CN105184830A - 一种对称图像对称轴检测定位方法 - Google Patents

Abstract

本发明公开了一种鲁棒的图像对称轴检测定位方法，具体包括(1)图像边缘提取；(2)边缘点梯度计算；(3)边缘点对的中垂线方向及权值计算；(4)极坐标映射，寻找最优对称轴。本发明利用了对称图像边缘点梯度方向的对称性，针对边缘点集，计算任意两边缘点的中垂线，根据梯度方向计算该中垂线的映射权值，形成待选中轴线；利用了Hough变换的映射机制，使用标准极坐标公式描述所有的待选中轴线，在对应的极坐标位置上累加映射权值，选择权值和最大的极坐标表示为优选中轴线。

Description

一种对称图像对称轴检测定位方法

技术领域

本发明属于图像处理与模式识别领域，更具体地，涉及一种对称图像对称轴检测定位方法。

背景技术

在视觉特征描述中，对称性是一个重要内容。自然界中随处可见对称性的物体，且通过对称性的特点，可进行众多判断，从而指导视觉的物体检测、特征提取与识别过程等。目前，图像处理中的对称性检测由于各方面的原因还存在着不足。从图像中提取对称轴，对于模式识别和图像处理是重要的。物体的对称轴检测，对物体形状匹配、模型匹配、物体识别与定位、场景理解等具有重要的意义。对称轴在平面物体的定位、识别，精密仪器的对称性检测中发挥着重要的作用，而且应用于3D物体的重建、智能交通、机器人导航、卫星图像管理、遥感图像处理和空间检测、人脸识别等领域。总之，对称轴检测是图像特征检测的重要内容，对图像处理、计算机视觉信息传输等，拥有广阔的应用前景。

国内外关于提取物体对称轴的研究也涌现了诸多方法，EnminSong等采用一组辅助平行线与分割目标相交的方式，拟合出所有交点的中心点连线，然后通过不断迭代直至中心点连线不再变动，从而获得对称轴；HuisiWu等利用了从对称图像中提取的Sift特征也呈对称性这一特性，对每组Sift特征向量进行相似性度量，计算相似度权重，再利用了Hough变换的原理，在对应极坐标位置上叠加相似度权重，提取峰值坐标即为中轴线对应极坐标；KunihikoFukushima等利用神经网络算法，提取有向边缘，进行多层模糊处理，然后进行相似度计算，判断是否存在对称性以及对称轴的位置。DingShao-wen等提出了基于最小惯性轴和对称目标在单侧照明条件下的成像特点的对称轴提取方法。

上述算法大部分都是针对特定类型的图像进行处理，如MRI图像，导弹图像等，部分算法所采用的实验图像比较清晰，应用范围有一定的局限性，算法鲁棒性较差。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种鲁棒的对称图像对称轴检测定位方法，该方法基于边缘点梯度和Hough变换原理，在保留了大部分对称边缘点的条件下，计算每对边缘点的对称权值，将待选中轴线映射到极坐标空间，进而对图像对称轴进行高精度定位。

为了实现上述目的，本发明提供了一种对称图像对称轴检测定位方法，包括以下步骤:

(1)对待检测输入图像进行Sobel边缘检测；

(2)对每个边缘点，统计以该边缘点为中心的预设大小邻域范围内所有像素点的梯度大小和方向的分布情况，统计结果作为该点的梯度表示；

(3)针对所有边缘点，两两选取点对，对任一点对，当该两点梯度相近时，计算该两点的中垂线方程，利用该两点的梯度方向信息计算两点中垂线的映射权值，该中垂线即为待选中轴线。所有点对经过上述操作后，即获得待选中轴线集；

(4)根据步骤(3)中确定的所有待选中轴线方程，利用Hough变换的映射机制，转换为极坐标表示，设置极坐标横轴纵轴单位，建立极坐标系累加器矩阵，在所有待选中轴线所对应的极坐标累加器单元上叠加相应的映射权值；

(5)在极坐标累加器中挑选权值和最大的坐标，如通过拒识判断，则该极坐标表示的直线即为待求中轴线，否则待检测图像不存在对称轴。

本发明的一个实施例中，所述步骤(1)处理方法为：使用Sobel横向和纵向卷积因子与图像做平面卷积，即可分别得出横向和纵向的灰度差分近似值，图像中每一个像素点的横纵向灰度差分近似值可用来计算梯度幅值和方向；设置边缘提取阈值Thre1，根据梯度幅值与阈值间关系确定背景域和目标域，获得二值化边缘图像和边缘点集，边缘点总数为n。

本发明的一个实施例中，所述步骤(2)包括以下步骤：

(2-1)设置邻域窗口大小wid*hei，以步骤(1)中获得的每个边缘点为中心，在邻域窗口内采样，计算每个像素点的梯度幅值和方向。

(2-2)设定梯度直方图范围是0～360度，每γ度一个柱，总共360/γ个柱，统计邻域窗口内每个像素点的梯度方向和幅值，并用高斯函数对每个像素点的幅值进行平滑计算，统计结果即为该邻域窗口内所有像素点的梯度分布直方图。

(2-3)根据邻域窗口直方图峰值所对应的方向，及其左右方向进行插值操作，插值操作的过程如下：设直方图峰值所对应方向为第c个柱，该峰值左侧为第l个柱，右侧为第r个柱，则经过插值后直方图峰值对应的柱为第个，直方图峰值对应的方向为若ori＞2*π，则ori＝ori-2*π，ori即作为中心像素点的梯度主方向，峰值大小作为中心像素点梯度幅值，即每个边缘像素点形成自己的梯度向量。

本发明的一个实施例中，所述步骤(3)包括以下步骤：

(3-1)针对步骤(1)获得的边缘点集，任选(x1,y1),(x2,y2)两点，该两点对应梯度向量为若两点位置间距大于设定的间距阈值Thre2，且两点的梯度幅值之比介于(1/k,k)，则按步骤(3-2)进行，否则不做处理。

(3-2)依次计算两点中垂线l1、向量沿中垂线的对称向量与的和向量记与l1夹角为α，和夹角为β，该中垂线对应权值为sinα*cosβ，形成待选中轴线。

本发明的一个实施例中，所述步骤(4)包括以下步骤：

(4-1)利用Hough变换的映射机制，将所有待选中轴线方程转换为极坐标表示方式：

r_ij＝y_c*cosθ_ij-x_c*sinθ_ij

其中，(x_c,y_c)为待选中轴线上的像素坐标，θ_ij为待选中轴线与水平轴之间夹角，r_ij为坐标原点到待选中轴线的距离。

(4-2)统计所有待选中轴线的θ_ij和r_ij，即可获得θ_ij的最小值最大值θ_min和θ_max，r_ij的最小值最大值r_min和r_max，根据合适的θ步进标准和r步进标准设置横纵轴单位，建立极坐标系累加器矩阵，在所有待选中轴线所对应的极坐标累加器单元上叠加相应的中垂线权值。

本发明的一个实施例中，所述步骤(5)处理方法为：提取权值和最大的累加器单元坐标(θ_m,r_m)，若该权值和大于拒识阈值Thre4*n，即求得该对称图像中轴线对应极坐标，将该中轴线在原始图像上表示出来。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

本发明方法借助了hough变换的思想，通过选择合适的阈值进行边缘提取，保证大部分的图像对称边缘点参与计算，避免了采用少数特征点可能出现的误差，增强了对称轴提取算法的鲁棒性；对模糊图像，角点不丰富图像也能达到较好的效果，适用范围广。

附图说明

图1为本发明对称图像对称轴检测定位方法流程图；

图2为本发明实施例待检测图像；

图3为本发明实施例中边缘提取结果图；

图4为本发明实施例中某一边缘点邻域窗口梯度分布图；

图5为本发明实施例中某一边缘点邻域窗口梯度分布直方图；

图6为本发明实施例中部分边缘点梯度向量表示；

图7为本发明实施例中中轴线权值计算指示图；

图8为本发明实施例中待选中轴线极坐标映射结果以及峰值位置；

图9为本发明实施例图像对称轴定位结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明利用了对称图像边缘梯度，以及Hough变换原理，实现对称图像对称轴的精确检测定位。具体为：对待检测输入图像进行Sobel边缘检测；对每个边缘点，统计以该点为中心的固定大小邻域范围内所有像素点的梯度大小和方向的分布情况，统计结果作为该点的梯度表示；针对所有边缘点，当某两点梯度相近时，计算两点中垂线方程，利用梯度方向等相关信息计算映射权值，形成待选中轴线集；根据步骤(3)中确定的所有待选中轴线方程，利用Hough变换的映射机制，转换为极坐标表示，设置极坐标横轴纵轴单位，在极坐标累加器对应位置处叠加该中轴线对应的映射权值；在极坐标累加器中挑选权值和最大的坐标，如通过拒识判断，则该极坐标表示的直线即为待求中轴线，否则待检测图像不存在对称轴。

如图1所示，本发明一种对称图像对称轴检测定位方法，包括以下步骤：

(1)输入图像

本发明适用于对称图像的对称轴提取，不仅能够适用于清晰图像，对于模糊图像同样适用。如图2所示，本实施例中待处理图像A大小为M×N＝430×337。目标物体为模糊的叶子图像。

(2)目标边缘提取

使用Sobel横向和纵向卷积因子与图像做平面卷积，获得横向和纵向的灰度差分近似值，图像中每一个像素点的横纵向灰度差分近似值可用来计算梯度幅值和方向；设置边缘提取阈值Thre1为150，根据梯度幅值与阈值的大小关系，将梯度幅值小于Thre1的像素点确定为背景域像素，梯度幅值大于Thre1的像素点确定为目标域像素，即可获得二值化边缘图像和边缘点集，边缘点总数为n＝3912。

边缘图像如图3所示。梯度计算过程为： $Gx=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right]*A,$ $Gy=\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*A,G=\sqrt{{G_x}^2+{G_y}^2},$ ori＝arctan(G_y/G_x)，G和ori为该点梯度的幅值和方向。

(3)边缘点邻域梯度计算，具体包括以下子步骤：

(3-1)设置邻域窗口大小，本实施例中取17*17邻域窗口，以每个边缘点为中心，在邻域窗口内采样，计算每个像素点的梯度幅值和方向。

(3-2)设定梯度直方图范围是0～360度，每10度一个柱，总共36个柱，统计邻域窗口内每个像素点的梯度方向和幅值，根据邻域窗口像素点距离中心像素点的距离，使用高斯函数对每个像素点的幅值进行平滑计算，统计结果即为该邻域窗口内所有像素点的梯度分布直方图。选取输入图像第11行215列的边缘点为例，该边缘点17*17邻域窗口内每个像素点的梯度幅值和方向(幅值经过归一化操作)如图4所示，图5所示即为该邻域窗口梯度分布直方图。

(3-3)根据邻域窗口直方图峰值所对应的方向，及其左右方向进行插值操作，所获得的方向即作为中心像素点的梯度主方向，峰值大小作为中心像素点梯度幅值，插值操作的过程如下：直方图峰值所对应方向为第32个柱，该峰值左侧为第3l个柱，右侧为第33个柱，则经过插值后直方图峰值对应的柱为第32.21566个，直方图峰值对应的方向为ori＝2.4811，ori即作为中心像素点的梯度主方向，峰值大小mag＝596.39178作为中心像素点梯度幅值。每个边缘点经过上述操作后，即形成自己的梯度向量。部分像素点梯度向量表示如图5所示，由于相对物体尺寸而言，梯度幅值很大，为方便观察，我们将像素点的梯度幅值乘以一定的比例，由图5可见对称的边缘位置处梯度也是对称的。

(4)待选中轴线计算，具体包括以下步骤：

(4-1)在边缘点集中任选(x1,y1),(x2,y2)两点，该两点对应梯度向量为若两点位置间距大于间距阈值3，且两点的梯度大小之比介于(1/2,2)，则按下一步骤进行，否则不做处理。

(4-2)计算两点中垂线l1，向量沿中垂线的对称向量与的和向量记与l1夹角为α，和夹角为β，该中垂线对应权值为sinα*cosβ，形成待选中轴线，如图6所示。

(5)基于Hough变换的极坐标映射，具体包括以下步骤：

(5-1)将所有(4-2)步骤中计算出的待选中轴线方程转换为极坐标表示方式：

r_ij＝y_c*cosθ_ij-x_c*sinθ_ij

其中，(x_c,y_c)为待选中轴线上的像素坐标，θ_ij为待选中轴线与水平轴之间夹角，r_ij为坐标原点到待选中轴线的距离。

(5-2)计算θ_min和θ_max，r_min和r_max，取θ步进标准为0.0035，r步进标准为0.5，选取极坐标系范围为1000*1000，则设置横纵轴单位为θ_s＝(θ_max-θ_min)/1000，r_s＝(r_max-r_min)/1000，若θ_s＜0.0035，设置θ_s＝0.0035，若r_s＜0.5，设置r_s＝0.5，并重新设置坐标系范围，建立极坐标系，在所有待选中轴线所对应的极坐标位置上叠加相应的权值，结果如图7所示。

(6)寻找最优对称轴

提取权值和最大的坐标(θ_m,r_m)，设置拒识阈值为n/4,权值和超过此阈值，即求得该对称图像中轴线对应极坐标，其对应的θ＝1.5708,r＝216.261，将该中轴线在原始图像上表示出来，如图8所示。

本发明对对称图像对称轴检测定位起着至关重要的影响，本发明利用了对称图像边缘梯度，以及Hough变换原理。选择合适的阈值进行边缘提取，保证大部分的图像对称边缘点参与计算，避免了采用少数特征点可能出现的误差，增强了对称轴提取算法的鲁棒性；对模糊图像，角点不丰富图像也能达到较好的效果，适用范围广。

本领域的技术人员容易理解，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种对称图像对称轴检测定位方法，其特征在于，包括以下步骤：

(1)对待检测输入图像进行Sobel边缘检测；

(2)对每个边缘点，统计以该边缘点为中心的预设大小邻域范围内所有像素点的梯度大小和方向的分布情况，统计结果作为该点的梯度表示；

(3)针对所有边缘点，两两选取点对，对任一点对，当该两点梯度相近时，计算该两点的中垂线方程，利用该两点的梯度方向信息计算两点中垂线的映射权值，该中垂线即为待选中轴线；所有点对经过上述操作后，即获得待选中轴线集；

(4)根据步骤(3)中确定的所有待选中轴线方程，利用Hough变换的映射机制，转换为极坐标表示，设置极坐标横轴纵轴单位，建立极坐标系累加器矩阵，在所有待选中轴线所对应的极坐标累加器单元上叠加相应的映射权值；

(5)在极坐标累加器中挑选权值和最大的坐标，如通过拒识判断，则该极坐标表示的直线即为待求中轴线，否则待检测图像不存在对称轴。

2.如权利要求1所述的对称图像对称轴检测定位方法，其特征在于，所述步骤(1)边缘检测处理方法为：使用Sobel横向和纵向卷积因子与图像做平面卷积，即可分别得出横向和纵向的灰度差分近似值，图像中每一个像素点的横纵向灰度差分近似值可用来计算梯度幅值和方向；设置边缘提取阈值Thre1，根据梯度幅值与边缘提取阈值间关系确定背景域和目标域，获得二值化边缘图像和边缘点集，。

3.如权利要求1或2所述的对称图像对称轴检测定位方法，其特征在于，所述步骤(2)包括以下步骤：

(2-1)设置邻域窗口大小wid*hei，以步骤(1)中获得的每个边缘点为中心，在邻域窗口内采样，计算每个像素点的梯度幅值和方向；

(2-2)设定梯度直方图范围是0～360度，每γ度一个柱，总共360/γ个柱，统计邻域窗口内每个像素点的梯度方向和幅值，并用高斯函数对每个像素点的幅值进行平滑计算，统计结果即为该邻域窗口内所有像素点的梯度分布直方图；

(2-3)根据邻域窗口直方图峰值所对应的方向，及其左右方向进行插值操作，插值操作的过程如下：设直方图峰值所对应方向为第c个柱，该峰值左侧为第l个柱，右侧为第r个柱，则经过插值后直方图峰值对应的柱为第个，直方图峰值对应的方向为若ori＞2*π，则ori＝ori-2*π，ori即作为中心像素点的梯度主方向，峰值大小作为中心像素点梯度幅值，即每个边缘像素点形成自己的梯度向量。

4.如权利要求1或2所述的对称图像对称轴检测定位方法，其特征在于，所述步骤(3)包括以下步骤：

(3-1)针对步骤(1)获得的边缘点集，任选(x1,y1),(x2,y2)两点，该两点对应梯度向量为若两点位置间距大于设定的间距阈值Thre2，且两点的梯度幅值之比介于(1/k,k)，则按步骤(3-2)进行，否则不做处理；

(3-2)依次计算两点中垂线l1、向量沿中垂线的对称向量与的和向量记与l1夹角为α，和夹角为β，该中垂线对应权值为sinα*cosβ，形成待选中轴线。

5.如权利要求1或2所述的对称图像对称轴检测定位方法，其特征在于，所述步骤(4)包括以下步骤：

(4-1)利用Hough变换的映射机制，将所有待选中轴线方程转换为极坐标表示方式：

r_ij＝y_c*cosθ_ij-x_c*sinθ_ij

其中，(x_c,y_c)为待选中轴线上的像素坐标，θ_ij为待选中轴线与水平轴之间夹角，r_ij为坐标原点到待选中轴线的距离；

(4-2)统计所有待选中轴线的θ_ij和r_ij，即可获得θ_ij的最小值最大值θ_min和θ_max，r_ij的最小值最大值r_min和r_max，根据合适的θ步进标准和r步进标准设置横纵轴单位，建立极坐标系累加器矩阵，在所有待选中轴线所对应的极坐标累加器单元上叠加相应的中垂线权值。

6.如权利要求1或2所述的对称图像对称轴检测定位方法，其特征在于，所述步骤(5)处理方法为：提取权值和最大的累加器单元坐标(θ_m,r_m)，如该权值和大于拒识阈值Thre4*n，即求得该对称图像中轴线对应极坐标，其中n为边缘点总数。