CN115830048A - 图像边缘检测方法、装置及相关设备 - Google Patents
图像边缘检测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN115830048A CN115830048A CN202111098587.0A CN202111098587A CN115830048A CN 115830048 A CN115830048 A CN 115830048A CN 202111098587 A CN202111098587 A CN 202111098587A CN 115830048 A CN115830048 A CN 115830048A
- Authority
- CN
- China
- Prior art keywords
- determining
- edge
- target
- edge node
- image
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种图像边缘检测方法、装置及相关设备,其中,方法包括获取目标图像中的N个像素点中各像素点的梯度值和梯度角,并根据N个像素点中梯度值大于第一阈值的第一目标像素点确定与第一目标像素点相邻的M个像素点,对M个像素点的梯度角进行量化处理,确定M个像素点的M个量化值,再根据M个量化值,确定目标图像的边缘节点。这样,在根据像素点的梯度值和梯度角筛选得到边缘节点的过程中去除了图像噪点,从而解决了边缘检测技术容易受到图像噪点的问题,提高了图像边缘检测的检测效果。
Description
技术领域
本申请涉及计算机视觉技术领域,尤其涉及一种图像边缘检测方法、装置及相关设备。
背景技术
在智能化的人机交互过程中,边缘检测技术已经成为图像分割、目标区域识别和区域形状提取等图像分析的重要基础。边缘检测技术在科学研究、工业生产、军事技术和卫生等领域发挥着越来越重要的作用,对边缘检测技术的研究也日益受到人们的重视。目前,边缘检测技术容易受到图像噪点的影响,导致检测效果较差。
发明内容
本申请实施例提供一种图像边缘检测方法、装置及相关设备,解决了边缘检测技术容易受到图像噪点影响的问题。
为达到上述目的,第一方面,本申请实施例提供一种图像边缘检测方法,包括:
获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数;
根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点;
对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值,M为正整数,所述第一目标像素点为所述梯度值大于第一阈值的像素点;
根据所述M个量化值,确定所述目标图像的边缘节点;
根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
第二方面,本申请实施例提供一种图像边缘检测装置,包括:
第一获取模块,用于获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数;
第一确定模块,用于根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点;
第二确定模块,用于对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值,M为正整数,所述第一目标像素点为所述梯度值大于第一阈值的像素点;
第三确定模块,用于根据所述M个量化值,确定所述目标图像的边缘节点;
第四确定模块,用于根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
第三方面,本申请实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;所述处理器,用于读取存储器中的程序实现如第一方面所述的图像边缘检测方法中的步骤。
第四方面,本申请实施例提供一种可读存储介质,用于存储程序,所述程序被处理器执行时实现如第一方面所述的图像边缘检测方法中的步骤。
本申请实施例中,通过获取目标图像中的N个像素点中各像素点的梯度值和梯度角,并根据N个像素点中梯度值大于第一阈值的第一目标像素点确定与第一目标像素点相邻的M个像素点,对M个像素点的梯度角进行量化处理,确定M个像素点的M个量化值,再根据M个量化值,确定目标图像的边缘节点。通过根据像素点的梯度值筛选出第一目标像素点,再将像素点的梯度角量化得到量化值,并根据量化值进一步筛选得到边缘节点,这样,在根据像素点的梯度值和梯度角筛选得到边缘节点的过程中去除了图像噪点,从而解决了边缘检测技术容易受到图像噪点的问题,提高了图像边缘检测的检测效果。
附图说明
为了更清楚的说明本申请实施例中的技术方案,现对说明书附图作如下说明,显而易见地,下述附图仅是本申请的实施例,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,还可以根据所列附图获得其他附图。
图1是本申请实施例可应用的系统的结构示意图;
图2是本申请实施例提供的图像边缘检测方法的流程示意图;
图3是本申请实施例提供的目标图像的示例图之一;
图4是图3的目标图像的像素梯度值的示意图;
图5是图3的目标图像的梯度角量化的示意图;
图6是图3的目标图像的第二边缘节点的示意图;
图7是图3的目标图像的边缘节点集的示意图;
图8是本申请实施例提供的目标图像的示例图之二;
图9是本申请实施例提供的图像边缘检测装置的结构示意图;
图10是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。在本申请中的实施例的基础上,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,图1是本申请实施例可应用的系统的结构图,如图1所示,包括智能相机11、工控机12和机器13。智能相机11和工控机12之间可以进行通信,智能相机11可根据本申请实施例提供的方法对目标图像进行检测,并可向工控机12发送检测结果,工控机12和机器13之间也可以进行通信,工控机12根据检测结果向机器13下发指令,控制机器13根据指令执行操作。
不同于传统的工业视觉检测系统将目标图像传输到工控机进行处理、分析,本申请实施例提供的方法可以在智能相机完成对目标图像的处理、检测和分析,并通过通信模组将检测结果回传至工控机。这样,一方面可避免在工控机上安装付费的软件工具库、降低了对工控机的软硬件性能的需求,另一方面也减轻了数据传输的压力。
可以将本申请实施例提供的方法存储在芯片中,该芯片可以为存算一体的芯片,并且该芯片具有相应调用、测试接口,可便于后续针对不同应用场景的微调。再将该芯片集成于智能相机11中。
参见图2,图2是本申请实施例提供的图像边缘检测方法的流程示意图之一。图2所示的图像边缘检测方法可以由智能相机11执行。
如图2所示,图像边缘检测方法可以包括如下步骤:
步骤201,获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数。
获取目标图像的图像特征的方法包括但不限于索贝尔Sobel算子、普利维特Prewitt边缘检测算子、罗伯茨Roberts边缘检测算子、坎尼Canny边缘检测算子、拉普拉斯Laplace边缘检测算子。可以先获取所述N个像素点的N个x轴方向的第一梯度和N个y轴方向的第二梯度,再根据所述N个第一梯度和所述N个第二梯度,确定所述N个梯度值和所述N个梯度角。
具体实现时,可以通过索贝尔算子获取目标图像的图像特征。索贝尔算子是把目标图像中每个像素点的上下左右四领域的灰度值加权差,在边缘处达到极值从而检测边缘。索贝尔算子有两个,一个检测水平边缘,另一个检测垂直边缘。可以通过索贝尔算子先确定目标图像中各像素点位置上的x轴方向的梯度值sobel_x和y轴方向的梯度值sobel_y,sobel_x=Sobel(img,1,0),sobel_y=Sobel(img,0,1)。再根据各像素点x轴方向的梯度值和y轴方向的梯度值,确定各像素点的梯度值以及各像素点的梯度角angle=arctan(sobel_y/sobel_x)。
上述N个像素点为通过算子检测到的目标图像中的初始边缘节点。具体实现时,还可以通过预设参数值调节通过算子获取目标图像的初始边缘节点个数,如设定预设参数值作为初始边缘节点的下限值,使通过算子检测到的目标图像中的初始边缘节点个数大于预设参数值。
若目标图像如图3所示,则通过算子获取目标图像的图像特征后,可获得目标图像对应的梯度图,目标图像对应的梯度图如图4所示。
步骤202,根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点。
上述第一阈值为根据实际情况预先设置的值,将N个像素点中梯度值大于第一阈值的像素点确定为第一目标像素点。若第一目标像素点不止一个,则应确定每个第一目标像素点相邻的M个像素点。具体实现时,可以将第一目标像素点邻近的3×3窗口中的9个像素点确定为与第一目标像素点相邻的M个像素点。也可以将第一目标像素点邻近的4×4窗口中的16个像素点确定为与第一目标像素点相邻的M个像素点。可根据实际需要选取合适的相邻范围,从而确定与第一目标像素点相邻的M个像素点。
步骤203,对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值。
具体实现时,可将与第一目标像素点相邻的M个像素点按图5所示的方式进行量化处理。因为像素点的梯度角angle=arctan(sobel_y/sobel_x),所以像素点的梯度角的取值范围为﹣180°至﹢180°,即是说M个像素点的梯度角可能为﹣180°至﹢180°中的任意一个值。按图5所示的方式,可以将0°至﹢180°划分为八个等分区间,并用量化值如数字代表每个等分区间,如将0°至﹢22.5°,包括0°,用数字0表示,将22.5°至﹢45°,包括22.5°用数字1表示,将45°至﹢67.5°,包括45°用数字2表示,将67.5°至﹢90°,包括67.5°用数字3表示,将90°至﹢112.5°,包括90°用数字4表示,将112.5°至﹢135°,包括122.5°用数字5表示,将135°至﹢157.5°,包括135°用数字6表示,将157.5°至﹢180°,包括157.5°和180°用数字7表示。其中,数字0至7即为量化值。同理,也可将0°至﹣180°划分为八个等分区间,并用量化值如数字代表每个等分区间,对0°至﹣180°进行量化处理的方式与0°至﹢180°进行量化处理的方式类似,在此不再赘述。
对M个像素点的梯度角进行量化处理后,确定各像素点的量化值的方式为,将代表像素点的梯度值所在的等分区间的数字,确定为像素点的量化值。如,若像素点的梯度角为﹢140.5°,则该像素点的量化值为6;又如,若像素点的梯度角为﹢0°,则该像素点的量化值为0。
需要说明的是,上述方式仅为确定M个像素点中各像素点的量化值的一种方式,具体实现时,在确定M个像素点中各像素点的量化值的过程中,还可以将﹣180°至﹢180°划分为其他等分如18个等分,或者12个等分;或者用不同字母作为量化值代表各等分区间。
步骤204,根据所述M个量化值,确定所述目标图像的边缘节点。
具体实现时,可以根据M个量化值中各量化值出现的频率确定目标图像的边缘节点。作为一个示例,若将第一目标像素点邻近的3×3窗口中的9个像素点确定为与第一目标像素点相邻的M个像素点。且按图5所示的方式,将﹣180°至﹢180°划分为16个等分区间,首先得到9个像素点的量化值,并统计各量化值出现的频率。如:9个像素点的量化值分别为1、5、0、2、5、5、5、3、3、2,则量化值0出现的频率为1,量化值1出现的频率为1,量化值2出现的频率为2,量化值3出现的频率为2,量化值4出现的频率为0,量化值5出现的频率为4,量化值6出现的频率为0,量化值7出现的频率为0。可以将量化值出现频率最大的量化值所对应的像素点,确定为目标图像的边缘节点。
步骤205,根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
得到目标图像的边缘节点之后,可以采用密度聚类的方法对边缘节点进行聚类、筛查、划分,进而根据聚类结果确定目标图像中的边缘检测结果。
本申请实施例中,通过获取目标图像中的N个像素点中各像素点的梯度值和梯度角,并根据N个像素点中梯度值大于第一阈值的第一目标像素点确定与第一目标像素点相邻的M个像素点,对M个像素点的梯度角进行量化处理,确定M个像素点的M个量化值,再根据M个量化值,确定目标图像的边缘节点。通过根据像素点的梯度值筛选出第一目标像素点,再将像素点的梯度角量化得到量化值,并根据量化值进一步筛选得到边缘节点,这样,在根据像素点的梯度值和梯度角筛选得到边缘节点的过程中去除了图像噪点,从而解决了边缘检测技术容易受到图像噪点的问题,提高了图像边缘检测的检测效果。
可选地,根据所述M个量化值,确定所述目标图像的边缘节点,包括:
确定所述M个量化值中每一个量化值出现的频次。该步骤可以参见前文对应部分的具体描述,在此不再赘述。
将所述频次大于等于第一预设值的量化值所对应的像素点,确定为第一边缘节点。
第一预设值为根据实际情况确定的值,第一预设值可以根据与第一目标像素点相邻的M个像素点的个数确定。示例性的,第一预设值为M个像素点的个数除2后取整得到的值,如若将第一目标像素点邻近的3×3窗口中的9个像素点确定为与第一目标像素点相邻的M个像素点。那么第一预设值可以为5。又如,若将第一目标像素点邻近的4×4窗口中的16个像素点确定为与第一目标像素点相邻的M个像素点。那么第一预设值可以为8。
具体实现时,若将第一目标像素点邻近的3×3窗口中的9个像素点确定为与第一目标像素点相邻的M个像素点。且按图5所示的方式,将﹣180°至﹢180°划分为16个等分区间,首先得到9个像素点的量化值,然后统计各量化值出现的频率。如:9个像素点的量化值分别为1、5、0、2、5、5、5、3、5、2,则量化值0出现的频率为1,量化值1出现的频率为1,量化值2出现的频率为2,量化值3出现的频率为1,量化值4出现的频率为0,量化值5出现的频率为5,量化值6出现的频率为0,量化值7出现的频率为0。在该场景中,第一预设值可以为5,量化值5出现的频率等于5,则可将与量化值5对应的像素点确定为第一边缘节点。
根据所述第一边缘节点,确定所述目标图像的边缘节点。具体实现时,可以直接将第一边缘节点确定为目标图像的边缘节点。
本申请实施例中,通过根据像素点量化值出现的频率进一步筛选确定目标图像的边缘节点,这样,在根据像素点量化值出现的频率筛选得到边缘节点的过程中进一步去除图像噪点,从而解决了边缘检测技术容易受到图像噪点的问题,提高了图像边缘检测的检测效果。
可选地,所述根据所述第一边缘节点,确定所述目标图像的边缘节点,包括:
对第二目标像素点的梯度值进行非极大值抑制处理,确定第二边缘节点,所述第二目标像素点为所述第一边缘节点中所述梯度值小于第二阈值的像素点。
第二阈值为根据实际情况确定的值,应理解,第二阈值大于第一阈值。具体实现时,首先将第一边缘节点的梯度值与第二阈值进行比较,将第一边缘节点中的梯度值小于第二阈值的像素点确定为第二目标像素点。然后对第二目标像素点的梯度值进行非极大值抑制处理。非极大值抑制(Non-Maximum Suppression,简称NMS),顾名思义就是抑制不是极大值的元素,可以理解为局部最大搜索。这个局部代表的是一个邻域,邻域有两个参数可变,一是邻域的维数,二是邻域的大小。进行非极大值抑制得到第二边缘节点candidates=NMS(magnitude,S,n_nms)。candidates代表第二边缘节点,magnitude为各像素点的梯度值,S代表第二阈值,n_nms为针对某一像素位置在其n_nms x n_nms窗口内采用非极大值抑制,n_nms默认为5。
还可以将得到的第二边缘节点按照梯度值的大小倒序排列。若目标图像如图3所示,则通过非极大值抑制处理,可获得第二边缘节点如图6所示。
根据所述第二边缘节点,确定所述目标图像的边缘节点。具体实现时,可以直接将第二边缘节点确定为目标图像的边缘节点。
本申请实施例中,通过根据第二阈值从第一边缘节点中筛选出第二目标像素点,并对第二目标像素点的梯度值进行非极大值抑制处理进一步筛选确定目标图像的边缘节点,这样,在上述筛选的过程中进一步去除图像噪点,从而解决了边缘检测技术容易受到图像噪点的问题,提高了图像边缘检测的检测效果。
可选地,所述根据所述第二边缘节点,确定所述目标图像的边缘节点,包括:
将所述第二边缘节点中所述梯度值最大的像素点确定为所述边缘节点集中的节点。
具体实现时,可将第二边缘节点按照梯度值的大小倒序排列。先将排在第一位的第二边缘节点即第二边缘节点中梯度值最大的像素点,确定为边缘节点集中的节点。
若所述第二边缘节点中的第一节点与边缘节点集中的每个第二节点之间的距离均大于预设距离,则将所述第一节点确定为所述边缘节点集中的节点;
具体实现时,在已将第二边缘节点中梯度值最大的像素点,确定为边缘节点集中的节点后,可以按照第二边缘节点的倒序排列顺序,确定排在第二位的第二边缘节点与此时边缘节点集中的节点即第二边缘节点中梯度值最大的像素点之间的距离。
若该距离大于预设距离,则将排在第二位第二边缘节点,确定为边缘节点集中的节点,继续确定排在第三位的第二边缘节点与此时边缘节点集中的节点之间的距离,此时边缘节点集中的节点包括第二边缘节点中梯度值最大的像素点和排在第二位第二边缘节点,分别确定排在第三位的第二边缘节点与第二边缘节点中梯度值最大的像素点和排在第二位第二边缘节点之间的两个距离,若该两个距离均大于预设距离,则将排在第三位的第二边缘节点确定为边缘节点集中的边缘节点,若该两个距离中有一个或两个都小于等于预设距离,则说明排在第三位的第二边缘节点不符合要求,继续确定第二边缘节点中其他节点是否满足要求,直到所有的第二边缘节点均经过上述判断后,可结束判断。
若该距离小于等于预设距离,则说明排在第二位第二边缘节点不符合要求,继续确定排在第三位的第二边缘节点与此时边缘节点集中的节点即第二边缘节点中梯度值最大的像素点之间的距离。接下来的过程与前述部分类似,在此不再赘述。
将所述边缘节点集中的节点确定为所述目标图像的边缘节点。具体实现时,可以将边缘节点集中的节点确定为目标图像的边缘节点。
若获得第二边缘节点如图6所示,则对第二边缘节点用本申请实施例提供的方法进行处理,得到的边缘节点集中的节点如图7所示。
本申请实施例中,通过将第二边缘节点中与边缘节点集中的每个第二节点之间的距离均大于预设距离的第一节点,确定为边缘节点集中的节点,从而进一步筛选确定目标图像的边缘节点,这样,在上述筛选的过程中进一步去除图像噪点,从而解决了边缘检测技术容易受到图像噪点的问题,提高了图像边缘检测的检测效果。
在确定边缘节点后,本申请实施例还可基于上述边缘节点,对目标图像进行检测,如对目标图像进行检测,寻找目标图形中的圆形或角的确切位置。可选地,所述根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果,包括:
通过密度聚类将所述边缘节点划分到P个目标类中,P为正整数;
由于目标图像中不同边缘所在位置存在明显间隔,可通过密度聚类将所述边缘节点划分到P个目标类中。以图8为例,首先采用本申请实施例提供的方法,确定图8所示的目标图像的边缘节点,再通过密度聚类将边缘节点划分到5个目标类中,分别记为Cluster1,…,Cluster5,针对每一类Clusteri,i=1,2,3,4,5,记NCi为该类的样本个数。
生成所述目标图像待检测对象的角度模板;
以图8为例,若对目标图像进行检测的目的是,确定目标图像中圆形的确切位置。那么待检测对象则为圆形,首先生成NCi个圆边缘节点的角度模板Tempi,如当NCi=0时,Tempi为{0,36,72,108,144,180,216,252,288,324},
分别确定所述角度模板与所述P个目标类中的所述边缘节点梯度角的P个相关系数;
以图8为例,确定Tempi同对应类中节点梯度角的相关系数。在确定Tempi同对应类中节点梯度角的相关系数之前,可以先采用前文所述的梯度角量化处理方法,对各节点(即像素点)进行角度量化,并计算各量化值的频次,得到频次最高的量化角度angle_tmp及其对应频次angle_freq。最终angle_quant=2angle_tmpIF angle_freq≥5ELSE 0。通过上述过程,可以降低确定相关系数时的计算量,从而提高确定效率。得到相关系数的结果如表1所示。
相关系数 | 全精度 | Quant_2 | Quant_4 | Quant_8 | Quant_16 |
Cluster<sub>1</sub> | 0.850 | 0.539 | 0.823 | 0.850 | 0.852 |
Cluster<sub>2</sub>(圆) | 0.999 | 0.956 | 0.970 | 0.986 | 0.999 |
Cluster<sub>3</sub> | 0.934 | 0.763 | 0.908 | 0.951 | 0.934 |
Cluster<sub>4</sub> | 0.697 | 0.171 | 0.545 | 0.772 | 0.697 |
Cluster<sub>5</sub> | 0.894 | 0.590 | 0.911 | 0.900 | 0.894 |
表1
根据所述P个相关系数,获得边缘检测结果。
以图8为例,将相关系数最大的类所对应的位置确定为待检测对象的确切位置。由表1可知,Cluster2的相关系数最大,可确定Cluster2所在的位置为目标图像中圆的确定位置。
参见图9,本申请实施例还一种图像边缘检测装置300,包括:
第一获取模块301,用于获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数;
第一确定模块302,用于根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点;
第二确定模块303,用于对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值,M为正整数,所述第一目标像素点为所述梯度值大于第一阈值的像素点;
第三确定模块304,用于根据所述M个量化值,确定所述目标图像的边缘节点;
第四确定模块305,用于根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
可选地,所述第三确定模块304包括:
第一确定单元,用于确定所述M个量化值中每一个量化值出现的频次;
第二确定单元,用于将所述频次大于等于第一预设值的量化值所对应的像素点,确定为第一边缘节点;
第三确定单元,用于根据所述第一边缘节点,确定所述目标图像的边缘节点。
可选地,所述第三确定单元包括:
对第二目标像素点的梯度值进行非极大值抑制处理,确定第二边缘节点,所述第二目标像素点为所述第一边缘节点中所述梯度值小于第二阈值的像素点;
根据所述第二边缘节点,确定所述目标图像的边缘节点。
可选地,所述根据所述第二边缘节点,确定所述目标图像的边缘节点,包括:
将所述第二边缘节点中所述梯度值最大的像素点确定为所述边缘节点集中的节点;
若所述第二边缘节点中的第一节点与边缘节点集中的每个第二节点之间的距离均大于预设距离,则将所述第一节点确定为所述边缘节点集中的节点;
将所述边缘节点集中的节点确定为所述目标图像的边缘节点。
可选地,所述根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果,包括:
通过密度聚类将所述边缘节点划分到P个目标类中,P为正整数;
生成所述目标图像待检测对象的角度模板;
分别确定所述角度模板与所述P个目标类中的所述边缘节点梯度角的P个相关系数;
根据所述P个相关系数,获得边缘检测结果。
图像边缘检测装置300能够实现本申请实施例中图像边缘检测方法实施例能够实现的各个过程,以及达到相同的有益效果,为避免重复,在此不再赘述。
本申请实施例提供一种电子设备。如图10所示,电子设备400包括:处理器401、存储器402及存储在所述存储器402上并可在所述处理器上运行的计算机程序,电子设备400中的各个组件通过总线系统404耦合在一起。可理解,总线系统404用于实现这些组件之间的连接通信。
其中,处理器401,用于获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数;
根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点;
对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值,M为正整数,所述第一目标像素点为所述梯度值大于第一阈值的像素点;
根据所述M个量化值,确定所述目标图像的边缘节点;
根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
处理器401还用于确定所述M个量化值中每一个量化值出现的频次;
将所述频次大于等于第一预设值的量化值所对应的像素点,确定为第一边缘节点;
根据所述第一边缘节点,确定所述目标图像的边缘节点。
处理器401还用于对第二目标像素点的梯度值进行非极大值抑制处理,确定第二边缘节点,所述第二目标像素点为所述第一边缘节点中所述梯度值小于第二阈值的像素点;
根据所述第二边缘节点,确定所述目标图像的边缘节点。
处理器401还用于将所述第二边缘节点中所述梯度值最大的像素点确定为所述边缘节点集中的节点;
若所述第二边缘节点中的第一节点与边缘节点集中的每个第二节点之间的距离均大于预设距离,则将所述第一节点确定为所述边缘节点集中的节点;
将所述边缘节点集中的节点确定为所述目标图像的边缘节点。
处理器401还用于通过密度聚类将所述边缘节点划分到P个目标类中,P为正整数;
生成所述目标图像待检测对象的角度模板;
分别确定所述角度模板与所述P个目标类中的所述边缘节点梯度角的P个相关系数;
根据所述P个相关系数,获得边缘检测结果。
本申请实施例提供的电子设备400能够实现本申请图像边缘检测方法实施例中能够实现的各个过程,以及达到相同的有益效果,为避免重复,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述图像边缘检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种图像边缘检测方法,其特征在于,包括:
获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数;
根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点;
对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值,M为正整数,所述第一目标像素点为所述梯度值大于第一阈值的像素点;
根据所述M个量化值,确定所述目标图像的边缘节点;
根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
2.根据权利要求1所述的图像边缘检测方法,其特征在于,所述根据所述M个量化值,确定所述目标图像的边缘节点,包括:
确定所述M个量化值中每一个量化值出现的频次;
将所述频次大于等于第一预设值的量化值所对应的像素点,确定为第一边缘节点;
根据所述第一边缘节点,确定所述目标图像的边缘节点。
3.根据权利要求2所述的图像边缘检测方法,其特征在于,所述根据所述第一边缘节点,确定所述目标图像的边缘节点,包括:
对第二目标像素点的梯度值进行非极大值抑制处理,确定第二边缘节点,所述第二目标像素点为所述第一边缘节点中所述梯度值小于第二阈值的像素点;
根据所述第二边缘节点,确定所述目标图像的边缘节点。
4.根据权利要求3所述的图像边缘检测方法,其特征在于,所述根据所述第二边缘节点,确定所述目标图像的边缘节点,包括:
将所述第二边缘节点中所述梯度值最大的像素点确定为所述边缘节点集中的节点;
若所述第二边缘节点中的第一节点与边缘节点集中的每个第二节点之间的距离均大于预设距离,则将所述第一节点确定为所述边缘节点集中的节点;
将所述边缘节点集中的节点确定为所述目标图像的边缘节点。
5.根据权利要求1所述的图像边缘检测方法,其特征在于,所述根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果,包括:
通过密度聚类将所述边缘节点划分到P个目标类中,P为正整数;
生成所述目标图像待检测对象的角度模板;
分别确定所述角度模板与所述P个目标类中的所述边缘节点梯度角的P个相关系数;
根据所述P个相关系数,获得边缘检测结果。
6.一种图像边缘检测装置,其特征在于,包括:
第一获取模块,用于获取目标图像的图像特征,所述图像特征包括所述目标图像中N个像素点中各像素点的梯度值和梯度角,N为正整数;
第一确定模块,用于根据第一目标像素点确定与所述第一目标像素点相邻的M个像素点,M为正整数,所述第一目标像素点为所述N个像素点中梯度值大于第一阈值的像素点;
第二确定模块,用于对所述M个像素点的梯度角进行量化处理,确定所述M个像素点的M个量化值,M为正整数,所述第一目标像素点为所述梯度值大于第一阈值的像素点;
第三确定模块,用于根据所述M个量化值,确定所述目标图像的边缘节点;
第四确定模块,用于根据所述边缘节点,对所述目标图像进行检测,获得边缘检测结果。
7.根据权利要求6所述的图像边缘检测装置,其特征在于,所述第三确定模块包括:
第一确定单元,用于确定所述M个量化值中每一个量化值出现的频次;
第二确定单元,用于将所述频次大于等于第一预设值的量化值所对应的像素点,确定为第一边缘节点;
第三确定单元,用于根据所述第一边缘节点,确定所述目标图像的边缘节点。
8.根据权利要求7所述的图像边缘检测装置,其特征在于,所述第三确定单元包括:
对第二目标像素点的梯度值进行非极大值抑制处理,确定第二边缘节点,所述第二目标像素点为所述第一边缘节点中所述梯度值小于第二阈值的像素点;
根据所述第二边缘节点,确定所述目标图像的边缘节点。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至5中任一项所述的图像边缘检测方法中的步骤。
10.一种可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1至5中任一项所述的图像边缘检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111098587.0A CN115830048A (zh) | 2021-09-18 | 2021-09-18 | 图像边缘检测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111098587.0A CN115830048A (zh) | 2021-09-18 | 2021-09-18 | 图像边缘检测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830048A true CN115830048A (zh) | 2023-03-21 |
Family
ID=85515343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111098587.0A Pending CN115830048A (zh) | 2021-09-18 | 2021-09-18 | 图像边缘检测方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830048A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575886A (zh) * | 2024-01-15 | 2024-02-20 | 之江实验室 | 一种图像边缘检测器、检测方法、电子设备、介质 |
-
2021
- 2021-09-18 CN CN202111098587.0A patent/CN115830048A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575886A (zh) * | 2024-01-15 | 2024-02-20 | 之江实验室 | 一种图像边缘检测器、检测方法、电子设备、介质 |
CN117575886B (zh) * | 2024-01-15 | 2024-04-05 | 之江实验室 | 一种图像边缘检测器、检测方法、电子设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766679B (zh) | 镜头脏污检测方法、装置及终端设备 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
Vijay et al. | Gray scale image segmentation using OTSU Thresholding optimal approach | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
WO2015013719A1 (en) | Adaptive noise filter | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
CN116309757A (zh) | 基于机器视觉的双目立体匹配方法 | |
CN112150371A (zh) | 图像降噪方法、装置、设备及存储介质 | |
CN112634288A (zh) | 设备区域图像分割方法及装置 | |
CN115830048A (zh) | 图像边缘检测方法、装置及相关设备 | |
CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
Sergyán | Edge detection techniques of thermal images | |
Maity et al. | Background modeling and foreground extraction in video data using spatio-temporal region persistence features | |
CN110378271B (zh) | 一种基于质量维度评估参量的步态识别设备筛选方法 | |
CN111898408A (zh) | 一种快速人脸识别方法及装置 | |
CN115482239A (zh) | 一种图像定位方法、系统、装置及介质 | |
CN116310568A (zh) | 图像异常的识别方法、装置、计算机可读存储介质及设备 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN114821596A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN110378270B (zh) | 一种基于质量维度评估参量的人脸识别设备筛选方法 | |
CN108629788B (zh) | 一种图像边缘检测方法、装置、设备及可读存储介质 | |
CN114255326A (zh) | 点云数据的处理方法、装置、电子设备和存储介质 | |
CN112614100A (zh) | 海洋浮游生物图像分割方法 | |
Wang et al. | Supervised texture segmentation using wavelet transform |
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 |