CN114882059A - 基于图像分析的尺寸测量方法、装置、设备及存储介质 - Google Patents
基于图像分析的尺寸测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114882059A CN114882059A CN202210767685.7A CN202210767685A CN114882059A CN 114882059 A CN114882059 A CN 114882059A CN 202210767685 A CN202210767685 A CN 202210767685A CN 114882059 A CN114882059 A CN 114882059A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- pixel point
- edge
- coordinates
- 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
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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像测量技术,揭露一种基于图像分析的尺寸测量方法,包括:对目标图像进行基于像素梯度的图像切分,得到包含待测量物体的初始图像;对初始图像进行像素点维度的边缘检测定位以定位待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;对粗粒度边缘像素点坐标进行坐标精度转换以定位边缘在像素点中的具体位置,得到细粒度边缘像素点坐标;利用拍摄目标图像的相机的成像参数构建坐标映射函数对细粒度边缘像素点坐标进行坐标映射,得到对应的真实坐标;对所有真实坐标进行拟合计算,得到待测量物体的轮廓尺寸。本发明还提出一种基于图像分析的尺寸测量推荐装置、设备以及存储介质。本发明可以提高基于图像分析的尺寸测量的准确率。
Description
技术领域
本发明涉及图像测量技术,尤其涉及一种基于图像分析的尺寸测量方法、装置、设备及存储介质。
背景技术
随着科学技术的发展,各种测量技术层出不穷,测量手段也逐渐智能化,由传统的接触式测量向非接触式测量转变,例如,在量体裁衣时,传统方法需要裁缝手动执行人体三围等尺寸数据的测量,而目前可以根据人体图像的轮廓尺寸分析肩宽、衣长等尺寸数据。
但是,现有的基于图像的尺寸测量方法主要是对图像进行像素点级别的边缘检测定位,只能得到像素点坐标,定位精度较低,从而导致尺寸测量的准确度较低。
发明内容
本发明提供一种基于图像分析的尺寸测量方法、装置、电子设备及存储介质,其主要目的在于提高了基于图像分析的尺寸测量的准确率。
对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;
基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;
对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
可选地,所述对目标图像进行基于像素梯度的图像切分,得到初始图像,包括:
对所述目标图像进行梯度计算,得到梯度图;
计算所述梯度图水平方向的梯度积分,并利用计算的梯度积分绘制曲线得到水平梯度曲线;
计算所述梯度图垂直方向的梯度积分,并利用计算的梯度积分绘制曲线得到垂直梯度曲线;
选取所述水平梯度曲线中峰值波段起始点的横坐标,得到水平坐标区间;
选取所述垂直梯度曲线中峰值波段起始点的横坐标,得到垂直坐标区间;
切分所述目标图像中所述水平坐标区间与所述垂直坐标区间共同构成的封闭区域,得到所述初始图像。
可选地,所述对所述目标图像进行梯度计算,得到梯度图,包括:
将所述目标图像进行二值化,得到黑白图像;
计算所述黑白图像每个像素点的灰度值水平方向的偏微分,得到水平梯度;
计算所述黑白图像每个像素点的灰度值垂直方向的偏微分,得到垂直梯度;
根据所述黑白图像中每个像素点对应的水平梯度及垂直梯度进行计算,得到该像素点对应的像素点梯度;
将所述黑白图像每个像素点的像素点梯度作为该像素点的灰度值,得到所述梯度图。
可选地,所述计算所述梯度图水平方向的梯度积分,并利用计算的梯度积分绘制曲线得到水平梯度曲线,包括:
将所述梯度图中每一列像素中所有像素点的灰度值相加,得到该列像素的水平梯度积分;
利用所有所述水平梯度积分绘制水平梯度曲线。
可选地,所述基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标,包括:
提取所述目标图像中所有所述粗粒度边缘像素点坐标围成的区域,得到边缘图像;
利用预设维度的 Franklin 矩模板与所述边缘图像中的每个像素点进行卷积运算,得到该像素点的Franklin 矩;
根据所述像素点的Franklin 矩进行计算,得到该像素点中心到边缘的垂直距离及灰度阶跃高度;
根据所述垂直距离及所述灰度阶跃高度对所述边缘图像中像素点进行筛选,得到目标像素点;
获取所述目标像素点的旋转角度及像素点坐标,根据所述维度、所述旋转角度及所述像素点坐标,利用预设的坐标转换公式进行计算,得到对应的细粒度边缘像素点坐标。
可选地,所述基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标,包括:
获取所述梯度图中以所述粗粒度边缘像素点坐标为中心水平方向预设个数的连续像素点的灰度值,得到水平边缘像素点梯度;
获取所述梯度图中以所述粗粒度边缘像素点坐标为中心垂直方向预设个数的连续像素点的灰度值,得到垂直边缘像素点梯度;
根据所述水平边缘像素点梯度、所述垂直边缘像素点梯度及所述目标图像的尺寸进行插值计算,得到所述粗粒度边缘像素点坐标对应的细粒度边缘像素点坐标。
可选地,所述对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标,包括:
对所述初始图像进行二值化,得到二值化图像;
对所述二值化图像进行滤波处理,得到滤波图像;
利用预构建的边缘检测算子对所述滤波图像进行边缘检测,以确定所述滤波图像中所述待测量物体的边缘所在像素点,得到边缘像素点;
根据所述边缘像素点在所述滤波图像中的位置确定所述目标图像中的相同位置像素的坐标,得到所述粗粒度边缘像素点坐标。
为了解决上述问题,本发明还提供一种基于图像分析的尺寸测量装置,所述装置包括:
图像切分模块,用于对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
边缘检测模块,用于对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
坐标映射模块,用于获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的基于图像分析的尺寸测量方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图像分析的尺寸测量方法。
本发明实施例对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;在基于像素点维度得到的粗粒度边缘像素点坐标进行坐标精度转换,使得细粒度边缘像素点坐标可以进一步精确到所述边缘在所述像素点中的具体位置,提高了边缘像素点坐标的精度,进而提高了基于图像分析的尺寸测量的准确率;因此本发明实施例提出的基于图像分析的尺寸测量方法、装置、电子设备及可读存储介质提高了基于图像分析的尺寸测量的准确率。
附图说明
图1为本发明一实施例提供的基于图像分析的尺寸测量方法的流程示意图;
图2为本发明一实施例提供的基于图像分析的尺寸测量方法中得到初始图像的流程示意图;
图3为本发明一实施例提供的基于图像分析的尺寸测量方法中得到梯度图的流程示意图;
图4为本发明一实施例提供的基于图像分析的尺寸测量方法中得到细粒度边缘像素点坐标的流程示意图;
图5为本发明一实施例提供的基于图像分析的尺寸测量方法中得到细粒度边缘像素点坐标的流程示意图;
图6为本发明一实施例提供的基于图像分析的尺寸测量装置的模块示意图;
图7为本发明一实施例提供的实现基于图像分析的尺寸测量方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于图像分析的尺寸测量方法。所述基于图像分析的尺寸测量方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于图像分析的尺寸测量方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的基于图像分析的尺寸测量方法的流程示意图,在本发明实施例中,所述基于图像分析的尺寸测量方法包括:
S1、对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
本发明可选实施例中,所述目标图像可以是任何待测量物体的图像。本发明其中一个应用场景中,所述目标图像可以为人体图像。较佳地。所述目标图像可以为所述待测量物体的正面视图及/或侧面视图。
为了去除无关背景造成的影响,本发明实施例对所述图像进行图像切分,得到包含待测量物体的初始图像。
具体地,参阅图2所示,本发明实施例中所述对目标图像进行基于像素梯度的图像切分,得到初始图像,包括:
S21、对所述目标图像进行梯度计算,得到梯度图;
S22、计算所述梯度图水平方向的梯度积分,并利用计算的梯度积分绘制曲线得到水平梯度曲线;
S23、计算所述梯度图垂直方向的梯度积分,并利用计算的梯度积分绘制曲线得到垂直梯度曲线;
S24、选取所述水平梯度曲线中峰值波段起始点的横坐标,得到水平坐标区间;
S25、选取所述垂直梯度曲线中峰值波段起始点的横坐标,得到垂直坐标区间;
S26、切分所述图像中所述水平坐标区间与所述垂直区间共同构成的封闭区域,得到所述初始图像。
本发明实施例中所述目标图像中待测量物体区域与背景的灰度差异明显,因此用像素点梯度图来衡量图像中像素点的梯度变化,垂直梯度曲线表示垂直方向像素点的梯度变化,其中,垂直梯度曲线峰值波段起始点的横坐标表示待测量物体垂直方向所在区域的坐标区间,同理,水平梯度曲中峰值波段起始点的横坐标表示待测量物体水平方向所在区域的坐标区间,切分所述目标图像中所述水平坐标区间与所述垂直区间共同构成的封闭区域,即为所述待测量物体所在区域。
具体地,参阅图3所示,本发明实施例中所述对所述目标图像进行梯度计算,得到梯度图,包括:
S31、将所述目标图像进行二值化,得到黑白图像;
详细地,本发明实施例为了减少计算资源的消耗,提高后续的计算速度,将所述图像进行二值化,得到所述黑白图像。
S32、计算所述黑白图像每个像素点的灰度值水平方向的偏微分,得到水平梯度;
详细地,本发明实施例为了衡量像素点的灰度值在水平方向的变化,计算所述黑白图像每个像素点的灰度值水平方向的偏微分,得到所述水平梯度。
S33、计算所述黑白图像每个像素点的灰度值垂直方向的偏微分,得到垂直梯度;
相同的,本发明实施例为了衡量像素点的灰度值在垂直方向的变化,计算所述黑白图像每个像素点的灰度值垂直方向的偏微分,得到所述垂直梯度。
S34、根据所述黑白图像中每个像素点对应的水平梯度及垂直梯度计算得到该像素点对应的像素点梯度;
可选地,本发明实施例中可以将所述黑白图像中每个像素点对应的水平梯度的绝对值及垂直梯度绝对值相加,得到所述像素点梯度。
本发明另一实施例中也可以计算所述黑白图像中每个像素点对应的水平梯度及垂直梯度的算术平方根,得到该像素点对应的像素点梯度。本发明实施例中对所述像素点梯度的计算方法不做限制。
S35、将所述黑白图像每个像素点的像素点梯度作为该像素点的灰度值,得到所述梯度图。
本发明实施例将所述黑白图像每个像素点的像素点梯度替换该像素点的灰度值,作为该像素点新的灰度值,得到所述梯度图。
进一步地,本发明实施例中所述计算所述梯度图水平方向的梯度积分,并利用计算的梯度积分绘制曲线得到水平梯度曲线,包括:
将所述梯度图中每一列像素的所有像素点的灰度值相加,得到该列像素的水平梯度积分;
例如:将所述梯度图中第一列像素中所有像素点的灰度值相加,得到第一列像素的水平梯度积分。
利用所有所述水平梯度积分绘制水平梯度曲线。
详细地,本发明实施例中根据所述水平梯度积分及对应列像素的列顺序构建水平梯度积分坐标,利用所有所述水平梯度积分坐标构建曲线,得到水平梯度曲线,例如:所述水平梯度积分为5,该水平梯度积分为第一列像素的水平梯度积分,对应的列顺序为1,那么构建的水平梯度积分坐标为(1,5)。
同理地,本发明实施例中所述计算所述梯度图垂直方向的梯度积分,并利用计算的梯度积分绘制曲线得到垂直梯度曲线,包括:
将所述梯度图中每一行的所有像素点的灰度值相加,得到该行像素的垂直梯度积分;
利用所有所述垂直梯度积分绘制垂直梯度曲线。
详细地,本发明实施例中根据所述垂直梯度积分及对应行像素的行顺序构建垂直梯度积分坐标,利用所有所述垂直梯度坐标积分构建曲线,得到垂直梯度曲线,例如:所述垂直梯度积分为4,该垂直梯度积分为第二行像素的垂直梯度积分,对应的行顺序为2,那么构建的垂直梯度积分坐标为(2,4)。
S2、对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;
本发明实施例中为了测量所述待测量物体的轮廓尺寸,需要先定位所述初始图像中待测物体的边缘。
具体地,本发明实施例中所述对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标,包括:
对所述初始图像进行二值化,得到二值化图像;
对所述二值化图像进行滤波处理,得到滤波图像;
利用预构建的边缘检测算子对所述滤波图像进行边缘检测,以确定所述滤波图像中所述待测量物体的边缘所在像素点,得到边缘像素点;
根据所述边缘像素点在所述滤波图像中的位置确定所述目标图像中的相同位置像素的坐标,得到所述粗粒度边缘像素点坐标。
具体地,本发明其中一个实施例中,所述边缘检测算子可以为Sobel算子。
S3、基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
本发明实施例中所述粗粒度边缘像素点坐标为像素点的坐标,但是像素点之间还有间距,粗粒度边缘像素点坐标只能确定边缘在该像素点,至于在像素点的什么位置则无法进一步衡量,从而导致直接利用粗粒度边缘像素点坐标进行测量的误差较大,映射到现实世界中边缘的误差较大,因此,本发明实施例中基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,对所述粗粒度边缘像素点坐标进行进一步地优化细粒度边缘像素点坐标。
具体地,参阅图4所示,本发明实施例中所述基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标,包括:
S51、在所述目标图像中提取所有所述粗粒度边缘像素点坐标围成的区域,得到边缘图像;
S52、利用预设维度的 Franklin 矩模板与所述边缘图像中的每个像素点进行卷积运算,得到像素点的Franklin 矩;
可选地,本发明实施例对所述Franklin 矩模板的维度不做限制,较佳地,所述维度为7维,即为7*7。
S53、根据所述像素点的Franklin 矩计算得到像素点的中心到边缘的垂直距离及灰度阶跃高度;
S54、根据所述垂直距离及所述灰度阶跃高度对所述边缘图像中的像素点进行筛选,得到目标像素点;
具体地,本发明实施例中将所述垂直距离大于预设距离阈值及所述灰度阶跃高度大于预设高度阈值的像素点确定为所述目标像素点。
S55、获取所述目标像素点的旋转角度及像素点坐标,根据所述维度、所述旋转角度及所述像素点坐标,利用预设的坐标转换公式进行计算,得到对应的细粒度边缘像素点坐标。
具体地,本发明实施例中所述坐标转换公式为:
进一步地,本发明另一实施例中,参阅图5所示,所述基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标,包括:
S61、获取所述目标图像的梯度图中以所述粗粒度边缘像素点坐标为中心水平方向预设个数的连续像素点的灰度值,得到水平边缘像素点梯度;
S62、获取所述梯度图中以所述粗粒度边缘像素点坐标为中心垂直方向预设个数的连续像素点的灰度值,得到垂直边缘像素点梯度;
S63、根据所述水平边缘像素点梯度、所述垂直边缘像素点梯度及所述目标图像的尺寸进行插值计算,得到所述粗粒度边缘像素点坐标对应的细粒度边缘像素点坐标。
具体地,本发明实施例利用如下公式进行插值计算:
其中,为粗粒度边缘像素点坐标的横坐标,为粗粒度边缘像素点坐标的纵坐
标,分别为粗粒度边缘像素点坐标()对应的细粒度边缘像素点坐标的横纵坐
标, 表示所述梯度图中像素的行,j表示梯度图中像素的列,表示所述梯度图中对应像
素点的灰度值,表示所述梯度图中水平尺寸,表示所述梯度图的垂直尺寸。
S4、获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;
本发明实施例中所述所述细粒度边缘像素点坐标点只是图像中所述待测物体边缘的坐标,进一步地,为了测量待测物体边缘的实际尺寸,还需要将所述细粒度边缘像素点坐标转换为真实世界的坐标,因此,本发明实施例基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界。其中,所述成像参数包括但不限于:像距、一个像素点在相机感光板上的物理长度、相机感光板的横边和纵边之间的角度。
具体地,本发明实施例中所述坐标映射函数包括:
其中,、分别为细粒度边缘像素点的横坐标及纵坐标,为像距, 、分别
表示水平及垂直方向上的一个像素在相机感光板上的物理长度, 表示所述相机感光板
的横边和纵边之间的角度,、及分别为真实世界坐标的水平横坐标、水平纵坐标及高
度坐标,、、分别表示预设的旋转矩阵、平移矢量及尺度因子,、表示所述相机感
光板做所述图像中对应像素的横坐标及纵坐标。
S5、对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
本发明实施例中将所有所述真实世界坐标拟合为封闭曲线,得到边缘图形;根据所述边缘图形计算得到所述待测量物体的轮廓尺寸。
可选地,本发明实施例中可利用MATLAB对所述真实世界坐标进行曲线拟合。
如图6所示,是本发明基于图像分析的尺寸测量装置的功能模块图。
本发明所述基于图像分析的尺寸测量装置100可以安装于电子设备中。根据实现的功能,所述基于图像分析的尺寸测量装置可以包括图像切分模块101、边缘检测模块102、坐标映射模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像切分模块101用于对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
所述边缘检测模块102用于对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
所述坐标映射模块103用于获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
详细地,本发明实施例中所述基于图像分析的尺寸测量装置100中所述的各模块在使用时采用与上述图1中所述的基于图像分析的尺寸测量方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图7所示,是本发明实现基于图像分析的尺寸测量方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于图像分析的尺寸测量程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于图像分析的尺寸测量程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于图像分析的尺寸测量程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于图像分析的尺寸测量程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;
基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;
对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的旅游产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;
基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;
对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于图像分析的尺寸测量方法,其特征在于,所述方法包括:
对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;
基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;
对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
2.如权利要求1所述的基于图像分析的尺寸测量方法,其特征在于,所述对目标图像进行基于像素梯度的图像切分,得到初始图像,包括:
对所述目标图像进行梯度计算,得到梯度图;
计算所述梯度图水平方向的梯度积分,并利用计算的梯度积分绘制曲线得到水平梯度曲线;
计算所述梯度图垂直方向的梯度积分,并利用计算的梯度积分绘制曲线得到垂直梯度曲线;
选取所述水平梯度曲线中峰值波段起始点的横坐标,得到水平坐标区间;
选取所述垂直梯度曲线中峰值波段起始点的横坐标,得到垂直坐标区间;
切分所述目标图像中所述水平坐标区间与所述垂直坐标区间共同构成的封闭区域,得到所述初始图像。
3.如权利要求2所述的基于图像分析的尺寸测量方法,其特征在于,所述对所述目标图像进行梯度计算,得到梯度图,包括:
将所述目标图像进行二值化,得到黑白图像;
计算所述黑白图像每个像素点的灰度值水平方向的偏微分,得到水平梯度;
计算所述黑白图像每个像素点的灰度值垂直方向的偏微分,得到垂直梯度;
根据所述黑白图像中每个像素点对应的水平梯度及垂直梯度进行计算,得到该像素点对应的像素点梯度;
将所述黑白图像每个像素点的像素点梯度作为该像素点的灰度值,得到所述梯度图。
4.如权利要求2所述的基于图像分析的尺寸测量方法,其特征在于,所述计算所述梯度图水平方向的梯度积分,并利用计算的梯度积分绘制曲线得到水平梯度曲线,包括:
将所述梯度图中每一列像素中所有像素点的灰度值相加,得到该列像素的水平梯度积分;
利用所有所述水平梯度积分绘制水平梯度曲线。
5.如权利要求2所述的基于图像分析的尺寸测量方法,其特征在于,所述基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标,包括:
获取所述梯度图中以所述粗粒度边缘像素点坐标为中心水平方向预设个数的连续像素点的灰度值,得到水平边缘像素点梯度;
获取所述梯度图中以所述粗粒度边缘像素点坐标为中心垂直方向预设个数的连续像素点的灰度值,得到垂直边缘像素点梯度;
根据所述水平边缘像素点梯度、所述垂直边缘像素点梯度及所述目标图像的尺寸进行插值计算,得到所述粗粒度边缘像素点坐标对应的细粒度边缘像素点坐标。
6.如权利要求1所述的基于图像分析的尺寸测量方法,其特征在于,所述基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标,包括:
提取所述目标图像中所有所述粗粒度边缘像素点坐标围成的区域,得到边缘图像;
利用预设维度的 Franklin 矩模板与所述边缘图像中的每个像素点进行卷积运算,得到该像素点的Franklin 矩;
根据所述像素点的Franklin 矩进行计算,得到该像素点中心到边缘的垂直距离及灰度阶跃高度;
根据所述垂直距离及所述灰度阶跃高度对所述边缘图像中像素点进行筛选,得到目标像素点;
获取所述目标像素点的旋转角度及像素点坐标,根据所述维度、所述旋转角度及所述像素点坐标,利用预设的坐标转换公式进行计算,得到对应的细粒度边缘像素点坐标。
7.如权利要求1至6中任意一项所述的基于图像分析的尺寸测量方法,其特征在于,所述对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标,包括:
对所述初始图像进行二值化,得到二值化图像;
对所述二值化图像进行滤波处理,得到滤波图像;
利用预构建的边缘检测算子对所述滤波图像进行边缘检测,以确定所述滤波图像中所述待测量物体的边缘所在像素点,得到边缘像素点;
根据所述边缘像素点在所述滤波图像中的位置确定所述目标图像中的相同位置像素的坐标,得到所述粗粒度边缘像素点坐标。
8.一种基于图像分析的尺寸测量装置,其特征在于,包括:
图像切分模块,用于对目标图像进行基于像素梯度的图像切分,得到初始图像,其中,所述初始图像包含待测量物体;
边缘检测模块,用于对所述初始图像进行像素点维度的边缘检测定位,以定位所述待测量物体的边缘所在像素点,得到粗粒度边缘像素点坐标;基于所述目标图像对所述粗粒度边缘像素点坐标进行坐标精度转换,以定位所述边缘在所述像素点中的具体位置,得到细粒度边缘像素点坐标;
坐标映射模块,用于获取拍摄所述目标图像的相机的成像参数,基于所述成像参数构建坐标映射函数,利用所述坐标映射函数将所述细粒度边缘像素点坐标映射至真实世界,得到对应的真实世界坐标;对所有所述真实世界坐标进行拟合计算,得到所述待测量物体的轮廓尺寸。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于图像分析的尺寸测量方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于图像分析的尺寸测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767685.7A CN114882059A (zh) | 2022-07-01 | 2022-07-01 | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767685.7A CN114882059A (zh) | 2022-07-01 | 2022-07-01 | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882059A true CN114882059A (zh) | 2022-08-09 |
Family
ID=82683650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210767685.7A Pending CN114882059A (zh) | 2022-07-01 | 2022-07-01 | 基于图像分析的尺寸测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882059A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
CN110136120A (zh) * | 2019-05-16 | 2019-08-16 | 燕山大学 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
CN111724355A (zh) * | 2020-06-01 | 2020-09-29 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
CN114569114A (zh) * | 2022-03-02 | 2022-06-03 | 无锡博奥玛雅医学科技有限公司 | 一种身高测量方法及装置 |
-
2022
- 2022-07-01 CN CN202210767685.7A patent/CN114882059A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
CN108470349A (zh) * | 2018-03-29 | 2018-08-31 | 汕头大学 | 一种运动背景下的微小机械零件尺寸测量筛选方法 |
CN110136120A (zh) * | 2019-05-16 | 2019-08-16 | 燕山大学 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
CN111724355A (zh) * | 2020-06-01 | 2020-09-29 | 厦门大学 | 一种鲍鱼体型参数的图像测量方法 |
CN114569114A (zh) * | 2022-03-02 | 2022-06-03 | 无锡博奥玛雅医学科技有限公司 | 一种身高测量方法及装置 |
Non-Patent Citations (5)
Title |
---|
WEIBO YU ET AL.: "A method for improving the detection accuracy of subpixel edge", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》 * |
吴一全等: "基于Franklin矩的亚像素级图像边缘检测算法", 《仪器仪表学报》 * |
吴晓波等: "应用多项式插值函数提高面阵CCD尺寸测量的分辨力", 《仪器仪表学报》 * |
李科等: "基于深度图与改进Canny算法的人体轮廓提取", 《计算机技术与发展》 * |
李锦鹏: "基于亚像素的零件精密测量技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528863A (zh) | 表格结构的识别方法、装置、电子设备及存储介质 | |
CN111767911A (zh) | 面向复杂环境的印章文字检测识别方法、装置及介质 | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
CN111192293A (zh) | 一种运动目标位姿跟踪方法及装置 | |
CN112233125A (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN115526924B (zh) | 一种蒙特卡洛模拟的水文环境建模方法及系统 | |
CN113554008B (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
CN113920117A (zh) | 一种面板缺陷区域检测方法、装置、电子设备及存储介质 | |
CN113658292A (zh) | 气象数据色斑图生成方法、装置、设备及存储介质 | |
CN111914939A (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
CN113034406A (zh) | 扭曲文档恢复方法、装置、设备及介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN112528908A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN113657385B (zh) | 一种电子计量装置的数据检测方法、装置及电子设备 | |
CN111652209A (zh) | 损伤检测方法、装置、电子设备及介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
CN114495146A (zh) | 图像文本检测方法、装置、计算机设备及存储介质 | |
CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
CN115880448A (zh) | 基于双目成像的三维测量方法、装置、设备及存储介质 | |
CN112528701B (zh) | 二维码检测方法、装置、电子设备及介质 | |
CN114882059A (zh) | 基于图像分析的尺寸测量方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220809 |