CN107463939A - 一种图像关键直线检测方法 - Google Patents
一种图像关键直线检测方法 Download PDFInfo
- Publication number
- CN107463939A CN107463939A CN201710503951.4A CN201710503951A CN107463939A CN 107463939 A CN107463939 A CN 107463939A CN 201710503951 A CN201710503951 A CN 201710503951A CN 107463939 A CN107463939 A CN 107463939A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- straight line
- mtd
- curve
- 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 42
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 241001212149 Cathetus Species 0.000 claims description 9
- 238000005194 fractionation Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像关键直线检测方法,包括图像预处理、直线检测和关键直线判断三个部分。本发明利用拆分法结合最小二乘法进行直线检测,算法效率和精准度较高,同时本发明先利用K‑means算法先进行直线聚类,再根据类别直线总长度和直线长度找到图像关键直线,有效提高了直线检测的准确率,本发明为进一步目标定位、分析、识别等过程提供保障。
Description
技术领域
本发明涉及一种图像关键直线检测方法,具体是一种基于直线检测和聚类的图像关键直线检测方法。
背景技术
图像关键直线检测方法是对图像中占比最多的直线进行检测,包括了图像预处理、直线检测和关键直线判别三个部分,为进一步目标定位、分析、识别等过程提供条件。目前直线检测的算法较为成熟,主要可以分为两类基于Hough变换的直线检测方法和基于链码的直线检测方法。
基于Hough变化的直线检测方法是一种全局性的方法,它的优点是具有较强的抗干扰能力,缺点是计算量比较大,同时对于存在一定弯曲现象的直线检测效果较差,容易发生误检、漏检。针对基于Hough变化的直线检测方法的不足,很多学者提出了改进的Hough直线检测方法,如周云燕(基于RHT-LSM直线检测方法的研究[J].光电工程,2007,34(01):55-58)结合随机Hough变换和最小二乘法进行直线检测,通过使用随机Hough变换改善了传统Hough变化方法的性能,通过利用最小二乘法改善了Hough变换检测微弯曲直线的能力,但该方法的前提是Hough变换能先定位出目标直线的大致位置,再以最小二乘法进行修正,因此没有克服Hough方法漏检的问题;乔寅骐(基于最小二乘修正的随机Hough变换直线检测[J].计算机应用,2015,35(11):3312-3315)提出了一种基于ρ-θ域最小二成拟合修正的随机Hough变换的直线检测方法,该方法改善了Hough直线检测对标准直线的误检、漏检的情况,但是还是不能保证对微弯曲的直线的检测效果。
基于链码的直线检测方法首先提取出目标边界的链码,然后对得到的链码进行迭代分析确定直线,方法的优点是直线检测精准度高,但容易陷入局部最优,导致找到的直线过短,同时算法的复杂性较高。如鲁光泉(基于链码检测的直线段检测方法[J].计算机应用,2006,32(14):1-3)和裘镇宇(基于Freeman链码的边缘跟踪算法及直线段检测[J].微型电脑应用,2008,24(1):17-20)通过迭代找到满足分割要求的角点,进而进行曲线分割,两种方法的角点判别方法有所区别,同时对于链码方法容易陷入局部最优的问题也进行不同的改善,但算法复杂性问题还是存在。
而本发明采用的是基于拆分的直线检测方法,与基于链码的直线检测方法类似,也需要找到角点进行曲线分割,不同的是本发明的方法不需要对所有点进行角点判别,算法效率上更优,同时也不存在局部最优的问题。在此基础上,本发明再通过改进的K-means聚类方法对检测出来的直线根据角度进行聚类,并根据一定的筛选策略确定图像中的关键直线。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种图像关键直线检测方法,本发明所述方法包括图像预处理、直线检测、关键直线筛选三个部分。其中,图像预处理过程通过滤波和Canny边缘检测方法得到窗角图像的边缘图;直线检测过程首先得到图像中的曲线集,然后通过拆分法对所有曲线进行拆分,得到满足直线约束的曲线集,最后通过最小二乘直线拟合法拟合得到直线集;关键直线筛选过程首先利用改进的K-means方法将所有直线根据角度进行聚类,然后筛选出直线总长度最长的直线集为关键直线所在集合,并选取集合中长度最长的线段为最终的关键直线。
本发明具体包括如下步骤:
步骤1:将原始图像缩放为宽、高分别width和height的图像D;
步骤2:对图像D进行高斯滤波和Canny边缘检测操作,得到边缘图D1,图像D1的边缘点集合为B={bi|i=0,1,…,NB-1},bi表示图像D1上的边缘点,且点bi的横坐标和纵坐标分别记作bi.x,bi.y,NB表示集合B中元素的个数;
步骤3:得到图像D1中的曲线集C,具体步骤为:
步骤3.1:若集合B中存在满足PN(bk)∈{20,21,…,27,20+21,21+22,…,27+20}的点bk,则将bk确定为一条新曲线Cz的起始点,初始化曲线Cz={bk},将点bk从集合B中剔除,转步骤3.2;否则,转步骤4;其中PN(bk)表示点bk的八邻域值,根据公式(1)计算得到;
其中,E(x,y)表示集合B中是否存在坐标为(x,y)的点,若存在则E(x,y)=1,否则E(x,y)=0;
步骤3.2:若PN(bk)∈{20,21,…,27,20+21,21+22,…,27+20},则转步骤3.3;否则,若NCz>α,将Cz加到曲线集C中,转步骤3.1;若NCz≤α,则不保留曲线Cz,直接转步骤3.1,其中,NCz表示曲线Cz的长度,α为预先设定的最小曲线长度;
步骤3.3:若PN(bk)∈{20,21,…,27},则找到集合B中坐标满足|bt.x-bk.x|+|bt.y-bk.y|≤2的点bt,令bk=bt,确定bk为曲线Cz上的点,令Cz=Cz∪{bk},并将点bk从集合B中剔除,转步骤3.2;否则若PN(bk)∈{20+21,21+22,…,27+20},找到集合B中坐标满足|bt.x-bk.x|+|bt.y-bk.y|=1的点bt,令bk=bt,确定bk为曲线Cz上的点,令Cz=Cz∪{bk},将点bk从集合B中剔除,转步骤3.2;
步骤4:拆分曲线集C中所有满足σ≥0.4的曲线Ci,σ为曲线Ci的直线拟合误差,根据公式(2)计算,根据拆分得到的所有子曲线构建新的曲线集L,剔除曲线集L中曲线长度小于α的曲线;
曲线的拆分规则为:根据曲线两个端点构建直线h,找到曲线上距离直线h最远的点,将其作为拆分点将曲线拆分为两条子曲线,并不断递归拆分所有满足σ≥0.4的子曲线;
其中,rj表示曲线Ci上第j个像素点,NR为曲线Ci上点的数量,h为连接点r0和点的直线,d2(rj,h)表示点rj到直线h的垂直距离的平方;
步骤5:利用最小二乘法对L中的每条曲线进行直线拟合,得到直线集G,直线集G中每条直线Gi的角度记作Gi.θ,Gi.θ为Gi与水平直线的夹角,且0°≤Gi.θ≤90°;
步骤6:确定直线集G中直线的类别数m,具体步骤为:
步骤6.1:创建直线集O,将直线集G中Gi.θ最小的直线Gi加到集合O中;
步骤6.2:根据公式(3)计算直线集G中每条直线Gi与O中所有直线的最小角度差MinAngleD(Gi),若G中存在直线的最小角度差大于β,则选取直线集G中最小角度差最大的直线加到直线集O中,转步骤6.2,其中β为预先设定的相似直线的最大角度差;否则,若G中直线的最小角度差都小于β,则令m=NO,转步骤7;
MinAngleD(Gi)=min{|Gi.θ-Oj.θ|,j=0,1,…,NO-1} (3)
其中,min{}表示取集合中的最小值,Oj.θ表示集合O中第j条直线的角度,NO表示集合O中直线的数量;
步骤7:用K-means算法将G中所有直线聚类成m个直线子集Ti,i=0,1,…,m-1;
步骤8:计算每个直线集Ti对应的直线长度总和,i=0,1,…,m-1,找到直线长度总和最大的直线集,记为Tk,则Tk中长度最长的直线即为图像的关键直线。
本发明的优点是:本发明所述的一种图像关键直线检测方法,包括图像预处理、直线检测和关键直线判断三个部分。本发明利用拆分法结合最小二乘法进行直线检测,算法效率和精准度较高,同时本发明先利用K-means算法先进行直线聚类,再根据类别直线总长度和直线长度找到图像关键直线,有效提高了直线检测的准确率,本发明为进一步目标定位、分析、识别等过程提供保障。
附图说明
图1:窗角图像D;
图2:高斯滤波后的窗角图像;
图3:窗角边缘检测图D1;
图4:根据步骤3得到的曲线集C;
图5:根据步骤4得到的曲线集L;
图6:根据步骤5得到的拟合直线集G;
图7:筛选后得到的拟合直线集G;
图8:根据步骤6-8确定的图像关键直线。
具体实施方式
下面结合具体车辆窗角图像实例,对本发明实施的过程进行详细的说明。
本发明的图像关键直线检测方法,包括如下步骤:
步骤1:将原始图像缩放为宽、高分别width和height的图像D;
根据步骤1对获得的窗角图像进行缩放,得到的图像D如图1所示,其中,图像D的宽度为60px,高度为60px;
步骤2:对图像D进行高斯滤波和Canny边缘检测操作,得到边缘图D1,图像D1的边缘点集合为B={bi|i=0,1,…,NB-1},bi表示图像D1上的边缘点,且点bi的横坐标和纵坐标分别记作bi.x,bi.y,NB表示集合B中元素的个数;
根据步骤2对图像D进行高斯滤波,得到的滤波后的灰度图如图2所示,进一步对灰度图用Canny算子进行边缘检测,得到的边缘图D1如图3所示;
步骤3:得到图像D1中的曲线集C,具体如步骤3.1-3.3所示;
步骤3.1:若集合B中存在满足PN(bk)∈{20,21,…,27,20+21,21+22,…,27+20}的点bk,则将bk确定为一条新曲线Cz的起始点,初始化曲线Cz={bk},将点bk从集合B中剔除,转步骤3.2;否则说明已经找到所有图像D1上所有曲线,转步骤4;其中PN(bk)表示点bk的八邻域值,根据公式(1)计算得到;
其中,E(x,y)表示集合B中是否存在坐标为(x,y)的点,若点存在E(x,y)=1,否则E(x,y)=0;
步骤3.2:若PN(bk)∈{20,21,…,27,20+21,21+22,…,27+20},则说明bk不是曲线Cz的终止点,转步骤3.3;否则,若NCz>α,确定曲线Cz为满足长度要求的曲线,将其加到曲线集C中,转步骤3.1;若NCz≤α,则不保留曲线Cz,直接转步骤3.1;其中,NCz表示曲线Cz的长度,α为预先设定的最小曲线长度;
步骤3.3:若PN(bk)∈{20,21,…,27},则找到集合B中坐标满足|bt.x-bk.x|+|bt.y-bk.y|≤2的点bt,令bk=bt,确定bk为曲线Cz上的点,令Cz=Cz∪{bk},并将点bk从集合B中剔除,转步骤3.2;否则若PN(bk)∈{20+21,21+22,…,27+20},找到集合B中坐标满足|bt.x-bk.x|+|bt.y-bk.y|=1的点bt,令bk=bt,确定bk为曲线Cz上的点,令Cz=Cz∪{bk},将点bk从集合B中剔除,转步骤3.2;
根据步骤3对图像D1进行曲线提取和筛选,得到的曲线集C如图4所示,图上白点表示曲线的端点,灰色的点表示曲线上的点,且在本实例中预先设定的最小曲线长度α为10;
步骤4:拆分曲线集C中所有满足σ≥0.4的曲线Ci,σ为曲线Ci的直线拟合误差,根据公式(2)计算,根据拆分得到的所有子曲线构建新的曲线集L,剔除曲线集L中曲线长度小于α的曲线;
曲线的拆分规则为:根据曲线两个端点构建直线h,找到曲线上距离直线h最远的点,将其作为拆分点将曲线拆分为两条子曲线,并不断递归拆分所有满足σ≥0.4的子曲线;
其中,rj表示曲线Ci上第j个像素点,NR为曲线Ci上点的数量,h为连接点r0和点的直线,d2(rj,h)表示点rj到直线h的垂直距离的平方;
根据步骤4对曲线集C中所有曲线进行拆分,得到的新的子曲线集L如图5所示。
步骤5:利用最小二乘法对L中的每条曲线进行直线拟合,得到直线集G,直线集G中每条直线Gi的角度记作Gi.θ,Gi.θ为Gi与水平直线的夹角,且0°≤Gi.θ≤90°;
根据步骤5利用最小二乘法进行直线拟合,得到拟合直线集G如图6所示,因为在本实例中,希望得到的是右侧的斜边,因此进一步对直线进行了筛选,剔除了直线集G中直线角度在[0°,15°]范围内的直线,直线筛选结果如图7所示;
步骤6:确定直线集G中直线的类别数m,具体步骤为:
步骤6.1:创建直线集O,将直线集G中Gi.θ最小的直线Gi加到集合O中;
步骤6.2:根据公式(3)计算直线集G中每条直线Gi与O中所有直线的最小角度差MinAngleD(Gi),若G中存在直线的最小角度差大于β,则选取直线集G中最小角度差最大的直线加到直线集O中,转步骤6.2,其中β为预先设定的相似直线的最大角度差;否则,若G中直线的最小角度差都小于β,则令m=NO,转步骤7;
MinAngleD(Gi)=min{|Gi.θ-Oj.θ|,j=0,1,…,NO-1} (3)
其中,min{}表示取集合中的最小值,Oj.θ表示集合O中第j条直线的角度,NO表示集合O中直线的数量;
根据步骤6计算得到直线类别数m为3,在本实例中,预先设定的相似直线的最大角度差β为4°。
步骤7:用K-means算法将G中所有直线聚类成m个直线子集Ti,i=0,1,…,m-1;
根据步骤7将检测到4条直线聚类成3类,计算可得图7中的4条直线6-9的角度分别为74.95度,73.97度,70.04度,17.21度,因此聚类结果为6、7为一类,8为一类,9为一类;
步骤8:计算每个直线集Ti对应的直线长度总和,i=0,1,…,m-1,找到直线长度总和最大的直线集,记为Tk,则Tk中长度最长的直线即为图像的关键直线。
根据步骤8得到的图像的关键直线如图8所示,如图中直线6所示。
本说明书具体实施方法中所列举的处理对象,仅用于说明本发明的实现过程,本发明所能处理的对象情况并非仅限于所举实例。
Claims (3)
1.一种图像关键直线检测方法,包括如下步骤:
步骤1:将原始图像缩放为宽、高分别width和height的图像D;
步骤2:对图像D进行高斯滤波和Canny边缘检测操作,得到边缘图D1,图像D1的边缘点集合为B={bi|i=0,1,…,NB-1},bi表示图像D1上的边缘点,且点bi的横坐标和纵坐标分别记作bi.x,bi.y,NB表示集合B中元素的个数;
步骤3:得到图像D1中的曲线集C;
步骤4:拆分曲线集C中所有满足σ≥0.4的曲线Ci,σ为曲线Ci的直线拟合误差,根据公式(2)计算,根据拆分得到的所有子曲线构建新的曲线集L,剔除曲线集L中曲线长度小于α的曲线;
曲线的拆分规则为:根据曲线两个端点构建直线h,找到曲线上距离直线h最远的点,将其作为拆分点将曲线拆分为两条子曲线,并不断递归拆分所有满足σ≥0.4的子曲线;
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>N</mi>
<mi>R</mi>
</msub>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,rj表示曲线Ci上第j个像素点,NR为曲线Ci上点的数量,h为连接点r0和点的直线,d2(rj,h)表示点rj到直线h的垂直距离的平方;
步骤5:利用最小二乘法对L中的每条曲线进行直线拟合,得到直线集G,直线集G中每条直线Gi的角度记作Gi.θ,Gi.θ为Gi与水平直线的夹角,且0°≤Gi.θ≤90°;
步骤6:确定直线集G中直线的类别数m;
步骤7:用K-means算法将G中所有直线聚类成m个直线子集Ti,i=0,1,…,m-1;
步骤8:计算每个直线集Ti对应的直线长度总和,i=0,1,…,m-1,找到直线长度总和最大的直线集,记为Tk,则Tk中长度最长的直线即为图像的关键直线。
2.如权利要求1所述的图像关键直线检测方法,其特征在于:所述步骤3:得到图像D1中的曲线集C,具体步骤为:
步骤3.1:若集合B中存在满足PN(bk)∈{20,21,…,27,20+21,21+22,…,27+20}的点bk,则将bk确定为一条新曲线Cz的起始点,初始化曲线Cz={bk},将点bk从集合B中剔除,转步骤3.2;否则,转步骤4;其中PN(bk)表示点bk的八邻域值,根据公式(1)计算得到;
<mrow>
<mi>P</mi>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>.</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&CenterDot;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>128</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>8</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>64</mn>
</mtd>
<mtd>
<mn>32</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,E(x,y)表示集合B中是否存在坐标为(x,y)的点,若存在则E(x,y)=1,否则E(x,y)=0;
步骤3.2:若PN(bk)∈{20,21,…,27,20+21,21+22,…,27+20},则转步骤3.3;否则,若NCz>α,将Cz加到曲线集C中,转步骤3.1;若NCz≤α,则不保留曲线Cz,直接转步骤3.1,其中,NCz表示曲线Cz的长度,α为预先设定的最小曲线长度;
步骤3.3:若PN(bk)∈{20,21,…,27},则找到集合B中坐标满足bt.x-bk.x|+|Bt.y-bk.y|≤2的点bt,令bk=bt,确定bk为曲线Cz上的点,令Cz=Cz∪{bk},并将点bk从集合B中剔除,转步骤3.2;否则若PN(bk)∈{20+21,21+22,…,27+20},找到集合B中坐标满足bt.x-bk.x|+|bt.y-bk.y|=1的点bt,令bk=bt,确定bk为曲线Cz上的点,令Cz=Cz∪{bk},将点bk从集合B中剔除,转步骤3.2。
3.如权利要求1所述的图像关键直线检测方法,其特征在于:所述步骤6:确定直线集G中直线的类别数m,具体步骤为:
步骤6.1:创建直线集O,将直线集G中Gi.θ最小的直线Gi加到集合O中;
步骤6.2:根据公式(3)计算直线集G中每条直线Gi与O中所有直线的最小角度差MinAngleD(Gi),若G中存在直线的最小角度差大于β,则选取直线集G中最小角度差最大的直线加到直线集O中,转步骤6.2,其中β为预先设定的相似直线的最大角度差;否则,若G中直线的最小角度差都小于β,则令m=NO,转步骤7;
MinAngleD(Gi)=min{|Gi.θ-Oj.θ|,j=0,1,…,NO-1} (3)
其中,min{}表示取集合中的最小值,Oj.θ表示集合O中第j条直线的角度,NO表示集合O中直线的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710503951.4A CN107463939B (zh) | 2017-06-27 | 2017-06-27 | 一种图像关键直线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710503951.4A CN107463939B (zh) | 2017-06-27 | 2017-06-27 | 一种图像关键直线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463939A true CN107463939A (zh) | 2017-12-12 |
CN107463939B CN107463939B (zh) | 2020-06-09 |
Family
ID=60546112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710503951.4A Expired - Fee Related CN107463939B (zh) | 2017-06-27 | 2017-06-27 | 一种图像关键直线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463939B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035363A (zh) * | 2018-07-05 | 2018-12-18 | 凌云光技术集团有限责任公司 | 一种快速迭代的线圆最优拟合方法 |
CN109255052A (zh) * | 2018-08-29 | 2019-01-22 | 浙江工业大学 | 一种基于多特征的三阶段车辆检索方法 |
CN113705524A (zh) * | 2021-09-06 | 2021-11-26 | 上海景吾智能科技有限公司 | 图像中垂直线检测方法及*** |
US11276178B2 (en) | 2018-08-30 | 2022-03-15 | Boe Technology Group Co., Ltd. | Line segment detection method, apparatus, device, and computer-readable storage medium |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012159869A (ja) * | 2011-01-28 | 2012-08-23 | Daihatsu Motor Co Ltd | 画像処理装置 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及*** |
CN106097329A (zh) * | 2016-06-07 | 2016-11-09 | 浙江工业大学 | 一种基于边缘检测的集装箱轮廓定位方法 |
CN106568424A (zh) * | 2016-10-27 | 2017-04-19 | 西安科技大学 | 基于机器视觉的采煤机摇臂采高检测方法 |
-
2017
- 2017-06-27 CN CN201710503951.4A patent/CN107463939B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012159869A (ja) * | 2011-01-28 | 2012-08-23 | Daihatsu Motor Co Ltd | 画像処理装置 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及*** |
CN106097329A (zh) * | 2016-06-07 | 2016-11-09 | 浙江工业大学 | 一种基于边缘检测的集装箱轮廓定位方法 |
CN106568424A (zh) * | 2016-10-27 | 2017-04-19 | 西安科技大学 | 基于机器视觉的采煤机摇臂采高检测方法 |
Non-Patent Citations (2)
Title |
---|
胡旸: "玻璃完整性在线检测关键算法研究及***实现", 《中国优秀硕士学位论文全文数据库 工程科Ⅰ辑》 * |
鲁光泉: "基于普通相机的交通事故现场三维重建关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035363A (zh) * | 2018-07-05 | 2018-12-18 | 凌云光技术集团有限责任公司 | 一种快速迭代的线圆最优拟合方法 |
CN109035363B (zh) * | 2018-07-05 | 2023-11-10 | 凌云光技术股份有限公司 | 一种快速迭代的线圆最优拟合方法 |
CN109255052A (zh) * | 2018-08-29 | 2019-01-22 | 浙江工业大学 | 一种基于多特征的三阶段车辆检索方法 |
CN109255052B (zh) * | 2018-08-29 | 2022-03-25 | 浙江工业大学 | 一种基于多特征的三阶段车辆检索方法 |
US11276178B2 (en) | 2018-08-30 | 2022-03-15 | Boe Technology Group Co., Ltd. | Line segment detection method, apparatus, device, and computer-readable storage medium |
CN113705524A (zh) * | 2021-09-06 | 2021-11-26 | 上海景吾智能科技有限公司 | 图像中垂直线检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107463939B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN102609686B (zh) | 一种行人检测方法 | |
CN102163284B (zh) | 面向中文环境的复杂场景文本定位方法 | |
CN110220917A (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及*** | |
CN102298698B (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
CN107463939A (zh) | 一种图像关键直线检测方法 | |
CN105701483B (zh) | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 | |
CN103267764B (zh) | 基于邻域信息评估的热轧钢板表面缺陷图像识别方法 | |
CN100463000C (zh) | 基于级联分类和哈夫圆变换的人眼状态检测方法 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和*** | |
CN107392141A (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
CN102998316B (zh) | 一种透明液体杂质检测***及其检测方法 | |
Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
CN102902967A (zh) | 基于人眼结构分类的虹膜和瞳孔的定位方法 | |
CN107093175B (zh) | 一种动力电池焊接质量检测方法 | |
CN106295532B (zh) | 一种视频图像中的人体动作识别方法 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN102799859A (zh) | 一种交通标志识别方法 | |
CN106650752B (zh) | 一种车身颜色识别方法 | |
CN103049733A (zh) | 人脸检测方法和人脸检测设备 | |
CN106845444A (zh) | 一种基于弧‑点结合的车载井盖检测方法 | |
CN112766184A (zh) | 基于多层级特征选择卷积神经网络的遥感目标检测方法 | |
CN106650608A (zh) | 一种无定位点试卷中矩形定位框的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200609 |
|
CF01 | Termination of patent right due to non-payment of annual fee |