CN113837206A - 一种基于机器学习svm的图像角点检测方法 - Google Patents
一种基于机器学习svm的图像角点检测方法 Download PDFInfo
- Publication number
- CN113837206A CN113837206A CN202111148810.8A CN202111148810A CN113837206A CN 113837206 A CN113837206 A CN 113837206A CN 202111148810 A CN202111148810 A CN 202111148810A CN 113837206 A CN113837206 A CN 113837206A
- Authority
- CN
- China
- Prior art keywords
- corner
- image
- points
- point
- svm
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器学习SVM的图像角点检测方法,通过对提取的角点候选点进行相关的判断,借助支持向量机分类,最终选出合理的角点,具体是首先设置阈值和获取图像的像素点及其灰度变化的强度,然后利用阈值将候选点和周围的像素点进行比较,阈值是根据图像全局阈值自动估计的,最后对获取的角点进行过滤操作和支持向量机的分类,获取的角点会在图像最终显示出来,与现有技术相比,本发明所公开的方法计算方式简单凝练、获取的角点数量多、鲁棒性显著提高。
Description
技术领域
本发明涉及自动视觉检测技术领域,具体为一种基于机器学习SVM的图像角点检测方法。
背景技术
机器视觉中的支持向量机方法是借助OpenCV仿真工具用于角点检测。对于角点检测,它代表分类中的关键点。角点在图像处理中起着重要的作用。它是一种在计算机视觉***中用来提取某种特征和理解图像内容的方法。所以在图像处理的过程中的角点的检测就显得尤为重要,因此亟需要一种高效的方法来进行角点检测。
现多数技术研究人员由于技术的原因,角点检测方法还是采用Harris角点检测、Shi-Thomasi角点检测的方法,而这些检测的方法存在以下问题:检测到角点的数量比较少,缺乏鲁棒性,从而影响后续图像的特征提取和识别。
针对以上的不足,本发明提供了基于基于机器学习SVM的图像角点检测方法,该方法能够增加检测到的角点的数目,同时提高了检测的鲁棒性,从而提高了图像的特征提取和识别的能力,以便获取更多的有用的图像信息。
发明内容
本发明的目的在于提供一种基于机器学习SVM的图像角点检测方法,以解决上述背景技术中提出的技术问题。为实现上述目的,本发明提供如下技术方案:一种基于机器学习SVM的图像角点检测方法,包括以下步骤:
S1、将采集到的角点图像进行预处理;
S2、设置阈值t,并获取角点图像的像素点以及灰度变化强度,预测角点位置;
S3、度量预测角点的强度,并使用SVM进行角点分类,在角点图像上显示出最终确定的角点。
优选的,所述步骤S1具体包括:将采集到的角点图像转化为灰度图像。
优选的,所述步骤S3具体包括:
S31、选取一个预测角点位置的像素点p,同时获取p点相邻多个像素点k的位置,将p点相邻多个像素点k的位置坐标存储在一个矢量中;
S32、执行角点检测操作,当k<p-t时,将像素点p标记为1;当k>p+t时,将像素点p标记为2;其中k-p取[-255,255],构建一个大小为512的查找表;
S33、执行角点过滤操作,用响应函数度量角点的强度,并使用SVM进行角点分类,并在角点图像上显示出最终确定的角点。
优选的,所述响应函数是相邻弧和中间像素点的绝对差的总和。
与现有技术相比,本发明的有益效果是:
本发明公开了一种基于机器学习SVM的图像角点检测方法,通过对提取的角点候选点进行相关的判断,借助支持向量机分类,最终选出合理的角点,具体是首先设置阈值和获取图像的像素点及其灰度变化的强度,然后利用阈值将候选点和周围的像素点进行比较,阈值是根据图像全局阈值自动估计的,最后对获取的角点进行过滤操作和支持向量机的分类,获取的角点会在图像最终显示出来,与现有技术相比,本发明所公开的方法计算方式简单凝练、获取的角点数量多、鲁棒性显著提高。
附图说明
图1为本发明一实施方式的整体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明公开了一种基于机器学习SVM的图像角点检测方法,通过对提取的角点候选点进行相关的判断,借助支持向量机分类,最终选出合理的角点,具体是首先设置阈值和获取图像的像素点及其灰度变化的强度,然后利用阈值将候选点和周围的像素点进行比较,阈值是根据图像全局阈值自动估计的,最后对获取的角点进行过滤操作和支持向量机的分类,获取的角点会在图像最终显示出来,与现有技术相比,本发明所公开的方法计算方式简单凝练、获取的角点数量多、鲁棒性显著提高,具体是:请参阅图1,本发明提供一种技术方案:一种基于机器学习SVM的图像角点检测方法,包括以下步骤:
S1、将采集到的角点图像进行预处理;
S2、设置阈值t,并获取角点图像的像素点以及灰度变化强度,预测角点位置,其中阈值为图像阈值,是0-t被选中,阈值范围为0-255,且灰度变化强度指的是灰度值的变量;
S3、度量预测角点的强度,并使用SVM进行角点分类,在角点图像上显示出最终确定的角点。
作为本发明一优选实施方案,所述步骤S1具体包括:将采集到的角点图像转化为灰度图像。
作为本发明一优选实施方案,所述步骤S3具体包括:
S31、选取一个预测角点位置的像素点p,同时获取p点相邻多个像素点k的位置,将p点相邻多个像素点k的位置坐标存储在一个矢量中;
S32、执行角点检测操作,当k<p-t时,将像素点p标记为1;当k>p+t时,将像素点p标记为2;其中k-p取[-255,255],构建一个大小为512的查找表;
具体地,所述查找表指的是1-512行的表格,用于记录像素点p在哪个位置。
S33、执行角点过滤操作,用响应函数度量角点的强度,并使用SVM进行角点分类,通过svm分类后可以查看角点的情况,并在角点图像上显示出最终确定的角点。
作为本发明一优选实施方案,所述响应函数是相邻弧和中间像素点的绝对差的总和。
Claims (4)
1.一种基于机器学习SVM的图像角点检测方法,其特征在于,包括以下步骤:
S1、将采集到的角点图像进行预处理;
S2、设置阈值t,并获取角点图像的像素点以及灰度变化强度,预测角点位置;
S3、度量预测角点的强度,并使用SVM进行角点分类,在角点图像上显示出最终确定的角点。
2.根据权利要求1所述的一种基于机器学习SVM的图像角点检测方法,其特征在于,所述步骤S1具体包括:将采集到的角点图像转化为灰度图像。
3.根据权利要求1所述的一种基于机器学习SVM的图像角点检测方法,其特征在于,所述步骤S3具体包括:
S31、选取一个预测角点位置的像素点p,同时获取p点相邻多个像素点k的位置,将p点相邻多个像素点k的位置坐标存储在一个矢量中;
S32、执行角点检测操作,当k<p-t时,将像素点p标记为1;当k>p+t时,将像素点p标记为2;其中k-p取[-255,255],构建一个大小为512的查找表;
S33、执行角点过滤操作,用响应函数度量角点的强度,并使用SVM进行角点分类,并在角点图像上显示出最终确定的角点。
4.根据权利要求3所述的一种基于机器学习SVM的图像角点检测方法,其特征在于,所述响应函数是相邻弧和中间像素点的绝对差的总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148810.8A CN113837206A (zh) | 2021-09-29 | 2021-09-29 | 一种基于机器学习svm的图像角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148810.8A CN113837206A (zh) | 2021-09-29 | 2021-09-29 | 一种基于机器学习svm的图像角点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837206A true CN113837206A (zh) | 2021-12-24 |
Family
ID=78967519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148810.8A Pending CN113837206A (zh) | 2021-09-29 | 2021-09-29 | 一种基于机器学习svm的图像角点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837206A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240112A (zh) * | 2017-06-28 | 2017-10-10 | 北京航空航天大学 | 一种复杂场景下个体x角点提取方法 |
CN109146861A (zh) * | 2018-08-04 | 2019-01-04 | 福州大学 | 一种改进的orb特征匹配方法 |
CN111640157A (zh) * | 2020-05-28 | 2020-09-08 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
-
2021
- 2021-09-29 CN CN202111148810.8A patent/CN113837206A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107240112A (zh) * | 2017-06-28 | 2017-10-10 | 北京航空航天大学 | 一种复杂场景下个体x角点提取方法 |
CN109146861A (zh) * | 2018-08-04 | 2019-01-04 | 福州大学 | 一种改进的orb特征匹配方法 |
CN111640157A (zh) * | 2020-05-28 | 2020-09-08 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
Non-Patent Citations (1)
Title |
---|
马大哈先生: "图像特征提取(四)——FAST算法解析", pages 2 - 3, Retrieved from the Internet <URL:《https://blog.csdn.net/qq_37764129/article/details/80970032》> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210409B (zh) | 表格单据中表格框线检测方法及*** | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
CN109426814B (zh) | 一种***图片特定板块的定位、识别方法、***、设备 | |
CN111340027A (zh) | 一种堆钢识别方法、***、电子设备及介质 | |
CN103852034B (zh) | 一种电梯导轨垂直度检测方法 | |
WO2021000948A1 (zh) | 配重重量的检测方法与***、获取方法与***及起重机 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN105678737A (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN114882010A (zh) | 基于图片识别的表面缺陷检测方法 | |
CN109086643B (zh) | 一种基于机器视觉的彩盒标签检测方法及*** | |
CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及*** | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN113837206A (zh) | 一种基于机器学习svm的图像角点检测方法 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN114663365A (zh) | 缺陷检测方法、装置及计算机存储介质 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN112801963A (zh) | 一种视频图像遮挡检测方法及*** | |
CN112927197B (zh) | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 | |
CN108805855A (zh) | 一种混凝土裂纹快速识别方法 | |
CN113344858B (zh) | 特征检测方法、装置及计算机存储介质 | |
CN114119754B (zh) | 基于连通粒的像素级火灾烟雾根节点检测方法 | |
CN117952963A (zh) | 一种基于轮廓匹配的光伏连接器故障检测方法 |
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 |