘像素存在列坐标重合，则对所述第一团进行匹配所述第一团标记内容的标记，并将所述多个第二团标记为等价对。
在又一实施例中，所述基于所述多个团确定所述多个连通域，包括：遍历所述多个团中各团的标记内容，并查找等价对。基于查找到的等价对确定多个连通域，其中，每一等价对对应一个连通域。
在又一实施例中，在所述多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域之前，所述边缘检测方法还包括：基于所述多个连通域中各个连通域中包括的连续边缘像素数，确定所述指定阈值。
在又一实施例中，所述边缘检测方法还包括：将团内连续边缘像素数未超过指定阈值的连通域与所述目标边缘二值图像进行对比，若所述连通域与所述目标边缘二值图像存在重合的边缘像素，则将所述连通域作为所述目标连通域。若所述连通域与所述目标边缘二值图像不存在重合的边缘像素，则筛除所述连通域。
根据本公开实施例的第二方面，提供一种边缘检测装置，包括：获取单元，用于获取模板像素图像，并确定所述模板像素图像的强边缘二值图像和弱边缘二值图像。筛选单元，用于基于所述强边缘二值图像和所述弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像，和在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域，其中，所述目标边缘二值图像与所述弱边缘二值图像具有相同尺寸大小。选取单元，用于对所述目标边缘二值图像进行连通域选取，得到所述多个连通域，所述连通域中包括连续边缘像素组成的至少一个团。检测单元，用于基于所述目标连通域检测出所述模板像素图像的边缘图像。
在一实施例中，所述选取单元采用下述方式对所述目标边缘二值图像进行连通域选取，得到多个连通域：逐行扫描所述目标边缘二值图像中的连续边缘像素。基于各行扫描到的连续边缘像素，确定多个团，并对所述多个团进行标记，其中，标记的内容包括团的起始边缘像素和团的终止边缘像素、以及团所在的行号。基于所述多个团确定所述多个连通域。
在另一实施例中，所述选取单元采用下述方式基于各行扫描到的连续边缘像素，确定多个团，并对所述多个团进行标记：针对所述目标边缘二值图像中的第i行，将扫描到的连续边缘像素组成第一团。完成所述目标边缘二值图像全部行的扫描，得到多个团，并对所述多个团进行标记。其中，若所述第一团中的边缘像素与第i-1行中已标记的一个第二团中的边缘像素存在列坐标重合，则对所述第一团进行与所述第二团的标记内容一致的标记。若所述第一团中的边缘像素与第i-1行中已标记的多个第二团中的边缘像素存在列坐标重合，则对所述第一团进行匹配所述第一团标记内容的标记，并将所述多个第二团标记为等价对。
在又一实施例中，所述选取单元采用下述方式基于所述多个团确定所述多个连通域：遍历所述多个团中各团的标记内容，并查找等价对。基于查找到的等价对确定多个连通域，其中，每一等价对对应一个连通域。
在又一实施例中，在所述多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域之前，所述边缘检测装置还包括：确定单元，用于基于所述多个连通域中各个连通域中包括的连续边缘像素数，确定所述指定阈值。
在又一实施例中，所述筛选单元还用于：将团内连续边缘像素数未超过指定阈值的连通域与所述目标边缘二值图像进行对比，若所述连通域与所述目标边缘二值图像存在重合的边缘像素，则将所述连通域作为所述目标连通域。若所述连通域与所述目标边缘二值图像不存在重合的边缘像素，则筛除所述连通域。
根据本公开实施例的第三方面，提供一种边缘检测装置，包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行上述任意一种所述的边缘检测方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，存储有指令，所述指令被处理器执行时，执行上述任意一种所述的边缘检测方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过本公开提供的边缘检测方法，能够根据连续边缘像素的数量筛选模板像素图像的边缘的长度，进而筛选出团内连续边缘像素超过指定阈值的目标连通域，得到长度合适的边缘，从而有助于降低噪声干扰，提高边缘检测准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种边缘检测方法的流程图。
图2是根据一示例性实施例示出的另一种边缘检测方法的流程图。
图3是根据一示例性实施例示出的一种连通域选取方法的流程图。
图4是根据一示例性实施例示出的一种标记团的流程图。
图5是根据一示例性实施例示出的又一种边缘检测方法的流程图。
图6是根据一示例性实施例示出的一种边缘检测工作流程示意图。
图7a是根据一示例性实施例示出的一种二值边缘图像示意图。
图7b是根据一示例性实施例示出的另一种二值边缘图像示意图。
图8是根据一示例性实施例示出的一种边缘检测装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
相关技术中，在进行边缘检测时，通常采用Canny算法作为边缘轮廓提取的算法。使用Canny算法进行检测时，常使用双阈值来检测边缘强度，进而通过调节双阈值获取模板像素图像的轮廓边缘。但是双阈值的限定只能控制像素点的梯度强度，并不能调节筛选边缘的长度。进而在检测时，轮廓图像中常包含一些噪声或者因小纹理的存在而产生的短边缘。从而导致最终得到的边缘图像中包含过多不需要的噪声，影响检测效果，进而影响用户的使用体验。
有鉴于此，本公开提供一种边缘检测方法，能够根据基于模板像素图像的目标边缘二值图像中各团内边缘像素数量，筛选出团内连续边缘像素超过指定阈值的目标连通域，进而避免噪声的干扰，提高边缘检测准确率，从而得到边缘长度合适的边缘图像。
图1是根据一示例性实施例示出的一种边缘检测方法的流程图，如图1所示，边缘检测方法中，包括以下步骤S11至S15。
在步骤S11中，获取模板像素图像，并确定模板像素图像的强边缘二值图像和弱边缘二值图像。
在本公开实施例中，模板像素图像可以为任意一种带有物体的图像，进而在进行边缘检测时，能够得到该模板像素图像中的边缘轮廓。模板像素图像可以来源于本地数据库或者云端，在本公开中不进行限定。为便于提高边缘检测的准确率，预先通过边缘提取算子提取确定模板像素图像的边缘轮廓，进而确定模板像素图像的边缘情况，得到该模板像素图像的强边缘二值图像和弱边缘二值图像，从而便于检测模板像素图像中的真实边缘和潜在边缘。边缘提取算子可以包括：索贝尔算子(Sobel算子)、拉普拉斯算子、普利维特算子或者罗伯茨交叉边缘检测，在本公开中不进行限定。
在步骤S12中，基于强边缘二值图像和弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像。
在本公开实施例中，强边缘和弱边缘的划分取决于模板像素图像中各个像素的梯度强度，通过限定强边缘阈值和弱边缘阈值进行筛选，进而得到强边缘二值图像和弱边缘二值图像两张二值图像。其中，强边缘阈值大于弱边缘阈值。在强边缘二值图像中，各边缘像素点的像素值较高，产生的图像边缘可能不闭合。在弱边缘二值图像中，可能会存在一些噪声或者由于其他原因产生的假边缘，且包含强边缘二值图像中的各边缘轮廓。基于此，以强边缘二值图像中的各像素点为对照像素，将强边缘二值图像和弱边缘二值图像进行结合，进而排除弱边缘二值图像中的部分噪音和假边缘，得到噪声小、边缘轮廓相对闭合的目标边缘二值图像。其中，目标边缘二值图像与弱边缘二值图像具有相同尺寸大小，进而有助于保持像素清晰度与弱边缘二值图像的图像质量相同。
在步骤S13中，对目标边缘二值图像进行连通域选取，得到多个连通域。
在本公开实施例中，由于目标边缘二值图像中边缘轮廓的长短残次不齐，且短边缘轮廓的存在容易干扰边缘轮廓模板的提取。因此，在提取边缘图像时，对目标边缘二值图像进行连通域选取，标记目标边缘二值图像中各连续边缘像素组成的序列，即确定目标边缘二值图像中的一个或多个团。进而确定各个边缘像素之间的连通关系，确定目标边缘二值图像中的各个连通域，从而得到多个连通域。
在步骤S14中，在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域。
在本公开实施例中，根据团内连续边缘像素的个数，能够确定该团的长度，进而能够确定其连通域的长度，即确定该边缘轮廓的长度。为便于排除短边缘对边缘图像的干扰，通过指定阈值限定连通域的长度，进而根据得到的多个连通域，确定各个连通域中各团内的边缘像素数，从而将各团的边缘像素数与指定阈值进行对比，保留团内的边缘像素数超过指定阈值的目标连通域的团，得到长度合适的边缘，使得到的边缘图像能够清晰的表示出模板像素图像的边缘轮廓，减少噪声或者其他因素产生的假边缘的干扰。
在步骤S15中，基于目标连通域检测出模板像素图像的边缘图像。
在本公开实施例中，筛选后得到的目标连通域即为能够表示模板像素图像中物体的表面纹理或者结构形状的边缘轮廓。进而通过目标连通域得到模板像素图像的边缘图像，完成该模板像素图像的边缘检测。
通过上述实施例，在边缘检测的过程中，基于连通域筛选边缘轮廓的长度，进而筛选出团内连续边缘像素超过指定阈值的目标连通域，得到目标边缘二值图像中合适长度的边缘，降低噪声或者其他因素产生的假边缘的干扰，从而提高边缘图像的清晰度和准确度，有利于提升用户的使用体验。
图2是根据一示例性实施例示出的另一种边缘检测方法的流程图，如图2所示，边缘检测方法中，包括以下步骤S21至S26。
在步骤S21中，获取模板像素图像，并确定模板像素图像的强边缘二值图像和弱边缘二值图像。
在步骤S22中，基于强边缘二值图像和弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像。
在步骤S23中，对目标边缘二值图像进行连通域选取，得到多个连通域。
在步骤S24中，基于多个连通域中各个连通域中包括的连续边缘像素数，确定指定阈值。
在本公开实施例中，为便于准确的筛选边缘的长度，使得到的指定阈值贴合该的实际情况。因此，将指定阈值根据该目标边缘二值图像中的各连通域内的边缘像素数量进行确定，进而避免过度筛选或者无效筛选。
在一示例中，将连通域中各团的连续边缘像素数放入长度数组中，将各数值从小到大进行排序后并取平均值，进而将得到的平均值作为指定阈值，确定该目标边缘二值图像中各连通域的长度分布情况，从而在进行筛选时能够合理筛选。
在另一示例中，基于各个连通域中包括的连续边缘像素数，将其按数值从大到小进行排序并结合数值的个数，排在指定百分比位置上对应的数值作为指定阈值，进而避免过度筛选。从而在确定指定连通域时，能够根据获取的目标边缘二值图像进行自动筛选。例如：在长度数组中[21、19、18、12、9、7、7、6、5、3]中，选取该长度数组中在第60％位置上对应的数值作为指定阈值。即在该长度数组中，一共包括10个数值，60％即为排在第6位的数字，其对应的数值为7。因此，7为指定阈值。进而在进行连通域筛选时，将连续边缘像素数大于7的连通域进行保留作为目标连通域。
在步骤S25中，在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域。
在步骤S26中，基于目标连通域检测出模板像素图像的边缘图像。
本公开实施例以下将得到目标边缘二值图像中的各个连通域的过程进行说明。
图3是根据一示例性实施例示出的一种连通域选取方法的流程图，如图3所示，连通域选取方法，包括以下步骤S31至步骤S33。
在步骤S31中，逐行扫描目标边缘二值图像中的连续边缘像素。
在本公开实施例中，为便于确定目标边缘二值图像中各个边缘像素之间的连通关系，逐行对目标边缘二值图像中的各个边缘像素进行扫描，进而边缘像素的避免遗漏或者丢失。
在步骤S32中，基于各行扫描到的连续边缘像素，确定多个团，并对多个团进行标记。
在本公开实施例中，在各行边缘像素扫描的过程中，确定各行中多个连续的边缘像素，进而将该行相邻且连续的多个边缘像素组合成团，并标记各个团的起始边缘像素和团的终止边缘像素、以及团所在的行号，团不同则标号不同，进而便于区分各个团。
在步骤S33中，基于多个团确定多个连通域。
在本公开实施例中，基于得到的多个团，确定各个团之间的位置关系，进而得到闭合曲线，即连通域。其中，连通域可以包括单连通域或者多连通域。
本公开实施例以下将标记团的过程进行说明。
图4是根据一示例性实施例示出的一种标记团的流程图，如图4所示，标记团包括以下步骤S41至步骤S42。
在步骤S41中，针对目标边缘二值图像中的第i行，将扫描到的连续边缘像素组成第一团。
在本公开实施例中，i可以为任意从1开始的数，i的最大值取决于目标边缘二值图像的像素行数。为了便于确定各边缘像素之间的连续关系，逐行对目标边缘二值图像进行扫描，进而确定各行连续的边缘像素，便于组合进行标记。在扫描目标边缘二值图像的第i行时，将扫描到的连续边缘像素组成第一团，从而有助于确定该团内的多个边缘像素属于同一连通域。
在步骤S42中，完成目标边缘二值图像全部行的扫描，得到多个团，并对多个团进行标记。
在本公开实施例中，将目标边缘二值图像完全扫描后，基于各行标记的团，能够确定目标边缘二值图像中各个团之间的关系。进而将遍历该目标边缘二值图像中的所有团，将能够组合标记的团重新标记，从而提高连通域选取的准确度。
在一实施例中，可以根据遍历多个团中各团的标记内容，确定各个团之间的等价关系，进而确定各团中具有等价关系的等价对。其中，等价对可以是两个或者两个以上团，每一等价对对应一个连通域。从而将标记为等价对的两个或者两个以上的团进行合并，采用新的标记进行标记，其余单个的团则维持原有的标记，以便区分目标边缘二值图像中的单连通域和多连通域。
在一例中，在标记第i行的第一团前，将第一团中的各边缘像素的坐标域与第i-1行中已标记的第二团的坐标域进行对比，若第一团中的边缘像素与第二团中的边缘像素存在列坐标重合，则表示第一团与第二团之间存在相连的边缘像素，第一团和第二团能够构成同一单连通域。因此，对第一团进行与第二团的标记内容一致的标记，即将第二团的标记赋予第一团。
在另一例中，将第一团中的各边缘像素的坐标域与第i-1行中已标记的第二团的坐标域进行对比，若第一团中的边缘像素与第i-1行中的多个第二团中的边缘像素存在列坐标重合，则表示第一团与多个第二团之间存在相连的边缘像素，第i-1行的多个第二团能够构成同一多连通域。因此，可以认为第i-1行中的多个第二团属于彼此的等价对。将第一团采用与标记第二团不同的标记进行标记，或者对第一团进行匹配第一团标记内容的标记，进而将第一团与第二团区分。
图5是根据一示例性实施例示出的又一种边缘检测方法的流程图，如图5所示，边缘检测方法中，包括以下步骤S51至S56。
在步骤S51中，获取模板像素图像，并确定模板像素图像的强边缘二值图像和弱边缘二值图像。
在步骤S52中，基于强边缘二值图像和弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像。
在步骤S53中，对目标边缘二值图像进行连通域选取，得到多个连通域。
在步骤S54中，在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域。
在步骤S551中，将团内连续边缘像素数未超过指定阈值的连通域与目标边缘二值图像进行对比，若连通域与目标边缘二值图像存在重合的边缘像素，则将连通域作为目标连通域。
在本公开实施例中，为便于提高边缘检测的准确度，将团内连续边缘像素数未超过指定阈值的连通域进行二次筛选，将该连通域与目标边缘二值图像进行对比，确定是否存在重合的边缘像素。若经过对比，确定该连通域与目标边缘二值图像存在重合的边缘像素，则表明该连通域属于边缘轮廓的一部分，因此将其进行保留，作为目标连通域。
在步骤S552中，若连通域与目标边缘二值图像不存在重合的边缘像素，则筛除连通域。
在本公开实施例中，若经过对比，确定该连通域与目标边缘二值图像不存在重合的边缘像素，则表明该连通域不属于边缘轮廓的一部分，可能是由于噪声或者其他原因产生的假轮廓。因此将其筛除，进而提高边缘轮廓提取的准确度。
在步骤S56中，基于目标连通域检测出模板像素图像的边缘图像。
通过上述实施例，能够避免误筛除短边缘，进而提高边缘检测的准确率，使得到的边缘图像更准确，从而有利于增强用户的使用体验。
在一实施例中，强边缘二值图像和弱边缘二值图像可以是基于肯尼算法(Canny算法)进行获取。为降低噪声对边缘检测的干扰，使用高斯滤波平滑图像，进而过滤模板像素图像中的噪声。通过Sobel算子计算图像中的各个像素点的梯度强度和方向，进而凸显模板像素图像中的边缘灰度变化，得到梯度强度图像和梯度方向图像。基于非极大值抑制筛除梯度强度图像中非边缘的像素点，使得到的新的梯度强度图像中尽可能的减少干扰像素，消除边缘检测带啦跌杂散响应。从而利用双阈值检测，得到强边缘二值图像和弱边缘二值图像。在一例中，降低噪声对边缘检测的干扰，可以采用中值滤波器进行消除，进而有助于抑制椒盐噪声，避免椒盐噪声影响边缘提取结果。
在一实施场景中，如图6所示的一种边缘检测工作流程示意图。在检测模板像素图像的边缘时，可以采用如图6所示的边缘检测工作流程进行检测。
在本公开中，为便于解释说明，本实施例以及下述实施例将以模板像素图像f中的任意像素位置(i,j)进行举例说明。其中，模板像素图像f的大小为a*b。字母为任意常数。
如图6所示，边缘检测工作流程，包括以下步骤S61至S613。
在步骤S61中，通过高斯滤波器对模板像素图像进行去噪，得到去噪后的模板像素图像。
在本公开中，高斯滤波器为h，其进行高斯滤波的像素位置为(k,l)，对应的灰度值为h(k,l)。例如：
Figure BDA0002701319240000101
将该模板像素图像进行高斯滤波后，得到去噪后的模板像素图像g。在去噪后的模板像素图像g中，像素位置(i,j)的原灰度值h(i,j)经过高斯滤波后变为g(i,j)。其中，高斯滤波的公式如下：
Figure BDA0002701319240000102
在步骤S62中，基于去噪后的模板像素图像，获取梯度强度图像和梯度方向图像。
在本公开中，利用sobel算子的x向卷积模板、y向卷积模板分别对去噪后的模板像素图像g中的(i,j)点的灰度值g(i,j)进行卷积，得到x方向上的边缘图像Gx(x,y)和y方向上的边缘图像Gy(x,y)。例如：图7a和图7b所示的二值边缘图像示意图。图7a为x方向上的边缘图像Gx(x,y)，图7b为y方向上的边缘图像Gy(x,y)。进而通过梯度强度公式确定(i,j)点的梯度强度G(x,y)和(i,j)点的梯度方向Gdir(x,y)。其中，梯度强度的公式为：
Figure BDA0002701319240000103
梯度方向的公式为：Gdir(x,y)＝atcran(Gy(x,y)/Gx(x,y))。
在步骤S63中，基于梯度方向图像，将梯度强度图像中的各像素的梯度强度进行非极大值抑制，获取新的梯度强度图像。
在本公开中，在梯度强度图像中，选取梯度强度G(x,y)>0的像素点，判断这些像素点在梯度方向Gdir(x,y)所指示的方向上是否为最大值。若是最大值，则该点的梯度强度G(x,y)不变；若不是最大值，则将该点的梯度强度G(x,y)＝0。进而最终获得经过非极大值抑制后的新的梯度强度图像G(x,y)’。
在步骤S64中，采用双阈值分割，对获取的新的梯度强度图像进行边缘检测，确定模板像素图像的强边缘二值图像和弱边缘二值图像。
在本公开中，预设第一阈值threshold1和第二阈值threshold2，其中，第一阈值threshold1大于第二阈值threshold2。将新的梯度强度图像G(x,y)’中的各个边缘像素点的灰度值与第一阈值和第二阈值进行对比，进而得到弱边缘二值图像Edeg1(x,y)和强边缘二值图像Edeg2(x,y)。其中，经过与第二阈值进行对比后得到的边缘二值图像为弱边缘二值图像，经过与第一阈值进行对比后得到的边缘二值图像为强边缘二值图像。在弱边缘二值图像中：
Figure BDA0002701319240000111
在强边缘二值图像中：
Figure BDA0002701319240000112
在步骤S65中，基于强边缘二值图像和弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像。
在本公开中，创建与弱边缘二值图像Edeg1(x,y)尺寸大小相同，但像素值为0的图像EdgeResult。若弱边缘二值图像(x,y)>1，则在(x,y)点的4领域或8领域内确定是否存在强边缘二值图像Edge2(xi,yi)＝1的边缘像素点。若存在，则在图像EdgeResult中的(x,y)点的位置上输出为EdgeResult(x,y)＝1。若不存在，则在图像EdgeResult中的(x,y)点的位置上输出为EdgeResult(x,y)＝0。进而得到目标边缘二值图像。
在步骤S66中，扫描目标边缘二值图像中的第i行。
在步骤S67中，将第i行扫描到的连续边缘像素组成第一团，并对多个团进行标记。
在本公开中，标记的内容包括团的起始边缘像素和团的终止边缘像素、以及团所在的行号。
在步骤S68中，判断第一团中的边缘像素与第i-1行中已标记的一个第二团中的边缘像素存在列坐标是否重合。
在步骤S691中，若重合，则对第一团进行与第二团的标记内容一致的标记，或者对第一团进行匹配第一团标记内容的标记，并将多个第二团标记为等价对。
在步骤S692中，若未重合，则采用新的标记标记第一团。
在步骤S610中，完成目标边缘二值图像全部行的扫描，得到多个团。
在步骤S611中，遍历所有团，并基于等价将目标边缘二值图像中的各个团进行重新标记。
在步骤S612中，基于多个连通域中各个连通域中包括的连续边缘像素数，均值筛选出团内连续边缘像素数超过指定阈值的目标连通域。
在步骤S613中，基于目标连通域检测出模板像素图像的边缘图像。
通过上述实时场景，能够基于Canny边缘筛选得到的目标边缘二值图像进行边缘的长度筛选，进而有助于排除噪声或者因其他原因产生的假边缘的干扰，提高边缘图像的清晰度和准确度，从而有助于得到的边缘图像中的各边缘的长度符合用户需求，有利于提升用户使用体验。
基于相同的构思，本公开实施例还提供一种边缘检测装置。
可以理解的是，本公开实施例提供的边缘检测装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
图8是根据一示例性实施例示出的一种边缘检测装置框图。参照图8，该边缘检测装置装置100包括获取单元101、筛选单元102、选取单元103和检测单元104。
获取单元101，用于获取模板像素图像，并确定模板像素图像的强边缘二值图像和弱边缘二值图像。
筛选单元102，用于基于强边缘二值图像和弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像，和在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域，其中，目标边缘二值图像与弱边缘二值图像具有相同尺寸大小。
选取单元103，用于对目标边缘二值图像进行连通域选取，得到多个连通域，连通域中包括连续边缘像素组成的至少一个团。
检测单元104，用于基于目标连通域检测出模板像素图像的边缘图像。
在一实施例中，选取单元103采用下述方式对目标边缘二值图像进行连通域选取，得到多个连通域：逐行扫描目标边缘二值图像中的连续边缘像素。基于各行扫描到的连续边缘像素，确定多个团，并对多个团进行标记，其中，标记的内容包括团的起始边缘像素和团的终止边缘像素、以及团所在的行号。基于多个团确定多个连通域。
在另一实施例中，选取单元103采用下述方式基于各行扫描到的连续边缘像素，确定多个团，并对多个团进行标记：针对所述目标边缘二值图像中的第i行，将扫描到的连续边缘像素组成第一团。完成所述目标边缘二值图像全部行的扫描，得到多个团，并对所述多个团进行标记。其中，若所述第一团中的边缘像素与第i-1行中已标记的一个第二团中的边缘像素存在列坐标重合，则对所述第一团进行与所述第二团的标记内容一致的标记。若所述第一团中的边缘像素与第i-1行中已标记的多个第二团中的边缘像素存在列坐标重合，则对所述第一团进行匹配所述第一团标记内容的标记，并将所述多个第二团标记为等价对。
在又一实施例中，选取单元103采用下述方式基于多个团确定多个连通域：遍历多个团中各团的标记内容，并查找等价对。基于查找到的等价对确定多个连通域，其中，每一等价对对应一个连通域。
在又一实施例中，在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域之前，边缘检测装置还包括：确定单元，用于基于多个连通域中各个连通域中包括的连续边缘像素数，确定指定阈值。
在又一实施例中，筛选单元102还用于：将团内连续边缘像素数未超过指定阈值的连通域与目标边缘二值图像进行对比，若连通域与目标边缘二值图像存在重合的边缘像素，则将连通域作为目标连通域。若连通域与目标边缘二值图像不存在重合的边缘像素，则筛除连通域。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
进一步的，在示例性实施例中，边缘检测装置可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。例如，边缘检测装置包括：存储器，用于存储指令；以及处理器，用于调用所述存储器存储的指令执行上述任意一种实施例提供的边缘检测方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由边缘检测装置的处理器执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
进一步可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，除非有特殊说明，“连接”包括两者之间不存在其他构件的直接连接，也包括两者之间存在其他元件的间接连接。
进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种边缘检测方法，其特征在于，所述边缘检测方法包括：
获取模板像素图像，并确定所述模板像素图像的强边缘二值图像和弱边缘二值图像；
基于所述强边缘二值图像和所述弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像，所述目标边缘二值图像与所述弱边缘二值图像具有相同尺寸大小；
对所述目标边缘二值图像进行连通域选取，得到多个连通域，所述连通域中包括连续边缘像素组成的至少一个团；
在所述多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域；
基于所述目标连通域检测出所述模板像素图像的边缘图像。
2.根据权利要求1所述的边缘检测方法，其特征在于，所述对所述目标边缘二值图像进行连通域选取，得到多个连通域，包括：
逐行扫描所述目标边缘二值图像中的连续边缘像素；
基于各行扫描到的连续边缘像素，确定多个团，并对所述多个团进行标记，其中，标记的内容包括团的起始边缘像素和团的终止边缘像素、以及团所在的行号；
基于所述多个团确定所述多个连通域。
3.根据权利要求2所述的边缘检测方法，其特征在于，所述基于各行扫描到的连续边缘像素，确定多个团，并对所述多个团进行标记，包括：
针对所述目标边缘二值图像中的第i行，将扫描到的连续边缘像素组成第一团；
完成所述目标边缘二值图像全部行的扫描，得到多个团，并对所述多个团进行标记；
其中，若所述第一团中的边缘像素与第i-1行中已标记的一个第二团中的边缘像素存在列坐标重合，则对所述第一团进行与所述第二团的标记内容一致的标记；
若所述第一团中的边缘像素与第i-1行中已标记的多个第二团中的边缘像素存在列坐标重合，则对所述第一团进行匹配所述第一团标记内容的标记，并将所述多个第二团标记为等价对。
4.根据权利要求3所述的边缘检测方法，其特征在于，所述基于所述多个团确定所述多个连通域，包括：
遍历所述多个团中各团的标记内容，并查找等价对；
基于查找到的等价对确定多个连通域，其中，每一等价对对应一个连通域。
5.根据权利要求1或4所述的边缘检测方法，其特征在于，在所述多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域之前，所述边缘检测方法还包括：
基于所述多个连通域中各个连通域中包括的连续边缘像素数，确定所述指定阈值。
6.根据权利要求1所述的边缘检测方法，其特征在于，所述边缘检测方法还包括：
将团内连续边缘像素数未超过指定阈值的连通域与所述目标边缘二值图像进行对比，若所述连通域与所述目标边缘二值图像存在重合的边缘像素，则将所述连通域作为所述目标连通域；
若所述连通域与所述目标边缘二值图像不存在重合的边缘像素，则筛除所述连通域。
7.一种边缘检测装置，其特征在于，所述边缘检测装置包括：
获取单元，用于获取模板像素图像，并确定所述模板像素图像的强边缘二值图像和弱边缘二值图像；
筛选单元，用于基于所述强边缘二值图像和所述弱边缘二值图像进行强边缘图像筛选，得到目标边缘二值图像，和在多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域，其中，所述目标边缘二值图像与所述弱边缘二值图像具有相同尺寸大小；
选取单元，用于对所述目标边缘二值图像进行连通域选取，得到所述多个连通域，所述连通域中包括连续边缘像素组成的至少一个团；
检测单元，用于基于所述目标连通域检测出所述模板像素图像的边缘图像。
8.根据权利要求7所述的边缘检测装置，其特征在于，在所述多个连通域中，筛选出团内连续边缘像素数超过指定阈值的目标连通域之前，所述边缘检测装置还包括：
确定单元，用于基于所述多个连通域中各个连通域中包括的连续边缘像素数，确定所述指定阈值。
9.根据权利要求7所述的边缘检测装置，其特征在于，所述筛选单元还用于：
将团内连续边缘像素数未超过指定阈值的连通域与所述目标边缘二值图像进行对比，若所述连通域与所述目标边缘二值图像存在重合的边缘像素，则将所述连通域作为所述目标连通域；
若所述连通域与所述目标边缘二值图像不存在重合的边缘像素，则筛除所述连通域。
10.一种边缘检测装置，其特征在于，所述边缘检测装置包括：
存储器，用于存储指令；以及
处理器，用于调用所述存储器存储的指令执行如权利要求1-6中任意一项所述的边缘检测方法。
11.一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行如权利要求1-6中任意一项所述的边缘检测方法。
CN202011023157.8A 2020-09-25 2020-09-25 边缘检测方法、边缘检测装置及计算机可读存储介质 Pending CN114255253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011023157.8A CN114255253A (zh) 2020-09-25 2020-09-25 边缘检测方法、边缘检测装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023157.8A CN114255253A (zh) 2020-09-25 2020-09-25 边缘检测方法、边缘检测装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114255253A true CN114255253A (zh) 2022-03-29

Family

ID=80790397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023157.8A Pending CN114255253A (zh) 2020-09-25 2020-09-25 边缘检测方法、边缘检测装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114255253A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117831136A (zh) * 2024-03-04 2024-04-05 贵州省种畜禽种质测定中心 基于远程监控的牛异常行为检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088462A1 (zh) * 2015-11-24 2017-06-01 乐视控股（北京）有限公司 图像处理方法和装置
CN109410228A (zh) * 2018-08-22 2019-03-01 南京理工大学 基于多尺度数学形态学特征融合的海洋内波检测算法
CN109949308A (zh) * 2019-03-05 2019-06-28 北京空间飞行器总体设计部 一种抗星光干扰的空间相对导航目标快速提取方法
CN111369570A (zh) * 2020-02-24 2020-07-03 成都空御科技有限公司 一种视频图像的多目标检测跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088462A1 (zh) * 2015-11-24 2017-06-01 乐视控股（北京）有限公司 图像处理方法和装置
CN109410228A (zh) * 2018-08-22 2019-03-01 南京理工大学 基于多尺度数学形态学特征融合的海洋内波检测算法
CN109949308A (zh) * 2019-03-05 2019-06-28 北京空间飞行器总体设计部 一种抗星光干扰的空间相对导航目标快速提取方法
CN111369570A (zh) * 2020-02-24 2020-07-03 成都空御科技有限公司 一种视频图像的多目标检测跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李庆忠等: "基于改进Canny 算子的图像弱边缘检测算法", 《计算机应用研究》, 30 June 2020 (2020-06-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117831136A (zh) * 2024-03-04 2024-04-05 贵州省种畜禽种质测定中心 基于远程监控的牛异常行为检测方法
CN117831136B (zh) * 2024-03-04 2024-05-07 贵州省种畜禽种质测定中心 基于远程监控的牛异常行为检测方法

Similar Documents

Publication Publication Date Title
CN105069799B (zh) 一种角点定位方法及装置
WO2022007431A1 (zh) 一种Micro QR二维码的定位方法
WO2022205525A1 (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
CN113781402A (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN108416789A (zh) 图像边缘检测方法及系统
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN112734761B (zh) 工业品图像边界轮廓提取方法
CN113436212A (zh) 一种断路器静触头齿合状态图像检测内轮廓的提取方法
CN109816051B (zh) 一种危化品货物特征点匹配方法及系统
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
CN110458855A (zh) 图像提取方法及相关产品
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN106599891A (zh) 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
Alazzawi Edge detection-application of (first and second) order derivative in image processing: communication
CN112669300A (zh) 瑕疵检测方法及装置、计算机设备和存储介质
JP3814353B2 (ja) 画像分割方法および画像分割装置
CN114943744A (zh) 基于局部Otsu阈值化的边缘检测方法
CN117853510A (zh) 基于双边滤波和自适应阈值的Canny边缘检测方法
CN114255253A (zh) 边缘检测方法、边缘检测装置及计算机可读存储介质
CN112396618B (zh) 一种基于图像处理的晶界提取及晶粒度测量方法
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
JP3330829B2 (ja) 機械部品の画像における評価可能区域の自動検出方法
CN112285876A (zh) 基于图像处理与气泡检测的相机自动对焦方法
CN109741370B (zh) 一种目标跟踪方法和装置
CN112069924A (zh) 车道线检测方法、装置及计算机可读存储介质

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