CN114529459B - 一种对图像边缘进行增强处理的方法和系统及介质 - Google Patents

一种对图像边缘进行增强处理的方法和系统及介质 Download PDF

Info

Publication number
CN114529459B
CN114529459B CN202210436827.1A CN202210436827A CN114529459B CN 114529459 B CN114529459 B CN 114529459B CN 202210436827 A CN202210436827 A CN 202210436827A CN 114529459 B CN114529459 B CN 114529459B
Authority
CN
China
Prior art keywords
image
edge
gradient
region
interpolation
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
CN202210436827.1A
Other languages
English (en)
Other versions
CN114529459A (zh
Inventor
段存立
祝启航
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.)
GOOD VISION PRECISION INSTRUMENT CO LTD
Original Assignee
GOOD VISION PRECISION INSTRUMENT 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 GOOD VISION PRECISION INSTRUMENT CO LTD filed Critical GOOD VISION PRECISION INSTRUMENT CO LTD
Priority to CN202210436827.1A priority Critical patent/CN114529459B/zh
Publication of CN114529459A publication Critical patent/CN114529459A/zh
Application granted granted Critical
Publication of CN114529459B publication Critical patent/CN114529459B/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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种对图像边缘进行增强处理的方法和系统及介质，其方法包括：提取待处理图像中的区域图像；采用双线性插值法对所述区域图像进行线性插值处理；对线性插值处理后的区域图像进行高斯平滑滤波处理；对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；根据梯度图像的灰度值确定所述梯度图像中待增强边缘；对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像。本发明通过先采用线性插值方式和高斯滤波方式降低图像中的噪点，使得图像更加平滑，方便针对图像中的边界提取，从而提高了边界检测速度和质量。

Description

一种对图像边缘进行增强处理的方法和系统及介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种对图像边缘进行增强处理的方法和系统及介质。
背景技术
在基于影像测量领域，边界提取是一种重要的图像预处理技术。目前使用较多的各种局部边界检测算子，基本都是依据灰度变化的不连续性。然而在遇到边界模糊的情况下时，类似的检测算子并不能很好地提取出图像中的边界信息，使得边界提取的速度和质量都达不到相应的需求。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种对图像边缘进行增强处理的方法和系统及介质，通过先采用线性插值方式和高斯滤波方式降低图像中的噪点，使得图像更加平滑，方便针对图像中的边界提取，从而提高了边界检测速度和质量。
为了解决上述问题，本发明提出了一种对图像边缘进行增强处理的方法，所述方法包括以下步骤：
提取待处理图像中的区域图像；
采用双线性插值法对所述区域图像进行线性插值处理；
对线性插值处理后的区域图像进行高斯平滑滤波处理；
对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；
根据梯度图像的灰度值确定所述梯度图像中待增强边缘；
对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像；
所述采用双线性插值法对所述区域图像进行线性插值处理包括：
获取所述区域图像的高度和宽度分别为SH、SW，得到线性插值图像的高度和宽度分别为DH＝SH*A、DW＝SW*B，则插值点坐标(x，y)的灰度值f1(x，y)由向后空间映射法得到的区域图像上的坐标位置(x+u，y+v)，与(x+u，y+v)相邻的四个坐标位置的灰度值f(i，j) ，f(i+1，j) ，f(i，j+1)和f(i+1 ，j+1)确定；
f1(x，y)＝（1-t）*（1-u）*f（i，j）+（1-t）*u*f（i+1，j）+t*(1-u)*f（i，j+1）+t*u*f（i+1，j+1）；
u，v分别表示插值点坐标(x ，y)与坐标位置(x+u，y+v)在水平和垂直方向的浮点距离；u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；其中：x，y为正整数，0＜x＜DH，0＜y＜DW，A和B为线性插值倍数。
所述提取待处理图像中的区域图像包括：
利用矩形提取函数来形成截取矩形的ROI区域，基于所述ROI区域对待处理图像进行区域截取得到区域图像。
所述对线性插值处理后的区域图像进行高斯平滑滤波处理包括：
计算区域图像下的高斯卷积核，所述高斯卷积核包括：
Figure 859234DEST_PATH_IMAGE001
其中：G（x，y）为方差值窗口中对应的点的权重值矩阵，其为高斯卷积核；方差值窗口的行号为x，列号为y，
Figure 408027DEST_PATH_IMAGE002
为高斯半径；
基于高斯卷积核对线性插值处理后的区域图像进行高斯卷积模糊；
基于方差值窗口在灰度化区域图像中进行遍历，将线性插值处理后的区域图像转换成高斯滤波后的区域图像。
所述对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像包括：
将高斯滤波处理后的区域图像中的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值；
将高斯滤波处理后的区域图像中所有的像素卷积运算后得到一幅新的灰度图像。
所述根据梯度图像的灰度值确定所述梯度图像中待增强边缘包括：
选取一个合适的阈值，若梯度图像中的图像梯度值大于所述阈值，则认为所述像素点为待增强边缘点；
将所有待增强边缘点进行判断处理后得到所述梯度图像中待增强边缘，所述待增强边缘为像素位置点集合。
所述对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像包括：
根据所述待增强边缘的图像特征动态匹配多行多列的梯度运算值；
基于梯度运算值对像素位置点集合进行多行多列水平方向梯度运算生成边缘增强图像。
相应的，本发明还提出了一种图像处理系统，所述系统包括：
提取模块，用于提取待处理图像中的区域图像；
插值处理模块，用于采用双线性插值法对所述区域图像进行线性插值处理；
高斯滤波模块，用于对线性插值处理后的区域图像进行高斯平滑滤波处理；
边缘检测模块，用于对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；
边缘提取模块，用于根据梯度图像的灰度值确定所述梯度图像中待增强边缘；
边缘增强模块，用于对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像；
所述采用双线性插值法对所述区域图像进行线性插值处理包括：
获取所述区域图像的高度和宽度分别为SH、SW，得到线性插值图像的高度和宽度分别为DH＝SH*A、DW＝SW*B，则插值点坐标(x，y)的灰度值f1(x，y)由向后空间映射法得到的区域图像上的坐标位置(x+u，y+v)，与(x+u，y+v)相邻的四个坐标位置的灰度值f(i，j) ，f(i+1，j) ，f(i，j+1)和f(i+1 ，j+1)确定；
f1(x，y)＝（1-t）*（1-u）*f（i，j）+（1-t）*u*f（i+1，j）+t*(1-u)*f（i，j+1）+t*u*f（i+1，j+1）；
u，v分别表示插值点坐标(x ，y)与坐标位置(x+u，y+v)在水平和垂直方向的浮点距离；u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；其中：x，y为正整数，0＜x＜DH，0＜y＜DW，A和B为线性插值倍数。
所述图像处理系统为图像识别系统或者为光学影像测量系统。
相应的，本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行以上所述的方法。
本发明实施例通过高斯滤波对图像中空间中做处理，降低图像中的噪点，并使图像变得更加平滑；同时根据框选的ROI区域，通过双线性插值法将ROI区域转化成矩形区域的图像；然后基于边缘方向求出梯度图，此梯度图是相邻多像素灰度值插值累积而成，故而可以提取弱边缘；最后再根据矩形区域的灰度直方图分布，对图像的对比度做线性拉伸。由于此方法不涉及到复杂的浮点数计算，并在模糊空间中对区域对比度做增强处理，从而大大提高了边界检测速度和质量。
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，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地介绍，显而易见的，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的附图。
图1是本发明实施例中的对图像边缘进行增强处理的方法流程图；
图2是本发明实施例中的图像处理系统结构示意图；
图3是本发明实施例中的梯度运算值分布示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例所涉及的对图像边缘进行增强处理的方法，包括：提取待处理图像中的区域图像；采用双线性插值法对所述区域图像进行线性插值处理；对线性插值处理后的区域图像进行高斯平滑滤波处理；对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；根据梯度图像的灰度值确定所述梯度图像中待增强边缘；对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像。
具体的，图1示出了本发明实施例中的对图像边缘进行增强处理的方法流程图，包括以下步骤：
S101、提取待处理图像中的区域图像；
具体实施过程中，该提取待处理图像中的区域图像具体包括：利用矩形提取函数来形成截取矩形的ROI区域，基于所述ROI区域对待处理图像进行区域截取得到区域图像。
这里通过框选的ROI区域，方便双线性插值法将ROI区域转换成矩形区域的图像，然后使得后续处理能根据矩形区域的灰度直方图分布，对图像的对比度做线性拉伸。
S102、采用双线性插值法对所述区域图像进行线性插值处理；
具体实施过程中，采用双线性插值法对所述区域图像进行线性插值处理具体步骤如下：
获取所述区域图像的高度和宽度分别为SH、SW，得到线性插值图像的高度和宽度分别为DH＝SH*A、DW＝SW*B，则插值点坐标(x，y)的灰度值f1(x，y)由向后空间映射法得到的区域图像上的坐标位置(x+u，y+v)，与(x+u，y+v)相邻的四个坐标位置的灰度值f(i，j) ，f(i+1，j) ，f(i，j+1)和f(i+1 ，j+1)确定；
f1(x，y)＝（1-t）*（1-u）*f（i，j）+（1-t）*u*f（i+1，j）+t*(1-u)*f（i，j+1）+t*u*f（i+1，j+1）；
u，v分别表示插值点坐标(x ，y)与坐标位置(x+u，y+v)在水平和垂直方向的浮点距离；u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；其中：x，y为正整数，0＜x＜DH，0＜y＜DW。
基于上市方式可以得到插值点坐标(x，y)的灰度值g1 (x，y)＝f1(x，y)，最近邻插值下采样得到插值点坐标(x，y)的灰度值g2(x，y)，g2(x，y)由插值点坐标(x，y)向后空间映射得到区域图像上的坐标(x+u，y+v)，与坐标(x+u，y+v)相邻的四个坐标位置(i，j) ，(i+1，j) ，(i，j+1)、(i+1，j+1)的欧式距离最短的一个坐标位置的灰度值确定，如下式所示：
g2(x，y)＝f（i′，j′）；
式中，(i′，j′)为坐标(x，y)与坐标(i，j)，(i+1 ，j) ，(i ，j+1)、(i+1 ，j+1)欧式距离最短的一个坐标位置；u，t分别表示插值点坐标(x ，y)与坐标(x+u，y+v)在水平和垂直方向的浮点距离，u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；
其次，重新求取插值点坐标(x，y)的灰度值f1′(x，y)，f1′(x ，y)由g1 (x ，y)与g2(x，y)的加权融合获得，加权融合的权重系数由插值点周边的4个相邻点像素的灰度方差构造，求取公式如下所示：
f1′(x，y)＝W1*g1(x，y)+W2g2(x，y)；
式中，
Figure 761648DEST_PATH_IMAGE003
，W2＝1-W1，δ为插值点周边的8个相邻点像素的灰度方差，x，y为正整数，0＜x＜DH ，0＜y＜DW，这里A和B为线性插值倍数，即基于原始图像可以进行A*B倍的双线性插值得到A*B倍的线性插值图像。
通过以上方式处理，可以得到新的灰度值图像，可以有利于节省对区域图像的边界检测的计算时间，通过量化角度提升了区域图像的灰度值，能及时通过区分平滑区域与边缘细节区域，改善了高斯平滑滤波处理效果。
S103、对线性插值处理后的区域图像进行高斯平滑滤波处理；
具体实施过程中，对线性插值处理后的区域图像进行高斯平滑滤波处理包括：
首先计算区域图像下的高斯卷积核，所述高斯卷积核包括：
Figure 700785DEST_PATH_IMAGE001
其中：G（x，y）为方差值窗口中对应的点的权重值矩阵，其为高斯卷积核；方差值窗口的行号为x，列号为y，ρ为高斯半径，e为数字常量；
基于高斯卷积核对线性插值处理后的区域图像进行高斯卷积模糊；
基于方差值窗口在灰度化区域图像中进行遍历，将线性插值处理后的区域图像转换成高斯滤波后的区域图像。
具体实施过程中，这里可以采用16*16的方差值窗口进行高斯模糊，其可以采用16*16的方差值窗口在灰度化区域图像中进行遍历，本发明实施例中采取16*16的方差值窗口，因此x＝0，1，2……15；y＝0，1，2……15；高斯半径ρ越小，曲线越高越尖，模糊越小；ρ越大，曲线越低越平缓，模糊程度越大；对于区域图像选取ρ为2，高斯滤波后的区域图像为灰度值图像。
这里通过高斯滤波的方式处理区域对象可以降低区域图像中的噪点，使得区域图像变得更加平滑。
S104、对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；
具体实施过程中，对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像包括：将高斯滤波处理后的区域图像中的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值；将高斯滤波处理后的区域图像中所有的像素卷积运算后得到一幅新的灰度图像。
具体实施过程中，首先需要设定高斯滤波处理后的区域图像的图像函数，基于图像函数计算出该高斯滤波处理后的区域图像的梯度向量，具体如下：
Figure 430844DEST_PATH_IMAGE004
；
其中：式中
Figure 834143DEST_PATH_IMAGE005
代表图像函数的梯度向量，Hx代表图像的水平方向梯度，Hy代表图像的纵向梯度；
本发明实施例中的卷积模板如下：
Figure 234032DEST_PATH_IMAGE006
；
图像中心点H(i，j)对应的3×3模板邻域内像素点的分布如下：
Figure 785099DEST_PATH_IMAGE007
；
在数字图像中，图像梯度近似为：
Figure 256531DEST_PATH_IMAGE008
；
梯度的方向，代表图像强度变化的方向：
θ＝arctanHy/Hx，这里以纵向边缘为例进行说明，若θ角度为0，则代表图像的纵向边缘右方较亮，若为π，则代表图像的纵向边缘左方较亮。
将图像的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值：G(i，j)＝max[Hx(i，j) ，Hy(i ，j)]；
式中，G(i，j)为新的灰度图像像素点，Hx(i，j)，Hy(i，j)分别为水平、垂直方向模板对同一像素点的卷积值；对区域图像中所有的像素卷积运算后得到一幅新的灰度图。
S105、根据梯度图像的灰度值确定所述梯度图像中待增强边缘；
该根据梯度图像的灰度值确定所述梯度图像中待增强边缘包括：选取一个合适的阈值，若梯度图像中的图像梯度值大于所述阈值，则认为所述像素点为待增强边缘点；将所有待增强边缘点进行判断处理后得到所述梯度图像中待增强边缘，所述待增强边缘为像素位置点集合。
具体的，可以选取一个合适的阈值T，若图像梯度值大于该阈值T，则认为该像素点为边缘点，其相应的公式如下：
Figure 449091DEST_PATH_IMAGE009
。
S106、对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像。
具体实施过程中，对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像包括：根据所述待增强边缘的图像特征动态匹配多行多列的梯度运算值；基于梯度运算值对像素位置点集合进行多行多列水平方向梯度运算生成边缘增强图像。
具体的，对S105步骤所得到的像素位置点集合形成行列的梯度图数据，需要对这些灰度值进行相应的梯度计算，该梯度运算值如图3中所示，其为一个m行*n列矩阵数据，m和n和矩阵中的梯度运算值需要结合图像特性动态匹配。
这里通过计算待处理像素的边缘方向，并根据待处理像素的边缘特性，采用基于行列不同的梯度方向边缘增强方法。若所述待处理像素的边缘梯度不为零，则根据所述边缘方向，从边缘方向相邻上下指定行列的灰度值计算边缘的梯度强度。对边缘的方向进行增强；将两个方向的边缘增强结果加权，作为最终的边缘增强图像；若所述待处理像素的边缘方向梯度为零，则采用水平和垂直多行多列灰度差值进行增强，作为最终边缘增强图像。本发明实施例在寻边边缘方向进行增强处理，使边缘增强后的图像边缘清晰，提高了基于影像测量的稳定性和精度。
基于该方式可以通过高斯滤波对图像中空间中做处理，降低图像中的噪点，并使图像变得更加平滑；同时根据框选的ROI区域，通过双线性插值法将ROI区域转化成矩形区域的图像；然后基于边缘方向求出梯度图，此梯度图是相邻多像素灰度值插值累积而成，故而可以提取弱边缘；最后再根据矩形区域的灰度直方图分布，对图像的对比度做线性拉伸。由于此方法不涉及到复杂的浮点数计算，并在模糊空间中对区域对比度做增强处理，从而大大提高了边界检测速度和质量。
具体的，图2示出了本发明实施例中的图像处理系统结构示意图，该系统包括：
提取模块，用于提取待处理图像中的区域图像；
插值处理模块，用于采用双线性插值法对所述区域图像进行线性插值处理；
高斯滤波模块，用于对线性插值处理后的区域图像进行高斯平滑滤波处理；
边缘检测模块，用于对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；
边缘提取模块，用于根据梯度图像的灰度值确定所述梯度图像中待增强边缘；
边缘增强模块，用于对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像。
需要说明的是，该图像处理系统可以是图像识别系统或者为光学影像测量系统。
具体的，所述提取待处理图像中的区域图像包括：利用矩形提取函数来形成截取矩形的ROI区域，基于所述ROI区域对待处理图像进行区域截取得到区域图像。
具体的，所述采用双线性插值法对所述区域图像进行线性插值处理包括：获取所述区域图像的高度和宽度分别为SH、SW，得到线性插值图像的高度和宽度分别为DH＝SH*A、DW＝SW*B，则插值点坐标(x，y)的灰度值f1(x，y)由向后空间映射法得到的区域图像上的坐标位置(x+u，y+v)，与(x+u，y+v)相邻的四个坐标位置的灰度值f(i，j) ，f(i+1，j) ，f(i，j+1)和f(i+1 ，j+1)确定；
f1(x，y)＝（1-t）*（1-u）*f（i，j）+（1-t）*u*f（i+1，j）+t*(1-u)*f（i，j+1）+t*u*f（i+1，j+1）；
u，v分别表示插值点坐标(x ，y)与坐标位置(x+u，y+v)在水平和垂直方向的浮点距离；u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；其中：x，y为正整数，0＜x＜DH，0＜y＜DW，这里A和B为线性插值倍数，即基于原始图像可以进行A*B倍的双线性插值得到A*B倍的线性插值图像。
具体的，所述对线性插值处理后的区域图像进行高斯平滑滤波处理包括：计算区域图像下的高斯卷积核，所述高斯卷积核包括：
Figure 613356DEST_PATH_IMAGE010
其中：G（x，y）为方差值窗口中对应的点的权重值矩阵，其为高斯卷积核；方差值窗口的行号为x，列号为y，ρ为高斯半径；
基于高斯卷积核对线性插值处理后的区域图像进行高斯卷积模糊；
基于方差值窗口在灰度化区域图像中进行遍历，将线性插值处理后的区域图像转换成高斯滤波后的区域图像。
所述对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像包括：将高斯滤波处理后的区域图像中的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值；将高斯滤波处理后的区域图像中所有的像素卷积运算后得到一幅新的灰度图像。
所述根据梯度图像的灰度值确定所述梯度图像中待增强边缘包括：选取一个合适的阈值，若梯度图像中的图像梯度值大于所述阈值，则认为所述像素点为待增强边缘点；将所有待增强边缘点进行判断处理后得到所述梯度图像中待增强边缘，所述待增强边缘为像素位置点集合。
所述对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像包括：根据所述待增强边缘的图像特征动态匹配多行多列的梯度运算值；基于梯度运算值对像素位置点集合进行多行多列水平方向梯度运算生成边缘增强图像。这里通过计算待处理像素的边缘方向，并根据待处理像素的边缘特性，采用基于行列不同的梯度方向边缘增强方法。若所述待处理像素的边缘梯度不为零，则根据所述边缘方向，从边缘方向相邻上下指定行列的灰度值计算边缘的梯度强度。对边缘的方向进行增强；将两个方向的边缘增强结果加权，作为最终的边缘增强图像；若所述待处理像素的边缘方向梯度为零，则采用水平和垂直多行多列灰度差值进行增强，作为最终边缘增强图像。本发明实施例在寻边边缘方向进行增强处理，使边缘增强后的图像边缘清晰，提高了基于影像测量的稳定性和精度。
基于该系统可以通过高斯滤波对图像中空间中做处理，降低图像中的噪点，并使图像变得更加平滑；同时根据框选的ROI区域，通过双线性插值法将ROI区域转化成矩形区域的图像；然后基于边缘方向求出梯度图，此梯度图是相邻多像素灰度值插值累积而成，故而可以提取弱边缘；最后再根据矩形区域的灰度直方图分布，对图像的对比度做线性拉伸。由于此方法不涉及到复杂的浮点数计算，并在模糊空间中对区域对比度做增强处理，从而大大提高了边界检测速度和质量。
本申请实施例还提供了一种计算机存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述任一个实施例所述方法中的一个或多个步骤。上述装置的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中，基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机产品存储在计算机可读存储介质中。
上述计算机可读存储介质可以是前述实施例所述的设备的内部存储单元，例如硬盘或内存。上述计算机可读存储介质也可以是上述设备的外部存储设备，例如配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，上述计算机可读存储介质还可以既包括上述设备的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述设备所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可通过计算机程序来指令相关的硬件来完成，该计算机的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。
以上对本发明实施例进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种对图像边缘进行增强处理的方法，其特征在于，所述方法包括以下步骤：
提取待处理图像中的区域图像，所述提取待处理图像中的区域图像包括：利用矩形提取函数来形成截取矩形的ROI区域，基于所述ROI区域对待处理图像进行区域截取得到区域图像；
采用双线性插值法对所述区域图像进行线性插值处理；
对线性插值处理后的区域图像进行高斯平滑滤波处理；
对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；
根据梯度图像的灰度值确定所述梯度图像中待增强边缘；
对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像；
所述采用双线性插值法对所述区域图像进行线性插值处理包括：
获取所述区域图像的高度和宽度分别为SH、SW，得到线性插值图像的高度和宽度分别为DH＝SH*A、DW＝SW*B，则插值点坐标(x，y)的灰度值f1(x，y)由向后空间映射法得到的区域图像上的坐标位置(x+u，y+v)，与(x+u，y+v)相邻的四个坐标位置的灰度值f(i，j) ，f(i+1，j) ，f(i，j+1)和f(i+1 ，j+1)确定；
f1(x，y)＝（1-t）*（1-u）*f（i，j）+（1-t）*u*f（i+1，j）+t*(1-u)*f（i，j+1）+t*u*f（i+1，j+1）；
u，v分别表示插值点坐标(x ，y)与坐标位置(x+u，y+v)在水平和垂直方向的浮点距离；u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；其中：x，y为正整数，0＜x＜DH，0＜y＜DW，A和B为线性插值倍数；
得到插值点坐标(x，y)的灰度值g1 (x，y)＝f1(x，y)，最近邻插值下采样得到插值点坐标(x，y)的灰度值g2(x，y)；g2(x，y)由插值点坐标(x，y)向后空间映射得到区域图像上的坐标(x+u，y+v)，与坐标(x+u，y+v)相邻的四个坐标位置(i，j) ，(i+1，j) ，(i，j+1)、(i+1，j+1)的欧式距离最短的一个坐标位置的灰度值确定；
重新求取插值点坐标(x，y)的灰度值f1′(x，y)，f1′(x ，y)由g1 (x ，y)与g2(x，y)的加权融合获得，加权融合的权重系数由插值点周边的4个相邻点像素的灰度方差构造，求取公式如下所示：
f1′(x，y)＝W1*g1(x，y)+W2g2(x，y)；
式中，
Figure DEST_PATH_IMAGE001
，W2＝1-W1，δ为插值点周边的8个相邻点像素的灰度方差。
2.如权利要求1所述的对图像边缘进行增强处理的方法，其特征在于，所述对线性插值处理后的区域图像进行高斯平滑滤波处理包括：
计算区域图像下的高斯卷积核，所述高斯卷积核包括：
Figure 175498DEST_PATH_IMAGE002
其中：
Figure DEST_PATH_IMAGE003
为方差值窗口中对应的点的权重值矩阵，其为高斯卷积核；方差值窗口的行号为x，列号为y，
Figure 529119DEST_PATH_IMAGE004
为高斯半径；
基于高斯卷积核对线性插值处理后的区域图像进行高斯卷积模糊；
基于方差值窗口在灰度化区域图像中进行遍历，将线性插值处理后的区域图像转换成高斯滤波后的区域图像。
3.如权利要求2所述的对图像边缘进行增强处理的方法，其特征在于，所述对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像包括：
将高斯滤波处理后的区域图像中的每个像素点都分别与卷积模板进行卷积运算，用卷积结果的最大值替换卷积模板中心所对应的像素值，作为新图像的灰度值；
将高斯滤波处理后的区域图像中所有的像素卷积运算后得到一幅新的灰度图像。
4.如权利要求3所述的对图像边缘进行增强处理的方法，其特征在于，所述根据梯度图像的灰度值确定所述梯度图像中待增强边缘包括：
选取一个合适的阈值，若梯度图像中的图像梯度值大于所述阈值，则认为所述像素点为待增强边缘点；
将所有待增强边缘点进行判断处理后得到所述梯度图像中待增强边缘，所述待增强边缘为像素位置点集合。
5.如权利要求4所述的对图像边缘进行增强处理的方法，其特征在于，所述对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像包括：
根据所述待增强边缘的图像特征动态匹配多行多列的梯度运算值；
基于梯度运算值对像素位置点集合进行多行多列水平方向梯度运算生成边缘增强图像。
6.一种图像处理系统，其特征在于，所述系统包括：
提取模块，用于提取待处理图像中的区域图像，所述提取待处理图像中的区域图像包括：利用矩形提取函数来形成截取矩形的ROI区域，基于所述ROI区域对待处理图像进行区域截取得到区域图像；
插值处理模块，用于采用双线性插值法对所述区域图像进行线性插值处理；
高斯滤波模块，用于对线性插值处理后的区域图像进行高斯平滑滤波处理；
边缘检测模块，用于对高斯滤波处理后的区域图像基于索贝尔算子进行边缘检测获取梯度图像；
边缘提取模块，用于根据梯度图像的灰度值确定所述梯度图像中待增强边缘；
边缘增强模块，用于对所述梯度图像的待增强边缘进行边缘增强处理生成边缘增强图像；
所述采用双线性插值法对所述区域图像进行线性插值处理包括：
获取所述区域图像的高度和宽度分别为SH、SW，得到线性插值图像的高度和宽度分别为DH＝SH*A、DW＝SW*B，则插值点坐标(x，y)的灰度值f1(x，y)由向后空间映射法得到的区域图像上的坐标位置(x+u，y+v)，与(x+u，y+v)相邻的四个坐标位置的灰度值f(i，j) ，f(i+1，j) ，f(i，j+1)和f(i+1 ，j+1)确定；
f1(x，y)＝（1-t）*（1-u）*f（i，j）+（1-t）*u*f（i+1，j）+t*(1-u)*f（i，j+1）+t*u*f（i+1，j+1）；
u，v分别表示插值点坐标(x ，y)与坐标位置(x+u，y+v)在水平和垂直方向的浮点距离；u＝(SH-1)/(DH-1)*x；v＝(SW-1)/(DW-1)*y；其中：x，y为正整数，0＜x＜DH，0＜y＜DW，A和B为线性插值倍数；
得到插值点坐标(x，y)的灰度值g1 (x，y)＝f1(x，y)，最近邻插值下采样得到插值点坐标(x，y)的灰度值g2(x，y)；g2(x，y)由插值点坐标(x，y)向后空间映射得到区域图像上的坐标(x+u，y+v)，与坐标(x+u，y+v)相邻的四个坐标位置(i，j) ，(i+1，j) ，(i，j+1)、(i+1，j+1)的欧式距离最短的一个坐标位置的灰度值确定；
重新求取插值点坐标(x，y)的灰度值f1′(x，y)，f1′(x ，y)由g1 (x ，y)与g2(x，y)的加权融合获得，加权融合的权重系数由插值点周边的4个相邻点像素的灰度方差构造，求取公式如下所示：
f1′(x，y)＝W1*g1(x，y)+W2g2(x，y)；
式中，
Figure 327311DEST_PATH_IMAGE001
，W2＝1-W1，δ为插值点周边的8个相邻点像素的灰度方差。
7.如权利要求6所述的图像处理系统，其特征在于，所述图像处理系统为图像识别系统或者为光学影像测量系统。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
CN202210436827.1A 2022-04-25 2022-04-25 一种对图像边缘进行增强处理的方法和系统及介质 Active CN114529459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210436827.1A CN114529459B (zh) 2022-04-25 2022-04-25 一种对图像边缘进行增强处理的方法和系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210436827.1A CN114529459B (zh) 2022-04-25 2022-04-25 一种对图像边缘进行增强处理的方法和系统及介质

Publications (2)

Publication Number Publication Date
CN114529459A CN114529459A (zh) 2022-05-24
CN114529459B true CN114529459B (zh) 2022-08-02

Family

ID=81628278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210436827.1A Active CN114529459B (zh) 2022-04-25 2022-04-25 一种对图像边缘进行增强处理的方法和系统及介质

Country Status (1)

Country Link
CN (1) CN114529459B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862739B (zh) * 2022-07-06 2022-09-23 珠海市人民医院 一种医学影像智能增强方法和系统
CN115588024B (zh) * 2022-11-25 2023-06-20 东莞市兆丰精密仪器有限公司 一种基于人工智能的复杂工业影像边缘提取方法及装置
CN116071271B (zh) * 2023-03-07 2023-06-02 深圳市熠华智能科技有限公司 一种用于平板电脑的图像捕获的分析方法
CN115984280A (zh) * 2023-03-20 2023-04-18 广东仁懋电子有限公司 基于igbt器件的表痕分析方法、装置、设备及介质
CN117726557A (zh) * 2023-05-17 2024-03-19 荣耀终端有限公司 图像处理方法、电子设备及存储介质
CN117066977B (zh) * 2023-09-28 2024-02-23 浙江睿兆芯半导体科技有限公司 一种芯片超薄研磨切割方法
CN117094996B (zh) * 2023-10-18 2024-02-23 广州市大湾区虚拟现实研究院 基于fpga和lsd算法的直线检测系统及其控制方法
CN118494025A (zh) * 2024-07-18 2024-08-16 珠海恒茂电子科技有限公司 热敏打印机控制方法及相关设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935911A (zh) * 2021-09-26 2022-01-14 珠海全志科技股份有限公司 高动态范围视频图像处理方法、计算机装置及计算机可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100568913C (zh) * 2006-12-05 2009-12-09 安凯（广州）软件技术有限公司 基于梯度的边缘增强颜色插值方法
CN102999916B (zh) * 2012-12-12 2015-07-29 清华大学深圳研究生院 一种彩色图像的边缘提取方法
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法
CN107633491A (zh) * 2017-09-26 2018-01-26 中国科学院长春光学精密机械与物理研究所 一种基于目标检测的区域图像增强方法及存储介质
CN109063689B (zh) * 2018-08-31 2022-04-05 江苏航天大为科技股份有限公司 人脸图像发型检测方法
CN110021024B (zh) * 2019-03-14 2023-12-26 华南理工大学 一种基于lbp和链码技术的图像分割方法
CN111161222B (zh) * 2019-12-13 2023-08-25 北京印刷学院 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN111915541B (zh) * 2020-07-31 2021-08-17 平安科技（深圳）有限公司 基于人工智能的图像增强处理方法、装置、设备及介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935911A (zh) * 2021-09-26 2022-01-14 珠海全志科技股份有限公司 高动态范围视频图像处理方法、计算机装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN114529459A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN114529459B (zh) 一种对图像边缘进行增强处理的方法和系统及介质
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN110866924B (zh) 一种线结构光中心线提取方法及存储介质
CN105740876B (zh) 一种图像预处理方法及装置
CN111680690B (zh) 一种文字识别方法及装置
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN106934806B (zh) 一种基于结构清晰度的无参考图失焦模糊区域分割方法
CN107871319B (zh) 限束器区域的检测方法、装置、x射线系统和存储介质
CN108197644A (zh) 一种图像识别方法和装置
US9524445B2 (en) Methods and systems for suppressing non-document-boundary contours in an image
CN110399873A (zh) 身份证图像获取方法、装置、电子设备及存储介质
CN110738030A (zh) 表格重建方法、装置、电子设备及存储介质
CN113591831A (zh) 一种基于深度学习的字体识别方法、系统及存储介质
CN113723399A (zh) 一种车牌图像矫正方法、车牌图像矫正装置和存储介质
CN111597845A (zh) 一种二维码检测方法、装置、设备及可读存储介质
CN114529715B (zh) 一种基于边缘提取的图像识别方法及系统
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
CN112364863B (zh) 证照文档的文字定位方法及系统
CN112183650B (zh) 一种在相机失焦情况下的数字检测识别方法
CN114332890A (zh) 表格结构提取方法、装置、电子设备及存储介质
CN113012132A (zh) 一种图像相似度确定方法、装置及计算设备、存储介质
CN114648751A (zh) 一种处理视频字幕的方法、装置、终端及存储介质
CN114092696A (zh) 图像分割方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant