CN117197073B - 基于机器视觉的矩形物体自动计数方法 - Google Patents
基于机器视觉的矩形物体自动计数方法 Download PDFInfo
- Publication number
- CN117197073B CN117197073B CN202311151342.9A CN202311151342A CN117197073B CN 117197073 B CN117197073 B CN 117197073B CN 202311151342 A CN202311151342 A CN 202311151342A CN 117197073 B CN117197073 B CN 117197073B
- Authority
- CN
- China
- Prior art keywords
- image
- line segment
- line
- rectangular
- rectangular object
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 21
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的矩形物体自动计数方法，涉及机器视觉计数技术领域。所述方法具体包括以下步骤：对获取到的矩形物体图像进行去背景处理；利用Hough变换提取矩形物体的横向边缘；根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像；利用Hough变换提取矩形物体的纵向边缘；绘制图像中每个矩形物体的质心，并统计矩形物体的数量。本发明所述方法具有效率高，计数准确率高等优点。
Description
技术领域
本发明涉及图像处理方法技术领域，尤其涉及一种基于机器视觉的矩形物体自动计数方法。
背景技术
在矩形物体的识别和计数方面，一般由人工统计矩形物体的数量，这不仅浪费大量的人力资源，而且由于人工统计矩形物体数量的准确率和效率极其低下。随着信息化水平的提升，通过数字图像处理和机器视觉技术，可以更好地完成矩形物体自动计数的工作。相比人工计数，使用机器视觉技术对矩形物体进行自动计数的方法具有更加精准、快速等优势。但是现有技术中通过对图像进行处理对矩形物体进行识别的算法一般效率较低，且计算准确率不高。
发明内容
本发明所要解决的技术问题是如何提供一种能够提高矩形物体数量识别的准确率，且效率高的基于机器视觉的矩形物体自动计数方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于机器视觉的矩形物体自动计数方法，包括如下步骤：
S1：对获取到的矩形物体图像进行去背景处理；
S2：利用Hough变换提取矩形物体的横向边缘；
S3：根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像；
S4：利用Hough变换提取矩形物体的纵向边缘；
S5：绘制图像中每个矩形物体的质心，并统计矩形物体的数量。
进一步的技术方案在于，所述步骤S2中利用Hough变换提取矩形物体的横向边缘的具体方法包括如下步骤：
S21：去背景后的图像result_image转换为灰度图像gray_image；
S22：对灰度图像gray_image进行直方图均衡化，增强图像的对比度；
S23：对均衡化后的图像equalized_image使用5*5的高斯核进行高斯滤波；
S24：采用高斯自适应阈值法进行图像二值化；
S25：使用5*5的卷积核对二值图像thresh_image进行膨胀操作，去除图像中的噪声，得到图像dila_image1；
S26：使用9*1的卷积核对图像dila_image1进行膨胀操作，进一步去除图像中的噪声，同时保留图像中矩形物体的横向边缘，得到图像dila_image2；
S27：使用9*1的卷积核对图像dila_image2进行腐蚀操作，使矩形物体的横向边缘更加明显，得到图像erode_image1；
S28：使用5*5的卷积核对图像erode_image1进行腐蚀操作，进一步加强矩形物体的横向边缘，得到图像erode_image2；
步骤29：对图像erode_image2进行Canny边缘检测；
步骤210：使用Hough变换直线检测算法，得到每条直线的参数ρ和θ，其中ρ为直线到原点的距离，θ为直线与图像的水平轴之间的角度；
步骤211：通过ρ和θ计算得到每条线段的起始坐标和终点坐标并保存到线段列表lines_list1中；
步骤212：对线段列表lines_list1中的线段进行去重操作；
步骤213：将去重后的线段列表lines_list1绘制到原始图像image上；
进一步的技术方案在于，所述步骤S3中，根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像，具体包括如下步骤：
S31：对线段列表lines_list1按照起始坐标的纵坐标进行升序排序。
S32：根据两条相邻水平线段的起始坐标和终点坐标，创建一个四边形的掩膜区域。
S33：将四边形掩膜应用于图像imgResult，通过位逻辑与操作，提取出当前行矩形物体的区域。
进一步的技术方案在于，所述步骤S4中，利用Hough变换提取矩形物体的纵向边缘，具体包括如下步骤：
S41：对于每行矩形物体提取到的图像，计算提取到的矩形物体横向边缘的上边缘和下边缘所属直线的斜率k和截距d；
S42：将每行矩形物体提取到的图像line_image转换为灰度图像grayLine_image；
S43：对灰度图像lineGray_image使用3*3的高斯核进行高斯滤波；
S44：使用高斯自适应阈值法进行图像二值化；
S45：使用7*7的卷积核对二值图像lineThresh_image进行闭运算操作，去除图像的噪声，得到图像lineClosed_image；
S46：使用7*7的卷积核对图像lineClosed_image进行腐蚀操作，增强矩形物体的边缘，得到图像lineErode_image；
S47：对图像lineErode_image进行Canny边缘检测；
S48：使用Hough变换直线检测算法，得到每条直线的参数ρ和θ，其中，ρ为直线到原点的距离，θ为直线与图像的水平轴之间的角度；
S49：计算得到每条线段的起始坐标和终点坐标并保存到线段列表lines_list2中；
S410：对线段列表lines_list2中的线段进行去重操作；
S411：将去重后的线段绘制到原始图像image上。
采用上述技术方案所产生的有益效果在于：所述方法在进行处理时，对获取到的矩形物体图像进行去背景处理；利用Hough变换提取矩形物体的横向边缘；根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像；利用Hough变换提取矩形物体的纵向边缘；绘制图像中每个矩形物体的质心，并统计矩形物体的数量，通过以上方法能够高效的完成矩形物体的检测，且识别准确率高。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图；
图2为本发明实施例所述方法中去背景后的图像转换的灰度图像；
图3为本发明实施例所述方法中进行直方图均衡化后的灰度图像；
图4为本发明实施例所述方法中在提取矩形物体横向边缘时进行膨胀和腐蚀操作后的二值图像；
图5为本发明实施例所述方法中所提取到的矩形物体横向边缘的图像；
图6为本发明实施例所述方法中按行提取后的矩形物体图像；
图7为本发明实施例所述方法中所检测到的矩形物体纵向边缘的图像；
图8为本发明实施例所述方法中绘制质心后的矩形物体图像。
具体实施方式
下面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的一部分实施例，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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
为实现上述目的，如图1所示，本发明实施例公开了提供了一种基于机器视觉的矩形物体自动计数方法，包括以下步骤：
S1：对获取到的矩形物体图像进行去背景处理。
S2：利用Hough变换提取矩形物体的横向边缘。
S3：根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像。
S4：利用Hough变换提取矩形物体的纵向边缘。
S5：绘制图像中每个矩形物体的质心，并统计矩形物体的数量。
进一步的，所述步骤S2中利用Hough变换提取矩形物体的横向边缘的具体方法包括如下步骤：
S21：去背景后的图像result_image转换为灰度图像gray_image，其处理后的图像如图2所示。
S22：对灰度图像gray_image进行直方图均衡化，增强图像的对比度，处理后的图像如图3所示。
S23：对均衡化后的图像equalized_image使用5*5的高斯核进行高斯滤波。
S24：采用高斯自适应阈值法进行图像二值化。
S25：使用5*5的卷积核对二值图像thresh_image进行膨胀操作，去除图像中的噪声，得到图像dila_image1。
S26：使用9*1的卷积核对图像dila_image1进行膨胀操作，进一步去除图像中的噪声，同时保留图像中矩形物体的横向边缘，得到图像dila_image2。
S27：使用9*1的卷积核对图像dila_image2进行腐蚀操作，使矩形物体的横向边缘更加明显，得到图像erode_image1，进行膨胀和腐蚀操作后的二值图像如图4所示。
S28：使用5*5的卷积核对图像erode_image1进行腐蚀操作，进一步加强矩形物体的横向边缘，得到图像erode_image2，所提取到的矩形物体横向边缘图如图5所示。
S29：对图像erode_image2进行Canny边缘检测。
S210：使用Hough变换直线检测算法，得到每条直线的参数ρ(直线到原点的距离)和θ(直线与图像的水平轴之间的角度)。
S211：通过ρ和θ计算得到每条线段的起始坐标和终点坐标并保存到线段列表lines_list1中。
S212：对线段列表lines_list1中的线段进行去重操作。
S213：将去重后的线段列表lines_list1绘制到原始图像image上。
进一步的，所述步骤S23中，二维高斯滤波的核函数如下：
其中，x和y分别表示核函数的横纵坐标，σ表示核函数的标准差。
所采用的5*5的高斯核如下：
进一步的，所述步骤S24中，高斯自适应阈值法的局部邻域大小blockSize设置为57。局部邻域大小blockSize设置为57的原因：在矩形物体识别中，图像中的矩形物体较大，同时需要保证矩形物体之间的边缘不受影响。因此设置局部邻域大小为57，既能保证去除噪声，也能保证矩形物体之间的边缘不受影响。
进一步的，所述步骤S24中，高斯自适应阈值法的步骤具体包括：
S241：对于每个像素(x,y)，计算局部邻域的高斯均值mean。
S242：根据局部邻域的高斯均值，计算像素的阈值T(x,y)的公式如下：
T(x,y)＝mean-C
其中，mean为局部邻域的高斯均值，C为常数，这里C取0。
S243：对于每个像素(x,y)，将其灰度值I(x,y)与计算得到的阈值T(x,y)进行比较：
·如果I(x,y)>T(x,y)，则将该像素的输出值设置为最大值(255)。
·如果I(x,y)≤T(x,y)，则将该像素的输出值设置为最小值(0)。
进一步的，所述步骤S25中，图像膨胀操作的公式如下：
其中X为原始图像，S为结构元素，为结构元素S在原点处反转后平移z后的集合。
进一步的，所述步骤S27中，图像腐蚀操作的公式如下：
同理，X为原始图像，S为结构元素，Sz为结构元素S平移z后的集合。
进一步的，所述步骤S211中，根据步骤S210得到的ρ和θ，计算每条线段的起始坐标和终点坐标，其步骤具体包括：
S2111：坐标原点到该线段距离最近的坐标点 该直线l的斜率k＝tanθ，截距d＝y0-k·x0.
S2112：假设图像的高度和宽度分别为h和w且线段起始坐标和终点坐标为直线l与图像左右两侧边缘的交点，则线段的起始坐标 线段的终点坐标
进一步的，所述步骤S212中，去除重复线段的步骤具体包括：
S2121，遍历线段列表lines_list1：
将线段列表lines_list1中每一条线段作为当前线段，依次计算当前线段与其他线段的相交情况和距离。这里假设线段AB为当前线段，线段CD为列表中的其他线段。
S2122，相交线段的处理：
·线段AB、CD的起点和终点坐标表示为向量其中线段AB为当前线段，线段CD为列表中的其他线段。
·计算向量向量的叉积cross。如果两个向量的叉积为零，表示向量共线，无法相交。如果两个向量的叉积不为零，表示向量有旋转方向，可能相交。
·两个向量的叉积不为零时，继续计算向量和向量/>的叉积cross1，向量/>和向量/>的叉积cross2。如果叉积乘积cross1和cross2的结果都小于等于零，说明两条线段的起点和终点位置不同，并且两条线段相交，去除线段CD。否则，线段不相交。
假设有两个二维向量： 和/>叉积的计算公式如下：
S2123，距离过近的线段的处理：
计算线段AB的中心点与线段CD中心点的距离。如果距离小于预设的min_distance阈值，移除线段CD。
由于矩形物体的高度都在60个像素以上，因此设置距离最小阈值min_distance为60个像素。
进一步的，所述步骤S3中，根据提取到的矩形物体横向边缘(线段列表lines_list1)，将图像中的矩形物体按行提取为若干个图像，其中，按行提取的矩形物体图像如图6所示，具体包括：
S31：对线段列表lines_list1按照起始坐标的纵坐标进行升序排序。
S32：根据两条相邻水平线段的起始坐标和终点坐标，创建一个四边形的掩膜区域。
S33：将四边形掩膜应用于图像imgResult，通过位逻辑与操作，提取出当前行矩形物体的区域。
进一步的，所述步骤S4中，利用Hough变换提取矩形物体的纵向边缘，具体包括：
S41：对于每行矩形物体提取到的图像，计算提取到的矩形物体横向边缘的上边缘和下边缘所属直线的斜率k和截距d。
S42：将每行矩形物体提取到的图像line_image转换为灰度图像grayLine_image。
S43：对灰度图像lineGray_image使用3*3的高斯核进行高斯滤波。
S44：使用高斯自适应阈值法进行图像二值化。
S45：使用7*7的卷积核对二值图像lineThresh_image进行闭运算操作，去除图像的噪声，得到图像lineClosed_image。
S46：使用7*7的卷积核对图像lineClosed_image进行腐蚀操作，增强矩形物体的边缘，得到图像lineErode_image。
S47：对图像lineErode_image进行Canny边缘检测。
S48：使用Hough变换直线检测算法，得到每条直线的参数ρ(直线到原点的距离)和θ(直线与图像的水平轴之间的角度)。
S49：计算得到每条线段的起始坐标和终点坐标并保存到线段列表lines_list2中。
S410：对线段列表lines_list2中的线段进行去重操作。
S411：将去重后的线段绘制到原始图像image上。
进一步的，所述步骤S41中，由于提取到的矩形物体横向边缘的上边缘和下边缘为线段列表line_list1中的线段。因此，提取到的矩形物体横向边缘的上边缘和下边缘所属直线的斜率和截距为步骤S211中计算得到的对应直线的斜率和截距。这里假设上边缘的斜率为k1，截距为d1，下边缘的斜率为k2，截距为d2
进一步的，所述步骤S44中，高斯自适应阈值法的局部邻域大小blockSize设置为57。
进一步的，所述步骤S48中，由于需要提取矩形物体得到纵向边缘，因此要将非竖直的线段过滤，保留0≤θ≤0.1的线段，所检测到的矩形物体纵向边缘如图7所示。
进一步的，所述步骤S49中，计算线段的起始坐标和终点坐标的步骤具体包括：
S491：根据步骤S211中计算直线斜率和截距的方法，计算出步骤48中所得到的每条直线的斜率和截距。
S492：根据步骤S41中计算的上边缘和下边缘斜率和截距，计算出每条直线与上边缘和下边缘的两个交点坐标，也就是矩形物体纵向边缘的起始坐标和终点坐标。
进一步的，所述步骤S49中，根据步骤S212中提供的方法进行线段去重。在去除距离较近的线段中，由于矩形物体的长度都在100个像素以上，因此设置距离最小阈值distanceMin为100个像素。绘制质心后的矩形物体图像如图8所示。
Claims (8)
1.一种基于机器视觉的矩形物体自动计数方法，其特征在于包括如下步骤：
S1：对获取到的矩形物体图像进行去背景处理；
S2：利用Hough变换提取矩形物体的横向边缘；
S3：根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像；
S4：利用Hough变换提取矩形物体的纵向边缘；
S5：绘制图像中每个矩形物体的质心，并统计矩形物体的数量；
所述步骤S2中利用Hough变换提取矩形物体的横向边缘的具体方法包括如下步骤：
S21：去背景后的图像result_image转换为灰度图像gray_image；
S22：对灰度图像gray_image进行直方图均衡化，增强图像的对比度；
S23：对均衡化后的图像equalized_image使用5*5的高斯核进行高斯滤波；
S24：采用高斯自适应阈值法进行图像二值化；
S25：使用5*5的卷积核对二值图像thresh_image进行膨胀操作，去除图像中的噪声，得到图像dila_image1；
S26：使用9*1的卷积核对图像dila_image1进行膨胀操作，进一步去除图像中的噪声，同时保留图像中矩形物体的横向边缘，得到图像dila_image2；
S27：使用9*1的卷积核对图像dila_image2进行腐蚀操作，使矩形物体的横向边缘更加明显，得到图像erode_image1；
S28：使用5*5的卷积核对图像erode_image1进行腐蚀操作，进一步加强矩形物体的横向边缘，得到图像erode_image2；
步骤29：对图像erode_image2进行Canny边缘检测；
步骤210：使用Hough变换直线检测算法，得到每条直线的参数ρ和θ，其中ρ为直线到原点的距离，θ为直线与图像的水平轴之间的角度；
步骤211：通过ρ和θ计算得到每条线段的起始坐标和终点坐标并保存到线段列表lines_list1中；
步骤212：对线段列表lines_list1中的线段进行去重操作；
步骤213：将去重后的线段列表lines_list1绘制到原始图像image上；
所述步骤S212中，去除重复线段的具体方法包括如下步骤：
S2121，遍历线段列表lines_list1：
将线段列表lines_list1中每一条线段作为当前线段，依次计算当前线段与其他线段的相交情况和距离；设线段AB为当前线段，线段CD为列表中的其他线段；
S2122，相交线段的处理：
线段AB、CD的起点和终点坐标表示为向量其中线段AB为当前线段，线段CD为列表中的其他线段；
计算向量向量的叉积cross；如果两个向量的叉积为零，表示向量共线，无法相交；如果两个向量的叉积不为零，表示向量有旋转方向，可能相交；
两个向量的叉积不为零时，继续计算向量和向量/>的叉积cross1，向量/>和向量/>的叉积cross2；如果叉积乘积cross1和cross2的结果都小于等于零，说明两条线段的起点和终点位置不同，并且两条线段相交，去除线段CD；否则，线段不相交；
假设有两个二维向量： 和/>叉积的计算公式如下：
S2123，距离过近的线段的处理：
计算线段AB的中心点与线段CD中心点的距离，如果距离小于预设的min_distance阈值，移除线段CD；
由于矩形物体的高度都在60个像素以上，因此设置距离最小阈值min_distance为60个像素。
2.如权利要求1所述的基于机器视觉的矩形物体自动计数方法，其特征在于所述步骤S24采用高斯自适应阈值法进行图像二值化处理具体包括如下步骤：
S241：对于每个像素(x,y)，计算局部邻域的高斯均值mean；
S242：根据局部邻域的高斯均值，计算像素的阈值T(x,y)的公式如下：
T(x,y)＝mean-C；
其中，mean为局部邻域的高斯均值，C为常数，取0；
S243：对于每个像素(x,y)，将其灰度值I(x,y)与计算得到的阈值T(x,y)进行比较：
·如果I(x,y)>T(x,y)，则将该像素的输出值设置为最大值255；
·如果I(x,y)≤T(x,y)，则将该像素的输出值设置为最小值0。
3.如权利要求1所述的基于机器视觉的矩形物体自动计数方法，其特征在于所述步骤S25中图像膨胀操作的公式为：
其中X为原始图像，S为结构元素，为结构元素S在原点处反转后平移z后的集合。
4.如权利要求1所述的基于机器视觉的矩形物体自动计数方法，其特征在于：所述步骤S27中，图像腐蚀操作的公式为：
同理，X为原始图像，S为结构元素，Sz为结构元素S平移z后的集合。
5.如权利要求1所述的基于机器视觉的矩形物体自动计数方法，其特征在于：所述步骤S211中，根据步骤S210得到的ρ和θ，计算每条线段的起始坐标和终点坐标，其步骤具体包括：
(1)坐标原点到该线段距离最近的坐标点(x0,y0)：
该直线l的斜率k＝tanθ，截距d＝y0-k·x0；
(2)假设图像的高度和宽度分别为h和w且线段起始坐标和终点坐标为直线l与图像左右两侧边缘的交点，则线段的起始坐标(x1,y1)：
线段的终点坐标(x2,y2)：
。
6.如权利要求1所述的基于机器视觉的矩形物体自动计数方法，其特征在于：所述步骤S3中，根据提取到的矩形物体横向边缘，将图像中的矩形物体按行提取为若干个图像，具体包括如下步骤：
S31：对线段列表lines_list1按照起始坐标的纵坐标进行升序排序；
S32：根据两条相邻水平线段的起始坐标和终点坐标，创建一个四边形的掩膜区域；
S33：将四边形掩膜应用于图像imgResult，通过位逻辑与操作，提取出当前行矩形物体的区域。
7.如权利要求1所述的基于机器视觉的矩形物体自动计数方法，其特征在于，所述步骤S4中，利用Hough变换提取矩形物体的纵向边缘，具体包括如下步骤：
S41：对于每行矩形物体提取到的图像，计算提取到的矩形物体横向边缘的上边缘和下边缘所属直线的斜率k和截距d；
S42：将每行矩形物体提取到的图像line_image转换为灰度图像grayLine_image；
S43：对灰度图像lineGray_image使用3*3的高斯核进行高斯滤波；
S44：使用高斯自适应阈值法进行图像二值化；
S45：使用7*7的卷积核对二值图像lineThresh_image进行闭运算操作，去除图像的噪声，得到图像lineClosed_image；
S46：使用7*7的卷积核对图像lineClosed_image进行腐蚀操作，增强矩形物体的边缘，得到图像lineErode_image；
S47：对图像lineErode_image进行Canny边缘检测；
S48：使用Hough变换直线检测算法，得到每条直线的参数ρ和θ，其中，ρ为直线到原点的距离，θ为直线与图像的水平轴之间的角度；
S49：计算得到每条线段的起始坐标和终点坐标并保存到线段列表lines_list2中；
S410：对线段列表lines_list2中的线段进行去重操作；
S411：将去重后的线段绘制到原始图像image上。
8.如权利要求7所述的基于机器视觉的矩形物体自动计数方法，其特征在于，所述步骤S49中，计算线段的起始坐标和终点坐标的具体方法包括如下步骤：
根据步骤S211中计算直线斜率和截距的方法，计算出步骤S48中所得到的每条直线的斜率和截距；
根据步骤S41中计算的上边缘和下边缘斜率和截距，计算出每条直线与上边缘和下边缘的两个交点坐标，也就是矩形物体纵向边缘的起始坐标和终点坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311151342.9A CN117197073B (zh) | 2023-09-07 | 2023-09-07 | 基于机器视觉的矩形物体自动计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311151342.9A CN117197073B (zh) | 2023-09-07 | 2023-09-07 | 基于机器视觉的矩形物体自动计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117197073A CN117197073A (zh) | 2023-12-08 |
| CN117197073B true CN117197073B (zh) | 2024-03-05 |
Family
ID=88993717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311151342.9A Active CN117197073B (zh) | 2023-09-07 | 2023-09-07 | 基于机器视觉的矩形物体自动计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197073B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010062722A (ja) * | 2008-09-02 | 2010-03-18 | Casio Comput Co Ltd | 画像処理装置及びコンピュータプログラム |
| CN102842035A (zh) * | 2012-07-11 | 2012-12-26 | 北京京北方信息技术有限公司 | 一种针对凭证影像的矩形印章定位方法及装置 |
| JP2016167311A (ja) * | 2012-01-17 | 2016-09-15 | シャープ株式会社 | 画像処理装置および画像処理方法 |
| CN109300125A (zh) * | 2018-09-21 | 2019-02-01 | 苏州塞弗瑞智能装备有限公司 | 一种复杂环境下城轨列车受电弓滑板图像提取算法 |
| CN109313799A (zh) * | 2016-12-21 | 2019-02-05 | 华为技术有限公司 | 图像处理方法及设备 |
| CN109949211A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 一种矩形文档图像裁切方法和装置 |
| CN113554672A (zh) * | 2021-08-05 | 2021-10-26 | 沭阳县浙台工贸有限公司 | 一种基于机器视觉的气密性检测中相机位姿检测方法及系统 |
| CN114092468A (zh) * | 2021-12-02 | 2022-02-25 | 上海健麾信息技术股份有限公司 | 一种基于机器视觉的标准目标计数方法 |
| KR20220026439A (ko) * | 2020-08-25 | 2022-03-04 | 한국전자기술연구원 | 인쇄회로기판의 부품 미실장 검출 방법 및 그 장치 |
| CN115046766A (zh) * | 2022-06-15 | 2022-09-13 | 石家庄铁道大学 | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 |
| CN115533902A (zh) * | 2022-09-29 | 2022-12-30 | 杭州海康机器人股份有限公司 | 一种基于视觉引导的拆垛方法、装置、电子设备及系统 |
| CN116215517A (zh) * | 2023-01-30 | 2023-06-06 | 北京百度网讯科技有限公司 | 碰撞检测方法、装置、设备、存储介质和自动驾驶车辆 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8125544B2 (en) * | 2008-09-02 | 2012-02-28 | Casio Computer Co., Ltd. | Image processing apparatus for extracting quadrangle area in image |
-
2023
- 2023-09-07 CN CN202311151342.9A patent/CN117197073B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010062722A (ja) * | 2008-09-02 | 2010-03-18 | Casio Comput Co Ltd | 画像処理装置及びコンピュータプログラム |
| JP2016167311A (ja) * | 2012-01-17 | 2016-09-15 | シャープ株式会社 | 画像処理装置および画像処理方法 |
| CN102842035A (zh) * | 2012-07-11 | 2012-12-26 | 北京京北方信息技术有限公司 | 一种针对凭证影像的矩形印章定位方法及装置 |
| CN109313799A (zh) * | 2016-12-21 | 2019-02-05 | 华为技术有限公司 | 图像处理方法及设备 |
| CN109300125A (zh) * | 2018-09-21 | 2019-02-01 | 苏州塞弗瑞智能装备有限公司 | 一种复杂环境下城轨列车受电弓滑板图像提取算法 |
| CN109949211A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 一种矩形文档图像裁切方法和装置 |
| KR20220026439A (ko) * | 2020-08-25 | 2022-03-04 | 한국전자기술연구원 | 인쇄회로기판의 부품 미실장 검출 방법 및 그 장치 |
| CN113554672A (zh) * | 2021-08-05 | 2021-10-26 | 沭阳县浙台工贸有限公司 | 一种基于机器视觉的气密性检测中相机位姿检测方法及系统 |
| CN114092468A (zh) * | 2021-12-02 | 2022-02-25 | 上海健麾信息技术股份有限公司 | 一种基于机器视觉的标准目标计数方法 |
| CN115046766A (zh) * | 2022-06-15 | 2022-09-13 | 石家庄铁道大学 | 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法 |
| CN115533902A (zh) * | 2022-09-29 | 2022-12-30 | 杭州海康机器人股份有限公司 | 一种基于视觉引导的拆垛方法、装置、电子设备及系统 |
| CN116215517A (zh) * | 2023-01-30 | 2023-06-06 | 北京百度网讯科技有限公司 | 碰撞检测方法、装置、设备、存储介质和自动驾驶车辆 |
Non-Patent Citations (4)
| Title |
|---|
| Automatic Detection and Counting of Circular and Rectangular Steel Bars;Muhammad Faiz Ghazali等;《9th International Conference on Robotic, Vision, Signal Processing and Power Applications》;20160930;第398卷;1-9 * |
| Counting rectangular objects on conveyors using machine vision;Ermin Omeragic等;《2020 28th Telecommunications Forum》;20210111;1-4 * |
| 基于Hough变换的快速矩形检测算法;李强兵等;《微计算机信息》;20080421;第23卷(第31期);248-250 * |
| 基于OpenCV的公交客流计数方法;张震等;《现代电子技术》;20170115;第40卷(第2期);16-20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117197073A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086714B (zh) | 表格识别方法、识别系统及计算机装置 | |
| CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
| US10552705B2 (en) | Character segmentation method, apparatus and electronic device | |
| CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
| 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 | |
| CN106918602B (zh) | 一种鲁棒的基于机器视觉的表面缺陷检测方法 | |
| CN111739058B (zh) | 一种基于高斯滤波的分水岭算法的自由液面识别和提取的方法 | |
| CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
| Mei et al. | A novel framework for container code-character recognition based on deep learning and template matching | |
| CN105447489A (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
| CN117197073B (zh) | 基于机器视觉的矩形物体自动计数方法 | |
| Saini | Document image binarization techniques, developments and related issues: a review | |
| JPWO2019008402A5 (zh) | ||
| CN115984863B (zh) | 图像处理方法、装置、设备及存储介质 | |
| Xu et al. | A lane detection method combined fuzzy control with ransac algorithm | |
| Boiangiu et al. | Handwritten documents text line segmentation based on information energy | |
| CN116309780A (zh) | 一种基于目标检测的水尺水位识别方法 | |
| CN110674779B (zh) | 一种基于特征融合的单目远红外行人检测方法 | |
| CN110223299B (zh) | 一种基于沉积过程的磨粒分割方法 | |
| CN117197072B (zh) | 基于机器视觉的物体自动计数方法 | |
| Rajnish et al. | Improving the quality and readability of ancient Brahmi stone inscriptions | |
| Kumari et al. | A Review on Comparative Study of Different Edge Detection Techniques | |
| CN117315664B (zh) | 一种基于图像序列的废钢斗号码识别方法 | |
| Chaudhari et al. | Document image binarization using threshold segmentation | |
| Saluja et al. | Table Detection and Extraction using OpenCV and Novel Optimization Methods |
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 |