CN105261031A - 基于梯度计算的直线检测方法及装置 - Google Patents
基于梯度计算的直线检测方法及装置 Download PDFInfo
- Publication number
- CN105261031A CN105261031A CN201510848072.6A CN201510848072A CN105261031A CN 105261031 A CN105261031 A CN 105261031A CN 201510848072 A CN201510848072 A CN 201510848072A CN 105261031 A CN105261031 A CN 105261031A
- Authority
- CN
- China
- Prior art keywords
- gradient
- straight line
- target image
- pixel points
- region
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G06T2207/20072—Graph-based image processing
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种基于梯度计算的直线检测方法及装置,包括:计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值;滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点;根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域;滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域;从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点;输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。本发明还提供一种基于梯度计算的直线检测装置,解决现有技术中采用霍夫变换进行直线检测时计算量大,获得的直线信息少的技术问题。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种基于梯度计算的直线检测方法及装置。
背景技术
直线是图像的基本特征之一,一般物体在二维平面图像中的轮廓都可以近似为直线或弧线的组合,因此,对物体轮廓的检测与识别可以转换为对这些直线、弧线等基本元素的检测和提取。另外,在运动图像分析和估计领域也可以采用直线对应法来实现刚体旋转量和位移量的测量,所以对图像的直线检测算法进行研究和探讨具有非常重要的实际意义。
现有的直线检测方法基本以霍夫变换为主,其基本思想是利用点—线之间的对偶性来进行直线检测。即:图像空间中共线的点对应在参数空间里面相交的直线。反之,参数空间中相交于同一个点的所有直线在图像空间里面都有共线的点与之对应。
参照图1,笛卡尔坐标系下的直线可以表示为y=kx+b的形式,这里的k表示直线的斜率,b代表偏移量。那么,从图1不难发现,X-Y坐标中的点P1,P2对应于k-b坐标中的直线L1,L2;而k-b坐标中的点P0则对应于X-Y坐标中的直线L0。
上述在x-y坐标中用斜率描述的直线存在斜率k为无穷大的情况,会给计算带来不便。通常情况下,基于霍夫变换的直线检测采用极坐标形式来表示直线。即,直线在极坐标***中表示为:aρcosθ+bρsinθ=0的形式。这样一来,x-y平面中共线的交点就对应了原直线的两个参数。图像上任意直线区域都可以一一对应参数空间中的某一个点,而图像上任意的像素点都同时存在于很多个直线区域之上。通常而言,每个直线区域将有一个累加器计数器与之相互对应。对于图像上的每个像素而言,找到所有包含它的直线区域,并为对应的累加计数器加1,从而统计每个累加器所包含的像素点的总数。当图像上某个直线区域所包含的像素点个数超过阈值T时,就认为该累加器对应的区域存在直线。
基于霍夫变换的直线检测方法对噪声图像具有一定的鲁棒性和稳定性,但存在着计算量巨大,内存耗费严重等问题,同时,霍夫变换只能指出图像中某条直线的存在,并不能给出更多关于该条直线的信息。如何提供一种能减少计算量的同时还可以提供更多直线信息的直线检测方法,对本领域技术人员而言是急需解决的技术问题。
发明内容
有鉴于此,本发明提供一种基于梯度计算的直线检测方法及装置,利用该基于梯度计算的直线检测方法及装置,不仅能减小直线检测的计算量,还能提供更多的直线信息。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种基于梯度计算的直线检测方法,包括:计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值;滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点;根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域;滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域;从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点;输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。
第二方面,本发明实施例还提供一种基于梯度计算的直线检测装置,包括:计算模块,用于计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值;除噪模块,用于滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点;梯度连通区域确定模块,用于根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域;滤除模块,用于滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域;获取模块,用于从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点;输出模块,用于输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。
通过上述基于梯度计算的直线检测方法及装置,通过滤除图像中的噪音,对图像进行连通区域检测得到连通区域,再将连通区域中梯度方向一致性较差的区域滤除得到梯度方向一致性的连通区域,对该梯度方向一致性的连通区域处理获得直线段及直线段的端点。相对于霍夫变换的直线检测方法不仅减少了计算量,还可以提供更多直线信息。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术用户员来讲,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相关的附图。
图1示出了直线在笛卡尔坐标系与参数坐标系中的对应关系图。
图2示出了本发明第一具体实施例提供的基于梯度计算的直线检测方法的流程图。
图3示出了图2基于梯度计算的直线检测方法中确定梯度连通区域步骤中梯度方向的理想实际值跟梯度方向的真实观测值之间的关系图。
图4-A示出了一幅待进行直线检测的输入图像的示意图。
图4-B示出了输入图像进行处理后梯度方向的连通区域的示意图。
图4-C示出了上述连通区域中梯度方向较为分散的梯度图像的示意图。
图5为本发明第二具体实施例提供的基于梯度计算的直线检测装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一具体实施例
图2为本发明第一具体实施例提供基于梯度计算的直线检测方法的流程图。如图2所示,在本实施例中的基于梯度计算的直线检测方法的流程图可以包括以下步骤。
步骤S110,计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值。
计算目标图像中每个像素点的梯度。像素点的梯度的表达式如下:
这里的gx、gy分别代表像素点水平、垂直方向的梯度。像素点的梯度包括该像素点的梯度方向及梯度幅值。
梯度方向的表达式如下:
梯度幅值的表达式如下:
步骤S120,滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点。
图像中具有较小梯度幅值的像素点意味着该像素点处于平坦区域或者梯度变化缓慢的区域。同时,由于图像像素值的量化问题,在计算梯度过程中或多或少存在若干噪声点,因此,有必要将这些具有微小梯度幅值的像素点予以滤除。
采用如下表达式,进行微小梯度幅值的像素点的滤除。
其中,T代表梯度幅值的阈值,M(x,y)代表梯度幅值过滤之后生成的掩码模板图像,后续的操作将在掩码模板图像取值为1的坐标点进行处理。
步骤S130,根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域。
假设存在图像像素点的理想梯度方向i及其量化噪声n,那么对图像像素点的理想表达式应该如下所示:
其中,是图像像素点的实际梯度方向值。
利用信号处理的知识我们得知,以上只是理想情况,而实际的观测数据的表达式应该是如下所示:
其中,是对噪声信号的观测值,是对梯度方向的理想实际值,是梯度方向的真实观测值。显然,梯度方向的理想实际值跟梯度方向的真实观测值之间存在某种误差。如图3所示,这里的q是的半径,也是我们所能允许的梯度方向噪声存在的范围,即:q在一定程度上代表了误差半径(范围)。
考虑将梯度方向差异大于预设角度阈值τ的像素点予以排除,而将梯度差异在τ范围内的像素点归纳为梯度连通域。即表达式为:|angleerror|≤τ,我们得到这里的阈值ρ利用最大期望来设定,τ代表了连通区域检测判断的角度容忍度。误差半径q根据经验值来设定,通常q的取值在[2,4]之间,用户也可以根据实际情况对q的取值做出适当的调整,τ的取值通常在[5,25]之间。
步骤S140,滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域。
在理想情况下,通过上一步对梯度方向进行连通区域的检测分割,我们可以将图像划分为若干个梯度方向趋于一致的连通区域,参照图4-A及图4-B,其中图4-A表示输入图像,图4-B表示梯度方向的连通区域。
但考虑到在对计算梯度方向连通域分割计算时设定了一个角度容忍度阈值,因此这里存在某种可能性,使得上述步骤计算得到的连通区域中所有邻近像素的梯度方向虽然很接近,但整个区域内的梯度方向依然很分散的情况,参照图4-C所示。
针对这种情况,有必要采用区域一致性判断来进行处理这种虚假的梯度方向连通区域。在本具体实施例中,优选采用模糊数学来对连通区域的梯度方向进行一致性判断。模糊数学打破了普通集合论中元素对集合的绝对化的隶属关系,认为在“属于”和“不属于”这两种状态之外,存在某种“中间过渡”的情况,指明各个元素x的隶属程度,就等于指定了一个模糊集合。这里,定义一个模糊隶属度函数。模糊隶属度函数的表达式如下所示:
其中,Δx(i,j)是像素点(x,y)的梯度方向与其周围像素点梯度方向的差值,上面的公式表示了图像中像素与其所属区域的隶属程度。如果一个像素与其所属区域的梯度方向差值越小,则该像素的隶属度越大,反之则隶属度越小。将待验证区域一致性的连通区域作为一个集合,可以在该集合上定义一个模糊熵。模糊熵的表达式如下所示:
Hm(um(x(i,j)))=
-(um(x(i,j)))log2(um(x(i,j)))-
(1-um(x(i,j)))log2(1-um(x(i,j)))
为了度量定义在图像上的模糊集合的模糊属性,需要定义一个模糊熵测度。模糊熵测度的表达式如下所示:
其中,M,N代表待判定区域的宽度和高度,Em(A)代表了待判定区域梯度方向一致性的连通区域的模糊熵测度。通过对计算得到的模糊熵测度。设定一个模糊熵测度阈值,当待判定区域的模糊熵测度不大于该设定阈值时,就判定该待判定区域为梯度方向一致性的区域,当待判定区域的模糊熵测度大于设定阈值时,就判定该待判定区域为梯度方向非一致性的区域。将连通区域内梯度方向非一致性区域从连通区域中滤除。
步骤S150,从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点。
在本步骤中,以上一步骤得到的梯度方向一致性的连通区域进行数据处理,从该梯度方向一致性的连通区域获得对应极大值坐标及极小值坐标的像素点,将所述极大值坐标及极小值坐标对应的像素点作为所述直线段的端点,将所述极大值坐标及极小值坐标对应的像素点之间的连线作为所述直线段。
假设端点坐标为(X0,Y0),(X1,Y1)可得到直线的斜率(k)和长度(d)参数。斜率k的表达式如下:
线段长度d的表达式如下:
步骤S160,输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。
通过上述基于梯度计算的直线检测方法,通过滤除图像中的噪音,对图像进行连通区域检测得到连通区域,再将连通区域中梯度方向一致性较差的区域滤除得到梯度方向一致性的连通区域,对该梯度方向一致性的连通区域处理获得直线段及直线段的端点。相对于霍夫变换的直线检测方法不仅减少了计算量,还可以提供更多直线信息。
第二具体实施例
图5是为本发明第二具体实施例提供的一种基于梯度计算的直线检测装置的结构框图,该基于梯度计算的直线检测装置200用于实现第一具体实施例中基于梯度计算的直线检测的方法,请参照图5,所述基于梯度计算的直线检测装置200包括
计算模块210,用于计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值。
除噪模块220,用于滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点。
梯度连通区域确定模块230,用于根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域。
在本具体实施例中,优选地,梯度连通区域确定模块230将所述目标图像中像素点在梯度方向的真实观测值与理想实际值之差的绝对值小于预设角度容忍度的所述目标图像中像素点归纳入梯度连通区域。
其中,所述目标图像中像素点在梯度方向的理想实际值设置为所述目标图像中像素点在梯度方向上的最大期望值。
滤除模块240,用于滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域。
在本具体实施例中,优选地,滤除模块240在所述梯度连通区域上定义一个模糊熵测度函数,采用所述模糊熵测度函数计算所述梯度连通区域中各区域的模糊熵测度,当所述模糊熵测度大于一预设阈值时,从所述目标图像的梯度连通区域滤除大于所述预设阈值的模糊熵测度对应的区域。
获取模块250,用于从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点。
在本具体实施例中,优选地,所述获取模块250计算得到所述梯度连通区域中对应极大值坐标及极小值坐标的像素点,将所述极大值坐标及极小值坐标对应的像素点作为所述直线段的端点,将所述极大值坐标及极小值坐标对应的像素点之间的连线作为所述直线段。
输出模块260,用于输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
另外,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种基于梯度计算的直线检测方法,其特征在于,包括:
计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值;
滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点;
根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域;
滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域;
从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点;
输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。
2.如权利要求1所述的一种基于梯度计算的直线检测方法,其特征在于,根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域的步骤包括:
将所述目标图像中像素点在梯度方向的真实观测值与理想实际值之差的绝对值小于预设角度容忍度的所述目标图像中像素点归纳入梯度连通区域。
3.如权利要求2所述的一种基于梯度计算的直线检测方法,其特征在于:
所述目标图像中像素点在梯度方向的理想实际值设置为所述目标图像中像素点在梯度方向上的最大期望值。
4.如权利要求1所述的一种基于梯度计算的直线检测方法,其特征在于:滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域的步骤包括:
在所述梯度连通区域上定义一个模糊熵测度函数,采用所述模糊熵测度函数计算所述梯度连通区域中各区域的模糊熵测度,当所述模糊熵测度大于一预设阈值时,从所述目标图像的梯度连通区域滤除大于所述预设阈值的模糊熵测度对应的区域。
5.如权利要求1所述的一种基于梯度计算的直线检测方法,其特征在于,从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点的步骤包括:
计算得到所述梯度连通区域中对应极大值坐标及极小值坐标的像素点,将所述极大值坐标及极小值坐标对应的像素点作为所述直线段的端点,将所述极大值坐标及极小值坐标对应的像素点之间的连线作为所述直线段。
6.一种基于梯度计算的直线检测装置,其特征在于,包括:
计算模块,用于计算一目标图像中像素点的梯度,所述梯度包括梯度方向与梯度幅值;
除噪模块,用于滤除所述目标图像中对应所述梯度幅值小于预设梯度幅值阈值的像素点;
梯度连通区域确定模块,用于根据所述目标图像中像素点的梯度方向确定所述目标图像的梯度连通区域;
滤除模块,用于滤除所述目标图像的梯度连通区域中区域梯度方向非一致性的区域;
获取模块,用于从所述连通区域中获得沿所述连通区域梯度方向的直线段及直线段的端点;
输出模块,用于输出直线检测结果,所述直线检测结果包括所述直线段及所述直线段的端点。
7.如权利要求6所述的一种基于梯度计算的直线检测装置,其特征在于:
所述梯度连通区域确定模块将所述目标图像中像素点在梯度方向的真实观测值与理想实际值之差的绝对值小于预设角度容忍度的所述目标图像中像素点归纳入梯度连通区域。
8.如权利要求7所述的一种基于梯度计算的直线检测装置,其特征在于:所述目标图像中像素点在梯度方向的理想实际值设置为所述目标图像中像素点在梯度方向上的最大期望值。
9.如权利要求6所述的一种基于梯度计算的直线检测装置,其特征在于:
所述滤除模块在所述梯度连通区域上定义一个模糊熵测度函数,采用所述模糊熵测度函数计算所述梯度连通区域中各区域的模糊熵测度,当所述模糊熵测度大于一预设阈值时,从所述目标图像的梯度连通区域滤除大于所述预设阈值的模糊熵测度对应的区域。
10.如权利要求6所述的一种基于梯度计算的直线检测装置,其特征在于:
所述获取模块计算得到所述梯度连通区域中对应极大值坐标及极小值坐标的像素点,将所述极大值坐标及极小值坐标对应的像素点作为所述直线段的端点,将所述极大值坐标及极小值坐标对应的像素点之间的连线作为所述直线段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510848072.6A CN105261031B (zh) | 2015-11-26 | 2015-11-26 | 基于梯度计算的直线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510848072.6A CN105261031B (zh) | 2015-11-26 | 2015-11-26 | 基于梯度计算的直线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105261031A true CN105261031A (zh) | 2016-01-20 |
CN105261031B CN105261031B (zh) | 2019-01-15 |
Family
ID=55100703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510848072.6A Active CN105261031B (zh) | 2015-11-26 | 2015-11-26 | 基于梯度计算的直线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105261031B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN106980851A (zh) * | 2017-03-21 | 2017-07-25 | 浙江华睿科技有限公司 | 一种数据矩阵dm码的定位方法及装置 |
CN108010020A (zh) * | 2017-11-29 | 2018-05-08 | 浙江华睿科技有限公司 | 一种硅片的滑道检测方法及装置 |
CN110874844A (zh) * | 2018-08-30 | 2020-03-10 | 京东方科技集团股份有限公司 | 线段检测方法、装置和设备 |
CN111429399A (zh) * | 2019-01-09 | 2020-07-17 | 银河水滴科技(北京)有限公司 | 一种直线检测方法及装置 |
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
CN112541914A (zh) * | 2020-12-25 | 2021-03-23 | 三峡大学 | 图像识别的短线条过滤方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020967A (zh) * | 2012-12-07 | 2013-04-03 | 青岛经纬蓝图信息技术有限公司 | 基于海岛边缘特征的无人机航拍图像精确匹配方法 |
CN103177261A (zh) * | 2013-03-06 | 2013-06-26 | 北方民族大学 | 一种基于图像识别技术的奶牛产奶量自动计量***及其图像识别方法 |
CN103279755A (zh) * | 2013-03-25 | 2013-09-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于汽车底部阴影特征的快速车牌定位方法 |
-
2015
- 2015-11-26 CN CN201510848072.6A patent/CN105261031B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020967A (zh) * | 2012-12-07 | 2013-04-03 | 青岛经纬蓝图信息技术有限公司 | 基于海岛边缘特征的无人机航拍图像精确匹配方法 |
CN103177261A (zh) * | 2013-03-06 | 2013-06-26 | 北方民族大学 | 一种基于图像识别技术的奶牛产奶量自动计量***及其图像识别方法 |
CN103279755A (zh) * | 2013-03-25 | 2013-09-04 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于汽车底部阴影特征的快速车牌定位方法 |
Non-Patent Citations (3)
Title |
---|
RAFAEL GROMPONE VON GIOI等: "LSD:a Line Segment Detector", 《IMAGE PROCESSING ON LINE》 * |
王彦春等: "基于图像模糊熵邻域非一致性的过渡区提取与分割", 《电子学报》 * |
覃勋辉等: "一种基于梯度的直线段检测算法", 《光子学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056619A (zh) * | 2016-06-13 | 2016-10-26 | 长安大学 | 基于梯度约束Radon变换的无人机视觉电线巡检方法 |
CN106980851A (zh) * | 2017-03-21 | 2017-07-25 | 浙江华睿科技有限公司 | 一种数据矩阵dm码的定位方法及装置 |
CN106980851B (zh) * | 2017-03-21 | 2020-02-14 | 浙江华睿科技有限公司 | 一种数据矩阵dm码的定位方法及装置 |
CN108010020A (zh) * | 2017-11-29 | 2018-05-08 | 浙江华睿科技有限公司 | 一种硅片的滑道检测方法及装置 |
CN108010020B (zh) * | 2017-11-29 | 2020-05-26 | 浙江华睿科技有限公司 | 一种硅片的滑道检测方法及装置 |
CN110874844A (zh) * | 2018-08-30 | 2020-03-10 | 京东方科技集团股份有限公司 | 线段检测方法、装置和设备 |
US11276178B2 (en) | 2018-08-30 | 2022-03-15 | Boe Technology Group Co., Ltd. | Line segment detection method, apparatus, device, and computer-readable storage medium |
CN111429399A (zh) * | 2019-01-09 | 2020-07-17 | 银河水滴科技(北京)有限公司 | 一种直线检测方法及装置 |
CN111429399B (zh) * | 2019-01-09 | 2023-08-01 | 银河水滴科技(北京)有限公司 | 一种直线检测方法及装置 |
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
CN112541914A (zh) * | 2020-12-25 | 2021-03-23 | 三峡大学 | 图像识别的短线条过滤方法 |
CN112541914B (zh) * | 2020-12-25 | 2022-06-03 | 三峡大学 | 图像识别的短线条过滤方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105261031B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105261031B (zh) | 基于梯度计算的直线检测方法及装置 | |
Zhang et al. | Noise robust image edge detection based upon the automatic anisotropic Gaussian kernels | |
Chan et al. | Identification of discontinuous coefficients in elliptic problems using total variation regularization | |
Grewenig et al. | From box filtering to fast explicit diffusion | |
CN104268844B (zh) | 一种基于加权局部图像熵的小目标红外图像处理方法 | |
DE102018107823A1 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und computerlesbares speichermedium zur schätzung eines zustands von objekten | |
CN100579170C (zh) | 图像评价装置和图像评价方法 | |
Sharpnack et al. | Exact asymptotics for the scan statistic and fast alternatives | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
Liu | Additive white Gaussian noise level estimation based on block SVD | |
CN108961292B (zh) | 一种在脑部医学图像中检测msp的方法和装置 | |
Awrangjeb et al. | An affine resilient curvature scale-space corner detector | |
Drblíková et al. | Convergence analysis of finite volume scheme for nonlinear tensor anisotropic diffusion in image processing | |
Drogoul | Numerical analysis of the topological gradient method for fourth order models and applications to the detection of fine structures in imaging | |
Zhu et al. | A no-reference image content metric and its application to denoising | |
Mora-García et al. | The kernel density estimation for the visualization of spatial patterns in urban studies | |
CN105844615A (zh) | 识别规则矩形区域的方法及装置 | |
CN105261051A (zh) | 一种获取图像掩码的方法及装置 | |
Wei et al. | Funnel transform for straight line detection | |
Roenko et al. | DCT coefficient statistics in images corrupted by spatially correlated noise | |
Chudasama et al. | Survey on Various Edge Detection Techniques on Noisy Images | |
Rossini | Detecting discontinuities in two-dimensional signals sampled on a grid | |
Xu et al. | Determination of length and width of a line-segment by using a Hough transform | |
Mukherjee et al. | Image denoising by a local clustering framework | |
JP5705016B2 (ja) | 信号処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |