CN116188761A - 一种可用于规则形状阵列图的自动识别定位方法及装置 - Google Patents
一种可用于规则形状阵列图的自动识别定位方法及装置 Download PDFInfo
- Publication number
- CN116188761A CN116188761A CN202310114553.9A CN202310114553A CN116188761A CN 116188761 A CN116188761 A CN 116188761A CN 202310114553 A CN202310114553 A CN 202310114553A CN 116188761 A CN116188761 A CN 116188761A
- Authority
- CN
- China
- Prior art keywords
- shape
- array
- image
- regular
- contour
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010586 diagram Methods 0.000 title description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009776 industrial production Methods 0.000 claims description 6
- 238000004451 qualitative analysis Methods 0.000 claims description 6
- 239000003153 chemical reaction reagent Substances 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 3
- 230000004807 localization Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种可用于规则形状阵列图的自动识别定位方法:对规则形状阵列图像依次进行灰度拉伸、阈值计算和二值化处理及形状轮廓查找获得形状轮廓数组;根据形状轮廓数组自动提取标志形状,并根据标志形状计算出图像旋转角度;结合形状轮廓数组和图像旋转角度,对图像中的规则形状进行排序;根据排序后规则形状的坐标,按顺序判定规则形状的共线性:如共线,直接输出作为识别定位图像;如存在不共线性,剔除后重复上述步骤直至不存在不共线性后输出作为识别定位图像。本发明提供的方法简化了识别流程,提高了效率;且不易受图像亮度不均匀和图像旋转的影响,保证了对规则形状的最终识别和定位的准确性。
Description
技术领域
本发明属于机器视觉领域的规则形状自动识别定位技术,尤其涉及一种可用于规则形状阵列图的自动识别定位方法及装置。
背景技术
目前规则形状阵列图的识别定位在试剂、样品等需要批量检测的应用中的需求在逐年攀升,机器的自动化识别代替人工的重复性工作,可以大大提高检测效率和准确度。如PCR检测时被测样品按顺序放置在规则阵列PCR板上,后续通过图像传感器捕获PCR板上所有被测样品的全景图,并通过识别图中规则形状做出最后的定性分析。
规则形状阵列图的自动识别定位,需要做到规则形状的准确识别和规则形状的准确定位。
规则形状的准确识别,通常流程包括图像预处理、图像二值化处理、图像连通域确定等。如公开号CN107016700A的中国专利公开了一种基于数字图像的圆形物体检测方法。该方法包括:获取图像的边缘;分割边缘成连通的单向曲线;分割单向曲线成二次曲线;确定圆弧;圆拟合。这其中最关键的是图像二值化处理,常规单一的二值处理无法应对由于光源不均匀、被测样品特异性差异等引起的图像明暗分布不均匀的情况,容易造成误识别或漏识别的问题。此外,识别到的形状不规则,亦会给后续的规则形状阵列排序带来负担,造成错误排序,进而给后续的定性分析带来不便。
规则形状阵列的准确定位,即以约定的规则按顺序提取或标识出规则形状。目前还是通过精密的机械结构和标定物实现。如公开号CN112017232A的中国专利公开了一种图像内圆形图案的定位方法、装置及设备。该方法包括:根据图像内目标圆形的初步边缘位置,向目标圆形的边缘分布设置多个虚拟卡尺;分别获取各虚拟卡尺所在区域的最小外接矩形;分别获取各最小外接矩形内对应于边缘的轮廓点位置信息;根据各轮廓点位置信息,计算获取目标圆形的半径和圆心。当成像系统或机械结构存在不同程度的倾斜、旋转等问题时,会使得拍摄出的规则形状阵列图亦存在不同程度的投影或刚体变换,这会进一步增加规则形状定位的难度。
鉴于规则形状阵列图的自动识别定位的需求和难点,有必要发明一种快速、精准的规则形状阵列图的自动识别定位方法,进一步提高此类规则形状阵列图上形状的识别定位效率和准确度。
发明内容
本发明的目的在于提供一种可用于规则形状阵列图的自动识别定位方法及装置,简化了识别流程,提高了效率;且不易受图像亮度不均匀和图像旋转的影响,保证了对规则形状的最终识别和定位的准确性。
本发明提供如下技术方案:
一种可用于规则形状阵列图的自动识别定位方法,所述自动识别定位方法包括以下步骤:
(1)对规则形状阵列图像依次进行灰度拉伸、阈值计算和二值化处理及形状轮廓查找实现对规则形状的自动识别,获得形状轮廓数组;
(2)根据步骤(1)获得的形状轮廓数组自动提取标志形状,并根据标志形状计算出图像旋转角度;
(3)结合步骤(1)获得的形状轮廓数组和步骤(2)计算的图像旋转角度,对图像中的规则形状进行排序;
(4)根据排序后规则形状的坐标,按顺序判定规则形状的共线性:如共线,直接输出作为识别定位图像;如存在不共线性,剔除后重复步骤(2)-(3)直至不存在不共线性后输出作为识别定位图像。
在步骤(1)中,所述获得形状轮廓数组的方法包括:
(1-1)将图像I转换为灰度图像Ig,统计灰度图像Ig的最大灰度值Imax,对Ig执行灰度拉伸,得到灰度拉伸后的图像Is,Is=255·Ig/Imax;
(1-2)对灰度拉伸后的图像Is应用最大类间方差法执行阈值计算和二值化处理,得到阈值T和二值化图像Ib;
(1-3)对二值化图像Ib应用形状轮廓查找算法,获得查找到的形状轮廓数组C;
(1-4)判断查找到的形状轮廓数量Nc是否符合实际规则形状的数量Nr:如果Nc=Nr,则,直接输出;如果Nc<Nr或Nc>Nr,需要重新计算阈值和执行二值化直至Nc=Nr,再进行输出。
在步骤(1-4)中,如果Nc<Nr或Nc>Nr,表示最大类间方差法计算得到阈值过高或过低,使得属于多个规则形状的数据连接成了一个规则形状或原本属于同一个规则形状的图像数据被割裂开,因此需要重新计算阈值和执行二值化。
进一步地,在步骤(1-4)中,如果Nc<Nr或Nc>Nr:
(1-4-1)统计形状轮廓数组C中每一个形状轮廓的直径,获得平均直径Dm;
(1-4-2)以阈值T为基础,更新T=T-1或T=T+1并以新阈值对拉伸后的图像Is执行二值化处理,得到更新后的二值化图像Ib;
(1-4-3)对更新后的二值化图像Ib应用形状轮廓查找算法,获得更新后的形状轮廓数组C;
(1-4-4)以计算得到的Dm为指导,遍历更新后的形状轮廓数组C中的形状轮廓,剔除形状轮廓直径过小或过大的形状轮廓,再次判断查找到的形状轮廓数量Nc是否符合实际规则形状的数量Nr;
(1-4-5)重复上述流程,直至Nc=Nr。
其中,当阈值T已更新为灰阶的最小值或最大值,则自动识别定位失败,当前图像的自动识别流程终止,输出已排序的形状轮廓数组CF为空。
在步骤(2)中,根据步骤(1)获得的形状轮廓数组自动提取标志形状,并根据标志形状计算出图像旋转角度的方法包括:
(2-1)遍历步骤(1)中输出的形状轮廓数组C,查找距离每一个形状轮廓Ci最近的形状轮廓Cn,并计算形状轮廓Ci至其最近形状轮廓Cn的距离Li,统计形状轮廓数组C中所有形状轮廓点至其最近形状轮廓距离的平均值Lm,/>
(2-2)根据计算出的平均值Lm,查找出形状轮廓数组C中,距离每一个形状轮廓Ci最近的三个形状NCi1,NCi2和NCi3,并构成所有具有三个最近形状轮廓的形状轮廓的拓扑数组NC;
(2-3)遍历NC,找到NCi中存在相互包含的标志形状轮廓Mi,i∈{1,2,3,4},其中Mi∈NC;分别计算M1和M3的距离,M2和M4的距离,M1和M4的距离,M2和M3的距离,得到LM13,LM24,LM14和LM23;如果|LM13-LM24|>|LM13-LM24|,则图像旋转角度A等于和/>两线的夹角,否则,图像旋转角度A等于/>和/>两线的夹角。
其中,在步骤(2)中,每一个形状轮廓Ci的中心点的坐标为(Cix,Ciy),即Ci={Cix,Ciy},Cn={Cnx,Cny}。
在步骤(3)中,对图像中的规则形状进行排序的方法包括:
(3-1)对步骤(1)中输出的形状轮廓数组C应用步骤(2)中计算得到的旋转角度A,得到旋转后的形状轮廓数组CR,遍历旋转后的形状轮廓数组CR,每一个形状轮廓CRi的中心点的坐标为(CRix,CRiy);
(3-2)将每一个形状轮廓,按照中心点坐标垂直方向由小到大的规则排序,得到新的形状轮廓数组CRY;再对CRY中每一个形状轮廓,按照中心点坐标水平方向由大到小的规则排序,得到新的形状轮廓数组CRYX;
(3-3)将形状轮廓数组CRYX,应用步骤(2)中计算得到的旋转角度A,逆旋转得到最终源图像坐标系上已排序的形状轮廓数组CF。
在步骤(4)中,所述根据排序后规则形状的坐标,按顺序判定规则形状的共线性的方法包括:
将步骤(3)得到的最终源图像坐标系上已排序的形状轮廓数组CF,逐行判断当前行中所有形状轮廓是否共线,将当前行的共线状态定义为CLi,并将每一行的共线性状态存储下来,构成共线性数组CL:
其中,Ni表示第i行形状轮廓的数量,CFi j,CFi j-1和CFi j+1分别表示第i行中的第j,j-1和j+1个形状轮廓;CLi=1表示第i行中的所有形状轮廓均共线,CLi=0表示第i行中存在不共线的形状轮廓。
具体来说:当一行中有Ni个轮廓,按顺序遍历轮廓,判断连续的三个轮廓是否共线,最后把整行的连续三个轮廓的共线性求积,因为共线性用0/1表示,只要有一个连续三个轮廓不共线,即0,最终这一行的共线性就是不共线。举例来说:如一行中有1、2、3、4、5、6和7这几个轮廓,只有1,2,3、2,3,4、3,4,5、4,5,6和5,6,7这五组连续的三个轮廓同时共线,1、2、3、4、5、6和7这几个轮廓才判定为共线。
判断得到的共线性数组CL中是否存在不共线的状态:如果CL中存在不共线的状态,则从CF中剔除不共线的行数据,构成新的形状轮廓数组CT,之后使用CT重新计算图像旋转角度A,并输出重新排序得到的更新后的CF;如果CL中不存在不共线的状态,则直接输出CF。
进一步地,所述规则形状阵列图像为圆形、矩形或多边形所构成的阵列的全貌图。
进一步地,所述规则形状阵列图像通过采集生物检测或工业产线在线检测中检测设备或耗材得到。
进一步地,所述规则形状阵列图像为生物检测中的PCR板图、恒温盘图、试剂瓶架图,或工业产线在线检测中的分拣系统中的进样架图、样品夹具图等具有同尺寸同规格形状阵列的图像。
进一步地,所述识别定位图像用于后续进一步的定性分析或定量分析,如荧光信号、试剂、样品尺寸规格等的定性和定量分析。
本发明还提供了一种可用于规则形状阵列图的自动识别定位装置,包括一个或多个处理器,用于实现上述可用于规则形状阵列图的自动识别定位方法。
本发明还提供了一种上述可用于规则形状阵列图的自动识别定位方法在工业产线在线检测或生物检测领域上的应用。
与现有技术相比,本发明通过识别形状轮廓空间分布的规律性提出的先统计邻域有三个临近形状轮廓的形状,再统计存在相关包含关系的三邻域形状轮廓集合以提取标志形状轮廓的方式,简化了流程,提高了效率;本发明提出的先通过确定图像旋转角度,再对识别到的形状轮廓排序的方式,避免了使用更高复杂的算法,提高了解决实际问题的稳定性和可维护性。此外,本发明提出的通过判断形状轮廓中点是否共线以二次校正旋转角度的方式,避免了图像亮度不均匀,识别形状轮廓不准确引入的排序错乱的问题,确保了最终识别、排序的准确无误。本发明提供的方法可以有效提高生物检测或工业产线在线检测中对规则形状阵列图的识别定位的效率和准确率,提高后续定性或定量分析的准确度。
附图说明
图1为规则形状阵列图的自动识别定位方法的流程图;
图2为实施例中获得形状轮廓数组的流程图;
图3为实施例中规则形状阵列图旋转角度的计算流程图;
图4为实施例中圆形阵列图示意图;
图5为实施例中圆形阵列图识别定位后的标记效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,都属于本发明保护的范围。
为了说明本发明所述的技术方案,下面对部分用词进行解释,以便于本领域技术人员理解:
规则形状阵列图:在工业在线检测、生物医学检测等领域的检测设备或耗材中以圆形、矩形、多边形等具有规则形状的图形所构成的阵列,其全貌图即视为规则形状阵列图。如生物检测领域中的PCR板图、恒温盘图、试剂瓶架图,工业产线在线检测分拣系统中的进样架图、样品夹具图等具有同尺寸同规格形状阵列的图像。
为了说明本发明所述的技术方案,下面通过具体实施例进行说明。
作为本发明一种可能实施例,如图1所示,对图4所示的应用于PCR领域的圆形孔阵列(96孔)实际采集图应用本发明提出的规则形状阵列图的自动识别定位方法进行识别定位。
S1、如图2所示,采用灰度拉伸、二值化、形状轮廓查找等方法实现对规则形状的自动识别,获得形状轮廓数组
S1.1、将输入图像I转换为灰度图像Ig,统计得到最大灰度值Imax=53744,对Ig应用Is=255·Ig/Imax获得灰度拉伸的图像Is;对Is应用最大类间方差法执行阈值计算和二值化处理,得到阈值T=59和二值化图像Ib;对二值化图像Ib应用形状轮廓查找算法,获得二值图像中查找到的形状轮廓数组C。
S1.2、统计形状轮廓的直径,获得平均直径Dm=6,查找到的形状轮廓数量Nc=94,预期(实际)圆形数量Nr=96。因为Nc<Nr,所以最大类间方差法计算得到阈值过高,使得原本同一个规则形状的图像数据被割裂开,需要重新计算阈值并执行二值化。
S1.3、更新T=T-1并以新阈值对拉伸后的图像Is执行二值化处理,得到更新后的二值化图像Ib;对二值化图像Ib应用形状轮廓查找算法,获得更新后的形状轮廓数组C。重复上述流程,直至阈值降低至T=16,获得Nc=96的正确输出。
S2、如图3所示,根据形状分布特性,自动提取标志形状,并根据标志形状计算出图像旋转角度
S2.1、遍历S1中输出的形状轮廓数组C,查找距离每一个形状轮廓Ci最近的形状轮廓Cn,并计算该形状轮廓至其最近形状轮廓的距离Li;统计形状轮廓数组C中所有形状轮廓点至其最近形状轮廓距离的平均值Lm=16。
S2.2、根据计算出的平均值Lm,查找出形状轮廓数组C中,距离每一个形状轮廓Ci,最近的三个形状NCi1,NCi2和NCi3,并构成所有具有三个最近形状轮廓的形状轮廓的拓扑数组NC。在本实施例中,NC中有14个形状轮廓拓扑。
S3、结合计算出的图像旋转角度,对规则形状进行排序
对形状轮廓数组C应用图像旋转角度A,得到旋转后的形状轮廓数组CR。遍历CR,将形状轮廓,按照中心点坐标垂直方向由小到大的规则排序,得到新的形状轮廓数组CRY;再对CRY中每一个形状轮廓,按照中心坐标水平方向由大到小的规则排序,得到新的形状轮廓数组CRYX。最后,对形状轮廓数组CRYX逆应用图像旋转角度A,得到最终形状轮廓数组CF。
S4、根据排序后规则形状的坐标,按顺序判定规则形状的共线性
将形状轮廓数组CF,逐行判断当前行中所有形状轮廓是否共线,经判断在本实施例中CF中不存在不共线的现象,即共线性数组CL中所有元素均为1。
S5、根据规则形状的共线性,指导数据的输出或再处理
本实施例中得到的共线性数组CL中所有元素均为1,即CL中不存在不共线的状态,直接输出CF。
S6、输出正确排序后的规则形状的坐标。如图5所示,识别到的形状在原图像上的序号可见,识别排序正确无误。
综上所述,本发明应用灰度拉伸、二值化、形状轮廓查找等方法实现规则形状的自动识别;在识别到圆形轮廓后,根据形状轮廓数量不符预期执行阈值更新和二次分割识别的操作,最终获得了正确数量的识别输出,提高了识别的准确性;在通过识别标志形状轮廓后,获得了图像旋转角度,并通过共线性判断机制确保了指导图像旋转角度的修正,从而图像旋转角度的正确性,为后续的形状轮廓排序提供了便利,确保了排序的准确无误。
以上所述仅为本发明的较佳实施例而己,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 (10)
1.一种可用于规则形状阵列图的自动识别定位方法,其特征在于,所述自动识别定位方法包括以下步骤:
(1)对规则形状阵列图像依次进行灰度拉伸、阈值计算和二值化处理及形状轮廓查找实现对规则形状的自动识别,获得形状轮廓数组;
(2)根据步骤(1)获得的形状轮廓数组自动提取标志形状,并根据标志形状计算出图像旋转角度;
(3)结合步骤(1)获得的形状轮廓数组和步骤(2)计算的图像旋转角度,对图像中的规则形状进行排序;
(4)根据排序后规则形状的坐标,按顺序判定规则形状的共线性:如共线,直接输出作为识别定位图像;如存在不共线性,剔除后重复步骤(2)-(3)直至不存在不共线性后输出作为识别定位图像。
2.根据权利要求1所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,在步骤(1)中,所述获得形状轮廓数组的方法包括:
(1-1)将图像I转换为灰度图像Ig,统计灰度图像Ig的最大灰度值Imax,对Ig执行灰度拉伸,得到灰度拉伸后的图像Is,Is=255·Ig/Imax;
(1-2)对灰度拉伸后的图像Is应用最大类间方差法执行阈值计算和二值化处理,得到阈值T和二值化图像Ib;
(1-3)对二值化图像Ib应用形状轮廓查找算法,获得查找到的形状轮廓数组C;
(1-4)判断查找到的形状轮廓数量Nc是否符合实际规则形状的数量Nr:如果Nc=Nr,则直接输出;如果Nc<Nr或Nc>Nr,需要重新计算阈值和执行二值化直至Nc=Nr,再进行输出。
3.根据权利要求2所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,在步骤(1-4)中,如果Nc<Nr或Nc>Nr:
(1-4-1)统计形状轮廓数组C中每一个形状轮廓的直径,获得平均直径Dm;
(1-4-2)以阈值T为基础,更新T=T-1或T=T+1并以新阈值对灰度拉伸后的图像Is执行二值化处理,得到更新后的二值化图像Ib;
(1-4-3)对更新后的二值化图像Ib应用形状轮廓查找算法,获得更新后的形状轮廓数组C;
(1-4-4)以计算得到的Dm为指导,遍历更新后的形状轮廓数组C中的形状轮廓,剔除形状轮廓直径过小或过大的形状轮廓,再次判断查找到的形状轮廓数量Nc是否符合实际规则形状的数量Nr;
(1-4-5)重复上述流程,直至Nc=Nr。
4.根据权利要求1所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,在步骤(2)中,根据步骤(1)获得的形状轮廓数组自动提取标志形状,并根据标志形状计算出图像旋转角度的方法包括:
(2-1)遍历步骤(1)中输出的形状轮廓数组C,查找距离每一个形状轮廓Ci最近的形状轮廓Cn,并计算该形状轮廓Ci至其最近形状轮廓Cn的距离Li,统计形状轮廓数组C中所有形状轮廓点至其最近形状轮廓距离的平均值Lm,/>/>
(2-2)根据计算出的平均值Lm,查找出形状轮廓数组C中,距离每一个形状轮廓Ci最近的三个形状NCi1,NCi2和NCi3,并构成所有具有三个最近形状轮廓的形状轮廓的拓扑数组NC;
5.根据权利要求1所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,在步骤(3)中,对图像中的规则形状进行排序的方法包括:
(3-1)对步骤(1)中输出的形状轮廓数组C应用步骤(2)中计算得到的旋转角度A,得到旋转后的形状轮廓数组CR,遍历旋转后的形状轮廓数组CR,每一个形状轮廓CRi的中心点的坐标为(CRix,CRiy);
(3-2)将每一个形状轮廓,按照中心点坐标垂直方向由小到大的规则排序,得到新的形状轮廓数组CRY;再对CRY中每一个形状轮廓,按照中心点坐标水平方向由大到小的规则排序,得到新的形状轮廓数组CRYX;
(3-3)将形状轮廓数组CRYX,应用步骤(2)中计算得到的旋转角度A,逆旋转得到最终源图像坐标系上已排序的形状轮廓数组CF。
7.根据权利要求1所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,所述规则形状阵列图像通过采集生物检测或工业产线在线检测中的检测设备或耗材得到。
8.根据权利要求7所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,所述规则形状阵列图像为生物检测中的PCR板图、恒温盘图、试剂瓶架图,或工业产线在线检测中分拣系统中的进样架图、样品夹具图。
9.根据权利要求1所述的可用于规则形状阵列图的自动识别定位方法,其特征在于,所述识别定位图像用于后续进一步的定性分析或定量分析。
10.一种可用于规则形状阵列图的自动识别定位装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-9任一所述的可用于规则形状阵列图的自动识别定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114553.9A CN116188761B (zh) | 2023-02-02 | 2023-02-02 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114553.9A CN116188761B (zh) | 2023-02-02 | 2023-02-02 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188761A true CN116188761A (zh) | 2023-05-30 |
CN116188761B CN116188761B (zh) | 2024-02-02 |
Family
ID=86447255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114553.9A Active CN116188761B (zh) | 2023-02-02 | 2023-02-02 | 一种可用于规则形状阵列图的自动识别定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188761B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及系统 |
CN104463866A (zh) * | 2014-12-04 | 2015-03-25 | 无锡日联科技有限公司 | 一种基于轮廓随机采样的局部形状匹配方法 |
CN105095937A (zh) * | 2015-08-05 | 2015-11-25 | 哈尔滨工业大学 | 一种基于直线聚类的圆形阵列图形码的视觉识别方法 |
EP3113078A1 (en) * | 2015-07-03 | 2017-01-04 | Ricoh Company, Ltd. | Method and system for detecting regular shape |
CN107016700A (zh) * | 2017-04-14 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 一种基于数字图像的圆形物体检测方法 |
CN107423501A (zh) * | 2017-07-17 | 2017-12-01 | 南京邮电大学 | 一种基于光伏电站逻辑图的阵列自动检测和编号方法 |
CN109658402A (zh) * | 2018-12-17 | 2019-04-19 | 中山大学 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
CN110097540A (zh) * | 2019-04-20 | 2019-08-06 | 东莞中科蓝海智能视觉科技有限公司 | 多边形工件的视觉检测方法及装置 |
CN112017232A (zh) * | 2020-08-31 | 2020-12-01 | 浙江水晶光电科技股份有限公司 | 图像内圆形图案的定位方法、装置及设备 |
CN112614188A (zh) * | 2020-12-07 | 2021-04-06 | 上海交通大学 | 一种基于交比不变性的点阵式标定板及其识别方法 |
-
2023
- 2023-02-02 CN CN202310114553.9A patent/CN116188761B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及系统 |
CN104463866A (zh) * | 2014-12-04 | 2015-03-25 | 无锡日联科技有限公司 | 一种基于轮廓随机采样的局部形状匹配方法 |
EP3113078A1 (en) * | 2015-07-03 | 2017-01-04 | Ricoh Company, Ltd. | Method and system for detecting regular shape |
CN105095937A (zh) * | 2015-08-05 | 2015-11-25 | 哈尔滨工业大学 | 一种基于直线聚类的圆形阵列图形码的视觉识别方法 |
CN107016700A (zh) * | 2017-04-14 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 一种基于数字图像的圆形物体检测方法 |
CN107423501A (zh) * | 2017-07-17 | 2017-12-01 | 南京邮电大学 | 一种基于光伏电站逻辑图的阵列自动检测和编号方法 |
CN109658402A (zh) * | 2018-12-17 | 2019-04-19 | 中山大学 | 基于计算机视觉成像的工业型材几何尺寸自动检测方法 |
CN110097540A (zh) * | 2019-04-20 | 2019-08-06 | 东莞中科蓝海智能视觉科技有限公司 | 多边形工件的视觉检测方法及装置 |
CN112017232A (zh) * | 2020-08-31 | 2020-12-01 | 浙江水晶光电科技股份有限公司 | 图像内圆形图案的定位方法、装置及设备 |
CN112614188A (zh) * | 2020-12-07 | 2021-04-06 | 上海交通大学 | 一种基于交比不变性的点阵式标定板及其识别方法 |
Non-Patent Citations (4)
Title |
---|
KUN-HAN HSIEHN 等: "A non-referential machine vision approach for BGA substrate inspection", 《 JOURNAL OF THE CHINESE INSTITUTE OF INDUSTRIAL ENGINEERS》, vol. 20, no. 2, pages 125 - 138 * |
SOMA DEBNATH 等: "Automatic Detection of Regular Geometrical Shapes in Photograph using Machine Learning Approach", 《018 TENTH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING (ICOAC)》, pages 1 - 6 * |
丁海洋 等: "基于DSP的空域图形辨别算法研究", 《北京印刷学院学报》, vol. 16, no. 02, pages 53 - 56 * |
王琼 等: "流水线传送件几何要素在线检测技术研究", 《上海理工大学学报》, no. 03, pages 269 - 273 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188761B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
CN107609557B (zh) | 一种指针式仪表读数识别方法 | |
CN112906694B (zh) | 变电站倾斜式指针式仪表图像的读数矫正系统及方法 | |
CN110659636B (zh) | 基于深度学习的指针式仪表读数识别方法 | |
CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
CN111079763B (zh) | 训练样本生成、模型训练、字符识别方法及其装置 | |
CN106778737A (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN114081471B (zh) | 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法 | |
CN109064481B (zh) | 一种机器视觉定位方法 | |
CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
CN110211178B (zh) | 一种利用投影计算的指针式仪表识别方法 | |
CN112613429A (zh) | 一种基于机器视觉适用于多视角图像指针式仪表读数方法 | |
CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
WO2020037572A1 (zh) | 检测图像上的亮斑的方法和装置、图像配准方法和装置 | |
CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
CN114792104A (zh) | 一种环型编码点的识别解码方法 | |
CN114863129A (zh) | 仪表数值分析方法、装置、设备及存储介质 | |
CN116188761B (zh) | 一种可用于规则形状阵列图的自动识别定位方法及装置 | |
CN116385440B (zh) | 一种弧形刀片视觉检测方法 | |
CN112560839A (zh) | 指针式仪表读数的自动识别方法及系统 | |
CN112001359B (zh) | 基于模式识别和最优分配的启发式多叉线修补方法 | |
CN113989513A (zh) | 一种方形指针式仪表读数识别的方法 | |
CN113313122A (zh) | 一种基于计算机视觉的指针式仪表自动识别读数方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |