CN103955929B - 图像局部边缘模式与非边缘模式判断方法及判断装置 - Google Patents
图像局部边缘模式与非边缘模式判断方法及判断装置 Download PDFInfo
- Publication number
- CN103955929B CN103955929B CN201410176125.XA CN201410176125A CN103955929B CN 103955929 B CN103955929 B CN 103955929B CN 201410176125 A CN201410176125 A CN 201410176125A CN 103955929 B CN103955929 B CN 103955929B
- Authority
- CN
- China
- Prior art keywords
- edge
- circular
- neighbor points
- pattern
- direction line
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种图像局部边缘模式与非边缘模式判断方法及判断装置,其中该判断方法包括:将一整套不同边缘模式的圆形局部边缘检测算子和/或一整套不同非边缘模式的圆形局部非边缘检测算子分别与图像纹理基元做卷积计算;判断卷积结果数值最大者对应的边缘模式或非边缘模式为图像纹理基元的边缘模式或非边缘模式。本发明基于圆形的检测算子,不仅广泛适用于大小不同的待测图像,还可以提取更多方向的边缘或非边缘特征,即能够提取不同尺度和不同分辨率的边缘或非边缘特征并融合在一起,获得的边缘或非边缘特征更加丰富和准确。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种图像局部边缘模式与非边缘模式判断方法和图像局部边缘模式与非边缘模式判断装置。
背景技术
由于纹理分析在目标跟踪、图像识别、图像理解,图像检索等应用领域中起到的重要作用,使其成为近年来热点研究课题之一。边缘信息是图像内容的重要特征,人类视觉对图像边缘及其敏感,这种现象对于机器视觉和模式识别领域的研究具有重要的启示,如果能够准确的表示图像的边缘信息,将获得很好的图像识别表现。
边缘提取方法主要分为梯度法,拉普拉斯法和图像近似法三大类。基于梯度的方法又具体分为Prewitt方法,Sobel方法,Chee等人提出的方法和Fan等人提出的方法等,他们采用的边缘检测算子分别如图1(a)至(d)所示。基于梯度的方法的显著特点是,边缘检测算子为方形,一般包括水平、垂直、45°和135°四种。这些方形检测算子由于方向种类过少,会忽视掉很多其他方向的边缘信息,同时无法提取多尺度和多分辨率的边缘特征。
发明内容
本发明旨在至少在一定程度上解决相关技术中的方向种类少、检测到的边缘信息不够丰富的技术问题之一。为此,本发明的目的在于提出一种具有方向种类多、检测到的边缘信息丰富的图像局部边缘模式与非边缘模式判断方法和图像及判断装置。
为实现上述目的,根据本发明实施例的图像局部边缘模式与非边缘模式判断方法,可以包括以下步骤:S1.将一整套不同边缘模式的圆形局部边缘检测算子和/或一整套不同非边缘模式的圆形局部非边缘检测算子分别与图像纹理基元做卷积计算;S2.判断卷积结果数值最大者对应的边缘模式或非边缘模式为所述图像纹理基元的边缘模式或非边缘模式。
根据本发明实施例的图像局部边缘模式与非边缘模式判断方法基于圆形的检测算子,不仅广泛适用于大小不同的待测图像,还可以提取更多方向的边缘或非边缘特征,即能够提取不同尺度和不同分辨率的边缘或非边缘特征并融合在一起,获得的边缘或非边缘特征更加丰富和准确。
另外,根据本发明上述实施例的图像局部边缘模式与非边缘模式判断方法还可以具有如下附加的技术特征:
在本发明的一个实施例中,每个所述圆形局部边缘检测算子包括P个均布在半径为R的圆上的近邻点,P为大于2的偶数,所述一整套圆形局部边缘检测算子包括P/2种不同边缘模式的圆形局部边缘检测算子,其中,在每个所述圆形局部边缘检测算子中,过圆心作边缘方向线,位于所述边缘方向线上的两个近邻点赋值为0,位于所述边缘方向线两侧的其他近邻点分别赋值为1和-1。
在本发明的一个实施例中,每个所述圆形局部非边缘检测算子包括P'个均布在半径为R'的圆上的近邻点,P'大于4且能被4整除,当P'不等于8时,所述一整套圆形局部非边缘检测算子包括P'/4种第一类非边缘模式的圆形局部非边缘检测算子和P'/4种第二类非边缘模式的圆形局部非边缘检测算子,其中第一类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线的两个近邻点赋值为-1,位于所述第二方向线的两个近邻点赋值为1,其他近邻点赋值为0;其中第二类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线和第二方向线上的四个近邻点赋值为0,所述第一方向线和所述第二方向线将圆周分为四份,其中位于呈对角的两份圆周上的近邻点赋值为1,位于呈另一对角的两份圆周上的近邻点赋值为-1;当P'等于8时,所述一整套圆形局部非边缘检测算子包括2种非边缘模式的圆形局部非边缘检测算子,其中一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“0,-1,0,1,0,-1,0,1”,另一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“1,0,-1,0,1,0,-1,0”。
在本发明的一个实施例中,所述R或R'的取值越大,则检测的所述图像纹理基元的尺寸越大。
在本发明的一个实施例中,所述P或P'的取值越大,则检测的所述图像纹理基元的分辨率越高。
在本发明的一个实施例中,进行所述卷积计算时,如果所述圆形局部边缘检测算子或圆形局部非边缘检测算子的近邻点未准确落在所述图像纹理基元的栅格上,则所述近邻点对应的图像纹理基元上的点的像素值通过线性插值方法计算得到。
为实现上述目的,根据本发明实施例的图像局部边缘模式与非边缘模式判断装置,可以包括以下部分:算子存储模块,用于存储成套的不同边缘模式的圆形局部边缘检测算子和成套的不同非边缘模式的圆形局部非边缘检测算子;卷积计算模块,用于将一整套圆形局部边缘检测算子和/或圆形局部非边缘检测算子分别与图像纹理基元做卷积计算;以及比较判断模块,用于判断卷积结果数值最大者对应的边缘模式或非边缘模式为所述图像纹理基元的边缘模式或非边缘模式。
根据本发明实施例的图像局部边缘模式与非边缘模式判断装置基于圆形的检测算子,不仅广泛适用于大小不同的待测图像,还可以提取更多方向的边缘或非边缘特征,即能够提取不同尺度和不同分辨率的边缘或非边缘特征并融合在一起,获得的边缘或非边缘特征更加丰富和准确。
另外,根据本发明上述实施例的图像局部边缘模式与非边缘模式判断装置还可以具有如下附加的技术特征:
在本发明的一个实施例中,每个所述圆形局部边缘检测算子包括P个均布在半径为R的圆上的近邻点,P为大于2的偶数,所述一整套圆形局部边缘检测算子包括P/2种不同边缘模式的圆形局部边缘检测算子,其中,在每个所述圆形局部边缘检测算子中,过圆心作边缘方向线,位于所述边缘方向线上的两个近邻点赋值为0,位于所述边缘方向线两侧的其他近邻点分别赋值为1和-1。
在本发明的一个实施例中,每个所述圆形局部非边缘检测算子包括P'个均布在半径为R'的圆上的近邻点,P'大于4且能被4整除,当P'不等于8时,所述一整套圆形局部非边缘检测算子包括P'/4种第一类非边缘模式的圆形局部非边缘检测算子和P'/4种第二类非边缘模式的圆形局部非边缘检测算子,其中第一类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线的两个近邻点赋值为-1,位于所述第二方向线的两个近邻点赋值为1,其他近邻点赋值为0;其中第二类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线和第二方向线上的四个近邻点赋值为0,所述第一方向线和所述第二方向线将圆周分为四份,其中位于呈对角的两份圆周上的近邻点赋值为1,位于呈另一对角的两份圆周上的近邻点赋值为-1;当P'等于8时,所述一整套圆形局部非边缘检测算子包括2种非边缘模式的圆形局部非边缘检测算子,其中一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“0,-1,0,1,0,-1,0,1”,另一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“1,0,-1,0,1,0,-1,0”。
在本发明的一个实施例中,所述R或R'的取值越大,则检测的所述图像纹理基元的尺寸越大。
在本发明的一个实施例中,所述P或P'的取值越大,则检测的所述图像纹理基元的分辨率越高。
在本发明的一个实施例中,进行所述卷积计算时,如果所述圆形局部边缘检测算子或圆形局部非边缘检测算子的近邻点未准确落在所述图像纹理基元的栅格上,则所述近邻点对应的图像纹理基元上的点的像素值通过线性插值方法计算得到。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1(a)-(d)是现有的方形边缘检测算子的示意图。
图2为本发明实施例的图像局部边缘模式与非边缘模式判断方法的流程图。
图3为一整套四种边缘模式的R=1、P=8的圆形局部边缘检测算子M的示意图。
图4为本发明实施例的一整套八种非边缘模式的P'=16的圆形局部非边缘检测算子M'的示意图,其中(a)示出了四种第一类检测算子,(b)示出了四种第二类检测算子。
图5为一整套两种非边缘模式的P'=8的圆形局部非边缘检测算子M'的示意图。
图6为圆形局部边缘检测算子与纹理图像基元作卷积计算的示意图。
图7为不同尺寸的圆形局部边缘检测算子的示意图(P=8,R=1和2)。
图8为不同分辨率的圆形局部边缘检测算子的示意图(P=8和16,R=2)。
图9为本发明实施例的图像局部边缘模式与非边缘模式判断装置的结构框图。
图10为本发明具体实施例的4×4的图像中提取多个图像纹理基元的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明第一方面提出一种图像局部边缘模式与非边缘模式判断方法,如图2所示,包括以下步骤:
S1.将一整套不同边缘模式的圆形局部边缘检测算子和/或一整套不同非边缘模式的圆形局部非边缘检测算子分别与图像纹理基元做卷积计算。
需要说明的是,在实际应用中,如果完全未知图像是何种图像,则需要同时利用圆形局部边缘检测算子和圆形局部非边缘检测算子来检测图像纹理基元究竟具有怎样的边缘或非边缘的特征。如果初步已知图像是具有明显边缘特征的,可以仅利用圆形局部边缘检测算子判断具体的边缘模式。如果初步已知图像是无明显边缘特征的,可以仅利用圆形局部非边缘检测算子判断具体的非边缘模式。
为使本领域技术人员更好地理解,下面详细介绍本发明的圆形局部边缘检测算子M和圆形局部非边缘检测算子M'。
每个圆形局部边缘检测算子M包括P个均布在半径为R的圆上的近邻点,P为大于2的偶数。一整套圆形局部边缘检测算子包括P/2种不同边缘模式的圆形局部边缘检测算子。其中,在每个圆形局部边缘检测算子中,过圆心作边缘方向线,位于边缘方向线上的两个近邻点赋值为0,位于边缘方向线两侧的其他近邻点分别赋值为1和-1。图3是本发明实施例一整套四种边缘模式的R=1、P=8的圆形局部边缘检测算子的示意图。从图中可以看出,可以通过其中一个圆形局部边缘检测算子不断地旋转固定角度衍生得到一整套中其他多个圆形局部边缘检测算子。需要说明的是半径R的单位可以为但不限定为“像素”,可以根据需要进行灵活选择,仅需保证和图像纹理基元的尺寸单位一致或者相匹配即可。
每个圆形局部非边缘检测算子M'包括P'个均布在半径为R'的圆上的近邻点,P'大于4且能被4整除。每套圆形局部非边缘检测算子包括的检测算子数目分P'≠8和P'=8两种情况:
(1)当P'不等于8时,一整套圆形局部非边缘检测算子包括P'/4种第一类非边缘模式的圆形局部非边缘检测算子和P'/4种第二类非边缘模式的圆形局部非边缘检测算子,总共P'/2种非边缘模式的圆形局部非边缘检测算子。图4为本发明实施例的一整套八种非边缘模式的P'=16的圆形局部非边缘检测算子的示意图,其中(a)示出了四种第一类检测算子,(b)示出了四种第二类检测算子。其中第一类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线。位于第一方向线的两个近邻点赋值为-1,位于第二方向线的两个近邻点赋值为1,其他近邻点赋值为0。其中第二类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线。位于第一方向线和第二方向线上的四个近邻点赋值为0,第一方向线和第二方向线将圆周分为四份,其中位于呈对角的两份圆周上的近邻点赋值为1,位于呈另一对角的两份圆周上的近邻点赋值为-1。
(2)当P'等于8时,一整套圆形局部非边缘检测算子包括2种非边缘模式的圆形局部非边缘检测算子。如图5所示,其中一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“0,-1,0,1,0,-1,0,1”。另一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“1,0,-1,0,1,0,-1,0”。需要说明的是,P=8时,如果沿用前面所描述的“当P'不等于8时”情况中的思路衍生得到第一类和第二类得到的算子完全重合,于是此处一套圆形局部非边缘检测算子中只有2种非边缘模式,而不是P'/4*2=4种。
现在详细介绍涉及卷积计算的过程。给定一个图像纹理基元T,将它与选取的圆形局部边缘检测算子M进行卷积,根据下式可以得到局部边缘强度值LEP:
这里,LEP表示计算得到的局部边缘强度值,M表示任意一种圆形局部边缘检测算子,T表示图像中与局部边缘模式相同大小的纹理基元,符号表示卷积,符号|·|表示取绝对值。图6以R=1、P=8的水平边缘模式的圆形局部边缘检测算子为M,说明了局部边缘强度值的计算方法。如果圆形局部边缘检测算子的近邻点未准确落在图像栅格上,那么对应的纹理基元上的像素值(如图6中“*”位置)使用线性插值方法计算得到。
类似地,给定一个图像纹理基元T,将它与选取的圆形局部非边缘检测算子M'进行卷积,根据下式可以得到局部非边缘强度值LEP',此处不赘述。
S2.判断卷积结果数值最大者对应的边缘模式或非边缘模式为图像纹理基元的边缘模式。
卷积结果数值越大,说明二者的特征越匹配。故卷积结果数值最大者对应的边缘或非边缘特征即为待判断对象(即图像纹理基元)的所具有的边缘或非边缘特征。因此,将步骤S11计算得到的一系列卷积结果LEP和/或LEP'进行比较,选出数字最大者,并确定数值最大者对应的M所属的边缘模式为图像纹理基元T的边缘模式,或者确定数值最大者对应的M'所属的非边缘模式为图像纹理基元T的非边缘模式。
在本发明的一个实施例中,圆形局部边缘检测算子的半径R和圆形局部非边缘检测算子的半径R'的数值可以根据需要灵活选用。R或R'取值越大,则检测的图像纹理基元的尺寸相应地越大。图7为本发明实施例的不同尺寸的圆形局部边缘检测算子的示意图(P=8,R=1和2)。因此,本发明的方法可以用于多尺度下的纹理图像的局部边缘模式判断。
在本发明的一个实施例中,圆形局部边缘检测算子的近邻点数目P和圆形局部非边缘检测算子的近邻点数目P'的数值可以根据需要灵活选用。P或P'越大,则检测算子所属边缘或非边缘类型就划分得越细致,检测到的图像纹理基元的分辨率越高。图8为本发明实施例的不同分辨率的圆形局部边缘检测算子的示意图(P=8和16,R=2)。因此,本发明的方法可以用于多分辨率下的纹理图像的局部边缘模式判断。
综上所述,本发明实施例的图像局部边缘模式与非边缘模式判断方法基于圆形的检测算子,不仅广泛适用于大小不同的待测图像,还可以提取更多方向的边缘或非边缘特征,即能够提取不同尺度和不同分辨率的边缘或非边缘特征并融合在一起,获得的边缘或非边缘特征更加丰富和准确。
本发明第二方面提出一种图像局部边缘模式与非边缘模式判断装置,如图9所示,包括:算子存储模块100、卷积计算模块200以及比较判断模块300。算子存储模块100用于存储成套的不同边缘模式的圆形局部边缘检测算子和成套的不同非边缘模式的圆形局部非边缘检测算子。卷积计算模块200用于将一整套圆形局部边缘检测算子和/或圆形局部非边缘检测算子分别与图像纹理基元做卷积计算。比较判断模块300用于判断卷积结果数值最大者对应的边缘模式或非边缘模式为图像纹理基元的边缘模式或非边缘模式。
在本发明的一个实施例中,每个圆形局部边缘检测算子包括P个均布在半径为R的圆上的近邻点,P为大于2的偶数,一整套圆形局部边缘检测算子包括P/2种不同边缘模式的圆形局部边缘检测算子,其中,在每个圆形局部边缘检测算子中,过圆心作边缘方向线,位于边缘方向线上的两个近邻点赋值为0,位于边缘方向线两侧的其他近邻点分别赋值为1和-1。
在本发明的一个实施例中,每个圆形局部非边缘检测算子包括P'个均布在半径为R'的圆上的近邻点,P'大于4且能被4整除,当P'不等于8时,一整套圆形局部非边缘检测算子包括P'/4种第一类非边缘模式的圆形局部非边缘检测算子和P'/4种第二类非边缘模式的圆形局部非边缘检测算子,其中第一类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于第一方向线的两个近邻点赋值为-1,位于第二方向线的两个近邻点赋值为1,其他近邻点赋值为0;其中第二类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于第一方向线和第二方向线上的四个近邻点赋值为0,第一方向线和第二方向线将圆周分为四份,其中位于呈对角的两份圆周上的近邻点赋值为1,位于呈另一对角的两份圆周上的近邻点赋值为-1;当P'等于8时,一整套圆形局部非边缘检测算子包括2种非边缘模式的圆形局部非边缘检测算子,其中一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“0,-1,0,1,0,-1,0,1”,另一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“1,0,-1,0,1,0,-1,0”。
在本发明的一个实施例中,R或R'的取值越大,则检测的图像纹理基元的尺寸越大。
在本发明的一个实施例中,P或P'的取值越大,则检测的图像纹理基元的分辨率越高。
在本发明的一个实施例中,进行卷积计算时,如果圆形局部边缘检测算子或圆形局部非边缘检测算子的近邻点未准确落在图像纹理基元的栅格上,则近邻点对应的图像纹理基元上的点的像素值通过线性插值方法计算得到。
综上所述,本发明实施例的图像局部边缘模式与非边缘模式判断装置基于圆形的检测算子,不仅广泛适用于大小不同的待测图像,还可以提取更多方向的边缘或非边缘特征,即能够提取不同尺度和不同分辨率的边缘或非边缘特征并融合在一起,获得的边缘或非边缘特征更加丰富和准确。
为使本领域技术人员更好地理解本发明,申请人介绍一个详细实施例如下。
如图10所示,给定一个4×4的图像,将其可以划分为4个3×3的图像纹理基元,分别记为T1,T2,T3,T4。选用图3所示的一整套四个R=1,P=8的圆形局部边缘检测算子,以及选用图5所示的一整套两个R'=1,P'=8的圆形局部非边缘检测算子,对该4×4的图像进行分类。
将T1分别与六个圆形的边缘或非边缘检测算子做卷积计算,并且根据卷积结果最大者判断得出T1属于第一非边缘模式。类似地,分别判断出T2属于135°边缘模式,T3属于135°边缘模式,T4属于第一非边缘模式。
此时,可以将上述4×4图像的信息进行统计,135°边缘模式出现2次,第一非边缘模式出现2次,其余边缘模式或非边缘模式出现0次,以直方统计图的形式描述该4×4的图像的局部边缘与非边缘信息记为:[水平边缘模式图像纹理基元数目135°边缘模式图像纹理基元数目垂直边缘模式图像纹理基元数目45°边缘模式图像纹理基元数目第一非边缘模式图像纹理基元数目第二非边缘模式图像纹理基元数目]=[020020]。
此步骤之后,还可以根据具体的需要进项相关的调整,例如进行目标跟踪时,可以只统计上述例子中的边缘信息,非边缘信息不用考虑,只用边缘特征进行跟踪,而对于识别工作,可以同时使用边缘信息与非边缘信息共同统计出图像特征,此外,还可以提取不同分辨率或不同尺度的特征,串联融合,得到一个更加丰富和完备的特征向量,并用此融合特征表示图像信息。例如可以分别提取(P=8,R=1),(P=16,R=2),(P=24,R=3)的边缘特征和非边缘特征向量V8_1,V16_2和V24_3,然后将这三个特征向量串联融合为一个特征向量V_fusion=[V8_1V16_2V24_3],然后利用该特征向量进行分类识别。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种图像局部边缘模式与非边缘模式判断方法,其特征在于,包括以下步骤:
S1.将一整套不同边缘模式的圆形局部边缘检测算子和/或一整套不同非边缘模式的圆形局部非边缘检测算子分别与图像纹理基元做卷积计算;其中,每个所述圆形局部边缘检测算子包括P个均布在半径为R的圆上的近邻点,P为大于2的偶数,所述一整套不同边缘模式的圆形局部边缘检测算子包括P/2种不同边缘模式的圆形局部边缘检测算子,其中,在每个所述圆形局部边缘检测算子中,过圆心作边缘方向线,位于所述边缘方向线上的两个近邻点赋值为0,位于所述边缘方向线的两侧的其他近邻点分别赋值为1和-1;其中,每个所述圆形局部非边缘检测算子包括P'个均布在半径为R'的圆上的近邻点,P'大于4且能被4整除,当P'不等于8时,所述一整套不同非边缘模式的圆形局部非边缘检测算子包括P'/4种第一类非边缘模式的圆形局部非边缘检测算子和P'/4种第二类非边缘模式的圆形局部非边缘检测算子,其中第一类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线的两个近邻点赋值为-1,位于所述第二方向线的两个近邻点赋值为1,其他近邻点赋值为0;其中第二类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线和第二方向线上的四个近邻点赋值为0,所述第一方向线和所述第二方向线将圆周分为四份,其中位于呈对角的两份圆周上的近邻点赋值为1,位于呈另一对角的两份圆周上的近邻点赋值为-1;当P'等于8时,所述一整套不同非边缘模式的圆形局部非边缘检测算子包括2种非边缘模式的圆形局部非边缘检测算子,其中一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“0,-1,0,1,0,-1,0,1”,另一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“1,0,-1,0,1,0,-1,0”;
S2.判断卷积结果数值最大者对应的边缘模式或非边缘模式为所述图像纹理基元的边缘模式或非边缘模式。
2.根据权利要求1所述的方法,其特征在于,所述R或R'的取值越大,则检测的所述图像纹理基元的尺寸越大。
3.根据权利要求1所述的方法,其特征在于,所述P或P'的取值越大,则检测的所述图像纹理基元的分辨率越高。
4.根据权利要求1所述的方法,其特征在于,进行所述卷积计算时,如果所述圆形局部边缘检测算子或圆形局部非边缘检测算子的近邻点未准确落在所述图像纹理基元的栅格上,则所述近邻点对应的图像纹理基元上的点的像素值通过线性插值方法计算得到。
5.一种图像局部边缘模式与非边缘模式判断装置,其特征在于,包括以下部分:
算子存储模块,用于存储一整套不同边缘模式的圆形局部边缘检测算子和一整套不同非边缘模式的圆形局部非边缘检测算子;其中,每个所述圆形局部边缘检测算子包括P个均布在半径为R的圆上的近邻点,P为大于2的偶数,所述一整套不同边缘模式的圆形局部边缘检测算子包括P/2种不同边缘模式的圆形局部边缘检测算子,其中,在每个所述圆形局部边缘检测算子中,过圆心作边缘方向线,位于所述边缘方向线上的两个近邻点赋值为0,位于所述边缘方向线的两侧的其他近邻点分别赋值为1和-1;其中,每个所述圆形局部非边缘检测算子包括P'个均布在半径为R'的圆上的近邻点,P'大于4且能被4整除,当P'不等于8时,所述一整套不同非边缘模式的圆形局部非边缘检测算子包括P'/4种第一类非边缘模式的圆形局部非边缘检测算子和P'/4种第二类非边缘模式的圆形局部非边缘检测算子,其中第一类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线的两个近邻点赋值为-1,位于所述第二方向线的两个近邻点赋值为1,其他近邻点赋值为0;其中第二类非边缘模式的圆形局部非边缘检测算子中,过圆心作相互垂直的第一方向线和第二方向线,位于所述第一方向线和第二方向线上的四个近邻点赋值为0,所述第一方向线和所述第二方向线将圆周分为四份,其中位于呈对角的两份圆周上的近邻点赋值为1,位于呈另一对角的两份圆周上的近邻点赋值为-1;当P'等于8时,所述一整套不同非边缘模式的圆形局部非边缘检测算子包括2种非边缘模式的圆形局部非边缘检测算子,其中一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“0,-1,0,1,0,-1,0,1”,另一个从零点钟位置开始按顺时针顺序对八个近邻点依次赋值为“1,0,-1,0,1,0,-1,0”;
卷积计算模块,用于将一整套圆形局部边缘检测算子和/或圆形局部非边缘检测算子分别与图像纹理基元做卷积计算;以及
比较判断模块,用于判断卷积结果数值最大者对应的边缘模式或非边缘模式为所述图像纹理基元的边缘模式或非边缘模式。
6.根据权利要求5所述的装置,其特征在于,所述R或R'的取值越大,则检测的所述图像纹理基元的尺寸越大。
7.根据权利要求5所述的装置,其特征在于,所述P或P'的取值越大,则检测的所述图像纹理基元的分辨率越高。
8.根据权利要求5所述的装置,其特征在于,进行所述卷积计算时,如果所述圆形局部边缘检测算子或圆形局部非边缘检测算子的近邻点未准确落在所述图像纹理基元的栅格上,则所述近邻点对应的图像纹理基元上的点的像素值通过线性插值方法计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410176125.XA CN103955929B (zh) | 2014-04-29 | 2014-04-29 | 图像局部边缘模式与非边缘模式判断方法及判断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410176125.XA CN103955929B (zh) | 2014-04-29 | 2014-04-29 | 图像局部边缘模式与非边缘模式判断方法及判断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955929A CN103955929A (zh) | 2014-07-30 |
CN103955929B true CN103955929B (zh) | 2016-08-24 |
Family
ID=51333198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410176125.XA Expired - Fee Related CN103955929B (zh) | 2014-04-29 | 2014-04-29 | 图像局部边缘模式与非边缘模式判断方法及判断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955929B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463814B (zh) * | 2014-12-08 | 2017-04-19 | 西安交通大学 | 基于局部纹理方向性的图像增强方法 |
CN105740869B (zh) * | 2016-01-28 | 2019-04-12 | 北京工商大学 | 一种基于多尺度多分辨率的方形算子边缘提取方法及*** |
CN113160261B (zh) * | 2021-03-09 | 2022-11-18 | 温州医科大学附属眼视光医院 | 一种用于oct图像角膜层分割的边界增强卷积神经网络 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530645A (zh) * | 2013-09-25 | 2014-01-22 | 北京工商大学 | 基于局部二值模式和Zernike矩的纹理图像分类方法及*** |
CN103679195A (zh) * | 2013-12-02 | 2014-03-26 | 北京工商大学 | 基于局部边缘模式的纹理图像分类方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110257505A1 (en) * | 2010-04-20 | 2011-10-20 | Suri Jasjit S | Atheromatic?: imaging based symptomatic classification and cardiovascular stroke index estimation |
-
2014
- 2014-04-29 CN CN201410176125.XA patent/CN103955929B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530645A (zh) * | 2013-09-25 | 2014-01-22 | 北京工商大学 | 基于局部二值模式和Zernike矩的纹理图像分类方法及*** |
CN103679195A (zh) * | 2013-12-02 | 2014-03-26 | 北京工商大学 | 基于局部边缘模式的纹理图像分类方法及*** |
Non-Patent Citations (2)
Title |
---|
A comparative study of texture measures with classification based on feature distributions;TIMO OJALA et al.;《pattern recognition》;19960131;第29卷(第1期);第51-59页 * |
局部二值模式方法研究与展望;宋克臣 等;《自动化学报》;20130630;第39卷(第6期);第731页第1节,、图2,第736-737页第3.4节、图9 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955929A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN105957059B (zh) | 电子元件漏件检测方法和*** | |
CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN105975941A (zh) | 一种基于深度学习的多方向车型检测识别*** | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN105335952B (zh) | 匹配代价计算方法和装置、以及视差值计算方法和设备 | |
CN104915678A (zh) | 一种输电线路中目标对象的检测方法及装置 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN107016680B (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
CN105957107A (zh) | 行人检测与跟踪方法及装置 | |
CN109493384A (zh) | 相机位姿估计方法、***、设备及存储介质 | |
US8396297B2 (en) | Supervised edge detection using fractal signatures | |
CN102930251A (zh) | 两维收藏品数据收录与甄别的装置和方法 | |
CN103955929B (zh) | 图像局部边缘模式与非边缘模式判断方法及判断装置 | |
CN109816051A (zh) | 一种危化品货物特征点匹配方法及*** | |
CN105354816B (zh) | 一种电子元件定位方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20200429 |