CN115830098A - 基于多尺度平滑和关键点搜索的高精度椭圆拟合方法 - Google Patents
基于多尺度平滑和关键点搜索的高精度椭圆拟合方法 Download PDFInfo
- Publication number
- CN115830098A CN115830098A CN202211650633.8A CN202211650633A CN115830098A CN 115830098 A CN115830098 A CN 115830098A CN 202211650633 A CN202211650633 A CN 202211650633A CN 115830098 A CN115830098 A CN 115830098A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- fitting
- order
- points
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度平滑和关键点搜索的高精度椭圆拟合方法。本发明所提出的方法首先利用多尺度算子对输入图像进行收缩,从而可以去除大量离群点,然后对子图像进行平滑处理,进一步提高数据质量。然后,基于关键点搜索方法,通过分析图像中的离散像素点来提高拟合精度。本发明所提出的方法旨在优化拟合点的选取,与其他传统椭圆拟合方法相比,它克服了传统椭圆拟合算法易受离群点影响的缺点,具有更高的鲁棒性和准确性。同时,本发明还可以作为其他椭圆拟合算法的预处理方法,直接提高它们的拟合精度。
Description
技术领域
本发明涉及基于多尺度平滑和关键点搜索的高精度椭圆拟合方法,属于计算机视觉、数字图像处理技术领域,主要涉及特征参数识别和轮廓分析技术。
背景技术
椭圆拟合是计算机视觉领域中的一个关键问题。作为最常见的圆锥曲线之一,生活中所有存在的圆、圆弧、椭圆等二次曲线结构的物体在图像中都可以精确表示为一个椭圆或多个椭圆相交、合并、作差等组合操作的对象。简而言之,椭圆拟合可以广泛的应用于人脸识别、医学图像分割、无人驾驶等领域。椭圆拟合为适应各类使用场景,从图像中实时和高精度的拟合出椭圆成为了计算机视觉,目标检测的关键。以无人驾驶技术为例,由于识别图像是复杂的实际街道或自然场景,现有的非人工智能方法中椭圆拟合方法存在易受离群点的影响,导致拟合精度不高,甚至可能拟合处错误的椭圆;现有的人工智能方法中椭圆拟合方法需要对所有需要检测的目标建立大量数据集用于识别训练以保证准确,受训练样本不足和涉及对象不定影响,导致拟合精度不高。本方法设计了一个多尺度算子来缩小输入图像以去除孤立或不连续的像素,然后通过关键点搜索算法搜索关键点,最后平滑关键点进行椭圆拟合,最终达到提高拟合精度的目的。
发明内容
本发明针对非人工智能领域中椭圆拟合方法的瓶颈,提出了基于多尺度平滑和关键点搜索的高精度椭圆拟合方法。目前,椭圆拟合方法主要有基于代数的椭圆拟合方法、基于几何的椭圆拟合方法,基于鲁棒性的椭圆拟合方法。由于基于代数的椭圆拟合方法和基于几何的椭圆拟合方法易受离群点的影响,继而影响精度,本发明的目的是通过优化拟合点的选取来提高拟合精度。
本发明所提供的技术方案的具体步骤如下:
步骤S1:获取待椭圆拟合图像,待椭圆拟合图像的获取使用应用场景下设备的图像存储模块或图像传感器得到待椭圆拟合图像。摄像图像可以兼容灰度图和RGB、HSV、CMYK等多颜色图像。
步骤S2:图像处理,使用Canny边缘检测算法提取输入的待椭圆拟合图像的椭圆弧段,然后根据椭圆弧段的凹凸性对每一段弧进行分割得到椭圆弧,最后使用基于边缘连接方法的椭圆检测算法AAMED中所提供的椭圆组合算法对分割之后的椭圆弧进行组合,得到椭圆弧组合图像。
步骤S3:多尺度特征像素标记,将k*k个像素点作为一个k阶单元格,把步骤S2中所得到的椭圆弧组合图像中的k阶单元格映射成k阶尺度特征像素图像中的一个像素点,将大小为m*n的椭圆弧组合图像缩小为原来的得到k*k个k阶尺度特征像素图像。如果k阶单元格的多尺度特征值大于给定阈值θ,则该k阶单元格在k阶尺度特征像素图像中对应的像素点标记为边缘点;否则,就标记为非边缘点。
所述的k阶单元格的多尺度特征值定义:k阶单元格的多尺度特征值定义为k阶单元格中边缘点的个数。
所述的孤立点的定义:孤立点的定义为度为0的边缘点,即该点的8领域中没有边缘点。
步骤S5:k阶尺度特征像素图像划分,将k阶尺度特征像素图像的像素点位置以P(i,j)表示,i表示像素所在图像的列数,j表示像素所在图像的行数,i∈(a,b),j∈(c,d),以k阶尺度特征像素图像的四个极值点作为划分边界点,连接上、下侧极值点和左、右侧极值点将k阶尺度特征像素图像划分为四个区域,记为L-U区域、U-R区域、R-B区域、B-L区域。
步骤S6:基于空间特性的特征像素图像对四个区域分别进行关键点搜索,对四个区域中的边缘点在特征像素图像中所对应的k阶单元格分别按照相应的顺时针方向寻找关键点。
以L-U区域为例:首先,从k阶单元格的左下角开始从下往上,从左往右的顺时针方向查找,如果在P(i,j)处寻找到了边缘点,则缩小查找范围,从点P(i-1,j+1)处继续查找边缘点,直到查找到k阶单元格边界。通过该流程搜索到的边缘点即为关键点。
步骤S7:提取特征像素图像拟合点,对k阶单元格进行平滑,将每一个k阶单元格均分为四个子网格,然后对每一个子网格中的关键点取重心坐标作为最后的拟合点。
步骤S8:拟合椭圆,对步骤S7中提取的特征像素图像拟合点,使用最小二乘法进行拟合,最终得到椭圆的参数表示。
步骤S9:特征像素图像输出,基于不同使用情况下的输入图像数据不同,使用特征像素图像对输入图像上色,输出拟合结果。
本发明的有益效果:
本发明的核心技术特点是通过优化拟合点的选取以达到高拟合精度和高鲁棒性。本发明结合了多尺度算子和关键点搜索算法,利用多尺度算子将原图缩小以去除大部分的离群点,通过关键点搜索算法搜索关键点,然后平滑关键点以提高算法的拟合精度。实验表明,相比于其他传统的椭圆拟合方法,该方法具有更准确更强大的性能,同时,该方法还可以作为其他拟合算法的预处理方法以提高它们的拟合精度。
附图说明
图1为基于多尺度平滑和关键点搜索的椭圆拟合方法的流程图;
图2为无人驾驶采集图像数据的图像处理
图3为圆弧段类型图
图4为无人驾驶采集图像数据的特征像素标记
图5为孤立点示意图;
图6为特征像素图像划分原理示意图
图7为L-U区域关键点搜索流程图。
图8为无人驾驶采集图像数据的关键点搜索结果。
图9为无人驾驶采集图像数据拟合结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。本发明实施例应用背景为无人驾驶采集图像的椭圆检测。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。
参考图1,其示出了基于多尺度平滑和关键点搜索的椭圆拟合方法的实施例的流程示意图,详述如下:
在步骤S1中,获取车辆驾驶场景中的道路图像,道路图像可以由应用场景下车辆的图像存储模块或图像传感器得到。摄像图像可以兼容灰度图和RGB、HSV、CMYK等多颜色图像。
在步骤S2中,处理获取的道路图像,提取输入图像的弧段。参考图2所示,通过对输入图像进行边缘检测、弧段分割和椭圆组合操作,最终得到了分组之后的椭圆弧段组。
在步骤S21中,使用Canny边缘检测算法提取输入图像的弧段。
在步骤S22中,从边缘图像中某一点开始顺时针遍历每一段圆弧,只保留相邻的倾斜点对以形成边缘点序列,记录每个边缘点的坐标并计算其方向信息。
所述的倾斜点对的定义:一个倾斜点对中的两点pi(xi,yi)、pi+1(xi+1,yi+1)满足xi!=xi+1并且yi!=yi+1。
在步骤S23中,根据倾斜点对的坐标变换规律,任意一椭圆弧段可以被划分为下凸、上凸、下凹、上凹4类(对于一条较长的椭圆弧段,可能包含两种以上的椭圆弧种类)。令pi(xi,yi)、pi+1(xi+1,yi+1)为两个相邻的边缘点,并且Δx=xi+1-xi,Δy=yi+1-yi,则点pi的坐标变换被定义为:
如图3所知,如果pi属于上凸弧段,则pi+1一定属于上凸弧段或者下凸弧段,否则pi是分裂点。
在步骤S24中,根据步骤S23,将边缘图中的每一段弧进行分割,得到椭圆弧段。
在步骤S25中,根据基于边缘连接方法的椭圆检测算法AAMED中所提供的椭圆组合算法对分割之后的椭圆弧进行组合。
在步骤S3中,对道路图像的椭圆弧段进行多尺度特征像素标记。将k*k个像素点作为一个k阶单元格。把步骤S2中所得到的椭圆弧组合图像中的k阶单元格映射成k阶尺度特征像素图像中的一个点,将大小为m*n的图像缩小为原来的得到k*k个k阶尺度特征像素图像。如果k阶单元格的多尺度特征值大于给定阈值θ,则该k阶单元格在k阶尺度特征像素图像中对应的像素点标记为边缘点;否则,就标记为非边缘点。参考图4中(a)部分为按k=6缩小之后的6阶特征像素图,图中的每一个特征像素点对应原图中的一个k*k格子。
在步骤S4中,进行特征像素图像平滑,使用平滑算子对k阶尺度特征像素图像进行Zigzag扫描计算,删除小图中的孤立点。即使用8-邻域算子对小图中以每一个边缘点g0为中心3×3格子进行平滑,如果则将g0为孤立点,参考图5为孤立点原理示意图。参考图4中(b)部分经过特征像素平滑,特征像素图中的所有孤立点均被删除。
在步骤S5中,特征像素图像划分,如图6所示,通过寻找椭圆弧段的四个极值点,从而可以将椭圆弧段划分为四个区域。建立二维笛卡尔坐标系,将特征像素图像的像素点位置以P(i,j)表示,i表示像素所在图像的列数,j表示像素所在图像的行数,i∈(a,b),j∈(c,d),以k阶尺度特征像素图像中极上侧点P(i,d),极下侧点P(i,c),极左侧点P(a,j),极右侧点P(b,j)四个极值点作为划分边界点,连接上、下侧极值点和左、右侧极值点将k阶尺度特征像素图像划分为四个区域,记为L-U区域、U-R区域、R-B区域、B-L区域。
在步骤S6中,基于空间特性的特征像素图像关键点搜索,参考图7其示出了基于空间特性的特征像素图像关键点搜索的流程示意图,详述如下,对步骤5划分的四个区域中的边缘点在特征像素图像中所对应的k阶单元格分别按照相应的方向寻找关键点。以L-U区域为例,首先,从k阶单元格的左下角开始从下往上,从左往右查找,如果在P(i,j)处寻找到了边缘点,则缩小查找范围,从点P(i-1,j+1)处继续查找边缘点,直到查找到k阶单元格边界。通过该流程搜索到的边缘点即为关键点,如图8所示,通过关键点搜索流程查找出来的关键点,能够更好的贴合椭圆弧段,从而能极大提升本方法的拟合精度。。
在步骤S7中,特征像素图像拟合点提取,对k阶单元格进行平滑,将每一个k阶单元格均分为四个子网格,然后对每一个子网格中的关键点取重心坐标作为最后用于拟合的点。
在步骤S8中,基于特征像素图像拟合点拟合椭圆,对步骤S7中提取的特征像素图像拟合点,使用最小二乘法进行拟合,最终得到道路图中所有椭圆轮廓的对象。
在步骤S9中,特征像素图像输出,基于不同使用情况下的输入图像数据不同,使用特征像素图像装换模块,对进行最终的拟合。参考图9对道路图像椭圆进行上色标记。
下面为展示本发明椭圆拟合的高拟合精度和高鲁棒性结合测试建立对照表,对本发明的应用效果作详细的描述。
表1:不同椭圆拟合方法MSE比较
OURS | DLSF | RANSAC | Wu | Taubin | |
ellipse1 | 1.0825 | 1.5993 | 1.2010 | 1.7115 | 1.7134 |
ellipse2 | 0.0102 | 0.0111 | 0.4017 | 1.0643 | 1.0582 |
ellipse3 | 1.0431 | 1.0589 | 9.2869 | 1.8416 | 1.8881 |
ellipse4 | 0.0179 | 0.5770 | 0.5347 | 1.1256 | 1.0579 |
表1中,针对图9中所示的4个椭圆,椭圆ellipse1和ellipse3为缺失边缘的椭圆弧段,ellipse2和ellipse4为较完整椭圆边缘。将本发明所提出的方法与DLSF(Direct leastsquare fitting)、RANSAC(随机采样一致性算法)、Wu等人提出的基于几何的椭圆拟合算法和Taubin等人提出的基于鲁棒性的椭圆拟合算法进行了对比。同时,使用了MSE(均方误差)进行评估,MSE表示误差的平方的期望值,MSE的值越小,说明方法具有更高的拟合精度。
从测试结果可知,在无人驾驶采集图像的椭圆检测应用中,相比与其他算法,本发明所提出方法的拟合精度能够平均提高72.6%,最大提高80.7%;椭圆ellipse1和ellipse3的MSE相对于ellipse2和ellipse4较高,但是该方法的MSE仍小于其他算法。这说明该方法拟合出的椭圆更能贴合实际椭圆边缘,该方法具有更低的MSE,因此,椭圆拟合精度较高和鲁棒性较好。综上所述,该方法经测试,在椭圆拟合的精度和鲁棒性方面有所提升。以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于多尺度平滑和关键点搜索的高精度椭圆拟合方法,其特征在于包括如下步骤:
步骤S1:获取待椭圆拟合图像,待椭圆拟合图像的获取使用应用场景下设备的图像存储模块或图像传感器得到待椭圆拟合图像;
步骤S2:图像处理,使用Canny边缘检测算法提取输入的待椭圆拟合图像的椭圆弧段,然后根据椭圆弧段的凹凸性对每一段弧进行分割得到椭圆弧,最后使用基于边缘连接方法的椭圆检测算法AAMED中所提供的椭圆组合算法对分割之后的椭圆弧进行组合,得到椭圆弧组合图像;
步骤S3:多尺度特征像素标记,将k*k个像素点作为一个k阶单元格,把步骤S2中所得到的椭圆弧组合图像中的k阶单元格映射成k阶尺度特征像素图像中的一个像素点,将大小为m*n的椭圆弧组合图像缩小为原来的得到k*k个k阶尺度特征像素图像;如果k阶单元格的多尺度特征值大于给定阈值θ,则该k阶单元格在k阶尺度特征像素图像中对应的像素点标记为边缘点;否则,就标记为非边缘点;
步骤S5:k阶尺度特征像素图像划分,将k阶尺度特征像素图像的像素点位置以P(i,j)表示,i表示像素所在图像的列数,j表示像素所在图像的行数,i∈(a,b),j∈(c,d),以k阶尺度特征像素图像的四个极值点作为划分边界点,连接上、下侧极值点和左、右侧极值点将k阶尺度特征像素图像划分为四个区域,记为L-U区域、U-R区域、R-B区域、B-L区域;
步骤S6:基于空间特性的特征像素图像对四个区域分别进行关键点搜索,对四个区域中的边缘点在特征像素图像中所对应的k阶单元格分别按照相应的顺时针方向寻找关键点;
步骤S7:提取特征像素图像拟合点,对k阶单元格进行平滑,将每一个k阶单元格均分为四个子网格,然后对每一个子网格中的关键点取重心坐标作为最后的拟合点;
步骤S8:拟合椭圆,对步骤S7中提取的特征像素图像拟合点,使用最小二乘法进行拟合,最终得到椭圆的参数表示;
步骤S9:特征像素图像输出,基于不同使用情况下的输入图像数据不同,使用特征像素图像对输入图像上色,输出拟合结果。
2.根据权利要求1所述的基于多尺度平滑和关键点搜索的高精度椭圆拟合方法,其特征在于所述的k阶单元格的多尺度特征值定义如下:k阶单元格的多尺度特征值定义为k阶单元格中边缘点的个数。
3.根据权利要求1或2所述的基于多尺度平滑和关键点搜索的高精度椭圆拟合方法,其特征在于所述的孤立点的定义如下:孤立点的定义为度为0的边缘点,即该点的8领域中没有边缘点。
4.根据权利要求1或2所述的基于多尺度平滑和关键点搜索的高精度椭圆拟合方法,其特征在于每个区域的关键点搜索实现如下:
首先,从k阶单元格的左下角开始从下往上,从左往右的顺时针方向查找,如果在P(i,j)处寻找到了边缘点,则缩小查找范围,从点P(i-1,j+1)处继续查找边缘点,直到查找到k阶单元格边界,通过该流程搜索到的边缘点即为关键点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211650633.8A CN115830098A (zh) | 2022-12-21 | 2022-12-21 | 基于多尺度平滑和关键点搜索的高精度椭圆拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211650633.8A CN115830098A (zh) | 2022-12-21 | 2022-12-21 | 基于多尺度平滑和关键点搜索的高精度椭圆拟合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830098A true CN115830098A (zh) | 2023-03-21 |
Family
ID=85517411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211650633.8A Pending CN115830098A (zh) | 2022-12-21 | 2022-12-21 | 基于多尺度平滑和关键点搜索的高精度椭圆拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830098A (zh) |
-
2022
- 2022-12-21 CN CN202211650633.8A patent/CN115830098A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
CN111079545A (zh) | 一种基于图像修复的三维目标检测方法和系统 | |
CN104200461B (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN107452030B (zh) | 基于轮廓检测和特征匹配的图像配准方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN107862319B (zh) | 一种基于邻域投票的异源高分光学影像匹配误差剔除方法 | |
CN106407983A (zh) | 图像主体的识别、矫正与配准方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN108399644A (zh) | 一种墙体图像识别方法及其装置 | |
CN115471682A (zh) | 一种基于SIFT融合ResNet50的图像匹配方法 | |
CN109766850B (zh) | 基于特征融合的指纹图像匹配方法 | |
CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
CN110363196B (zh) | 一种倾斜文本的文字精准识别的方法 | |
CN113095385B (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
CN108182700B (zh) | 一种基于两次特征检测的图像配准方法 | |
CN113989308A (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN115953399B (zh) | 基于轮廓特征与svdd的工业部件结构性缺陷检测方法 | |
CN117496401A (zh) | 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法 | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
CN117078726A (zh) | 一种基于边缘提取的异谱图像配准方法 | |
CN115830098A (zh) | 基于多尺度平滑和关键点搜索的高精度椭圆拟合方法 |
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 |