CN1581232A - 复杂图形中提取主曲线的方法 - Google Patents
复杂图形中提取主曲线的方法 Download PDFInfo
- Publication number
- CN1581232A CN1581232A CN 200410018402 CN200410018402A CN1581232A CN 1581232 A CN1581232 A CN 1581232A CN 200410018402 CN200410018402 CN 200410018402 CN 200410018402 A CN200410018402 A CN 200410018402A CN 1581232 A CN1581232 A CN 1581232A
- Authority
- CN
- China
- Prior art keywords
- path
- search
- chain
- curve
- tail
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种复杂图形中提取主曲线的方法,首先将一未访问的端部节点作为候选检测入口,搜索一条长度大于门限的方向偏移最小的路径,如果方向偏移足够小则作为有效检测入口,否则继续下一个端部节点的搜索,直到找到检测入口。然后从入口根节点开始搜索,找出所有的长度大于预设门限、终点为拐点的路径并计算路径方向,选择一条在方向上和前面路径相似度最高的路径,如所选路径头方向和前面路径尾方向的偏差小于预定阈值,将所选路径的终点设为根节点重复下一步的搜索。最后将搜索过程中选择的路径提取出来组成一条完整的曲线,即为图形中的主曲线。本发明可用于在复杂图形中提取目标的边界或轮廓曲线,解决了对曲线先验知识的依赖,增强了算法的鲁棒性。
Description
技术领域
本发明涉及一种主曲线检测方法,可用于在复杂图形中提取目标的边界或轮廓曲线。属于先进制造与自动化领域。
背景技术
在计算技术视觉和模式识别中,特征图像的主曲线检测在很多应用中是一项关键技术,在文本处理中尤为突出。主曲线是图像中那些感兴趣的目标的边界或轮廓曲线。一般而言,主曲线是具有一定长度的光滑曲线,允许平缓或尖锐的拐弯。在实际情况中,感兴趣的目标边界往往因噪声干扰成为断线或错误地连接到其他图像目标上。目标边界是二值化文本图像经细化后的骨架像素或者灰度图像经边沿检测运算后的边沿像素。例如在测绘图中,地理特征曲线往往与街道名字或地图符号等地图组件相覆盖,地理特征曲线又经常以极其复杂的方式相互连接。对于灰度图像,如遥感图像,经过边缘检测所获得的图像特征曲线,会因为图像中噪声的影响和采用不同边缘检测方法而变得更加复杂和不确定。
传统的主曲线检测方法只能在满足特定条件时针对特定应用领域使用,比如检测直线、互不相交的曲线、规则的图形(矩形、园等)和区域的边界,而对于不规则的、在区域内部的、互相交叉的曲线则检测不出。在实际应用中满足上面这些严格前提条件的情况是非常少的。(Hastie,T.,Stuetzle,W.,1989.“Principal curves.”J.Am.Stat.Assoc.84(406),502-516)
发明内容
本发明的目的在于针对现有技术的不足,提出一种新的从复杂图形中提取主曲线的方法,解决对曲线先验知识的依赖,增强算法的鲁棒性,满足工程应用中通用性的要求。
为实现这样的目的,在本发明的技术方案中:首先在复杂图形中搜索一个未被访问过的网络端部节点作为候选检测入口,用深度优先搜索算法沿端部节点所属的线段向前搜索,找到一条长度大于预设门限而方向偏移最小的最短路径,如果路径的方向偏移足够小,则将此候选检测入口作为主曲线入口,即有效的检测入口,否则搜索下一个未被访问过的网络端部节点,直到找到一个有效的检测入口。然后用深度优先搜索算法和最短路径算法,从入口根节点开始搜索,找出所有的长度大于预设门限、终点为拐点的路径并计算路径方向,选择一条在方向上和前面路径相似度最高的路径,把所选择的路径终点设置为根节点,继续搜索,如果所选择路径的头方向和前面路径尾方向的方向偏差小于预定阈值,将所选择路径的终点设置为根节点,重复上面的操作,否则终止搜索。最后按顺序将上面整个搜索过程中选择的路径提取出来组成一条完整的曲线,该曲线就是图形中的主曲线。
本发明主要包括以下几个具体步骤:
1.选取检测入口
首先对复杂图形从左上到右下搜索一个未被访问过的网络端部节点(网络端部节点是指仅属于一条线段的线段端点)作为一个候选检测入口,用深度优先搜索算法沿端部节点所属的线段向前搜索一条长度大于预设门限的与此线段方向偏移最小的最短路径。如果路径的方向偏移小于阈值,则将该网络端部节点作为主曲线入口,即有效的检测入口,把入口节点作为待检测曲线的根节点。如果方向偏移不够小,则继续搜索下一个未被访问过的网络端部节点,直到找到一个有效的检测入口或整个网络搜索完毕为止。
2.搜索路径
用深度优先搜索算法和最短路径算法从根节点(检测入口)开始搜索,找出所有的长度大于预设门限的终点为拐点的路径。
其中拐点是线段的端点,并且该端点至少同时属于3条线段。
3.确定找到的所有路径的方向
每一条路径定义了头、尾两个方向。头方向是路径起点的方向,尾方向是路径终点的方向。头、尾方向按下面的方法计算:
1)计算头方向:如果路径的第一条链(链是指没有分支的一连串线段)的曲率等于0并且长度大于预定阈值,则设定头方向是链的方向的反方向;如果路径的第一条链的曲率大于0并且长度大于预定阈值,则设定头方向是从根节点到链的第一个拐点的方向;对于不属于上面两种的情况,则用最小化方向偏移的算法计算路径头方向。
2)计算尾方向:如果路径的最后一条链的曲率等于0并且长度大于预定阈值,则设定尾方向是链的方向;如果路径的最后一条链的曲率大于0并且长度大于预定阈值,则设定尾方向是从最后一个拐点到链的路径终点的方向;对于不属于上面两种的情况,则用最小化方向偏移的算法计算路径尾方向。
4.选择路径
按照下列4个优先级寻找一条在头方向上和前面路径尾方向相似度最高的路径。
优先级1:当前路径与前一条路径有相似的方向;
优先级2:当前路径与前一条路径成接近90°夹角;
优先级3:当前路径与前一条路径的拐角大于90°;
优先级4:当前路径与前一条路径拐角小于90°。
记录所选择路径。
5.继续搜索
如果所选择的路径头方向和前面路径尾方向的方向偏差小于预定阈值,将所选择路径的终点设置为根节点,重复上面步骤2、3和4的操作,否则终止搜索。按顺序将上面整个搜索过程中选择的路径提取出来组成一条完整的曲线,该曲线就是图形的主曲线。
本发明提出了一种更具有普遍性的从复杂图形中提取主曲线的方法,解决了对曲线先验知识的依赖问题。在本发明的方法中,采用两个条件用以衡量路径的平滑性。第一是最短路径特性。如果两个节点间存在几条路径,则平滑路径必定是最短的路径,因为只有最短路径才能保证曲线的平滑的连接。另一个衡量曲线的平滑性的尺度是方向偏移。本发明采用深度优先搜索算法及最短路径和最小方向偏移约束对图形网络进行搜索,结果显示,本发明的方法对于复杂图形具有很强的鲁棒性。
附图说明
图1为本发明复杂图形中提取主曲线的方法示意图。
其中:a、b、c、d、e、f、g、h、i、j、k分别表示图中主曲线上的连接点。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图和实施例作进一步的详细描述。
1.选取检测入口
先从左上到右下搜索一个未被访问过的网络端部节点(网络端部节点是指仅属于一条线段的线段端点,如图1中的点a)作为一个候选检测入口,用深度优先搜索算法沿端部节点所属的线段(ab)向前搜索一条长度大于预设门限的方向偏移最小的最短路径(abe)。计算路径(abe)的方向偏移D(公式1),如果D足够小,则该网络端部节点(图1中的点a)作为主曲线入口节点(根节点),即有效的检测入口。如果方向偏移D不够小,则继续搜索下一个未被访问过的网络端部节点,直到找到一个有效的检测入口或整个网络搜索完毕为止。
公式中D是方向偏差;
θ是方向角θi的平均值;
是所有路径的长度总和;每个li均小于预设的路径长度;L大于预设的路径长度。
2.搜索路径
用深度优先搜索算法和最短路径算法从根节点(检测入口,图1中的点a)开始搜索,找出所有的长度大于预设门限的终点为拐点(拐点是线段的端点,并且该端点至少同时属于3条线段,如图1中的点b)的路径(图1中的abc、abd、abe)。
3.确定找到的所有路径的方向
每一条路径定义了头、尾两个方向。头方向是路径起点的方向(如图1中的点b),尾方向是路径终点的方向(如图1中的点c、d、e)。头、尾方向按下面的方法计算:
计算头方向:
(1)如果路径的第一条链的曲率等于0并且长度大于预定阈值,则设定头方向是链的方向的反方向;
(2)如果路径的第一条链的曲率大于0并且长度大于预定阈值,则设定头方向是从根节点到链的第一个拐点的方向;
(3)对于不属于上面两种的情况,则用最小化方向偏移的算法计算路径头方向。
计算尾方向:
(1)如果路径的最后一条链的曲率等于0并且长度大于预定阈值,则设定尾方向是链的方向;
(2)如果路径的最后一条链的曲率大于0并且长度大于预定阈值,则设定尾方向是从最后一个拐点到链的路径终点的方向;
(3)对于不属于上面两种的情况,则用最小化方向偏移的算法计算路径尾方向。
4.选择路径
按照下列4个优先级寻找一条在头方向(图1中的线段be在点b的方向)和前面路径尾方向(图1中的线段ab在点b的方向)相似度最高的路径。
优先级1:当前路径与前一条路径有相似的方向;(图1中的线段ab和be)
优先级2:当前路径与前一条路径成接近90°夹角;
优先级3:当前路径与前一条路径的拐角大于90°;
优先级4:当前路径与前一条路径拐角小于90°。
记录所选择路径(图1中的线段abe)。
5.继续搜索
如果所选择的路径头方向(图1中的线段be在点b的方向)和前面路径尾方向(图1中的线段ab在点b的方向)的方向偏差D(公式1)小于预定阈值,将所选择路径的终点(图1中的e)设置为根节点,重复上面步骤2、3和4的操作,否则终止搜索。按顺序将上面整个搜索过程中选择的路径(图1中的线段ab、be、ef、fg、gh、hi、ij、jk)提取出来组成一条完整的曲线(图1中的曲线abefghijk),该曲线就是图形的主曲线。
Claims (1)
1、一种复杂图形中提取主曲线的方法,其特征在于包括如下具体步骤:
1)选取检测入口:先在图形中搜索一个未被访问过的网络端部节点作为候选检测入口,用深度优先搜索算法沿此端部节点所属的线段向前搜索一条长度大于预设门限的与此线段方向偏移最小的最短路径,如果路径的方向偏移小于阈值,则将该网络端部节点作为主曲线入口,即有效的检测入口,将此入口节点作为根节点,否则继续搜索下一个未被访问过的网络端部节点,直到找到一个有效的检测入口为止;
2)搜索路径:用深度优先搜索算法和最短路径算法从根节点开始搜索,找出所有的长度大于预设门限的终点为拐点的路径;
3)确定找到的所有路径的方向:每一条路径定义了头、尾两个方向,如果路径中第一条链的曲率等于0并且长度大于预定阈值,则设定头方向是链的方向的反方向;如果路径的第一条链的曲率大于0并且长度大于预定阈值,则设定头方向是从根节点到链的第一个拐点的方向;对于不属于上面两种的情况,则用最小化方向偏移的算法计算路径头方向;如果路径的最后一条链的曲率等于0并且长度大于预定阈值,则设定尾方向是链的方向;如果路径的最后一条链的曲率大于0并且长度大于预定阈值,则设定尾方向是从最后一个拐点到链的路径终点的方向;对于不属于上面两种的情况,则用最小化方向偏移的算法计算路径尾方向;
4)选择路径:按照下列优先级寻找一条在头方向上和前面路径尾方向相似度最高的路径,其中优先级1是当前路径与前一条路径有相似的方向,优先级2是当前路径与前一条路径成接近90°夹角,优先级3是当前路径与前一条路径的拐角大于90°,优先级4是当前路径与前一条路径拐角小于90°,记录所选择路径;
5)继续搜索:如果所选择的路径头方向和前面路径尾方向的方向偏差小于预定阈值,将所选择路径的终点设置为根节点,重复上面步骤2、3和4的操作,否则终止搜索,按顺序将上面整个搜索过程中选择的路径提取出来组成一条完整的曲线,该曲线就是图形的主曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200410018402 CN1255768C (zh) | 2004-05-17 | 2004-05-17 | 复杂图形中提取主曲线的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200410018402 CN1255768C (zh) | 2004-05-17 | 2004-05-17 | 复杂图形中提取主曲线的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1581232A true CN1581232A (zh) | 2005-02-16 |
CN1255768C CN1255768C (zh) | 2006-05-10 |
Family
ID=34581763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200410018402 Expired - Fee Related CN1255768C (zh) | 2004-05-17 | 2004-05-17 | 复杂图形中提取主曲线的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1255768C (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100354878C (zh) * | 2005-12-21 | 2007-12-12 | 兰州大学 | 从记录于坐标纸上的曲线函数提取数据的方法 |
CN102132323A (zh) * | 2008-08-26 | 2011-07-20 | 微软公司 | 自动图像矫直 |
CN105183810A (zh) * | 2015-08-26 | 2015-12-23 | 中国人民解放军装甲兵工程学院 | 道路网络的简化方法及装置 |
-
2004
- 2004-05-17 CN CN 200410018402 patent/CN1255768C/zh not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100354878C (zh) * | 2005-12-21 | 2007-12-12 | 兰州大学 | 从记录于坐标纸上的曲线函数提取数据的方法 |
CN102132323A (zh) * | 2008-08-26 | 2011-07-20 | 微软公司 | 自动图像矫直 |
CN102132323B (zh) * | 2008-08-26 | 2013-12-04 | 微软公司 | 用于自动图像矫直的系统和方法 |
US9092884B2 (en) | 2008-08-26 | 2015-07-28 | Microsoft Technology Licensing, Llc | Automatic image straightening |
CN105183810A (zh) * | 2015-08-26 | 2015-12-23 | 中国人民解放军装甲兵工程学院 | 道路网络的简化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN1255768C (zh) | 2006-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4616046B2 (ja) | 車両用画像処理システム、車両用画像処理方法、車両用画像処理プログラム、及び車両 | |
CN111582083A (zh) | 一种基于消失点估计与语义分割的车道线检测方法 | |
CN1332348C (zh) | 印刷体阿拉伯字符集文本切分方法 | |
JP5402828B2 (ja) | 車線境界検出装置、車線境界検出プログラム | |
CN101515325A (zh) | 基于字符切分和颜色聚类的数字视频中的字符提取方法 | |
CN107563370B (zh) | 一种基于视觉注意机制的海上红外目标检测方法 | |
WO2017016448A1 (zh) | 一种qr码特征检测方法及系统 | |
CN102096821A (zh) | 基于复杂网络理论的强干扰环境下的车牌识别方法 | |
CN105809149A (zh) | 基于最大长度直线的车道线检测方法 | |
CN107563331B (zh) | 一种基于几何关系的道路标志线检测方法及系统 | |
CN111583178B (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 | |
CN108629795B (zh) | 一种道路图片检测方法及装置 | |
Jang et al. | Road lane semantic segmentation for high definition map | |
CN112862847A (zh) | 一种表达地物边缘的线段序列检测方法 | |
CN1255768C (zh) | 复杂图形中提取主曲线的方法 | |
KR20130003308A (ko) | 차량의 차선 인식 방법 | |
CN1218279C (zh) | 数字图象的分割 | |
Hou et al. | Use of roadway scene semantic information and geometry-preserving landmark pairs to improve visual place recognition in changing environments | |
CN109919958B (zh) | 一种基于多尺度图像空间的多重约束线段提取方法 | |
CN101799922A (zh) | 检测文字笔画的方法和装置、定位文字行的方法和装置、判断字幕重复的方法和装置 | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
CN104021564A (zh) | 一种基于局部不变特征检测的自适应均值漂移算法 | |
JP2013190841A (ja) | レーンマーク検出装置およびレーンマークの検索範囲設定方法 | |
Su et al. | Robust seed-based stroke width transform for text detection in natural images | |
Mangala et al. | A new automatic road extraction technique using gradient operation and skeletal ray formation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20060510 |