CN117237595A - 一种智能手表外壳划痕区域快速提取方法 - Google Patents
一种智能手表外壳划痕区域快速提取方法 Download PDFInfo
- Publication number
- CN117237595A CN117237595A CN202311514748.9A CN202311514748A CN117237595A CN 117237595 A CN117237595 A CN 117237595A CN 202311514748 A CN202311514748 A CN 202311514748A CN 117237595 A CN117237595 A CN 117237595A
- Authority
- CN
- China
- Prior art keywords
- edge
- points
- edge point
- point
- marked
- 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
- 238000000605 extraction Methods 0.000 title description 8
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种智能手表外壳划痕区域快速提取方法,包括:获取每个边缘点的关联边缘段;对每个边缘点的关联边缘段进行链码编码,获取链码编码的规则程度;获取每个边缘点的关联边缘段中所有边缘点的目标程度,获取每个边缘点的目标权重;获取标记边缘点的关联范围;获取关联区域与非关联区域的映射区间;通过直方图均衡化将关联区域与非关联区域的灰度级映射到新的映射区间内,得到增强后的图像;通过对增强以后的图像进行分割获取边缘细节特征,通过将边缘细节特征与模板进行匹配,获取手表外壳划痕区域。本发明通过对手表表面图像进行不同程度的增强,令图像细节更明显,达到对划痕检测结果更准确的目的。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种智能手表外壳划痕区域快速提取方法。
背景技术
智能手表作为一种智能可穿戴设备,已经成为人们日常生活中的重要工具,由于智能手表外表面较为光滑,在与硬物接触时容易出现划痕,影响手表的美观和使用寿命,故需要对手表外壳划痕区域进行快速提取,以达到对手表外壳进行精确的维护和保养。
由于手表外壳表面较为光滑,对手表外壳表面进行图像采集时,图像容易受到光照影响,且若划痕缺陷位于手表的正面,划痕容易与机械零件的边缘混在一起,难以进行有效的划痕边缘快速提取,故在进行划痕边缘提取前需要进行图像增强。现有的常用的图像增强方法为直方图均衡化,传统直方图均衡化是针对图像进行全局均衡化处理的,这会导致部分细节损失,出现过增强或欠增强的现象,影响划痕的快速提取。
发明内容
本发明提供一种智能手表外壳划痕区域快速提取方法,以解决现有的问题:图像容易受到光照影响,且若划痕缺陷位于手表的正面,划痕容易与机械零件的边缘混在一起,难以进行有效的划痕边缘快速提取。
本发明的一种智能手表外壳划痕区域快速提取方法采用如下技术方案:
本发明一个实施例提供了一种智能手表外壳划痕区域快速提取方法,该方法包括以下步骤:
获取待检测手表外壳表面图像,根据待检测手表外壳表面图像获取待检测手表外壳表面灰度图像;
根据待检测手表外壳表面灰度图像中边缘点的分布获取每个边缘点的关联边缘段;
对每个边缘点的关联边缘段进行链码编码,根据每个边缘点链码编码的数字码值获取链码编码的规则程度;根据每个边缘点链码编码的规则程度获取每个边缘点的目标程度,获取每个边缘点的关联边缘段中所有边缘点的目标程度获取每个边缘点的目标权重;
将目标程度大于预设目标程度阈值的边缘点记为标记边缘点,根据每个标记边缘点的目标程度以及每个标记边缘点的目标权重获取每个标记边缘点的关联范围;根据每个标记边缘点的关联范围获取关联区域与非关联区域;获取关联区域与非关联区域的映射区间;依据关联区域与非关联区域的映射区间对关联区域与非关联区域进行直方图均衡化,得到增强后的图像;根据增强后的图像获得手表外壳划痕区域。
优选的,所述根据待检测手表外壳表面图像获取待检测手表外壳表面灰度图像,包括的具体方法为:
将采集的手表表面图像输入到训练完成的神经网络进行语义分割,得到待检测手表外壳表面图像,将待检测手表外壳表面图像进行灰度化处理,得到待检测手表外壳表面灰度图像。
优选的,所述根据待检测手表外壳表面灰度图像中边缘点的分布获取每个边缘点的关联边缘段,包括的具体方法为:
利用canny边缘检测算法获得待检测手表外壳表面灰度图像中的所有边缘,对于任意一条边缘上的任意一个边缘点,以该边缘点为起点,在边缘上截取一段长度为的边缘片段,记为每个边缘点的关联边缘段,/>为预设长度。
优选的,所述根据每个边缘点链码编码的数字码值获取链码编码的规则程度,包括的具体方法为:
式中表示每个边缘点的链码编码的规则程度,/>表示每个边缘点的链码编码匹配字符数量,/>表示每个边缘点关联边缘段中像素点个数。
优选的,所述每个边缘点的链码编码匹配字符数量,包括的具体方法为:
获取第个边缘点的链码编码,将第/>个边缘点的链码编码中的数字码值记为字符;每个边缘点的关联边缘段上所有边缘点的字符构成一个字符串,在字符串中获取一个连续出现次数最多的字符子串,该字符子串连续出现的次数记为匹配字符数量。
优选的,所述获取每个边缘点的关联边缘段中所有边缘点的目标程度,包括的具体方法为:
将计算获取的每个边缘点的链码编码的规则程度值赋予每个边缘点,得到每个边缘点的目标程度。
优选的,所述获取每个边缘点的目标权重,包括的具体方法为:
每个边缘点的目标权重的获取方法为:
式中表示第/>个边缘点的目标权重,n表示第/>个边缘点的关联边缘段中边缘点的个数,/>表示第/>个边缘点的关联边缘段中第/>个边缘点的链码编码的规则程度,/>表示第/>个边缘点的关联边缘段中所有边缘点的链码编码的规则程度均值,/>表示以自然常数为底的指数函数。
优选的,所述根据每个标记边缘点的目标程度以及每个标记边缘点的目标权重获取每个标记边缘点的关联范围,包括的具体方法为:
每个标记边缘点的关联范围的获取方法为:
式中表示第/>个标记边缘点的关联范围,/>表示第/>个边缘点的目标权重,/>表示预设初始关联范围,/>表示向上取整。
优选的,所述根据每个标记边缘点的关联范围获取关联区域与非关联区域,包括的具体方法为:
以第个标记边缘点为圆心建立可变圆,可变圆以预设步长依次扩大,当可变圆中刚好全包含/>个像素点后停止,其中/>表示第/>个标记边缘点的关联范围,此时获取第/>个标记边缘点的关联像素点,所有关联像素点与标记边缘点对应像素点所包含的待检测手表外壳表面灰度图像区域记为关联区域,待检测手表外壳表面灰度图像中关联区域之外的待检测手表外壳表面灰度图像区域记为非关联区域。
优选的,所述获取关联区域与非关联区域的映射区间,包括的具体方法为:
进行直方图均衡化映射时将关联区域映射到0-255的灰度区间内,获取非关联区域的灰度统计直方图,将非关联区域的灰度统计直方图分为三部分,利用类间方差法获取最佳分割阈值,其中/>,将最佳分割阈值/>的灰度范围/>作为非关联区域的映射区间选择为/>。
本发明的技术方案的有益效果是:通过对手表外壳图像进行语义分割,减少外界干扰,通过边缘检测获取图像边缘,通过对每个边缘点进行链码编码获取每个边缘点的链码编码的规则程度,通过规则程度获取每个边缘点的目标权重,根据目标权重获取每个像素点的关联范围,通过所有像素点的关联范围将图像分为关联区域与非关联区域,通过对关联区域与非关联区域进行不同程度的增强,令增强效果更好,使得对手表外壳进行分割时的分割结果更加准确,达到对手表划痕区域精确提取的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明一种智能手表外壳划痕区域快速提取方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智能手表外壳划痕区域快速提取方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能手表外壳划痕区域快速提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智能手表外壳划痕区域快速提取方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集获取待检测手表外壳表面灰度图像。
需要说明的是,图像采集过程中会采集获取无关背景,为了避免无关背景带来的干扰,故将无关背景去除,以避免影响手表外壳的划痕检测。
具体的,为了实现本实施例提出的一种智能手表外壳划痕区域快速提取方法,首先需要采集手表外壳表面灰度图像,具体过程为:
将手表清洁完成后平整的置于桌面上,利用相机采集手表表面图像,将采集的手表表面图像输入到训练完成的神经网络进行语义分割,得到待检测手表外壳表面图像,将待检测手表外壳表面图像进行灰度化处理,得到待检测手表外壳表面灰度图像。其中网络的训练过程为:
使用的数据集为本实施例所述采集过程得到的待检测手表外壳表面图像数据集,待检测手表外壳表面图像的样式形态为多种多样的;需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于待检测手表外壳区域表面图像的标注为1;网络的任务是分类,本实施例使用的神经网络为DeepLabV3网络,所有使用的loss函数为交叉熵损失函数。
至此,通过上述方法得到待检测手表外壳表面灰度图像。
步骤S002:根据手表外壳端面的边缘细节获取边缘像素点的关联边缘段。
需要说明的是,由于手表外壳端面的划痕是由于手表外壳端面与端面支承出现相对运动,从而产生划痕,故划痕通常为方向性较强的线段,而手表外壳端面的其他纹理(如钢印字母、齿轮等)通常呈现不规则线条或圆形线条,故通过提取手表外壳端面的边缘细节,根据边缘细节的规则程度获取对应边缘点的目标程度,边缘细节的规则程度越大,则像素点的目标程度越大,在进行增强时应该获取更大的对比度,以便于在进行划痕提取时更准确。
具体的,利用边缘检测算法获取待检测手表外壳端面图像的边缘图像,其中边缘检测算法为现有技术,本实施例不再进行赘述,将获取得到的边缘图像记为第一边缘图像。对于任意一条边缘上的任意一个边缘点,以该边缘点为起点,在边缘上截取一段长度为/>的边缘片段,记为每个边缘点的关联边缘段,具体方法如下:
具体截取方法为:
以第一边缘图像中第个边缘点为目标点,建立/>大小的滑窗,第一边缘图像中第/>个边缘点为滑窗中心点,遍历目标点八邻域中边缘点的个数,若目标点八邻域中不存在其他边缘点,则目标点极有可能为孤立的噪声点,不予以处理;若目标点八邻域中存在一个其他边缘点,则更新滑窗中心点,以目标点八邻域中存在的一个边缘点为滑窗中心点建立/>大小的滑窗,将更新后的中心点记为第一更新中心点,继续遍历获取第一更新中心点八邻域中的边缘点,此时第一更新中心点八邻域中有目标点,目标点已经参与计算,故参与计算过的点不予以考虑,在剩下的七个邻域中判断是否存在其他边缘点,若存在,则继续更新中心点,直至获取得到目标点的目标长度的关联边缘段或不符合迭代条件时迭代停止,其中目标点的关联边缘段的目标长度为/>,本实施例以/>为例进行叙述。
当目标点八邻域中存在两个其他边缘点,则在更新中心点时同时进行,分别以目标点八邻域中存在的两个边缘点为滑窗中心点建立大小的滑窗,进行滑窗中心点的更新,将更新后的中心点记为第一更新中心点和第二更新中心点,继续遍历获取第一更新中心点和第二更新中心点八邻域中的边缘点,此时第一更新中心点和第二更新中心点八邻域中有目标点,目标点已经参与计算,故参与计算过的点不予以考虑,在剩下的七个邻域中判断是否存在其他边缘点,若存在,则继续更新中心点,直至获取得到目标点的目标长度的关联边缘段或不符合迭代条件时迭代停止。
上述在边缘上截取一段长度未的边缘片段时,需要考虑边缘上的分叉情况,具体为:
当目标点八邻域中存在两个以上的其他边缘点时,则优先进行夹角判断,获取目标点八邻域中两两边缘点之间的夹角,其中夹角的获取可利用八链码进行获取,八链码与目标点的八邻域刚好一一对应,获取夹角最大的一组边缘点,以夹角最大的一组边缘点为滑窗中心点建立大小的滑窗,进行滑窗中心点的更新,将更新后的中心点记为第一更新中心点和第二更新中心点,继续遍历获取第一更新中心点和第二更新中心点八邻域中的边缘点,此时第一更新中心点和第二更新中心点八邻域中有目标点,目标点已经参与计算,故参与计算过的点不予以考虑,在剩下的七个邻域中判断是否存在其他边缘点,若仍然存在两个以上的其他边缘点,则继续按上述规则继续更新中心点,优先判断角度再进行中心点的更新,当选择角度最大的一组边缘点进行中心点更新时无法满足目标点的目标长度的关联边缘段时,则更换一组邻域边缘点,选择角度仅次于最大角度的一组邻域边缘点进行更新,直至获取得到目标点的目标长度的关联边缘段时或不符合迭代条件时迭代停止,若所有角度均不符合目标长度的关联边缘段,则选择最长的关联边缘段。由此得到所有边缘点的关联边缘段,将每个边缘点的关联边缘段的实际长度记为/>,正常情况下/>,当所有角度均不符合目标长度的关联边缘段时选择的最长的关联边缘段的情况下,/>。
至此,通过上述方法得到每个边缘点的关联边缘段。
步骤S003:根据边缘点的关联边缘段获取边缘点的目标程度。
需要说明的是,边缘点的关联边缘段规则程度越高,说明该像素点越有可能为划痕区域的像素点,故边缘点的关联边缘段规则程度越高,边缘点的目标程度越大,在进行增强时对应灰度级的对比度应更大。
具体的,对每一个边缘点的关联边缘段进行链码编码,在进行链码编码时,遵循从上到下、从左到右的原则,即从上到下、从左到右扫描每一个边缘点的关联边缘段,将扫描得到的关联边缘段中的第一个边缘点作为链码编码的码头,码头为对应边缘点在第一边缘图像中的坐标,链码编码完成后得到每一个边缘点的链码编码,链码编码包括码头和数字码值。根据每个边缘点链码编码的数字码值间的关系获取链码编码的规则程度,所述链码编码的规则程度计算方法如下:
首先获取第个边缘点的链码编码,将第/>个边缘点的链码编码中的数字码值记为字符,获取每条边缘上所有边缘点的链码编码中的第一个字符,将其与下一个字符进行匹配,匹配条件为第一个字符与第二个字符相等则为匹配,否则为不匹配,若可以进行匹配,则匹配字符数加1,此时匹配字符数为1,此时第二个字符与下一个字符进行匹配并进行判断,若可以进行匹配,则匹配字符数再次加1,此时匹配字符数为2,以此类推继续进行判断。
若第一个字符在与下一个字符进行匹配时不匹配,则将第一个字符与第二个字符作为字符组合继续进行匹配,此时为第一个字符与第二个字符的字符组合与第三个字符与第四个字符的字符组合进行匹配,若匹配,则匹配字符数加1,由于此时是将第一个字符与第二个字符作为字符组合进行匹配的,故匹配字符数加1而不是加2。若不匹配,则将第一个字符、第二个字符、第三个字符作为字符组合继续进行匹配,匹配方法同理,若当字符长度增加到时还是无法匹配,/>表示向下取整,其中/>表示每个边缘点的关联边缘段的实际长度,则判定为第一个字符无法匹配,此时对第二个字符进行匹配计算,计算方式与上述计算方式相同,注意的是,此时已经有字符完成计算了,在对下一个字符进行判断时链码编码的长度变为/>,其中/>为进行匹配计算后的字符数,则当前字符的最大判断长度为/>,由此完成匹配判断,并获取得到匹配字符总数,记为/>;则第/>个边缘点的链码编码的规则程度为:
式中表示第/>个边缘点的链码编码的规则程度,/>表示第/>个边缘点的链码编码匹配字符总数,/>表示第/>个边缘点关联边缘段中像素点个数,第/>个边缘点关联边缘段的像素点个数为/>,则进行链码编码后链码编码的长度为/>,若链码中的编码值全相同,理论最大匹配字符总数比链码长度少1位,则分母理论最大值为/>,规则程度的取值范围为。将计算获取的值赋予第/>个边缘点,得到第/>个边缘点的目标程度。同理获取所有边缘点的目标程度。
至此,通过上述方法得到每个边缘点的目标程度。
步骤S004:根据边缘点的邻域关系获取每个边缘点的目标权重。
需要说明的是,单一边缘点的目标程度会存在偶然性,故根据第个边缘点的关联边缘段中所有边缘点的目标程度的相似度获取第/>个边缘点的目标权重。
具体的,获取第个边缘点的关联边缘段中所有边缘点的目标程度,得到目标程度序列,目标程度序列的表现形式为:/>,/>表示第/>个边缘点的关联边缘段中实际边缘点的个数,/>表示目标程度序列中第/>个边缘点的目标程度,则第/>个边缘点的目标权重为:
式中表示第/>个边缘点的目标权重,n表示第/>个边缘点的关联边缘段中实际边缘点的个数,/>表示第/>个边缘点的关联边缘段中第/>个边缘点的链码编码的规则程度,/>表示第/>个边缘点的关联边缘段中所有边缘点的链码编码的规则程度均值,/>表示以自然常数为底的指数函数;第/>个边缘点的关联边缘段中所有边缘点的目标程度的相似度越高,说明第/>个边缘点越符合划痕特征,故其对应的目标权重越大。同理获取所有边缘点的目标权重。
至此,通过上述方法得到每个边缘点的目标权重。
步骤S005:根据目标权重与目标程度获取灰度增强区间。
上述计算得到每一个边缘点的目标程度,设定目标程度阈值,本实施例以,当边缘点的目标程度大于目标程度阈值/>时,将其进行标记,标记的每一个边缘点其自身均对应一个灰度值,且每一个边缘点对应一个目标权重,边缘点的目标权重越大,其越有可能为划痕区域的像素点,故该区域较大范围的像素点灰度值的对比度需要进行增强处理,故根据边缘点的目标权重获取边缘点的关联范围,即设置初始关联范围/>,本实施例以/>为例进行叙述,则第/>个标记边缘点的关联范围为:
式中表示第/>个标记边缘点的关联范围,/>表示第/>个边缘点的目标权重,/>表示初始关联范围,/>表示向上取整;获取第/>个标记边缘点的关联范围后,以第/>个标记边缘点为圆心建立可变圆,可变圆以预设步长依次扩大,预设步长为0.1个单位长度,当可变圆中刚好全包含/>个像素点后停止,此时获取第/>个标记边缘点的关联像素点;同理获取所有标记像素点的关联像素点,统计所有关联像素点与标记像素点的灰度级,得到关联区域,通过待检测手表外壳表面灰度图像减去关联区域像素点获取得到非关联区域。
步骤S006:对不同的灰度增强区间进行不同程度的图像增强。
通过上述操作将待检测手表外壳表面灰度图像分为两部分,分别为关联区域与非关联区域,其中关联区域需要更大的对比度,故在进行直方图均衡化映射时将其映射到0-255的灰度区间内,而非关联区域为背景区域或不重要的边缘区域,在进行映射时可以映射到较小的灰度区间,其中非关联区域的映射区间获取方式为:获取非关联区域的灰度统计直方图,获取非关联区域灰度统计直方图的极小值点,选择任意两个极小值点将直方图分为三部分,通过类间方差法获取最优极小值点,当类间方差最大时对应的极小值点为最优极小值点,两极小值点分别记为,其中/>,故非关联区域的映射区间选择为/>。
采用直方图均衡化分别对关联区域与非关联区域进行直方图均衡化处理,将处理后的两部分合并到一起,得到增强后的图像。
步骤S007:对增强后的图像进行阈值分割提取得到划痕区域。
采用canny边缘检测获取增强后待检测手表外壳表面灰度图像的边缘,将得到的边缘与标准模板进行对比,其中标准模板是由不存在划痕的手表外壳表面灰度图像的边缘构成的,获取与标准模板不重合的边缘像素点,不重合的边缘像素点构成的边缘即为对应的划痕特征,由此完成手表外壳划痕区域的快速提取。
至此,本实施例完成。
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,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能手表外壳划痕区域快速提取方法,其特征在于,该方法包括以下步骤:
获取待检测手表外壳表面图像,根据待检测手表外壳表面图像获取待检测手表外壳表面灰度图像;
根据待检测手表外壳表面灰度图像中边缘点的分布获取每个边缘点的关联边缘段;
对每个边缘点的关联边缘段进行链码编码,根据每个边缘点链码编码的数字码值获取链码编码的规则程度;根据每个边缘点链码编码的规则程度获取每个边缘点的目标程度,获取每个边缘点的关联边缘段中所有边缘点的目标程度获取每个边缘点的目标权重;
将目标程度大于预设目标程度阈值的边缘点记为标记边缘点,根据每个标记边缘点的目标程度以及每个标记边缘点的目标权重获取每个标记边缘点的关联范围;根据每个标记边缘点的关联范围获取关联区域与非关联区域;获取关联区域与非关联区域的映射区间;依据关联区域与非关联区域的映射区间对关联区域与非关联区域进行直方图均衡化,得到增强后的图像;根据增强后的图像获得手表外壳划痕区域。
2.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述根据待检测手表外壳表面图像获取待检测手表外壳表面灰度图像,包括的具体方法为:
将采集的手表表面图像输入到训练完成的神经网络进行语义分割,得到待检测手表外壳表面图像,将待检测手表外壳表面图像进行灰度化处理,得到待检测手表外壳表面灰度图像。
3.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述根据待检测手表外壳表面灰度图像中边缘点的分布获取每个边缘点的关联边缘段,包括的具体方法为:
利用canny边缘检测算法获得待检测手表外壳表面灰度图像中的所有边缘,对于任意一条边缘上的任意一个边缘点,以该边缘点为起点,在边缘上截取一段长度为的边缘片段,记为每个边缘点的关联边缘段,/>为预设长度。
4.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述根据每个边缘点链码编码的数字码值获取链码编码的规则程度,包括的具体方法为:
式中表示每个边缘点的链码编码的规则程度,/>表示每个边缘点的链码编码匹配字符数量,/>表示每个边缘点关联边缘段中像素点个数。
5.根据权利要求4所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述每个边缘点的链码编码匹配字符数量,包括的具体方法为:
获取第个边缘点的链码编码,将第/>个边缘点的链码编码中的数字码值记为字符;每个边缘点的关联边缘段上所有边缘点的字符构成一个字符串,在字符串中获取一个连续出现次数最多的字符子串,该字符子串连续出现的次数记为匹配字符数量。
6.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述获取每个边缘点的关联边缘段中所有边缘点的目标程度,包括的具体方法为:
将计算获取的每个边缘点的链码编码的规则程度值赋予每个边缘点,得到每个边缘点的目标程度。
7.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述获取每个边缘点的目标权重,包括的具体方法为:
每个边缘点的目标权重的获取方法为:
式中表示第/>个边缘点的目标权重,n表示第/>个边缘点的关联边缘段中边缘点的个数,/>表示第/>个边缘点的关联边缘段中第/>个边缘点的链码编码的规则程度,/>表示第/>个边缘点的关联边缘段中所有边缘点的链码编码的规则程度均值,/>表示以自然常数为底的指数函数。
8.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述根据每个标记边缘点的目标程度以及每个标记边缘点的目标权重获取每个标记边缘点的关联范围,包括的具体方法为:
每个标记边缘点的关联范围的获取方法为:
式中表示第/>个标记边缘点的关联范围,/>表示第/>个边缘点的目标权重,/>表示预设初始关联范围,/>表示向上取整。
9.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述根据每个标记边缘点的关联范围获取关联区域与非关联区域,包括的具体方法为:
以第个标记边缘点为圆心建立可变圆,可变圆以预设步长依次扩大,当可变圆中刚好全包含/>个像素点后停止,其中/>表示第/>个标记边缘点的关联范围,此时获取第/>个标记边缘点的关联像素点,所有关联像素点与标记边缘点对应像素点所包含的待检测手表外壳表面灰度图像区域记为关联区域,待检测手表外壳表面灰度图像中关联区域之外的待检测手表外壳表面灰度图像区域记为非关联区域。
10.根据权利要求1所述一种智能手表外壳划痕区域快速提取方法,其特征在于,所述获取关联区域与非关联区域的映射区间,包括的具体方法为:
进行直方图均衡化映射时将关联区域映射到0-255的灰度区间内,获取非关联区域的灰度统计直方图,将非关联区域的灰度统计直方图分为三部分,利用类间方差法获取最佳分割阈值,其中/>,将最佳分割阈值/>的灰度范围/>作为非关联区域的映射区间选择为/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514748.9A CN117237595B (zh) | 2023-11-15 | 2023-11-15 | 一种智能手表外壳划痕区域快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514748.9A CN117237595B (zh) | 2023-11-15 | 2023-11-15 | 一种智能手表外壳划痕区域快速提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237595A true CN117237595A (zh) | 2023-12-15 |
CN117237595B CN117237595B (zh) | 2024-03-29 |
Family
ID=89093382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514748.9A Active CN117237595B (zh) | 2023-11-15 | 2023-11-15 | 一种智能手表外壳划痕区域快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237595B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008890A1 (en) * | 2002-07-10 | 2004-01-15 | Northrop Grumman Corporation | System and method for image analysis using a chaincode |
CN116703898A (zh) * | 2023-08-03 | 2023-09-05 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
CN116704209A (zh) * | 2023-08-08 | 2023-09-05 | 山东顺发重工有限公司 | 一种法兰轮廓快速提取方法及系统 |
EP4254337A1 (en) * | 2023-01-17 | 2023-10-04 | University of Maribor | A procedure for encoding and decoding of binary images using chain codes |
-
2023
- 2023-11-15 CN CN202311514748.9A patent/CN117237595B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040008890A1 (en) * | 2002-07-10 | 2004-01-15 | Northrop Grumman Corporation | System and method for image analysis using a chaincode |
EP4254337A1 (en) * | 2023-01-17 | 2023-10-04 | University of Maribor | A procedure for encoding and decoding of binary images using chain codes |
CN116703898A (zh) * | 2023-08-03 | 2023-09-05 | 山东优奭趸泵业科技有限公司 | 一种精密机械轴承端面的质量检测方法 |
CN116704209A (zh) * | 2023-08-08 | 2023-09-05 | 山东顺发重工有限公司 | 一种法兰轮廓快速提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117237595B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529550B (zh) | 基于连通域分析的多维特征量提取方法及装置 | |
CN108562589A (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108960239B (zh) | 一种基于图像处理的激光蚀刻金属雷管编码字符分割方法 | |
CN109035274A (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN104156700A (zh) | 基于活动形状模型和加权插值法的人脸图像眼镜去除方法 | |
CN106127193B (zh) | 一种人脸图像识别方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN104766316A (zh) | 中医望诊中新型嘴唇分割算法 | |
CN116704209B (zh) | 一种法兰轮廓快速提取方法及系统 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
CN109003287A (zh) | 基于改进遗传算法的图像分割方法 | |
CN109117738A (zh) | 基于人工智能的阅卷方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN112991536A (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
CN107590801B (zh) | 一种用于牛肉眼肌大理石花纹分割和评级的图像处理方法 | |
CN108710883A (zh) | 一种采用轮廓检测的完整显著性物体检测方法 | |
CN110874825A (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN117237595B (zh) | 一种智能手表外壳划痕区域快速提取方法 | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN111091580B (zh) | 一种基于改进ResNet-UNet网络的立木图像分割方法 | |
CN114550167B (zh) | 一种基于人工智能的梨的品质分类方法及装置 |
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 |