JP6202147B2 - 曲線検出方法と曲線検出装置 - Google Patents

Description

本発明は画像および映像処理分野に係わり、具体的には、曲線検出方法と曲線検出装置に関するものである。

画像認知と認識の処理において、通常では、目標対象の形状が価値のある情報であるため、自動検出における肝心な技術として、画像の幾何曲線に基づく検出技術はコンピューター視覚処理の基本的な研究ブランチである。ここで言う幾何曲線は、パラメータ及び式で厳格に定義された直線、円、楕円のような基本ベクタ形状、または、三角形、矩形などの基本形状の組み合わせである。形状の検出と抽出によって画像から得られた目標対象に関する幾何特徴は、コンピューター視覚問題をより良く解決することに有用である。現在、幾何曲線検出技術は目標の追跡、対象の位置決め、製品の品質コントロールおよび工場の自動化においてすでに広く応用されている。

現在、幾何曲線検出に関して、ハフ変換と拡張はもっとも典型的、かつ多く用いられる技術であるが、その有効性が入力データの品質に大いに依存している。例えば、ノイズの大きい画像または検出待ちの曲線のノイズが大きい場合、精確な検出結果が得られ難い。そして、ハフ変換には時間がかかり、その複雑性は曲線パラメータ数および画像サイズに従って倍増される。

本発明は、上述した事情に鑑みてなされたものであり、ノイズ画像から曲線の検出力を顕著に改善することで、曲線検出の正確性と精度を改良できる曲線検出方法と曲線検出装置の提供を目的とする。

本発明の一実施例によれば、目標が含まれる画像に対して２値化を行って２値化画像を獲得するステップと、前記２値化画像に対して予備曲線検出を行って予備曲線検出の結果を得るステップと、前記予備曲線検出の結果に基づいて、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得るステップと、前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定するステップと、前記曲線検出結果を出力するステップと、を含む曲線検出方法を提供する。

本発明の一実施例によれば、目標が含まれる画像に対して２値化を行って２値化画像を獲得する２値化ユニットと、２値化画像に対して前記予備曲線検出を行って予備曲線検出の結果を得る予備曲線検出ユニットと、前記予備曲線検出の結果に基づいて、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得る反復シミュレーション検出ユニットと、前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定する確定ユニットと、前記曲線検出結果を出力する出力ユニットと、を含む曲線検出装置を提供する。

本発明のほかの実施例によれば、プロセッサーと、メモリーと、モニターと、前記メモリーに記憶されているコンピュータープログラムコマンドとを含む曲線検出装置を提供し、前記コンピュータープログラムコマンドが前記プロセッサーにより実行された時に、目標が含まれる画像に対して２値化を行って２値化画像を獲得するステップと、前記２値化画像に対して予備曲線検出を行って予備曲線検出の結果を得るステップと、前記予備曲線検出の結果に基づいて、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得るステップと、前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定するステップと、前記曲線検出結果を出力するステップと、を行う。

本発明のほかの実施例によれば、コンピューター読み取り可能な記録媒体を含むコンピュータープログラムプロダクトを提供し、前記コンピューター読み取り可能な記録媒体にコンピュータープログラムコマンドを記憶し、前記コンピュータープログラムコマンドがコンピューターにより実行された時に、目標が含まれる画像に対して２値化を行って２値化画像を獲得するステップと、前記２値化画像に対して予備曲線検出を行って予備曲線検出の結果を得るステップと、前記予備曲線検出の結果に基づいて、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得るステップと、前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定するステップと、前記曲線検出結果を出力するステップと、を行う。

本発明の実施例に係わる曲線検出方法、曲線検出装置とコンピュータープログラムプロダクトにおいて、画像に対する反復シミュレーション検出を行うことで、反復シミュレーション検出の結果と人間の視覚感知の結果をより大きい程度において一致させることによって、曲線検出の正確性と精度を向上させた。

それに、本発明の実施例に係わる曲線検出方法、曲線検出装置とコンピュータープログラムプロダクトでは、反復シミュレーション検出において適当に種子点（seed point）を選択して新しい密度分布図を生成させることによって、シミュレーション方式で検出のためにより多くの点を獲得し、潜在曲線形状のコンパクト性を増強し、ノイズ画像における曲線の検出力を改良した。

本発明の実施例による曲線検出方法の主なステップに関するフローチャットである。 本発明の実施例による曲線検出方法における種子点選択の処理図である。 本発明の実施例による曲線検出方法における重要性サンプリングの原理図である。 本発明の実施例による曲線検出装置の主な構成のブロック図である。 本発明の別の実施例による曲線検出装置の主な構成のブロック図である。

以下、図面を参照して本発明の実施例を詳細に説明する。

本発明の実施例に係わる曲線検出方法、曲線検出装置およびコンピュータープログラム製品は目標の追跡、対象の位置決め、製品の品質コントロールおよび工場の自動化などの分野に応用することができる。

まず、図１を用いて、本発明の実施例に係わる曲線検出方法を説明する。

図１に示すように、ステップS110では、目標を含む画像に対して２値化することによって、２値化画像を獲得する。上記目標は、本発明の実施例に係わる曲線検出方法の検出目標であり、例えば、画像における各種形状（例えば円形状）の物体などである。当業者より各種の方法によって前記画像に対して２値化処理することができるが、ここではその詳細を省略する。上記の２値化処理によって得られた２値化画像では、白黒の二種類の画素点のみを含む。例えば、黒い画素が背景情報、白い画素が前景情報をそれぞれ示し、かつ検出待ちの潜在幾何曲線が前景情報に隠れて含まれ得る。

それに、オプションで、ステップS110では、前記画像に対してエッジ検出処理を行うことによって前記目標のエッジ情報を獲得することもできる。例えば、キャニー（CANNY）エッジ検出法により前記画像に対してエッジ検出処理しても良い。もちろん、当業者はほかの方法を用いてエッジ検出を行うこともできるが、ここでは詳細の説明を省略する。

次に、ステップS120では、前記２値化画像に対して予備曲線検出を行うことによって、予備曲線検出の結果が得られる。

具体的には、当業者は従来およびこれから開発される各種の曲線検出方法を用いて、上記の予備曲線検出を行うことができる。例えば、ハフ検出、テンプレートマッチング、最小二乗法のカーブフィッティングなどの技術を用いて予備曲線検出を行うことができる。

それに、当業者は以下のことが分かる。即ち、同一画像には複数の検出待ちの曲線が存在する場合は、複数の予備曲線検出結果を取得し、かつそれぞれ下記の反復シミュレーション検出を行うことによって相応する複数の結果を獲得できる。

ここで、指摘すべきなのは以下である。本発明の実施例に係わる曲線検出方法においては、予備曲線検出結果の精度に関して厳しく要求されないため、解像度の低い画像に対して予備曲線検出を直接行っても良い。これによって得られた予備曲線検出の結果が理想的ではなくても、下記の反復シミュレーション検出処理によって精確な検出結果を最終的に獲得することができる。もちろん、ステップS110とS120とに用いられた画像が解像度の高い画像であれば、これによって得られた予備曲線検出の精度も高くなり、最終的により精確な検出結果を獲得するために有利である。

その後、ステップS130では、前記予備曲線検出の結果に基づいて前記画像に対して反復シミュレーション検出を行うことによって、反復シミュレーション検出の結果を得る。

具体的には、１つの例示においては、現在の反復シミュレーション検出に対して、直前の反復シミュレーション検出の曲線検出結果に基づき、前記画像から今回の反復シミュレーション検出の種子点を選ぶ。

以下、図２を用いて前回の反復シミュレーション検出の曲線検出結果から種子点を選択する例示的な実施例を示す。

図２においては、円検出を例として種子点の選択について説明するが、具体的には、当該例示において、前の反復シミュレーション検出結果に基づいて参照曲線を確定する。

第一例示では、前回の反復シミュレーション検出結果を参照曲線と確定するが、第二例示では、前の反復シミュレーション検出結果に対して下記の判定を行うことによって得られた曲線を参照曲線と確定する。指摘すべきなのは、第一回反復シミュレーション検出に用いられた参照曲線は予備曲線検出による結果である。

次に、前記予備曲線に基づいて、前記画像から今回の反復シミュレーション検出の種子点を選択する。

例示としては、前記画像において現在の参照曲線に近隣する画素点（例えば、画像前景画素点）を種子点として選び、当該画素点の参照曲線からの距離がＤより小さい。Ｄが閾値であって、当業者により検出待ちの幾何曲線のサイズと所望の精度に基づいて適切に設けることができ、具体的には限定されない。

より具体的には、参照円（図２の実線に示す）の半径をr₀、円心をＰにした場合、同じくＰを円心にしてそれぞれの半径がr₀+Ｄとr₀-Ｄである二つの破線円が図２に示すように確定される。そこで、当該二つの破線円の間にある画素点（例えば前景画素点）は反復シミュレーション検出用の種子点として選択されることが可能である。

次に、前記種子点に基づいて今回の反復シミュレーション検出の画素点を生成することによって、今回の反復シミュレーション検出の密度分布図を生成する。具体的には、前記種子点を所定参照点として、所定サンプリング規則に基づいて所定分布に従う前記画素点を生成することができる。より具体的には、まず、前記種子点の前記参照曲線からの距離に基づいて前記種子点の重要性を確定する。次に、前記種子点の重要性に基づき前記種子点に対してサンプリング半径とサンプリング数のうちの少なくとも１つを前記所定サンプリング規則として指定する。その後、サンプリング半径とサンプリング数のうちの前記少なくとも１つに基づいて前記所定分布に従う画素点を生成する。

つまり、前記種子点を所定参照点（例えば円心）とし、モンテカルロランダムサンプリング法によってガウス分布または一様分布などの所定分布に従ういくつかの点を確定できる。言い換えれば、本発明の実施例では、種子点を独立確率変数として、一対多の方式によって複数の仮想的な前景画素点を生成することができる。より具体的には、各種子点の現在に検出された曲線に対する寄与度に基づいて今回の反復シミュレーション検出に新しく増えた画素点の個数分布範囲と分布密度を確定することができる。

再度図２を用いて前記サンプリング規則を説明する。図２に示すように、現在の参照曲線から異なる距離を有する点が曲線検出に対して異なる影響を有し、距離が短いほど、曲線検出に対する寄与が大きく、距離が遠ければ、曲線検出に対する寄与が小さくなる。そのため、種子点とした画素点の参照曲線からの距離に基づいて前記種子点の重要性を判断することができる。本発明の実施例では、各種の単調非増加関数を用いてその重要性を計算することができる。例示として、下式（１）によって種子点の重要度I(d)を決める。

I(d)＝1-d／D （１）
そこで、dは種子点から参照曲線までの距離を表す変数（d＜D）で、Dは種子点から参照曲線までの最大距離を表す常数であり、Iの値の範囲が０から１までとする。

図２に示す三つの点A、B、Cに関して、その距離関係がd(A)＞d(C)＞d(B)であることから、その重要性関係がI(A)＜I(C)＜I(B)となる。

反復シミュレーション検出においては、前記種子点に基づき今回の反復シミュレーション検出の画素点を生成し、かつ各種子点の重要性を、新しく増加されたサンプリング点の個数または異なるサンプリング密度によって表す。このプロセスは、重要性サンプリングとも称される。

図３は重要性サンプリングの原理を示す図である。

図３において、図２に示す三つの画素点AとBとCとは、それぞれ、参照曲線からの距離が異なり、また、重要性も一様ではない。従って、各画素点の異なる重要度を反映するために、各点に対して異なるサンプリング半径または異なるサンプリング数を相応的に指定することができる。

第一例示では、各種子点に異なるサンプリング半径を指定することによってその重要度を表す。即ち、各種子点のサンプリング数が一様であると指定されれば、Bの重要性がAより高い場合、Aに大きいサンプリング半径を指定できることに対して、Bに小さいサンプリング半径を指定することになる。大きい半径は低いサンプリング密度を意味することが明らかであり、当該種子点の曲線検出に対する寄与も少ない。言い換えれば、種子点の重要性が高いほど、生成された画素点が密であり、種子点の重要性が低いほど、生成された画素点が疎らである。

ここで、下式（２）によってサンプリング半径関数r(I)を定義することができる。

r(I)＝R(1-k^*I) （２）
ここで、Iは種子点の重要度で、式（１）などから算出でき、Rは最大サンプリング半径を表す定数で、その値は当業者によりニーズに応じて適切に設けられ、具体的な限定をしない。ｋは０から１までの係数である。

図３に示す各点が所在する円は異なるサンプリング半径を表し、I(A)＜I(C)＜I(B)であるため、r(A)＞r(C)＞r(B)になる。

第二例示では、各種子点に異なるサンプリング数を指定することによってその重要度を表す。各種子点に同じサンプリング半径が指定されれば、Bの重要性がAより高い場合は、Bに対して多くのサンプリング数を指定できるが、Aに対して少ないサンプリング数を指定する。言い換えれば、種子点の重要性が高いほど、それを元に生成する画素点が多く、種子点の重要性が低いほど、それを元に生成する画素点が少ない。ここで、下式（３）によってサンプリング数n(I)を定義することができる。

n(I)＝I^*N （３）
ここで、Iは種子点の重要度で、例えば式（１）などから算出でき、Nは最大サンプリング数を表す定数で、その値は当業者によりニーズに応じて適切に設けられ、具体的な限定をしない。

図３によれば、n(A)＜n(C)＜n(B)である。

もちろん、上記二つの例示は互いに結合して重要性サンプリングを実現することも可能である。即ち、重要性の高い種子点に対して小さいサンプリング半径と多いサンプリング数を指定、重要性の低い種子点に対して、大きいサンプリング半径と少ないサンプリング数を指定することができる。

上記の重要性サンプリングによって、種子点に基づき新しい画素点が生じ、前記新しい画素点と前記種子点とはともに前景点と見なすことができ、そして、前記新しい画素点の座標は種子点を中心として乱数発生器よりランダムに発生して得られる。例示的には、一様分布またはガウス分布などの各確率分布を用いて新しい点の座標を確定することができる。例えば、モンテカルロ法によって新しい点の座標を確定することができる。

種子点Aを例にすれば、Aの座標がP(x_A,y_A)で、サンプリングの半径がr_Aで、乱数発生法が一様分布であると仮設する場合、まず、発生した乱数x_Nは[x_A-r_A,x_A+r_A]上の一様分布に従い、同時に、発生した乱数y_Nも[y_A-r_A,y_A+r_A]上の一様分布に従う。そこで、座標P(x_N,y_N)は、P(x_A,y_A)を中心、r_Aを半径とした円の内部に位置すれば、当該座標に新しい点として付与する。さもなければ、新しい座標を発生する。

新しく生じた点は種子点の周りにランダムに分布して、種子点とともに新しい密度分布図を構成することによって、さらに潜在的な検出待ちの曲線形状のコンパクト性を増加したため、反復シミュレーション検出の曲線検出に品質の良い入力データを提供することになった。

当業者にとって以下のことが自明である。即ち、上記では、一様分布を例にして説明して来たが、本発明の実施例はこれに限られるものではなく、例えば、ガウス分布などのほかの分布にも応用できる。

上記のような重要性サンプリングによって新しい密度分布図を生成した後、当該密度分布図に基づき曲線検出を行うことによって今回の反復シミュレーション検出の曲線検出結果が得られる。

具体的には、各従来およびこれから開発する曲線検出技術を用いて、上記のように生成される新しい密度分布図に基づいて曲線を検出することができる。初期化による検出結果における検出と違って、ここでは上記のような重要性サンプリングによってより多くの前景画素点が得られるので、画像の解像度を変更せずに画像に対して直接的に曲線検出を行い、かつより精確な曲線検出結果を得ることができる。

現在の反復シミュレーション検出を完成して次の反復シミュレーション検出に入る前に、現在の反復シミュレーション検出によって新しく増えられた画素点を廃棄することで、オリジナル画像データの次となる反復シミュレーション検出において汚染されないことが確保される。言い換えれば、次となる反復シミュレーション検出では、新しい参照曲線に基づいてオリジナル画像データから種子点を改めて確定して相応する画素点を新しく生成することによって、次となる反復シミュレーション検出ための新しい密度分布図を生成する。

次に、反復シミュレーション検出が終了条件を満たすかどうかを判断する。前記反復シミュレーション検出が終了条件を満たさない場合は、次の反復シミュレーション検出を行うが、前記反復シミュレーション検出が終了条件を満たす場合は、前記反復シミュレーション検出を停止して前記反復シミュレーション検出の結果を得る。

具体的には、第一例示において、前記終了条件は指定された反復シミュレーションの回数に到達することであり、その具体的な値は当業者から必要に応じて適切に設けられ、具体的な限定をしない。第二例示において、前記終了条件は現在の反復シミュレーション検出では曲線を検出できないことである。第三例示において、前記終了条件は隣接する前後二回のそれぞれの反復シミュレーション検出においてほぼ同じ検出結果が得られたことである。例えば、円の検出において、相似する検出結果は二回の反復で検出された円が非常に近い円心座標とほぼ同じ半径長さを有することを意味する。

指摘しておくべきなのは、上記終了条件を適当に組み合わせまたは変更することができる。そして、上記終了条件は例示のみであり、当業者はこれをもとにほかの各終了条件を設計することができる。

次に、ステップS140では、前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定する。

具体的には、第一例示において、前記反復シミュレーション検出が終了条件を満たす場合、各回の反復シミュレーション検出の曲線検出結果を獲得して候補曲線とし、かつ前記候補曲線に基づいて最終的な曲線検出結果を確定する。具体的には、例えば、最小二乗法によるフィッティング法に基づく一定の判定基準によって前記候補曲線を判定することで、最終的な曲線検出結果を確定する。

第二例示では、まず今回の反復シミュレーション検出の曲線検出結果と直前回の反復シミュレーション検出後に得られた判定結果とを候補曲線とし、次に、例えば最小二乗法によるフィッティング法に基づいて前記候補曲線を判定することで、今回の反復シミュレーション検出の判定結果を確定する。前記判定は同様に下記の判定基準を用いることができる。その後、反復シミュレーション検出が終了条件を満たす場合は、現在の判定結果を最終的な曲線検出結果と確定する。より具体的には、前記判定を最小二乗法によるフィッティング法に基づくことで、前記候補曲線から、指定された誤差範囲と平均誤差においてオリジナル２値化画像の前景画素点を最大にカバーする点数を有する候補曲線を選択する。代替的には、前記判定を最小二乗法によるフィッティング法に基づくことで、前記候補曲線から、指定された誤差範囲と平均誤差においてオリジナル２値化画像の前景画素点をカバーした点数が閾値を超えた候補曲線の集合を選択する。

以下、判定過程に使われる判定基準を詳細に説明する。

具体的には、前記判定基準の目的は各検出の結果を判定し、かつその結果からもっとも人間の目の視覚感知結果に近い検出待ちの曲線を見つけることにある。古典的ハフ検出の場合、判定の基準がアキュムレータ空間の各ユニットにおける投票数である。しかし、本発明の実施例では、正確な検出に寄与する画素点が標準の形状からずれるかもしれないので、単なる投票数は結果を正確に反映できない可能性がある。ここで、例示として、最小二乗法によるフィッティング法に基づく方式で判定を行うことができる。より具体的には、例えば、最大の誤差半径Drと最大の平均誤差Daなどの所定の誤差範囲内において、当該誤差範囲内に入る画素点の数を比較することによって、どの曲線が正確な検出待ち曲線であるかを決めることができる。本発明の実施例に示された当該新しい判定基準は人間の視覚感知結果とより一致する。

より具体的には、第「i」本目の候補曲線近傍のオリジナル２値化画像の前景画素点を当該候補曲線との距離が小さいから大きい順にしてかつ異なる番号「j」を付与することができる。当該画素点をpⁱ _jと記する。

第一例示では、前記判定基準を下式（４）によって表すことができる。

ここで、pⁱ _jは第「i」本目の候補曲線と関連する第「j」個目の画素点に属し、f(.)は画素点の計数関数であり、画素点が一定の条件を満たした場合のみに「１」と計数され、さもなければ「０」とする。

di(.)は画素点から第「i」本目の候補曲線までの距離の計算関数で、di(pi_k)は第「i」本目の候補曲線と関連する第「k」個目の画素点から第「i」本目の候補曲線までの距離である。

Drは上記最大の誤差半径で、Daは上記最大の平均誤差であり、その値を当業者が必要に応じて適当に設置でき、具体的には限定しない。

上記のような判定基準（４）によって、各回の曲線検出結果から最適のものが得られる。

代替的には、第二例示において、前記判定基準を下式（５）によって表すことができる。

ここで、Tは閾値であり、その値を当業者が必要に応じて適当に設置でき、具体的には限定しない。Ciは第「i」本目の候補曲線で、i、j、k、Dr、Da、pⁱ _jとdi(pi_k)の意味は上記により述べられ、ここでは重複な説明を省く。

上記のような判定基準（５）によって、各回の曲線検出結果において一定の条件（例えば、閾値Tより大きい）を満たした曲線検出結果の集合を獲得できる。

上記の処理によって、最終的な曲線検出結果を獲得し、前記曲線検出方法はステップS150に進み、かつ前記曲線検出結果を出力する。

以上、図１から図３を参照して、本発明の実施例における曲線検出方法を説明した。

本発明の実施例に係わる曲線検出方法において、反復シミュレーション検出を行うことで、反復シミュレーション検出の結果と人間の視覚感知の結果をより大きい程度において一致させることによって、曲線検出の正確性と精度を向上させた。

それに、本発明の実施例に係わる曲線検出方法では、反復シミュレーション検出において適当に種子点を選択して新しい密度分布図を生成させることによって、シミュレーション方式で検出のためにより多くの点を獲得することで、潜在曲線形状のコンパクト性を増強し、ノイズ画像における曲線の検出力を改良した。

また、本発明の実施例に係わる曲線検出方法では、最小二乗法によるフィッティング法に基づく判定基準によって候補曲線から精確な曲線を選択して最終的な曲線検出結果にすることで、最小二乗法などの方式によるレベルに達しながら、ノイズの干渉を回避し、人間の視覚感知にもっとも近い曲線を最終的に獲得することができた。

以下、図４を用いて本発明の実施例に係わる曲線検出装置を説明する。

図４に示すように、本発明の実施例に係わる曲線検出装置４００は主に２値化ユニット４１０と、予備検出ユニット４２０と、反復シミュレーション検出ユニット４３０と、確定ユニット４４０および出力ユニット４５０とを備える。

前記２値化ユニット４１０は目標が含まれた画像に対して２値化することで、２値化画像を獲得する。前記予備検出ユニット４２０は前記２値化画像に対して予備曲線検出を行うことで、予備曲線検出の結果を獲得する。前記反復シミュレーション検出ユニット４３０は前記予備曲線検出の結果に基づき、前記画像に対して反復シミュレーション検出を行うことで、反復シミュレーション検出の結果を獲得する。前記確定ユニット４４０は前記反復シミュレーション検出の結果に基づいて最終的な曲線検出結果を確定する。前記出力ユニット４５０は前記曲線検出結果を出力する。

１つの実施例によれば、前記反復シミュレーション検出ユニットはさらに、前の反復シミュレーション検出結果に基づいて参照曲線を確定する参照曲線確定ユニットと、前記参照曲線に基づいて、前記画像から今回の反復シミュレーション検出の種子点を選択する種子点選択ユニットと、前記種子点に基づいて今回の反復シミュレーション検出の画素点を生成し、今回の反復シミュレーション検出の密度分布図を生成する画素点生成ユニットと、前記密度分布図に基づき曲線検出を行って、今回の反復シミュレーション検出の曲線検出結果を得る曲線検出ユニットと、反復シミュレーション検出が終了条件を満たすかどうかを判断する終了判断ユニットと、前記反復シミュレーション検出が終了条件を満たさない場合に、次回の反復シミュレーション検出を行い、前記反復シミュレーション検出が終了条件を満たす場合に、前記反復シミュレーション検出を停止して前記反復シミュレーション検出の結果を得る処理ユニットと、を含む。第一回反復シミュレーション検出においては、前記参照曲線が前記予備曲線検知の結果である。

ほかの実施例によれば、オプションで、前記確定ユニットはさらに、各回の反復シミュレーション検出の曲線検出結果を獲得して候補曲線とする候補曲線獲得ユニットと、最小二乗法によるフィッティング法に基づき候補曲線を判定し、最終的な曲線検出結果を確定する判定ユニットと、を含む。

ほかの実施例によれば、オプションで、前記確定ユニットはさらに、今回の反復シミュレーション検出の曲線検出結果と前回の反復シミュレーション検出の曲線検出結果とによる判定結果を獲得して候補曲線とする候補曲線獲得ユニットと、最小二乗法によるフィッティング法に基づいて前記候補曲線を判定し、今回の反復シミュレーション検出の判定結果を確定する判定ユニットと、反復シミュレーション検出が終了条件を満たす場合に、現在の判定結果を最終的な曲線検出結果に確定する検出結果確定ユニットと、を含む。

ほかの実施例によれば、オプションで、前記判定ユニットは、最小二乗法によるフィッティング法に基づき、前記候補曲線から、指定された誤差範囲と指定された平均誤差においてオリジナル２値化画像の前景画素点を最大にカバーする点数を有する候補曲線を選択する操作と、最小二乗法によるフィッティング法に基づき、前記候補曲線から、指定された誤差範囲と指定された平均誤差においてオリジナル２値化画像の前景画素点をカバーする点数が閾値を超えた候補曲線の集合を選択する操作と、の少なくとも１つの操作を実行する。

ほかの実施例によれば、オプションで、前記種子点選択ユニットは、前記画像から前記参照曲線に近隣する画素点を前記種子点として選択するように構成される。

ほかの実施例によれば、オプションで、前記画素点生成ユニットは、前記種子点を所定参照点とし、所定サンプリング規則に基づいて所定分布に従う前記画素点を生成するように構成される。

ほかの実施例によれば、オプションで、前記画素点生成ユニットは、前記種子点の前記参照曲線からの距離に基づいて前記種子点の重要性を確定する重要性確定ユニットと、前記種子点の重要性に基づき前記種子点に対してサンプリング半径とサンプリング数とのうちの少なくとも１つを前記所定サンプリング規則として指定するサンプリング規則確定ユニットと、サンプリング半径とサンプリング数とのうちの前記少なくとも１つに基づいて前記所定分布に従う画素点を生成する生成ユニットと、を含む。

図５には、本発明のほかの実施例に係わる曲線検出装置の主な構成のブロック図を示す。

図５に示すように、本発明の実施例に係わる曲線検出装置５００は主に１つまたは複数のプロセッサー５１０とメモリー５２０とを備え、これらのユニットはバスシステム５３０及び／又はほかの形式の接続手段（図示せず）によって互いに接続される。注意すべきなのは、図５に示した曲線検出装置５００のユニットと構造は例示のみで、制限されたものではない。必要に応じて、曲線検出装置５００はほかのユニットと構造を有することもできる。

プロセッサー５１０は中央処理装置（CPU）またはデータ処理能力及び／又は指令実行能力を有するほかの形式の処理ユニットであることもでき、かつ曲線検出装置５００うちのほかのユニットをコントロールして所望の機能を実行可能である。

メモリー５２０は１個または複数のコンピュータープログラムプロダクトを含み、前記コンピュータープログラムプロダクトは例えば揮発性メモリー及び／又は非揮発性メモリーなどの各形式のコンピューター読み取り可能な記録媒体を含むことができる。前記揮発性メモリーは例えばランダムアクセスメモリ（RAM）及び／又はキャッシュ（cache）などを含み、前記非揮発性メモリーは例えばリードオンリーメモリー（ROM）、ハードディスク、フラッシュメモリーなどを含むことができる。前記コンピューター読み取り可能な記録媒体では１つまたは複数のコンピュータープログラムコマンドを記憶でき、プロセッサー５１０は前記プログラムコマンドを実行して本発明の実施例の曲線検出方法の機能および／またはほかの所望の機能を実現する。

また、図示しないが、本発明の実施例に係わる曲線検出装置５００は適当に入力ユニットと出力ユニットなどのほかのユニットを含むこともできる。

以上、図４と図５を用いて本発明の実施例における曲線検出装置を説明した。

本発明の実施例に係わる曲線検出装置において、反復シミュレーション検出を行うことで、反復シミュレーション検出の結果と人間の視覚感知の結果とをより大きい程度において一致させることによって、曲線検出の正確性と精度を向上させた。

それに、本発明の実施例に係わる曲線検出装置では、反復シミュレーション検出において適当に種子点を選択して新しい密度分布図を生成させることによって、シミュレーション方式で検出のためにより多くの点を獲得し、潜在曲線形状のコンパクト性を増強し、ノイズ画像における曲線の検出力を改良した。

また、本発明の実施例に係わる曲線検出装置では、最小二乗法によるフィッティング法に基づく判定基準によって候補曲線から精確な曲線を選択して最終的な曲線検出結果とすることで、最小二乗法などの方式によるレベルに達しながら、ノイズの干渉を回避し、人間の視覚感知にもっとも近い曲線を獲得することもできた。

また、本発明のほかの実施例によれば、コンピューター読み取り可能な記録媒体を含む曲線検出のためのコンピュータープログラムプロダクトが提供され、前記コンピューター読み取り可能な記録媒体にコンピュータープログラムコマンドを記憶している。前記コンピュータープログラムコマンドがプロセッサーにより実行されるときに、目標が含まれる画像に対して２値化を行って２値化画像を獲得するステップと、前記２値化画像に対して予備曲線検出を行って予備曲線検出の結果を得るステップと、前記予備曲線検出の結果に基づき、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得るステップと、前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定するステップと、前記曲線検出結果を出力するステップと、を行う。

説明すべきことは、本明細書において、用語の「包括」、「含む」またはその他のいかなる変化体は非排他的な包含をカバーする意味であるので、一連の要素を含む過程、方法、物品または装置がそれらの要素を含むだけでなく、明確にリストされていない他の要素も含み、あるいは、このような過程、方法、物品または装置に固有される要素も含むことになる。さらなる制限のない場合において、語句の「１つ……を含む」により限定した要素は、前記要素を含む過程、方法、物品または装置において、ほかの同じ要素がさらに存在することを排除するものではない。

また、説明すべきことは、本明細書において、「第一……ユニット」、「第二……ユニット」のような記述は説明時に分け易いためのみであり、必ずしも物理的な分離による二つまたは複数のユニットとして実現する意味ではない。実際には、前記ユニットは、必要に応じて全体を一つのユニット、または複数のユニットとして実現することも可能である。

最後に、さらに説明すべきことは、上記一連の処理は前記した順序で時系列に従って実行する処理のみならず、時系列ではなく、並行または別々に実行する処理も含む。

上記実施態様の説明によれば、当業者は本発明がソフトウェアに必要なハードウェアプラットフォームを加え、そして、もちろん、全てをハードウェアで実施できることが自明である。このような理解に基づき、本発明の技術方案の背景技術に対して貢献した全部あるいは一部はソフトウェア製品の形式で実現することができる。当該コンピュータソフトウェア製品は例えばROM／RAM、磁気ディスク、光ディスクなどの記録媒体に記憶でき、コンピュータ装置（例えばパソコン、サーバ、またはネットワーク装置など）に本発明の各実施例または実施例のある部分に述べた方法を実行させるための若干のコマンドを含む。

本発明の実施例では、各タイプのプロセッサーに実行させるために、ユニット／モジュールをソフトウェアで実現することができる。例えば、識別した実行可能なコードモジュールはコンピュータコマンドの一つまたは複数の物理または論理ブロックを含むことができ、例えば対象、過程または関数として構築することができる。にもかかわらず、識別したモジュールの実行可能なコードを物理的に一緒にする必要がなく、異なるビットに記憶した異なるコマンドを含むことができる。これらのコマンドがロジック的に結合された場合、ユニット／モジュールを構成し、かつ当該ユニット／モジュールの所定の目的を実現する。

ユニット／モジュールはソフトウェアを利用して実現できる場合、従来のハードウェア技術のレベルを考慮すれば、コストを考慮しない時に、すべてのソフトウェアで実現できるユニット／モジュールに対して、当業者が対応するハードウェア回路を構築してその対応する機能を実現させることができる。前記ハードウェア回路は常用の超大規模集積回路（VLSI）またはゲートアレイ及びロジックチップ、トランジスタなどの従来の半導体あるいはほかの個別部品を含む。モジュールはさらにフィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジック装置などのプログラマブルハードウェア装置で実現できる。

以上、本発明について詳細に説明した。本明細書では具体例を用いて本発明の原理及び実施態様について詳しく述べた。上記実施例の説明は本発明の方法及びそのコア思想を理解するためのものにすぎない。当業者にとって、本発明の思想に基づけば、具体的な実施方法及び応用範囲において共に変更することが可能である。上記、本明細書の内容は本発明を制限するものではない。

Claims (10)

1. 目標が含まれる画像に対して２値化を行って２値化画像を獲得するステップと、
   前記２値化画像に対して予備曲線検出を行って予備曲線検出の結果を得るステップと、
   前記予備曲線検出の結果に基づいて、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得るステップと、
   前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定するステップと、
   前記曲線検出結果を出力するステップと、を含み、
   前記画像に対して反復シミュレーション検出を行うステップは、
   前の反復シミュレーション検出結果に基づいて参照曲線を確定するステップと、
   前記参照曲線に基づいて、前記画像から今回の反復シミュレーション検出の種子点を選択するステップと、
   前記種子点に基づいて今回の反復シミュレーション検出の画素点を生成し、今回の反復シミュレーション検出の密度分布図を生成するステップと、
   前記密度分布図に基づいて曲線検出を行い、今回の反復シミュレーション検出の曲線検出結果を得るステップと、
   反復シミュレーション検出が終了条件を満たすかどうかを判断するステップと、
   前記反復シミュレーション検出が終了条件を満たさない場合に、次回の反復シミュレーション検出を行い、前記反復シミュレーション検出が終了条件を満たす場合に、前記反復シミュレーション検出を停止して前記反復シミュレーション検出の結果を得るステップと、を含み、
   第一回反復シミュレーション検出においては、前記参照曲線が前記予備曲線検出の結果である、曲線検出方法。
2. 前記画像から今回の反復シミュレーション検出の種子点を選択するステップは、
   前記画像から前記参照曲線に近隣する画素点を前記種子点として選択することを含む、請求項１に記載の曲線検出方法。
3. 前記種子点から今回の反復シミュレーション検出の画素点を生成するステップは、
   前記種子点を所定参照点とし、所定サンプリング規則に基づいて所定分布に従う前記画素点を生成することを含む、請求項１に記載の曲線検出方法。
4. 所定サンプリング規則に基づいて所定分布に従う前記画素点を生成するステップは、
   前記種子点の前記参照曲線からの距離に基づいて、前記種子点の重要性を決めるステップと、
   前記種子点の重要性に基づいて、前記種子点に対してサンプリング半径とサンプリング数とのうちの少なくとも１つを前記所定サンプリング規則として指定するステップと、
   サンプリング半径とサンプリング数とのうちの前記少なくとも１つに基づいて、前記所定分布に従う画素点を生成するステップと、を含む、請求項３に記載の曲線検出方法。
5. 目標が含まれる画像に対して２値化を行って２値化画像を獲得する２値化ユニットと、
   前記２値化画像に対して予備曲線検出を行って予備曲線検出の結果を得る予備曲線検出ユニットと、
   前記予備曲線検出の結果に基づいて、前記画像に対して反復シミュレーション検出を行って反復シミュレーション検出の結果を得る反復シミュレーション検出ユニットと、
   前記反復シミュレーション検出の結果に基づいて、最終的な曲線検出結果を確定する確定ユニットと、
   前記曲線検出結果を出力する出力ユニットと、を含み、
   前記反復シミュレーション検出ユニットは、
   前の反復シミュレーション検出結果に基づいて、参照曲線を確定する参照曲線確定ユニットと、
   前記参照曲線に基づいて、前記画像から今回の反復シミュレーション検出の種子点を選択する種子点選択ユニットと、
   前記種子点に基づいて、今回の反復シミュレーション検出の画素点を生成し、今回の反復シミュレーション検出の密度分布図を生成する画素点生成ユニットと、
   前記密度分布図に基づいて曲線検出を行い、今回の反復シミュレーション検出の曲線検出結果を得る曲線検出ユニットと、
   反復シミュレーション検出が終了条件を満たすかどうかを判断する終了判断ユニットと、
   前記反復シミュレーション検出が終了条件を満たさない場合に、次回の反復シミュレーション検出を行い、前記反復シミュレーション検出が終了条件を満たす場合に、前記反復シミュレーション検出を停止して前記反復シミュレーション検出の結果を得る処理ユニットと、を含み、
   第一回反復シミュレーション検出においては、前記参照曲線が前記予備曲線検出の結果である、曲線検出装置。
6. 前記種子点選択ユニットは、
   前記画像から前記参照曲線に近隣する画素点を前記種子点として選択するように構成される、請求項５に記載の曲線検出装置。
7. 前記画素点生成ユニットは、
   前記種子点を所定参照点とし、所定サンプリング規則に基づいて所定分布に従う前記画素点を生成するように構成される、請求項５に記載の曲線検出装置。
8. 前記画素点生成ユニットは、
   前記種子点の前記参照曲線からの距離に基づいて、前記種子点の重要性を確定する重要性確定ユニットと、
   前記種子点の重要性に基づいて、前記種子点に対してサンプリング半径とサンプリング数とのうちの少なくとも１つを前記所定サンプリング規則として指定するサンプリング規則確定ユニットと、
   サンプリング半径とサンプリング数とのうちの前記少なくとも１つに基づいて、前記所定分布に従う画素点を生成する生成ユニットと、を含む、請求項７に記載の曲線検出装置。
9. コンピュータに、請求項１〜４の任意の１項に記載の曲線検出方法を実行させるためのプログラム。
10. 請求項９に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。

Images