CN117409065A - 对象测量方法、装置、计算机设备、可读存储介质和产品 - Google Patents
对象测量方法、装置、计算机设备、可读存储介质和产品 Download PDFInfo
- Publication number
- CN117409065A CN117409065A CN202210806629.XA CN202210806629A CN117409065A CN 117409065 A CN117409065 A CN 117409065A CN 202210806629 A CN202210806629 A CN 202210806629A CN 117409065 A CN117409065 A CN 117409065A
- Authority
- CN
- China
- Prior art keywords
- measurement
- image
- gray
- area
- measured
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims description 53
- 238000005259 measurement Methods 0.000 claims abstract description 695
- 238000012216 screening Methods 0.000 claims abstract description 49
- 238000000691 measurement method Methods 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 230000001629 suppression Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 108010001267 Protein Subunits Proteins 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种对象测量方法、装置、计算机设备、可读存储介质和产品,通过获取测量图像区域,测量图像区域包含至少两个呈测量方向排列的测量子区域;对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;根据边缘线在测量方向上的距离,计算测量对象的尺寸。通过整体的灰度变化程度确定边缘线,可以抑制测量图像区域中干扰边缘点的影响,使得确定的边缘线更加准确,提高测量的准确度和精度。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种对象测量方法、装置、计算机设备、可读存储介质和产品,其中,可读存储介质为计算机可读存储介质,产品为计算机程序产品。
背景技术
随着工业制造技术的发展,工业制造中对产品的生产标准越来越高,相应地,对产品尺寸的测量要求也越高,既要保证测量精度,又要测量速度快。而计算机及图像处理技术的飞速发展,使得对产品的测量可以由手工测量转变为机器测量,通常通过基于边缘检测对产品尺寸进行测量:对目标物的图像进行图像边缘检测(如Canny算子)来提取目标物的边缘点(灰度变化较大的像素);然后,对边缘点进行合并等处理得到目标物轮廓;根据目标物轮廓即可计算目标物的尺寸。
然而,通过边缘检测测量尺寸依赖于边缘检测精度,而边缘点通过单个像素的局部邻域信息确定,在图像的背景中存在干扰边缘点的情况下,得到的轮廓边缘存在不少的干扰边缘点,影响测量准确性和测量精度。
发明内容
本申请实施例提供一种对象测量方法、装置、计算机设备、可读存储介质和产品,可以提高测量的准确度和精度。
本申请实施例提供的一种对象测量方法,包括:
获取包含测量对象的测量图像区域和所述测量对象的测量方向,所述测量图像区域包含至少两个呈所述测量方向排列的测量子区域;
对所述测量子区域中每个像素的灰度进行灰度投影,得到所述测量子区域的区域灰度信息;
根据所述区域灰度信息计算每个所述测量子区域的区域灰度梯度,所述区域灰度梯度表征所述测量子区域的灰度变化程度;
从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域确定所述测量对象的边缘线;
根据所述边缘线在所述测量方向上的距离,计算所述测量对象的尺寸。
相应的,本申请实施例还提供的一种对象测量装置,包括:
获取单元,用于获取包含测量对象的测量图像区域和所述测量对象的测量方向,所述测量图像区域包含至少两个呈所述测量方向排列的测量子区域;
投影单元,用于对所述测量子区域中每个像素的灰度进行灰度投影,得到所述测量子区域的区域灰度信息;
梯度计算单元,用于根据所述区域灰度信息计算每个所述测量子区域的区域灰度梯度,所述区域灰度梯度表征所述测量子区域的灰度变化程度;
筛选单元,用于从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域确定所述测量对象的边缘线;
距离计算单元,用于根据所述边缘线在所述测量方向上的距离,计算所述测量对象的尺寸。
在一实施例中,所述获取单元,包括:
图像信息获取子单元,用于获取初始待测量图像和模板图像,所述模板图像携带所述测量对象所在图像区域的区域信息和所述测量对象的测量方向;
图像校准子单元,用于基于所述模板图像对所述初始待测量图像进行图像校准,得到校准后初始图像;
区域映射子单元,用于根据所述区域信息将所述模板图像中图像区域映射至所述校准后初始图像中;
校正子单元,用于根据所述测量方向和所述区域信息,对所述校准后初始图像中测量对象所在的图像区域进行区域校正,得到与所述测量对象对应的待测量图像,所述待测量图像包含所述测量图像区域。
在一实施例中,所述待测量图像有多张,所述校正子单元,包括:
区域校正模块,用于根据所述测量方向和所述区域信息,对所述校准后初始图像中的测量对象所在的图像区域进行区域校正,得到校正后初始图像;
图像旋转模块,用于获取在预设角度范围内的多个旋转角度,并基于所述多个旋转角度,分别对所述校准后初始图像进行旋转,得到多个旋转后初始图像;
作为模块,用于将不同旋转角度对应的所述旋转后初始图像作为所述待测量图像。
在一实施例中,所述筛选单元,包括:
选取子单元,用于根据所述区域灰度梯度,分别从每张所述待测量图像对应的多个测量子区域的中选取至少两个目标测量子区域;
梯度和计算子单元,用于基于所述至少两个目标测量子区域的灰度梯度,计算每张所述待测量图像的梯度和;
图像筛选子单元,用于根据所述梯度和,从所述多张待测量图像中筛选目标待测量图像;
区域确定子单元,用于从所述目标待测量图像的目标测量子区域中确定边缘区域,所述边缘区域为所述测量对象的边缘线所在的图像区域。
在一实施例中,所述测量图像区域包含多个呈与所述测量方向垂直的方向排列的分段式图像区域,所述分段式图像区域包含所述测量子区域的分段式测量子区域,所述筛选单元,包括:
子区域梯度计算子单元,用于分别计算每个分段式图像区域中分段式测量子区域的子区域灰度梯度;
子区域筛选子单元,用于从每个所述分段式图像区域包含的分段式测量子区域中,筛选所述子区域灰度梯度满足预设子条件的目标分段式测量子区域;
第一边缘线确定子单元,用于根据每个所述目标分段式测量子区域在所述测量图像区域中的位置,确定所述测量对象的边缘线。
在一实施例中,所述边缘线确定子单元,包括:
位置信息确定模块,用于基于所述目标分段式测量子区域在所述测量图像区域中的位置,确定所述目标分段式测量子区域对应的位置信息;
直线拟合模块,用于根据每个所述分段式图像区域中所述目标分段式测量子区域对应的位置信息进行直线拟合,得到所述测量对象的边缘线。
在一实施例中,所述测量对象包含至少一个测量单元,所述筛选单元,包括:
数量获取子单元,用于获取所述测量图像区域包含的所述测量单元的单元数量;
测量子区域筛选子单元,用于根据所述区域灰度梯度,从所述测量子区域中筛选与所述单元数量匹配的目标测量子区域;
第二边缘线确定子单元,用于基于所述目标测量子区域在所述测量图像区域中的位置,确定每个所述测量对象中每个所述测量单元的两条边缘线。
相应的,本申请实施例还提供的一种计算机设备,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序,以执行本申请实施例提供的任一种对象测量方法。
相应的,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器加载以执行本申请实施例提供的任一种对象测量方法。
相应的,本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请实施例提供的任一种对象测量方法。
本申请实施例通过获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域;对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;根据边缘线在测量方向上的距离,计算测量对象的尺寸。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的对象测量方法的场景图;
图2是本申请实施例提供的对象测量方法的流程图;
图3是本申请实施例提供的区域校准示意图;
图4是本申请实施例提供的分段式图像区域示意图;
图5是本申请实施例提供的对象测量方法的另一流程图;
图6是本申请实施例提供的对象测量方法的示意图;
图7是本申请实施例提供的对象测量方法的又一流程图;
图8是本申请实施例提供的对象测量方法的再一流程图;
图9是本申请实施例提供的对象测量方法的另一示意图;
图10是本申请实施例提供的对象测量装置示意图;
图11是本申请实施例提供的计算机设备的结构示意图。
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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。
本申请实施例提供一种对象测量方法、装置、计算机设备和计算机可读存储介质。该对象测量装置可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备。
其中,该终端可以包括手机、穿戴式智能设备、平板电脑、笔记本电脑、个人计算(PC,Personal Computer)、以及车载计算机等。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
例如,如图1所示,计算机设备获取测量图像区域,测量图像区域包含至少两个呈测量方向排列的测量子区域;对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;根据边缘线在测量方向上的距离,计算测量对象的尺寸。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从对象测量装置的角度进行描述,该对象测量装置具体可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备。
本申请实施例提供的一种对象测量方法,如图2所示,该对象测量方法的具体流程可以如下:
101、获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域。
其中,测量对象可以包括需要被测量尺寸的对象,可以某个完整的物体、某个物体的局部部分或者是未组成产品的组成成分等。例如,电子元器件、电子元器件的引脚之间的距离、电子产品、电子产品上的按钮、生活物品、动植物以及微生物等,具体测量对象可以根据应用场景进行灵活调整,在此不做限制。
其中,测量子区域可以是测量图像区域中的子图像区域,测量子区域可以包含至少两个像素,可以基于测量方向将待测量图像划分为至少两个测量区域,测量子区域以测量方向依次排列可以得到测量图像区域。
其中,测量方向可以包括需要对测量对象进行尺寸测量的方向,例如,水平方向或者竖直方向等。
其中,测量图像区域可以是待测量图像中测量对象所在的图像区域,待测量图像可以包括针对测量对象所获取的图像,待测量图像可以是通过图像采集设备拍摄测量对象得到的图像,或者是通过扫描仪对测量对象进行扫描得到的图像,又或者是利用红外探测器和光学成像物镜接受测量对象的红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得的红外热像图。待测量图像可以包含至少一个测量对象,且测量对象的测量方向相同。
比如,测量方向可以是预先设置好的对象测量信息,获取包含测量对象的测量图像区域,以及获取针对该测量图像区域预设好的测量对象的测量方向。
本申请实施例中预设的测量方向,可以与测量对象测量尺寸所需的边缘相互垂直,由于待测量图像是针对测量图像采集得到的,可以在采集过程,使测量对象的边缘处于与测量方向垂直的方向,可选的,可以提前设置标准线,通过将标准线与测量对象的边缘对齐,使得边缘与测量方向处于相互垂直的位置。
为了将标准线与测量对象的边缘对齐,需要做较多的检测工作,甚至需要多次的调节,且当存在多个测量对象,且测量对象的测量方向不同时,较难确保每个测量对象用于测量尺寸的边缘与预设的方向垂直,在一实施例中,可以通过模板图像进行图像校准,使待测量图像中,测量对象的边缘处于与测量方向垂直的方向,即在一实施例中,步骤“获取包含测量对象的测量图像区域和测量对象的测量方向”,具体可以包括:
获取初始待测量图像和模板图像,模板图像携带测量对象所在图像区域的区域信息和测量方向;
基于模板图像对初始待测量图像进行图像校准,得到校准后初始图像;
并根据区域信息将模板图像中图像区域映射至校准后初始图像;
根据测量方向和区域信息,对校准后初始图像中测量对象所在的图像区域进行区域校正,得到与测量对象对应的待测量图像,待测量图像包含测量图像区域。
其中,初始待测量图像可以包括至少一个测量对象,且测量对象的测量方向可以不同也可以相同。初始待测量图像可以包括针对测量对象所获取的图像,待测量图像可以是通过图像采集设备、扫描仪或者利用红外探测器和光学成像物镜获得的图像。
其中,模板图像可以是预先设置好的图像,模板图像还可以携带测量对象的测量信息,例如,测量对象的区域信息和测量方向。
其中,区域信息可以用于确定测量对象所在的图像区域,区域信息和测量方向可以预先根据模板图像进行标注得到,例如,可以在模板图像中对测量对象所在的图像区域进行框选,并在模板图像中选择测量方向,通过框选操作和选择操作可以确定区域信息和测量方向,得到模板图像中的所有测量对象M=[m1,m2,…,mn],测量方向D_m=[D_m1,D_m2,…,D_mn],区域信息其中,mi为任一测量对象,D_mi为测量对象mi的测量方向。
比如,具体可以是获取初始待测量图像,初始待测量图像中,初始待测量图像中可以包含一个测量对象、多个测量方向相同的测量对象、或者多个测量方向不同的测量对象。
获取模板图像,通过模板图像将初始待测量图像进行比较,从初始待测量图像中查询与模板图像的图像内容相匹配的子图像,从初始待测量图像中裁剪出该子图像,可选的,可以在测量对象所处的环境中设置多个参考物(比如,圆形物体等),那么,初始待测量图像中可以包含该参考物,基于该参考物从初始待测量图像中确定与模板图像的图像内容相匹配的子图像。可选的,可以通过模板匹配从初始待测量图像中查找到与模板图像内容相匹配的子图像,从初始待测量图像中裁剪出该子图像,然后,根据模板图像的大小对该子图像进行缩小或者放大,以将初始待测量图像进行图像校准,使得校准后初始图像为与模板图像的大小和图像内容相匹配。
由于校准后初始图像在图像内容与大小上均与模板图像相匹配,因此可以根据模板图像携带的区域信息将测量对象所在的图像区域一一映射到校准后初始图像中,以在校准后初始图像中确定测量对象所在的图像区域。
在图像中,像素通常是以水平以及竖直方向排列的,可以将测量方向调整至水平方向(或者竖直方向),以将测量调整至水平方向为例进行说明,根据测量方向与水平方向之间的夹角,将校准后初始图像旋转对应的角度,相应地,如图3所示,校准后初始图像中,测量对象所在的图像区域也同样旋转了对应的角度,根据旋转后的图像区域,重新确定图像区域R_m′i(即测量图像区域),以对校准后初始图像中的测量对象所在的图像区域进行区域校正,将图像区域校正至水平方向,例如,通过旋转后的图像区域计算最小外接矩形作为新的图像区域。
经过上述过程可以得到待测量图像,当存在多个测量对象,针对每个测量对象的测量方向,分别对校准后初始图像中的测量对象所在的图像区域进行区域校正,得到每个测量对象对应的待测量图像,即得到待测量图像集合S_m′=[S_m′1,S_m′2,…,S_m′n],测量对象M′=[m′1,m′2,…,m′n],每个待测量图像对应有一个测量图像区域步骤101中可以根据区域信息从待测量图像中确定测量图像区域。可选的,如图3所示,可以基于矩形1或者矩形2对旋转后的图像进行填充或者裁剪,使得图像的形状较为规则。
可选的,可以将重选确定的图像区域进行裁剪得到的图像得到测量图像区域。
根据测量方向对初始待测量图像进行图像校准的过程中,可能出现校准后初始图像与模板图像之间存在一些误差,在模板图像中标注的测量方向的过程中,也可能存在一定误差,使测量方向与边缘垂直程度较差,这些误差会导致对测量对象的测量精确度下降,为了进一步提高测量精确度,可以通过在一定角度范围内将校准后初始图像进行旋转,以在该角度范围内确定测量对象的边缘处于最为竖直的方向上,即在一实施例中,待测量图像有多张,步骤“根据测量方向和区域信息,对校准后初始图像中的测量对象所在的图像区域进行区域校正,得到与测量对象对应的待测量图像”,具体可以包括:
根据测量方向和区域信息,对校准后初始图像中的测量对象所在的图像区域进行区域校正,得到校正后初始图像;
获取在预设角度范围内的多个旋转角度,并基于多个旋转角度,分别对校准后初始图像进行旋转,得到多个旋转后初始图像;
将不同旋转角度对应的旋转后初始图像作为待测量图像。
比如,具体可以是以一定的旋转步长获取满足预设角度范围内的多个旋转角度,以旋转步长为b,预设角度范围为(-a,a)为例进行说明,在预设角度范围为(-a,a),以旋转步长为b进行遍历旋转,可以得到多个旋转角度Z=[Z1,Z2,…,Z2a/b+1]=[-a,-a+b,…0,…,a-b,a],针对每个测量对象对应的校准后图像,基于多个旋转角度分别将校准后图像进行旋转,得到不同旋转角度对应的旋转后初始图像,将该多个旋转后初始图像作为测量对象的多个待测量图像,即得到待测量图像集合S_m′_Z=[S_m′_Z1,S_m′_Z2,…,S_m′_Z2a/b+1],其中S_m′_Zj表示将待测量图像S_m′旋转Zj角度得到的旋转待测量图集。
102、对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息。
其中,区域灰度信息可以衡量测量子区域整体的灰度情况,由于干扰边缘的是离散分布的,以测量子区域作为灰度计算单元,可以综合考虑整个测量自愈的灰度情况,而不局限于单个像素的灰度情况,当存在干扰边缘点时,可以抑制干扰边缘点的影响,以更加准确地确定测量对象的边缘线。
比如,具体可以是针对每个测量子区域,基于该测量子区域中每个像素的灰度的计算测量子区域的灰度总和,将该灰度总和作为测量子区域的区域灰度信息;可选的,可以根据该测量子区域中每个像素的灰度的计算测量子区域的平均灰度,将该平均灰度作为测量子区域的区域灰度信息;可选的,可以根据该测量子区域中每个像素的灰度的计算测量子区域的灰度众数,将该灰度众数作为测量子区域的区域灰度信息。
以区域灰度信息为平均灰度,测量方向为水平方向,测量子区域为测量图像区域中的每一列像素组成的子图像区域为例(记为例A)进行说明:待测量图像集合S_m′=[S_m′1,S_m′2,…,S_m′n]对应的测量图像区域R_m′=中分别进行与测量方向垂直的方向上的灰度均值投影,得到一维均值投影向量集V_m′=[V_m′1,V_m′2,…,V_m′n];灰度均值投影公式归纳表示为V_m′=fθ(Sm′,Rm′),fθ为均值投影函数,具体计算公式如下:
其中,H和W为测量图像区域R_m′i的高和宽,h和w为测量图像区域R_m′i对应的行列值,(S_m′i)jk为测量图像区域第j列,第k行的像素的灰度。
103、根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度。
其中,区域灰度梯度可以是用于衡量测量子区域的灰度变化程度,干扰边缘点为灰度变化程度较大的像素,基于区域变化程度确定边缘线,可以避免包含干扰边缘点,提高边缘线的准确性,进一步提高测量准确性。
比如,具体可以是根据每个测量子区域的区域灰度信息计算每个测量子区域的区域灰度梯度,具体地,针对每个测量子区域,可以根据与相邻的两个测量子区域的区域灰度信息之间的差值,得到该测量子区域灰度梯度,例如步骤102中的例A,可以分别计算每个测量子区域的区域灰度信息与左右相邻的相邻测量子区域的区域灰度信息之间的差值,将其中的最大值作为测量子区域的区域灰度梯度(若只有一个相邻测量子区域,则将于该相邻测量子区域的区域灰度信息之间的差值作为区域灰度梯度)。
可选的,可以将测量子区域当成一个像素,测量子区域的区域灰度信息为该像素的灰度,利用sobel算子或者拉普拉斯算子等方式计算该像素的灰度梯度,将该灰度梯度作为测量子区域的区域灰度梯度。
104、从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线。
比如,具体可以是从多个测量子区域中筛选出区域灰度梯度大于预设预置的测量子区域作为目标测量子区域;可选的,根据区域灰度梯度的大小从多个测量子区域中筛选出预设数量的测量子区域作为目标测量子区域;可选的,通过非极大值抑制法对测量子区域的区域灰度梯度进行筛选,得到区域灰度梯度满足预设条件的目标测量子区域。
目标测量子区域为灰度变化程度较大的区域,即为边缘线所在的区域,可以将该目标测量子区域确定为边缘线所在位置,基于目标测量子区域的位置信息可以确定边缘线。
可选的,测量对象可以包含至少一个测量单元,需要测量每个测量单元的尺寸,因此,可以根据测量单元的数量从测量图像区域中确定对应数量的边缘线,即在一实施例中,测量对象包含至少一个测量单元,步骤“从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线”,具体可以包括:
获取测量图像区域包含的测量单元的单元数量;
根据区域灰度梯度,从测量子区域中筛选与单元数量匹配的目标测量子区域;
基于目标测量子区域在测量图像区域中的位置,确定每个测量对象中每个测量单元的两条边缘线。
其中,测量单元可以是测量对象中的需要测量的部分,测量对象可以包括多个测量单元,多个测量单元位于测量对象对应的测量图像区域中。
比如,由于每个测量单元需要两条边缘线,用于确定测量单元的尺寸,每个目标测量子区域可以确定一条边缘线,因此需要从测量图像区域中的确定与测量单元的单元数量匹配的目标测量子区域。
测量单元的单元数量可以是预先设置好的测量信息,在获取测量图像区域时,可以获取与测量图像区域对应的单元数量;可选的,在模板图像中框选测量图像区域时,标注该测量图像区域中包含的测量单元的单元数量,例如,1个、10个或者25个等。
根据测量图像区域中每个测量子区域的区域灰度梯度进行排序,并从中获取与单元数量匹配的多个区域灰度梯度,例如,单元数量为n,从测量子区域中选取前2n个测量子区域的区域灰度梯度作为目标测量子区域。
可选的,可以通过非极大值抑制算法选取与单元数量匹配的多个区域灰度梯度,非极大值抑制算法在于找到局部极大值,并筛除或者抑制邻域内其余的值,针对测量图像区域每个测量子区域,将其区域灰度梯度与相邻的测量子区域的区域灰度梯度比较,若大于相邻的区域灰度梯度,则该测量子区域的区域灰度梯度为局部极大值,记录该测量子区域的区域灰度梯度,得到筛选后测量子区域的区域灰度梯度,针对筛选后测量子区域的区域灰度梯度,继续通过非极大值抑制算法查找局部极大值,一次类推,直到测量子区域的区域灰度梯度的数量与单元数量匹配,得到目标测量子区域。
根据目标测量子区域在测量图像区域中的位置,依次将目标测量子区域中每两个测量子区域的进行配对,得到测量单元对应的两个目标测量子区域,根据目标测量子区域可以确定测量单元的两条边缘线。
在一实施例中,有多张不同旋转角度对应的待测量图像,可以从多张待测量图像中确定目标待测量图像,再根据目标待测量图像中的目标测量子区域确定测量对象的边缘线,即在一实施例中,步骤“从测量区域中筛选区域灰度梯度满足预设条件的目标测量区域,并根据目标测量区域确定测量对象的边缘线”,具体可以包括:
根据区域灰度梯度,分别从每张待测量图像对应的多个测量子区域的中选取至少两个目标测量子区域;
基于至少两个目标测量子区域的灰度梯度,计算每张待测量图像的梯度和;
根据梯度和,从多张待测量图像中筛选目标待测量图像;
从目标待测量图像的目标测量子区域中确定边缘区域,边缘区域为测量对象的边缘线所在的图像区域。
比如,针对每张待测量图像中的测量图像区域,测量图像区域可以基于区域信息确定,区域信息可以包括多个像素坐标,例如,区域信息可以是[(a,b),(a,a+b),(a+b,b),(a+b,a+b)],基于该区域信息可以在待测量图像中确定测量图像区域,从测量图像区域中确定目标子测量区域可以参考上述关于确定目标子测量区域的相关说明,在此不做赘述。
计算每张待测量图像中目标子测量区域的区域灰度梯度的总和或者平均值等,得到待测量图像的梯度和。
在一实施例中,通过对待测量图像进行旋转,以对待测量图像进行微调,使得待测量图像中边缘线处于与测量方向垂直的位置,由于区域灰度梯度表示测量子区域的灰度变化程度,测量对象边缘线所在的测量子区域为灰度变化程度较大的区域,所以区域灰度梯度会较大,区域灰度梯度越大表示越能区别于相邻测量子区域,所以,可以从多张不同旋转角度对应的待测量图像选择梯度和最大的待测量图像作为目标待测量图像,然后,将该目标待测量区域的目标子测量区域确定为边缘线所在的图像区域,根据该目标子测量区域的位置即可确定边缘线。
由于根据测量方向对初始待测量图像进行图像校准的过程中,以及在模板图像中标注的测量方向的过程中,可能存在误差,使测量方向与边缘线垂直程度较差,测量对象的边缘线可以存在不同的测量区域中,例如,如图4所示。可以将待测量图像区域划分为如图4所示的多个分段式图像区域,步骤102中测量子区域的区域灰度信息包括测量子区域中每个分段式测量子区域的子区域灰度信息,步骤103中测量子区域的区域灰度梯度包括测量子区域中每个分段式测量子区域的子区域灰度梯度,可以根据子区域灰度梯度从每个分段式图像区域中确定目标测量子区域的分段式测量子区域。
即在一实施例中,测量图像区域包含多个呈与测量方向垂直的方向排列的分段式图像区域,分段式图像区域包含测量子区域的分段式测量子区域,步骤“从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线”,具体可以包括:
分别计算每个分段式图像区域中分段式测量子区域的子区域灰度梯度;
从每个分段式图像区域包含的分段式测量子区域中,筛选子区域灰度梯度满足预设子条件的目标分段式测量子区域;
根据每个目标分段式测量子区域在测量图像区域中的位置,确定测量对象的边缘线。
比如,具体可以是针对每个分段式图像区域中,根据其包含的分段式测量子区域中每个像素的灰度进行灰度投影,得到每个分段式测量子区域的子区域灰度信息,根据子区域灰度信息计算每个分段式测量子区域的子区域灰度梯度,根据子区域灰度梯度确定目标分段式测量子区域可以参考上述确定目标测量子区域的过程,在此不做赘述。
根据每个目标分段式测量子区域在测量图像区域中的位置,确定测量对象的边缘线具体可以是获取每个测量子区域中包含的目标分段式测量子区域的区域数量,将区域数量满足要求的测量子区域确定为目标测量子区域,根据目标测量子区域确定边缘线。
可选的,还可以根据每个目标分段式测量子区域的位置信息进行直线拟合,得到边缘线,即在一实施例中,步骤“根据每个目标分段式测量子区域在测量图像区域中的位置,确定测量对象的边缘线”,具体可以包括:
基于目标分段式测量子区域在测量图像区域中的位置,确定目标分段式测量子区域对应的位置信息;
根据每个分段式图像区域中目标分段式测量子区域对应的位置信息进行直线拟合,得到测量对象的边缘线。
比如,具体可以是根据目标分段式测量子区域在测量图像区域中的位置,将目标分段式测量子区域的区域中心的位置确定目标分段式测量子区域对应的位置信息,根据每个目标分段式测量子区域对应的位置信息可以得到多个坐标,基于得到的多个坐标进行直线拟合,可以得到测量对象的边缘线。
105、根据边缘线在测量方向上的距离,计算测量对象的尺寸。
比如,计算在测量方向上测量对象边缘线之间的距离,该距离为在测量图像区域中边缘线的距离,再根据图像上的距离与实际距离之间的比值,换算为实际距离,得到测量对象的尺寸。
可选的,当存在多个测量单元时,可以计算在与测量方向上最近的相邻边缘线之间的距离。
由上可知,本申请实施例通过获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域;对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;根据边缘线在测量方向上的距离,计算测量对象的尺寸。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
在上述实施例的基础上,下面将举例做进一步详细说明。
本实施例将从对象测量装置的角度进行描述,该对象测量装置具体可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备,以下以服务器为例进行说明。
本申请实施例提供的一种对象测量方法,如图5所示,该对象测量方法的具体流程可以如下:
201、服务器获取初始待测量图像和模板图像,模板图像携带每个测量对象所在图像区域的区域信息、测量方向和单元数量。
比如,具体可以是服务器获取初始待测量图像,初始待测量图像中,初始待测量图像中可以包含一个测量对象、多个测量方向相同的测量对象、或者多个测量方向不同的测量对象。
服务器获取与初始待测量图像对应的模板图像,模板图像可以携带测量对象的测量信息,如图6中的模板图像标注所示,测量信息可以预先对模板图像进行标注得到,例如,得到模板图像中的测量对象M=[m1,m2,…,mn],测量方向D_m=[D_m1,D_m2,…,D_mn],区域信息
202、服务器基于模板图像对初始待测量图像进行图像校准和区域校正,得到待测量图像集合。
比如,如图6中的图像校准所示,服务器可以通过模板匹配从初始待测量图像中查找到与模板图像内容相匹配的子图像,从初始待测量图像中裁剪出该子图像,然后,根据模板图像的大小对该子图像进行缩小或者放大,以将初始待测量图像进行图像校准,使得校准后初始图像为与模板图像的大小和图像内容相匹配。
由于校准后初始图像在图像内容与大小上均与模板图像相匹配,可以根据模板图像携带的区域信息将测量对象所在的图像区域一一映射到校准后初始图像中,以在校准后初始图像中确定测量对象以及其所在的图像区域。
如图6中的区域校正所示,针对每个测量对象的测量方向,将测量方向调整至水平方向,并根据测量方向与水平方向之间的夹角,将校准后初始图像旋转对应的角度,相应地,测量对象所在的图像区域也同样旋转了对应的角度。
通过旋转后的图像区域计算最小外接矩形作为新的图像区域R_m′i,该新的图像区域即为图像测量区域,以对校准后初始图像中的测量对象所在的图像区域进行区域校正,将图像区域校正至水平方向。
根据每个测量对象的测量信息分别对初始待测量图像进行处理后,得到待测量图像集合S_m′=[S_m′1,S_m′2,…,S_m′n],测量对象M′=[m′1,m′2,…,m′n],每个待测量图像对应有一个测量图像区域/>
203、服务器对待测量图像集合中每张待测量图像进行灰度均值投影,得到测量子区域的区域灰度信息。
比如,服务器对分别待测量图像集合S_m′=[S_m′1,S_m′2,…,S_m′n]对应的测量图像区域进行与测量方向垂直的方向上的灰度均值投影,得到一维均值投影向量集V_m′=[V_m′1,V_m′2,…,V_m′n],也可以得到如图6中的灰度投影所示的曲线图。
其中,V_m′i为第i个测量子区域的区域灰度信息;灰度均值投影公式归纳表示为V_m′=fθ(Sm′,Rm′),fθ为均值投影函数,具体计算公式如下:
其中,H和W为测量图像区域R_m′i的高和宽,h和w为测量图像区域R_m′i对应的行列值,(S_m′i)jk为测量图像区域第j列,第k行的像素的灰度。
204、服务器根据区域灰度信息计算每个测量子区域的区域灰度梯度,得到待测量图像的梯度集合。
比如,服务器计算V_m′=[V_m′1,V_m′2,…,V_m′n]所有一维均值投影向量的梯度,得到对应的梯度集合G_m′=[G_m′1,G_m′2,…,G_m′n],其中,G_m′1为第i个测量子区域的区域灰度梯度。
205、服务器计算待测量图像的梯度集合中的极值点,并根据极值点确定边缘线。
比如,服务器利用非极大值抑制算法计算G_m′所有梯度向量的极值点,且对任一梯度向量G_m′i只保留N_mi×2个梯度值最大的极值点,得到对应的梯度极值点集合P_m′=[P_m′1,P_m′2,…,P_m′n]。例如,当单元数量N_mi=25时,P_m′i中包含50个极值点。
206、服务器根据边缘线之间的图像距离,计算测量对象的实际距离。
比如,服务器计算在测量方向上测量对象边缘线之间的图像距离,该图像距离可以是边缘线之间的像素距离,再根据图像距离与实际距离之间的比值,换算为实际距离,得到测量对象的尺寸。
由上可知,本申请实施例服务器通过获取初始待测量图像和模板图像,模板图像携带每个测量对象所在图像区域的区域信息、测量方向和单元数量;基于模板图像对初始待测量图像进行图像校准和区域校正,得到待测量图像集合;对待测量图像集合中每张待测量图像进行灰度均值投影,得到测量子区域的区域灰度信息;根据区域灰度信息计算每个测量子区域的区域灰度梯度,得到待测量图像的梯度集合;计算待测量图像的梯度集合中的极值点,并根据极值点确定边缘线;根据边缘线之间的图像距离,计算测量对象的实际距离。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
在上述实施例的基础上,下面将举例做进一步详细说明。
本实施例将从对象测量装置的角度进行描述,该对象测量装置具体可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备,以下以服务器为例进行说明。
本申请实施例提供的一种对象测量方法,如图7所示,该对象测量方法的具体流程可以如下:
301、服务器获取初始待测量图像和模板图像,模板图像携带每个测量对象所在图像区域的区域信息、测量方向和单元数量。
比如,具体可以是服务器获取初始待测量图像,和与初始待测量图像对应的模板图像,模板图像可以携带测量对象的测量信息,测量信息包括测量对象M=[m1,m2,…,mn],测量方向D_m=[D_m1,D_m2,…,D_mn],区域信息
302、服务器基于模板图像对初始待测量图像进行图像校准和区域校正,得到待测量图像集合。
比如,服务器可以通过模板匹配从初始待测量图像中查找到与模板图像匹配的子图像,得到待测量图像。
将测量对象以及测量对象所在的图像区域一一映射至待测量图像中,以在待测量图像中确定测量对象以及其所在的图像区域。
将测量方向调整至水平方向(0°),并将待测量图像旋转相应的角度,并对同样进行旋转的测量对象所在的图像区域进行区域校正,得到待测量图像集合S_m′=[S_m′1,S_m′2,…,S_m′n],测量对象M′=[m′1,m′2,…,m′n],每个待测量图像对应有一个测量图像区域其中,/>为测量对象m′i的测量图像区域。
303、服务器获取在预设角度范围内的多个旋转角度,基于多个旋转角度分别对待测量图像进行旋转,得到每个测量对象对应的多张待测量图像。
为了减少模板校准以及测量方向标注过程引起的误差,可以对待测量图像进行微调,使得待测量图像处于边缘线垂直于水平方向的位置,可以针对待测量图像集合S_m′中的每个待测量图像,在预设角度范围为(-a,a)中,以旋转步长为b进行遍历旋转,可以得到多个旋转角度Z=[Z1,Z2,…,Z2a/b+1]=[-a,-a+b,…0,…,a-b,a]。
针对每个测量对象对应的待测量图像,分别基于不同的旋转角度进行旋转,得到不同旋转角度对应的图像,将该多个图像作为测量对象的多个待测量图像,即得到待测量图像集合S_m′_Z=[S_m′_Z1,S_m′_Z2,…,S_m′_Z2a/b+1],其中S_m′_Zj表示将待测量图像S_m′旋转Zj角度得到的旋转待测量图集,S_m′_Zj=[S_m′1_Zj,S_m′2_Zj,…,S_m′n_Zj],其中,S_m′i表示将待测量图像旋转Zj角度得到的图像。测量对象m′i对应的多张待测量图像为S_m′i_Zj=[S_m′i_Z1,S_m′i_Z2,…,S_m′i_Zj]。
304、服务器对每个测量对象对应的多张待测量图像中进行灰度均值投影,得到测量子区域的区域灰度信息。
比如,服务器通过灰度均值投影公式V_m′=fθ(Sm′,Rm′),对待测量图像集合S_m′_Z中每张待测量图像对应的测量图像区域进行竖直方向上的灰度均值投影,得到每张待测量图像中测量子区域的区域灰度信息。
具体过程可以参考上述实施例中相关的描述,在此不做赘述。
305、服务器根据区域灰度信息分别计算不同旋转角度下,待测量图像中测量子区域的区域灰度梯度,得到待测量图像的梯度集合。
比如,服务器根据每张待测量图像中测量子区域的区域灰度信息,计算测量子区域的区域灰度梯度,根据每个测量子区域的区域灰度梯度,得到测量对象在不同旋转角度下的待测量图像的梯度集合。
306、服务器计算不同旋转角度下的待测量图像的梯度集合中的极值点,得到梯度极值点集合,并计算极值点集合中的梯度总和。
比如,服务器利用非极大值抑制算法计算梯度集合中的梯度极值点,得到对应的梯度极值点集合,梯度极值点集合中包含的极值点的数量与单元数量相关,例如,当单元数量为25时,梯度极值点集合中包含25x2=50个极值点,服务器计算梯度极值点集合中的梯度总和。
307、服务器根据每个测量对象对应的梯度总和最大的梯度极值点集合,确定边缘线。
比如,服务器根据每个测量对象对应的梯度总和最大的梯度极值点集合中包含的极值点确定边缘线,具体地,极值点包含了梯度的大小以及对应的测量子区域的位置信息,且边缘线与水平放线垂直,因此基于该位置信息可以确定边缘线。
308、服务器根据边缘线之间的图像距离,计算测量对象的实际距离。
比如,服务器计算在测量方向上测量对象边缘线之间的图像距离,该图像距离可以是边缘线之间的像素距离,再根据图像距离与实际距离之间的比值,换算为实际距离,得到测量对象的尺寸。
由上可知,本申请实施例服务器通过获取初始待测量图像和模板图像,模板图像携带每个测量对象所在图像区域的区域信息、测量方向和单元数量;基于模板图像对初始待测量图像进行图像校准和区域校正,得到待测量图像集合;获取在预设角度范围内的多个旋转角度,基于多个旋转角度分别对待测量图像进行旋转,得到每个测量对象对应的多张待测量图像;对每个测量对象对应的多张待测量图像中进行灰度均值投影,得到测量子区域的区域灰度信息;根据区域灰度信息分别计算不同旋转角度下,待测量图像中测量子区域的区域灰度梯度,得到待测量图像的梯度集合;计算不同旋转角度下的待测量图像的梯度集合中的极值点,得到梯度极值点集合,并计算极值点集合中的梯度总和;根据每个测量对象对应的梯度总和最大的梯度极值点集合,确定边缘线;服务器根据边缘线之间的图像距离,计算测量对象的实际距离。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
本方案还通过在预设角度范围内将待测量图像进行旋转,以使得测量对象的边缘线处于更接近与测量方向垂直的位置,减少待测量图像与模板图像之间的误差,以及减少测量方向标注过程存在的误差,进一步提高测量精确度。
在上述实施例的基础上,下面将举例做进一步详细说明。
本实施例将从对象测量装置的角度进行描述,该对象测量装置具体可以集成在计算机设备中,该计算机设备可以是服务器,也可以是终端等设备,以下以终端为例进行说明。
本申请实施例提供的一种对象测量方法,如图8所示,该对象测量方法的具体流程可以如下:
401、终端获取初始待测量图像和模板图像,模板图像携带每个测量对象所在图像区域的区域信息、测量方向和单元数量。
比如,具体可以是服务器获取初始待测量图像,和与初始待测量图像对应的模板图像,模板图像可以携带测量对象的测量信息,测量信息包括测量对象M=[m1,m2,…,mn],测量方向D_m=[D_m1,D_m2,…,D_mn],区域信息
402、终端基于模板图像对初始待测量图像进行图像校准和区域校正,得到待测量图像集合。
比如,服务器可以通过模板匹配从初始待测量图像中查找到与模板图像匹配的子图像,得到待测量图像。
将测量对象以及测量对象所在的图像区域一一映射至待测量图像中,以在待测量图像中确定测量对象以及其所在的图像区域。
将测量方向调整至水平方向(0°),并将待测量图像旋转相应的角度,并对同样进行旋转的测量对象所在的图像区域进行区域校正,得到待测量图像集合S_m′=[S_m′1,S_m′2,…,S_m′n],测量对象M′=[m′1,m′2,…,m′n],每个待测量图像对应有一个测量图像区域其中,/>为测量对象m′i的测量图像区域。
可选的,为了减少模板校准以及测量方向标注过程引起的误差,可以对待测量图像进行微调,使得待测量图像处于边缘线垂直于水平方向的位置,在步骤402和403之间,执行步骤303-306,得到每个测量对象对应的在不同旋转角度下的待测量图像的梯度总和。然后,将最大的梯度总和所对应的旋转角度确定为该测量对象的最优旋转角度。
针对每个测量对象的最优旋转角度,对该测量对象对应的待测量图像进行旋转,基于旋转后得到的待测量图像执行后续步骤403-407。
403、终端分别计算每张待测量图像中,每个分段式图像区域中分段式测量子区域的子区域灰度信息。
比如,具体可以是如图9所示,服务器将待测量图像集合中每张待测量图像区域R_m′i在竖直方向上划分成c份测量区域块,得到测量区域块集合R_m′i_C=[R_m′i_C1,R_m′i_C2,…,R_m′i_Cc,],其中,测量区域块集合中每个元素表示测量图像区域的一个分段式图像区域;针对每个分段式图像区域中,根据其包含的分段式测量子区域中每个像素的灰度进行灰度投影,得到每个分段式测量子区域的子区域灰度信息。
可选的,可以对每个分段式图像区域进行灰度均值投影,得到每个分段式测量子区域的子区域灰度信息。
具体过程可以参考上述实施例关于计算区域灰度信息的相关描述,在此不做赘述。
404、终端根据子区域灰度信息计算每个分段式测量子区域的子区域灰度梯度,得到每个分段式图像区域的梯度集合。
比如,服务器根据每个分段式测量子区域的子区域灰度信息,计算每个分段式测量子区域的子区域灰度梯度,并根据分段式图像区域中的每个分段式测量子区域的子区域灰度梯度,得到分段式图像区域的梯度集合。
具体过程可以参考上述实施例关于计算区域灰度梯度的相关描述,在此不做赘述。
405、终端计算待测量图像每个分段式图像区域的梯度集合中的极值点。
比如,服务器利用非极大值抑制算法计算分段式图像区域的梯度集合中的极值点,得到对应的梯度极值点集合其中,fθ为均值投影函数,/>为一维均值投影的梯度极值函数。
梯度极值点集合中包含的极值点的数量与单元数量相关,例如,当单元数量为25时,梯度极值点集合中包含25x2=50个极值点,服务器计算梯度极值点集合中的梯度总和。
待测量图像的梯度极值点集合为P_m′i_C=[P_m′i_C1,P_m′i_C2,…,P_m′i_Cc]。
406、终端根据梯度极值点进行直线拟合,得到边缘线。
比如,梯度极值点包含了目标分段式测量子区域的位置信息(例如,目标分段式测量子区域的区域中心的位置,或者是指定位置)以及该目标分段式测量子区域的子区域灰度梯度,因此,如图9所示,服务器可以根据梯度极值点进行直线拟合,即可得到两个相互平行的边缘线L_m′i=[Ll_m′i,Lr_m′i]。
407、终端根据边缘线之间的图像距离,计算测量对象的实际距离。
比如,服务器计算在测量方向上测量对象边缘线之间的图像距离,该图像距离可以是边缘线之间的像素距离,再根据图像距离与实际距离之间的比值,换算为实际距离,得到测量对象的尺寸。
边缘线L_m′i间的距离B_m′i=Lr_m′i-Ll_m′i,即为测量对象m′i的测量距离结果,图像距离B_m′=[B_m′1,B_m′2,…,B_m′n]乘上图像坐标和实际坐标的倍数系数,即得到物理距离E_m′=[E_m′1,E_m′2,…,E_m′n]。
由上可知,本申请实施例终端通过获取初始待测量图像和模板图像,模板图像携带每个测量对象所在图像区域的区域信息、测量方向和单元数量;基于模板图像对初始待测量图像进行图像校准和区域校正,得到待测量图像集合;分别计算每张待测量图像中,每个分段式图像区域中分段式测量子区域的子区域灰度信息;根据子区域灰度信息计算每个分段式测量子区域的子区域灰度梯度,得到每个分段式图像区域的梯度集合;计算待测量图像每个分段式图像区域的梯度集合中的极值点;根据梯度极值点进行直线拟合,得到边缘线;终端根据边缘线之间的图像距离,计算测量对象的实际距离。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
本方案还通过将测量图像区域划分为多个分段式图像区域,并通过直线拟合的方式确定边缘线,提高所确定的边缘线的准确性,进一步提高测量精确度。
为了便于更好地实施本申请实施例提供的对象测量方法,在一实施例中还提供了一种对象测量装置。其中名词的含义与上述对象测量方法中相同,具体实现细节可以参考方法实施例中的说明。
该对象测量装置具体可以集成在计算机设备中,如图10所示,该对象测量装置可以包括:获取单元501、投影单元502、梯度计算单元503、筛选单元504和距离计算单元505,具体如下:
(1)获取单元501:用于获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域。
在一实施例中,获取单元501包括图像信息获取子单元、图像校准子单元、区域映射子单元和校正子单元,具体地:
图像信息获取子单元:用于获取初始待测量图像和模板图像,模板图像携带测量对象所在图像区域的区域信息和测量对象的测量方向;
图像校准子单元:用于基于模板图像对初始待测量图像进行图像校准,得到校准后初始图像;
区域映射子单元:用于根据区域信息将模板图像中图像区域映射至校准后初始图像中;
校正子单元:用于根据测量方向和区域信息,对校准后初始图像中测量对象所在的图像区域进行区域校正,得到与测量对象对应的待测量图像,待测量图像包含测量图像区域。
在一实施例中,待测量图像有多张,校正子单元包括区域校正模块、图像旋转模块和作为模块,具体地:
区域校正模块:用于根据测量方向和区域信息,对校准后初始图像中的测量对象所在的图像区域进行区域校正,得到校正后初始图像;
图像旋转模块:用于获取在预设角度范围内的多个旋转角度,并基于多个旋转角度,分别对校准后初始图像进行旋转,得到多个旋转后初始图像;
作为模块:用于将不同旋转角度对应的旋转后初始图像作为待测量图像。
(2)投影单元502:用于对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息。
(3)梯度计算单元503:用于根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度。
(4)筛选单元504:用于从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线。
在一实施例中,筛选单元包括选取子单元、梯度和计算子单元、图像筛选子单元和区域确定子单元,具体地:
选取子单元:用于根据区域灰度梯度,分别从每张待测量图像对应的多个测量子区域的中选取至少两个目标测量子区域;
梯度和计算子单元:用于基于至少两个目标测量子区域的灰度梯度,计算每张待测量图像的梯度和;
图像筛选子单元:用于根据梯度和,从多张待测量图像中筛选目标待测量图像;
区域确定子单元:用于从目标待测量图像的目标测量子区域中确定边缘区域,边缘区域为测量对象的边缘线所在的图像区域。
在一实施例中,测量图像区域包含多个呈与测量方向垂直的方向排列的分段式图像区域,分段式图像区域包含测量子区域的分段式测量子区域,筛选单元包括子区域梯度计算子单元、子区域筛选子单元和第一边缘线确定子单元,具体地:
子区域梯度计算子单元:用于分别计算每个分段式图像区域中分段式测量子区域的子区域灰度梯度;
子区域筛选子单元:用于从每个分段式图像区域包含的分段式测量子区域中,筛选子区域灰度梯度满足预设子条件的目标分段式测量子区域;
第一边缘线确定子单元:用于根据每个目标分段式测量子区域在测量图像区域中的位置,确定测量对象的边缘线。
在一实施例中,边缘线确定子单元包括位置信息确定模块和直线拟合模块,具体地:
位置信息确定模块:用于基于目标分段式测量子区域在测量图像区域中的位置,确定目标分段式测量子区域对应的位置信息;
直线拟合模块:用于根据每个分段式图像区域中目标分段式测量子区域对应的位置信息进行直线拟合,得到测量对象的边缘线。
在一实施例中,测量对象包含至少一个测量单元,筛选单元包括数量获取子单元、测量子区域筛选子单元和第二边缘线确定子单元,具体地:
数量获取子单元:用于获取测量图像区域包含的测量单元的单元数量;
测量子区域筛选子单元:用于根据区域灰度梯度,从测量子区域中筛选与单元数量匹配的目标测量子区域;
第二边缘线确定子单元:用于基于目标测量子区域在测量图像区域中的位置,确定每个测量对象中每个测量单元的两条边缘线。
(5)距离计算单元505:用于根据边缘线在测量方向上的距离,计算测量对象的尺寸。
由上可知,本申请实施例通过获取单元501获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域;由投影单元502对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;通过梯度计算单元503根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;由筛选单元504从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;最后,通过距离计算单元505根据边缘线在测量方向上的距离,计算测量对象的尺寸。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
本申请实施例还提供一种计算机设备,该计算机设备可以是终端,也可以是服务器,如图11所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器1001、一个或一个以上计算机可读存储介质的存储器1002、电源1003和输入单元1004等部件。本领域技术人员可以理解,图11中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器1001是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器1002内的软件程序和/或模块,以及调用存储在存储器1002内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监测。可选的,处理器1001可包括一个或多个处理核心;优选的,处理器1001可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和计算机程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1001中。
存储器1002可用于存储软件程序以及模块,处理器1001通过运行存储在存储器1002的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1002可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器1002可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1002还可以包括存储器控制器,以提供处理器1001对存储器1002的访问。
计算机设备还包括给各个部件供电的电源1003,优选的,电源1003可以通过电源管理系统与处理器1001逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1003还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元1004,该输入单元1004可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器1001会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器1002中,并由处理器1001来运行存储在存储器1002中的计算机程序,从而实现各种功能,如下:
获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域;
对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;
根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;
从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;
根据边缘线在测量方向上的距离,计算测量对象的尺寸。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
由上可知,本申请实施例的计算机设备可以通过获取包含测量对象的测量图像区域和测量对象的测量方向,测量图像区域包含至少两个呈测量方向排列的测量子区域;对测量子区域中每个像素的灰度进行灰度投影,得到测量子区域的区域灰度信息;根据区域灰度信息计算每个测量子区域的区域灰度梯度,区域灰度梯度表征测量子区域的灰度变化程度;从测量子区域中筛选区域灰度梯度满足预设条件的目标测量子区域,并根据目标测量子区域确定测量对象的边缘线;根据边缘线在测量方向上的距离,计算测量对象的尺寸。
本方案通过对测量子区域中每个像素的灰度进行灰度投影,能够得到区域灰度梯度,区域灰度梯度可以衡量测量子区域整体灰度变化程度,以整体的灰度变化程度确定边缘线,可以抑制测量图像区域中,灰度变化程度满足条件的像素(即干扰边缘点)的影响,使得基于区域灰度梯度得到的边缘线更加准确,提高测量的准确度和精度。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序包含计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有计算机程序,该计算机程序,能够被处理器进行加载,以执行本申请实施例所提供的任一种对象测量方法。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种对象测量方法,因此,可以实现本申请实施例所提供的任一种对象测量方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种对象测量方法、装置、计算机设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种对象测量方法,其特征在于,包括:
获取包含测量对象的测量图像区域和所述测量对象的测量方向,所述测量图像区域包含至少两个呈所述测量方向排列的测量子区域;
对所述测量子区域中每个像素的灰度进行灰度投影,得到所述测量子区域的区域灰度信息;
根据所述区域灰度信息计算每个所述测量子区域的区域灰度梯度,所述区域灰度梯度表征所述测量子区域的灰度变化程度;
从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域确定所述测量对象的边缘线;
根据所述边缘线在所述测量方向上的距离,计算所述测量对象的尺寸。
2.根据权利要求1所述的方法,其特征在于,所述获取包含测量对象的测量图像区域和所述测量对象的测量方向,包括:
获取初始待测量图像和模板图像,所述模板图像携带所述测量对象所在图像区域的区域信息和所述测量对象的测量方向;
基于所述模板图像对所述初始待测量图像进行图像校准,得到校准后初始图像;
根据所述区域信息将所述模板图像中图像区域映射至所述校准后初始图像中;
根据所述测量方向和所述区域信息,对所述校准后初始图像中测量对象所在的图像区域进行区域校正,得到与所述测量对象对应的待测量图像,所述待测量图像包含所述测量图像区域。
3.根据权利要求2所述的方法,其特征在于,所述待测量图像有多张,所述根据所述测量方向和所述区域信息,对所述校准后初始图像中的测量对象所在的图像区域进行区域校正,得到与所述测量对象对应的待测量图像,包括:
根据所述测量方向和所述区域信息,对所述校准后初始图像中的测量对象所在的图像区域进行区域校正,得到校正后初始图像;
获取在预设角度范围内的多个旋转角度,并基于所述多个旋转角度,分别对所述校准后初始图像进行旋转,得到多个旋转后初始图像;
将不同旋转角度对应的所述旋转后初始图像作为所述待测量图像。
4.根据权利要求3所述的方法,其特征在于,所述从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域中确定所述测量对象的边缘线,包括:
根据所述区域灰度梯度,分别从每张所述待测量图像对应的多个测量子区域的中选取至少两个目标测量子区域;
基于所述至少两个目标测量子区域的灰度梯度,计算每张所述待测量图像的梯度和;
根据所述梯度和,从所述多张待测量图像中筛选目标待测量图像;
从所述目标待测量图像的目标测量子区域中确定边缘区域,所述边缘区域为所述测量对象的边缘线所在的图像区域。
5.根据权利要求1所述的方法,其特征在于,所述测量图像区域包含多个呈与所述测量方向垂直的方向排列的分段式图像区域,所述分段式图像区域包含所述测量子区域的分段式测量子区域,所述从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域确定所述测量对象的边缘线,包括:
分别计算每个分段式图像区域中分段式测量子区域的子区域灰度梯度;
从每个所述分段式图像区域包含的分段式测量子区域中,筛选所述子区域灰度梯度满足预设子条件的目标分段式测量子区域;
根据每个所述目标分段式测量子区域在所述测量图像区域中的位置,确定所述测量对象的边缘线。
6.根据权利要求5所述的方法,其特征在于,所述根据每个所述目标分段式测量子区域在所述测量图像区域中的位置,确定所述测量对象的边缘线,包括:
基于所述目标分段式测量子区域在所述测量图像区域中的位置,确定所述目标分段式测量子区域对应的位置信息;
根据每个所述分段式图像区域中所述目标分段式测量子区域对应的位置信息进行直线拟合,得到所述测量对象的边缘线。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述测量对象包含至少一个测量单元,所述从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域确定所述测量对象的边缘线,包括:
获取所述测量图像区域包含的所述测量单元的单元数量;
根据所述区域灰度梯度,从所述测量子区域中筛选与所述单元数量匹配的目标测量子区域;
基于所述目标测量子区域在所述测量图像区域中的位置,确定每个所述测量对象中每个所述测量单元的两条边缘线。
8.一种对象测量装置,其特征在于,包括:
获取单元,用于获取包含测量对象的测量图像区域和所述测量对象的测量方向,所述测量图像区域包含至少两个呈所述测量方向排列的测量子区域;
投影单元,用于对所述测量子区域中每个像素的灰度进行灰度投影,得到所述测量子区域的区域灰度信息;
梯度计算单元,用于根据所述区域灰度信息计算每个所述测量子区域的区域灰度梯度,所述区域灰度梯度表征所述测量子区域的灰度变化程度;
筛选单元,用于从所述测量子区域中筛选所述区域灰度梯度满足预设条件的目标测量子区域,并根据所述目标测量子区域确定所述测量对象的边缘线;
距离计算单元,用于根据所述边缘线在所述测量方向上的距离,计算所述测量对象的尺寸。
9.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的计算机程序,以执行权利要求1至7任一项所述的对象测量方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器加载,以执行权利要求1至7任一项所述的对象测量方法。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的对象测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210806629.XA CN117409065A (zh) | 2022-07-08 | 2022-07-08 | 对象测量方法、装置、计算机设备、可读存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210806629.XA CN117409065A (zh) | 2022-07-08 | 2022-07-08 | 对象测量方法、装置、计算机设备、可读存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117409065A true CN117409065A (zh) | 2024-01-16 |
Family
ID=89494985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210806629.XA Pending CN117409065A (zh) | 2022-07-08 | 2022-07-08 | 对象测量方法、装置、计算机设备、可读存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409065A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110581934A (zh) * | 2019-07-23 | 2019-12-17 | 安徽南瑞继远电网技术有限公司 | 一种视频抖动消除方法、消除装置、终端设备及存储介质 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
CN114067106A (zh) * | 2022-01-12 | 2022-02-18 | 西南交通大学 | 基于帧间对比的受电弓形变检测方法、设备及存储介质 |
-
2022
- 2022-07-08 CN CN202210806629.XA patent/CN117409065A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110581934A (zh) * | 2019-07-23 | 2019-12-17 | 安徽南瑞继远电网技术有限公司 | 一种视频抖动消除方法、消除装置、终端设备及存储介质 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
CN114067106A (zh) * | 2022-01-12 | 2022-02-18 | 西南交通大学 | 基于帧间对比的受电弓形变检测方法、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘馨等: "基于计算机视觉的钢轨扣件检测算法研究", 《华东交通大学学报》, 30 April 2017 (2017-04-30), pages 72 - 77 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107564069B (zh) | 标定参数的确定方法、装置及计算机可读存储介质 | |
JP5075757B2 (ja) | 画像処理装置、画像処理プログラム、画像処理方法、および電子機器 | |
US11151746B2 (en) | Image processing devices that utilize built-in dynamic camera models to support rapid determination of camera intrinsics and methods of operating same | |
CN107816943B (zh) | 一种物流箱体积重量测量系统及其实现方法 | |
CN111028205B (zh) | 一种基于双目测距的眼睛瞳孔定位方法及装置 | |
CN111488874A (zh) | 一种指针式仪表倾斜校正方法及系统 | |
CN109974623B (zh) | 基于线激光和双目视觉的三维信息获取方法和装置 | |
KR102608956B1 (ko) | 스테레오 이미지의 정류를 위한 방법 및 시스템 | |
CA2850937A1 (en) | Using videogrammetry to fabricate parts | |
CN111681186A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN108648141B (zh) | 一种图像拼接方法及装置 | |
CN111340737A (zh) | 图像矫正方法、装置和电子系统 | |
CN109145929A (zh) | 一种基于sift尺度空间特征信息提取方法 | |
CN117409065A (zh) | 对象测量方法、装置、计算机设备、可读存储介质和产品 | |
CN114018212B (zh) | 面向球型摄像机单目测距的俯仰角校正方法及系统 | |
CN113506343B (zh) | 基于多源数据的色坐标估计方法、系统、设备及介质 | |
CN115661258A (zh) | 标定方法及装置、畸变校正方法及装置、存储介质、终端 | |
CN113379816B (zh) | 结构变动检测方法、电子设备及存储介质 | |
CN113344994B (zh) | 图像配准方法、装置、电子设备及存储介质 | |
CN114283081A (zh) | 基于金字塔加速的深度恢复方法、电子设备及存储介质 | |
US20240203091A1 (en) | External parameter determination method and image processing device | |
WO2024042995A1 (ja) | 光検出装置、および光検出システム | |
CN115775282B (zh) | 一种高速在线矫正图像畸变的方法、装置及存储介质 | |
CN113506005B (zh) | 一种ct教学模拟方法、系统、存储介质及电子设备 | |
CN117671007B (zh) | 一种位移监测方法、装置、电子设备及存储介质 |
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 |