CN110569857B - 一种基于质心距离计算的图像轮廓角点检测方法 - Google Patents
一种基于质心距离计算的图像轮廓角点检测方法 Download PDFInfo
- Publication number
- CN110569857B CN110569857B CN201910685994.8A CN201910685994A CN110569857B CN 110569857 B CN110569857 B CN 110569857B CN 201910685994 A CN201910685994 A CN 201910685994A CN 110569857 B CN110569857 B CN 110569857B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- contour
- corner
- centroid
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于质心距离计算的图像轮廓角点检测方法,通过计算每个图像轮廓点与其所形成局部区域质心的欧式距离定位角点区域,具体步骤为:首先读入图像,提取边缘轮廓,对图像轮廓每个像素点计算与其所形成局部区域质心的欧式距离,形成距离集合G,对G使用上下限阈值处理和点数阈值处理,形成集合I,最后对I中每个元素中的每个点应用Harris角点检测器计算响应,每个元素中响应最强的对应点的坐标,即为角点。本发明通过计算每个图像轮廓点与其所形成局部区域质心的欧式距离以定位角点区域,计算结果受图像灰度变化影响小,加强了对噪声的免疫力,减少了伪角点的产生,该方法适用于图像配准与匹配、图像融合和目标识别等计算机视觉领域。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于质心距离计算的图像轮廓角点检测方法。
背景技术
图像角点是图像的强特征点, 在目标识别、图像配准、运动检测等领域有广泛的应用。现有的角点检测方法包括:基于灰度图像的角点检测和基于二值图像的角点检测,其中基于灰度图像的Harris角点检测方法由于其具有对二维平移、旋转、少量光照变化,少量视角变化都不敏感,而且计算量很小的优点,受到广泛应用。
传统的Harris角点检测方法是以像素点为中心所形成的块区域灰度值矩阵为计算依据的,当光照变化较强、或待测物体产生镜面反射等因素引起物体成像不佳时, 会导致图像角点信息缺失、大量伪角点产生。
如,中国专利申请号: 201810396912.3,申请日为2018年4月28日,发明创造名称为:一种基于边缘检测和改进Harris角点检测的车牌定位方法和***,该申请案的主要步骤为:首先对输入图像平滑滤波,接着对平滑图像进行边缘提取,再对边缘采用Harris进行角点检测,获取角点位置,最后根据角点位置定位车牌位置。又如,中国专利申请号:201811246341.1,申请日为2018年10月25日,发明创造名称为:一种基于改进的harris角点检测拼接超声图像方法,该申请案用于对超声图像拼接,主要步骤为:首先将大小400×400的二维超声图像分割成无重叠的4×4子图,利用Harris角点检测器计算子图中角点响应函数R值分布,再采用改进的基于自适应阈值的角点拼接算法对图像进行筛选,通过最优T值确定角点数并拼接两幅超声图像。上述申请案中均是采用传统的Harris角点检测器计算公式来定位角点的,但是Harris角点检测对噪声敏感,会出现较多伪角点,从而影响图像的后续处理效果。
发明内容
本发明的目的在于克服传统Harris角点检测方法进行角点检测时对噪声敏感,检测结果受图像灰度变化影响大,伪角点多的不足,提供了一种基于质心距离计算的图像轮廓角点检测方法,本方法可大大降低图像灰度变化对角点定位的影响,避免角点的弱化或丢失现象,减少伪角点的产生。
为解决以上技术问题,本发明的技术方案是:一种基于质心距离计算的图像轮廓角点检测方法,其特征在于:该方法通过计算每个图像边缘轮廓点与其所形成局部区域质心的欧式距离以定位角点区域,计算结果受图像灰度变化影响小,加强了对噪声的免疫力,减少了伪角点的产生。
所述局部区域指的是以轮廓点为中心,以N为半径,在轮廓点集合中依次选取2N+1个相互连接的轮廓点所形成的子集,其中N代表的是一个可设定的整数。
所述图像轮廓角点检测的具体步骤如下:
步骤一:读入图像,提取图像边缘轮廓;
步骤二、对图像边缘轮廓每个像素点计算与其所形成局部区域质心的欧式距离,形成距离集合G;
步骤三:对距离集合G应用上下限阈值处理,得到集合H;
步骤四:对集合H应用点数阈值处理,得到集合I,I中的元素为具有8邻域连接关系的轮廓点的集合;
步骤五:对集合I中每个元素中的每个点应用Harris角点检测器计算响应,每个元素中响应最强的对应点的坐标,即为角点。
所述步骤一中的图像边缘轮廓指的是一个集合D,D的每个元素用序偶(x,y)表示,其中x为横坐标,y为纵坐标。
所述步骤三中的上下限阈值处理公式为:
lth为所设置的下限阈值,用于分离非角点区域,hth为所设置的上限阈值,所述lth的数值范围为 1~10,hth的数值范围为240~255。
所述步骤四中集合H点数阈值处理的处理步骤为:
步骤一: 依次遍历H中的每个元素,若其值为255,则置位标志,直到元素值为0为止清除标志,将置位标志到清除标志期间所有访问的元素存为一个集合;
步骤二:重复步骤一直到所有元素都被访问为止;
步骤三:删除长度小于th的集合,th为一个可设定的整数。
所述th的数值范围为5~15。
所述方法可应用于目标识别、图像配准、运动检测领域。
所述图像配准领域为陶器或瓷器碎片拼接复原工序,所述目标识别领域为标定板标定、车牌识别、字符识别、人脸识别、指纹识别,所述运动检测领域为运动目标跟踪。
采用本发明提供的技术方案,与现有技术相比,具有如下显著效果。
(1)本发明轮廓角点区域的判定完全取决于轮廓点的所形成局部区域的几何特征,与图像灰度信息无关,这样可极大程度减少图像灰度信息变化对角点区域定位的影响,从而大大抑制伪角点的产生。轮廓形状相对于图像灰度的变化是稳定的,另一方面,基于质心距离计算的定义,角点区域像素与其所形成的局部区域质心距离要明显高于非角点区域像素点的值,这两点能够有效避免角点的弱化或丢失现象。本发明的基于质心距离计算的轮廓角点检测方法具有角点定位准确、能够有效抑制虚假角点的特点。
(2)本发明角点的最终定位是通过计算角点区域的Harris角点检测响应最大值确定的,这样避免了传统Harris角点检测需要人为设定阈值所带来的不确定性。
(3)本发明主要涉及轮廓点与其所形成局部区域质心欧式距离的计算和角点区域Harris角点检测器计算,质心距离计算相对于传统Harris角点计算,其计算量更小,而且相邻点质心计算时大部分数据可重用,这样可大幅减少运行时间,角点区域是轮廓点很小部分,所需的Harris角点检测器计算量很小。相比于传统Harris角点计算方法,本发明的一种基于质心距离计算的轮廓角点检测方法计算量要小。
附图说明
图1为本发明的一种基于质心距离计算的轮廓角点检测方法的流程示意图;
图2为实施例1中待检测陶瓷碎片的灰度图像;
图3为图2提取图像轮廓的结果;
图4为图3经过步骤四处理后得到的结果,为了便于呈现,图示用半径5个像素的圆圈表示符合条件点的位置;
图5为图3采用基于质心距离计算的图像轮廓角点检测方法的检测结果,为了便于呈现,图示用半径5个像素的圆圈表示符合条件点的位置;
图6为图3采用传统Harris角点检测的检测结果(设定阈值为97)。为了便于呈现,图示用半径5个像素的圆圈表示符合条件点的位置;
图7为图3采用传统Harris角点检测的检测结果(设定阈值为96)。为了便于呈现,图示用半径5个像素的圆圈表示符合条件点的位置。
具体实施方式
为进一步了解本发明的内容,现结合实施例和附图对本发明作详细描述,应当理解,此处所描述的实例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本实施例主要应用背景是:考古过程所出现的陶器或瓷器很多都是不完整的碎片,人工拼接复原成本高,耗时长,而自动拼接往往基于图像角点(强特征点)匹配实现的。采用传统的Harris角点检测器检测结果伪角点多,对陶瓷碎片拼接结果会产生较大干扰。
如图1所示,本实施例主要利用质心距离计算来实现陶瓷碎片(如图2所示)图像轮廓角点的检测,其具体步骤如下:
步骤一、读入图像,然后将图像转换为单通道灰度图,用3*3的掩膜均值滤波处理,接着对滤波后的图像进行二值化处理,根据本实施例陶瓷碎片的成像的灰度值,本实施例中二值化处理的阈值设为100,即灰度值大于100的像素点二值化为255,否则二值化为0,最后将二值化图像中所有值为255的点坐标提取,形成图像边缘轮廓,如图3所示;
步骤二、对图像轮廓每个像素点计算与所形成的局部区域质心的距离,形成距离集合G,其中计算距离时,半径N=20;
步骤三、 对距离集合G应用上下限阈值处理,得到集合H,其中下限阈值设为3,上限阈值设为250;
步骤四、对集合H应用点数阈值处理,得到集合I,I中的元素为具有8邻域连接关系的轮廓点的集合,其中点数阈值th=10,即长度小于10的集合被认为是干扰,而非角点区域;本实施例中,经过步骤四处理后,所得角点区域如图4所示,图示用半径为5个像素的圆圈表示符合条件点的位置,从图中可以看出:经过步骤4后,集合I为3个角点区域的集合;
步骤五、 对集合I中每个元素中的每个点应用Harris角点检测器计算响应,响应最强对应点的坐标,即为角点,对本实施例,其结果如图5所示。Harris角点检测器参数设置为:Harris块尺寸为2,sobel滤波块尺寸为3,自由参数k=0.04。
为了将基于质心距离计算的轮廓角点检测方法与传统Harris角点检测方法比较,对图3直接用Harris角点检测器计算响应,然后将响应映射到0~255范围之内,最后对响应做阈值处理,满足阈值条件的点即为角点。其中,Harris角点检测器参数的设置与实施例1中步骤五的设置完全相同,如图6为阈值设为96的角点检测结果,从图中可以看出,传统Harris角点检测方法出现伪角点,并且遗漏了真正角点,如图7为阈值设为97的角点检测结果,从图中可以看出:传统Harris角点检测方法虽未遗漏真正角点,但出现了大量伪角点。对比可以看出:基于质心距离计算的轮廓角点检测方法检测可准确定位角点、能够有效抑制虚假角点的产生。
Claims (4)
1.一种基于质心距离计算的图像轮廓角点检测方法,其特征在于:该方法通过计算每个图像边缘轮廓点与其所形成局部区域质心的欧式距离以定位角点区域,计算结果受图像灰度变化影响小,加强了对噪声的免疫力,减少了伪角点的产生;
所述局部区域指的是以轮廓点为中心,以N为半径,在轮廓点集合中依次选取2N+1个相互连接的轮廓点所形成的子集,其中N代表的是一个可设定的整数;
所述图像轮廓角点检测的具体步骤如下:
步骤一:读入图像,提取图像边缘轮廓;
步骤二、对图像边缘轮廓每个像素点计算与其所形成局部区域质心的欧式距离,形成距离集合G;
步骤三:对距离集合G应用上下限阈值处理,得到集合H;
步骤四:对集合H应用点数阈值处理,得到集合I,I中的元素为具有8邻域连接关系的轮廓点的集合;
步骤五:对集合I中每个元素中的每个点应用Harris角点检测器计算响应,每个元素中响应最强的对应点的坐标,即为角点;
所述图像轮廓角点检测方法,其特征在于:所述步骤一中的图像边缘轮廓指的是一个集合D,D的每个元素用序偶(x,y)表示,其中x为横坐标,y为纵坐标;
所述的图像轮廓角点检测方法,其特征在于:所述方法可应用于目标识别、图像配准、运动检测领域;所述图像配准领域为陶器或瓷器碎片拼接复原工序,所述目标识别领域为标定板标定、车牌识别、字符识别、人脸识别、指纹识别,所述运动检测领域为运动目标跟踪。
3.根据权利要求1所述的图像轮廓角点检测方法,其特征在于:所述步骤四中集合H点数阈值处理的处理步骤为:
步骤一: 依次遍历H中的每个元素,若其值为255,则置位标志,直到元素值为0为止清除标志,将置位标志到清除标志期间所有访问的元素存为一个集合;
步骤二:重复步骤一直到所有元素都被访问为止;
步骤三:删除长度小于th的集合,th为一个可设定的整数。
4.根据权利要求3所述的图像轮廓角点检测方法,其特征在于:所述th的数值范围为5~15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910685994.8A CN110569857B (zh) | 2019-07-28 | 2019-07-28 | 一种基于质心距离计算的图像轮廓角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910685994.8A CN110569857B (zh) | 2019-07-28 | 2019-07-28 | 一种基于质心距离计算的图像轮廓角点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110569857A CN110569857A (zh) | 2019-12-13 |
CN110569857B true CN110569857B (zh) | 2022-05-06 |
Family
ID=68773366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910685994.8A Active CN110569857B (zh) | 2019-07-28 | 2019-07-28 | 一种基于质心距离计算的图像轮廓角点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569857B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI764073B (zh) * | 2018-12-28 | 2022-05-11 | 仁寶電腦工業股份有限公司 | 影像處理方法以及影像擷取裝置 |
CN113836964B (zh) * | 2020-06-08 | 2023-11-10 | 北京图森未来科技有限公司 | 车道线角点检测方法及装置 |
CN112464734B (zh) * | 2020-11-04 | 2023-09-15 | 昆明理工大学 | 一种基于视觉的四足动物行走运动特征自动识别方法 |
CN113077484B (zh) * | 2021-03-30 | 2023-05-23 | 中国人民解放军战略支援部队信息工程大学 | 一种图像实例分割方法 |
CN113191335A (zh) * | 2021-05-31 | 2021-07-30 | 景德镇陶瓷大学 | 基于深度学习的日用陶瓷类型识别方法 |
CN113569876A (zh) * | 2021-08-31 | 2021-10-29 | 东软睿驰汽车技术(沈阳)有限公司 | 图像特征提取方法、装置和电子设备 |
CN115830049A (zh) * | 2022-07-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 角点检测的方法和装置 |
CN116309837B (zh) * | 2023-03-16 | 2024-04-26 | 南京理工大学 | 一种结合特征点与轮廓点的毁伤元识别定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341802A (zh) * | 2017-07-19 | 2017-11-10 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1251142C (zh) * | 2003-11-20 | 2006-04-12 | 上海交通大学 | 刚体变换下基于轮廓的多源图像配准方法 |
CN106651853B (zh) * | 2016-12-28 | 2019-10-18 | 北京工业大学 | 基于先验知识和深度权重的3d显著性模型的建立方法 |
-
2019
- 2019-07-28 CN CN201910685994.8A patent/CN110569857B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341802A (zh) * | 2017-07-19 | 2017-11-10 | 无锡信捷电气股份有限公司 | 一种基于曲率与灰度复合的角点亚像素定位方法 |
CN108230307A (zh) * | 2017-12-29 | 2018-06-29 | 浙江大学 | 一种基于轮廓质心距离与神经网络的玉米破碎粒检测方法 |
Non-Patent Citations (3)
Title |
---|
一种改进的图像轮廓离散曲线演化算法研究;宋建辉等;《沈阳理工大学学报》;20190430;第38卷(第2期);第15-19页 * |
基于凹凸变换与圆周拟合的重叠气泡轮廓重构;穆晶晶等;《浙江大学学报(工学版)》;20170430;第51卷(第4期);第716-717页 * |
穆晶晶等.基于凹凸变换与圆周拟合的重叠气泡轮廓重构.《浙江大学学报(工学版)》.2017,第51卷(第4期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110569857A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN111243032B (zh) | 一种棋盘格角点全自动检测方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及*** | |
WO2022007431A1 (zh) | 一种Micro QR二维码的定位方法 | |
CN103345755B (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN110276750A (zh) | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 | |
CN111476246B (zh) | 应用于复杂环境下指针仪表鲁棒高效智读方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN112200019B (zh) | 一种快速建筑夜景照明灯光故障检测方法 | |
CN105787912B (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN108921831B (zh) | 一种基于图像处理技术的污损硬币识别方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN104899888A (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN110111387A (zh) | 一种基于表盘特征的指针表定位及读数算法 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
Othman et al. | Road crack detection using adaptive multi resolution thresholding techniques | |
CN110414521A (zh) | 一种变电站内变压器油位计示数识别方法 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及*** | |
CN115511966B (zh) | 基于角点检测的元件识别定位方法及***、存储介质 |
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 |