CN113888456A - 一种基于轮廓的角点检测算法 - Google Patents

一种基于轮廓的角点检测算法 Download PDF

Info

Publication number
CN113888456A
CN113888456A CN202010619850.5A CN202010619850A CN113888456A CN 113888456 A CN113888456 A CN 113888456A CN 202010619850 A CN202010619850 A CN 202010619850A CN 113888456 A CN113888456 A CN 113888456A
Authority
CN
China
Prior art keywords
point
corner
points
candidate
contour
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
Application number
CN202010619850.5A
Other languages
English (en)
Other versions
CN113888456B (zh
Inventor
刘克平
王国秀
张振国
于微波
赵爱国
杨宏韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202010619850.5A priority Critical patent/CN113888456B/zh
Publication of CN113888456A publication Critical patent/CN113888456A/zh
Application granted granted Critical
Publication of CN113888456B publication Critical patent/CN113888456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

在数字图像处理中，角点检测作为图像特征提取的一部分被广泛用于形状提取与分析、目标配准与匹配、图像压缩等领域，与工业现场的工件的测量、识别与定位有着密不可分的关系。针对目前工业上对工件进行角点提取时定位准确度低、检测时间长等问题，本文提出一种基于轮廓的角点检测算法，采用八邻域轮廓跟踪法对预处理后的图像进行轮廓提取，计算轮廓点的尖锐度，通过非极大值抑制得到候选角点，采用SUSAN圆形模板和支撑区域自适应方法对候选角点进行优化。实验结果表明，该算法抗干扰性高，定位精确，速度较快。

Description

一种基于轮廓的角点检测算法
技术领域
本发明涉及一种图像角点提取方法，可用于工业测量等方面。属于图像处理技术领域。
背景技术
图像的角点是表征图像的一种重要特征，图像的角点检测(Corner Detection)作为工业现场中工件的自动检测等过程中很重要的一环，其提取角点的能力和速度会直接影响工业自动化检测的精度和效率。
现阶段的角点检测算法主要有基于灰度图像、二值图像和轮廓曲线的角点检测算法三类，而在轮廓曲线上进行角点提取时，因其计算量较少、检测的准确性较高，且工业检测在保证精度的同时对速度也有很大的要求，因此该类算法被广泛的应用在工业检测现场。
基于轮廓尖锐度的角点检测算法首先对轮廓曲线在最佳尺度下进行高斯平滑，然后通过轮廓线中心点两侧支撑区域夹角的近似计算提取角点，最后进行非极大值抑制获取最终角点，该算法能较好的检测角点并抑制伪角点，但高斯平滑使算法复杂并且使检测精度降低。
SUSAN算法采用圆形模板检测图像的角点，直接通过对像素邻域灰度值进行比较即可判断出角点，优点是角点检测时不用计算梯度、不用插值且不依赖于前期图像预处理的结果，缺点是定位精度较差、对噪声敏感并且可能漏检角点。
发明内容
本发明的目的在于针对现有方法的不足，提出一种基于轮廓的角点检测算法，提高角点检测的准确性。
本发明的技术方案：首先采用八邻域轮廓跟踪法对预处理后的图像进行轮廓提取；然后计算轮廓点的尖锐度，通过非极大值抑制得到候选角点；最后采用SUSAN圆形模板和支撑区域自适应方法对候选角点进行优化。
本发明的方法通过以下几个步骤实现：
（1）对图像预处理得到二值图像，将目标与背景分离；
（2）采用八邻域轮廓跟踪法提取目标的轮廓；
（3）计算轮廓上每个点的尖锐度，获取候选角点；
（4）针对候选角点应用改进的SUSAN模板二次遍历，去除边缘伪角点；
（5）利用支撑区域自适应方法去除邻接伪角点。
与现有方法相比，本方法的优越性体现在：
1.直接对二值图像使用八邻域轮廓跟踪法进行轮廓提取，定位准确；
2.与传统的基于轮廓尖锐度的角点检测算法相比，本发明鲁棒性更好；
3.与传统的SUSAN角点检测算法相比，本发明速度更快，误检率更低；
4.算法实现简单，计算效率较高；
5.可应用于工件尺寸测量、特征匹配以及识别定位等方面。
如上所述的方法，其特征在于，所述步骤2采用8邻域轮廓追踪算法直接对二值图像进行轮廓的提取，避免了轮廓出现断点的问题，精度更高、速度更快。
八邻域轮廓跟踪算法的主要步骤如下：
step1：根据二值图像轮廓的性质，先对图像进行扫描寻找轮廓的起始边界点O并存储到容器中；
step2：按照预先设定的跟踪方向（顺时针），以O点为中心进行八邻域搜索，定位到下一个像素点N；
step3：检测N点是否与轮廓的起始边界点O重合，若不是，则存储N点并从N点开始重复执行step2，若是则停止搜索。
如上所述的方法，其特征在于，所述步骤3首先计算轮廓上各个点的尖锐度，主要是对轮廓上的任意一点
Figure 133679DEST_PATH_IMAGE001
，选取前后相邻的距离为
Figure 424720DEST_PATH_IMAGE002
两点
Figure 332021DEST_PATH_IMAGE003
作为支撑点，以该点为中心点、该点到支撑点为两边构成角
Figure 101132DEST_PATH_IMAGE004
，
Figure 66505DEST_PATH_IMAGE004
的角度计算公式为：
Figure 13601DEST_PATH_IMAGE005
则有
Figure 405268DEST_PATH_IMAGE006
，定义
Figure 856366DEST_PATH_IMAGE007
为该圆弧的尖锐度，
Figure 649878DEST_PATH_IMAGE008
越大，表明轮廓越尖锐，
Figure 892510DEST_PATH_IMAGE008
越小，表明轮廓越平缓。设定阈值
Figure 646839DEST_PATH_IMAGE009
，当
Figure 511414DEST_PATH_IMAGE008
值比
Figure 159433DEST_PATH_IMAGE009
大时，作为候选角点，再经过非极大值抑制进行筛选，得到较准确的候选角点。
如上所述的方法，其特征在于，所述步骤4采用如下的SUSAN圆形模板去除边缘伪角点：实际检测时，角点即核心点一定在轮廓上，故USAN的典型区域为三种情况：核心在轮廓的边缘上时, 核心点的USAN区域为圆形模板的一半；当核心在角点上时, 核心点的USAN区域为两种情况，一种为核心点在外角点上一种为核心点在轮廓内角点上。SUSAN算法优化的主要步骤如下：
1）在候选角点上放置一个具有37个像素大小的圆形模板，在预处理后的二值图像上，依次比较圆形模板内37个像素点的灰度值与候选角点的灰度值，设置阈值判断是否属于USAN区域，判别函数如下：
Figure 589278DEST_PATH_IMAGE010
；
2）统计圆形模板中和核心点有相似灰度值的像素个数
Figure 955537DEST_PATH_IMAGE011
，如下式所示：
Figure 355294DEST_PATH_IMAGE012
其中，
Figure 126329DEST_PATH_IMAGE013
是以
Figure 710763DEST_PATH_IMAGE014
为中心的圆形模板区域；
3）由于候选角点都在目标轮廓上，既有内角点也有外角点，故构建角点响应函数如下式，
若某个候选角点的USAN值小于某一特定阈值
Figure 564318DEST_PATH_IMAGE015
，或大于某一特定阈值
Figure 643132DEST_PATH_IMAGE016
则该候选角点被认为是角点，
Figure 141110DEST_PATH_IMAGE017
。
如上所述的方法，其特征在于，所述步骤5利用支撑区域自适应方法去除邻接伪角点，由于在复杂的轮廓变化较快的部分，会有多个点被判定为候选角点，这些候选角点互相邻接，去除邻接伪角点的步骤如下：
1)为保证最大程度的去邻接伪角点，首先确定邻接范围
Figure 40320DEST_PATH_IMAGE018
，选取
Figure 990959DEST_PATH_IMAGE019
，其中
Figure 998098DEST_PATH_IMAGE020
为支撑区域大小，
Figure 350582DEST_PATH_IMAGE021
为整数；
2)遍历候选角点，对于每个候选角点在邻接范围
Figure 417764DEST_PATH_IMAGE018
由内到外搜寻邻接角点，搜索范围为
Figure 855698DEST_PATH_IMAGE022
，若有邻接角点，对比角点的尖锐度
Figure 400949DEST_PATH_IMAGE023
，若当前点的
Figure 873519DEST_PATH_IMAGE024
值最大，则保留该角点；
3)再次遍历候选角点，对于每个候选角点在邻接范围
Figure 986968DEST_PATH_IMAGE018
由外内到外搜寻邻接角点，搜索范围为
Figure 39763DEST_PATH_IMAGE022
，若有邻接角点，则以该角点为支撑点，重新计算当前点的轮廓尖锐度
Figure 264071DEST_PATH_IMAGE024
，若新的
Figure 450201DEST_PATH_IMAGE025
值大于阈值
Figure 734552DEST_PATH_IMAGE026
，则保留该角点。
附图说明
图1为本发明八邻域轮廓跟踪示意图。
图2为本发明SUSAN圆形模板示意图。
图3为本发明轮廓上SUSAN典型区域示意图。
图4为本发明标准原始图像角点检测过程示意图。
图5为本发明工件原始图像角点检测过程示意图。
具体实施方式
为了更好地理解本发明的技术方案，以下结合附图和实施例，作进一步的详细描述。
采用本发明方法进行轮廓角点提取，具体按如下步骤进行。
1.对图像进行预处理
首先对图像进行增强，然后滤波，最后二值化将目标与背景分割开来。
2.提取目标轮廓信息
step1：根据二值图像轮廓的性质，先对图像进行扫描寻找轮廓的起始边界点O并存储到容器中；
step2：按照预先设定的跟踪方向（顺时针），以O点为中心进行八邻域搜索，定位到下一个像素点N；
step3：检测N点是否与轮廓的起始边界点O重合，若不是，则存储N点并从N点开始重复执行step2，若是则停止搜索；
图1为本发明八邻域轮廓跟踪示意图。
3.获取候选角点
首先计算轮廓上各个点的尖锐度，主要是对轮廓上的任意一点
Figure 147079DEST_PATH_IMAGE001
，选取前后相邻的距离为
Figure 299711DEST_PATH_IMAGE002
两点
Figure 481294DEST_PATH_IMAGE003
作为支撑点，以该点为中心点、该点到支撑点为两边构成角
Figure 795601DEST_PATH_IMAGE004
，
Figure 695424DEST_PATH_IMAGE004
的角度计算公式为：
Figure 389098DEST_PATH_IMAGE005
则有
Figure 690766DEST_PATH_IMAGE006
，定义
Figure 51340DEST_PATH_IMAGE007
为该圆弧的尖锐度，
Figure 563093DEST_PATH_IMAGE008
越大，表明轮廓越尖锐，
Figure 932894DEST_PATH_IMAGE008
越小，表明轮廓越平缓。设定阈值
Figure 948124DEST_PATH_IMAGE009
，当
Figure 745179DEST_PATH_IMAGE008
值比
Figure 354014DEST_PATH_IMAGE009
大时，作为候选角点，再经过非极大值抑制进行筛选，得到较准确的候选角点。
4.获取真实角点
采用如下的SUSAN圆形模板去除边缘伪角点：实际检测时，角点即核心点一定在轮廓上，故USAN的典型区域为三种情况：核心在轮廓的边缘上时, 核心点的USAN区域为圆形模板的一半；当核心在角点上时, 核心点的USAN区域为两种情况，一种为核心点在外角点上一种为核心点在轮廓内角点上，图2为本发明SUSAN圆形模板示意图，图3为本发明轮廓上SUSAN典型区域示意图。
SUSAN算法优化的主要步骤如下：
1）在候选角点上放置一个具有37个像素大小的圆形模板，在预处理后的二值图像上，依次比较圆形模板内37个像素点的灰度值与候选角点的灰度值，设置阈值判断是否属于USAN区域，判别函数如下：
Figure 652141DEST_PATH_IMAGE010
；
2）统计圆形模板中和核心点有相似灰度值的像素个数
Figure 662822DEST_PATH_IMAGE011
，如下式所示：
Figure 758341DEST_PATH_IMAGE012
其中，
Figure 854473DEST_PATH_IMAGE013
是以
Figure 566077DEST_PATH_IMAGE014
为中心的圆形模板区域；
3）由于候选角点都在目标轮廓上，既有内角点也有外角点，故构建角点响应函数如下式，
若某个候选角点的USAN值小于某一特定阈值
Figure 555899DEST_PATH_IMAGE015
，或大于某一特定阈值
Figure 694756DEST_PATH_IMAGE016
则该候选角点被认为是角点，
Figure 402818DEST_PATH_IMAGE017
。
如上所述的方法，其特征在于，所述步骤5利用支撑区域自适应方法去除邻接伪角点，由于在复杂的轮廓变化较快的部分，会有多个点被判定为候选角点，这些候选角点互相邻接，去除邻接伪角点的步骤如下：
1)为保证最大程度的去邻接伪角点，首先确定邻接范围
Figure 652534DEST_PATH_IMAGE018
，选取
Figure 637808DEST_PATH_IMAGE019
，其中
Figure 72200DEST_PATH_IMAGE020
为支撑区域大小，
Figure 142924DEST_PATH_IMAGE021
为整数；
2)遍历候选角点，对于每个候选角点在邻接范围
Figure 300457DEST_PATH_IMAGE018
由内到外搜寻邻接角点，搜索范围为
Figure 140237DEST_PATH_IMAGE022
，若有邻接角点，对比角点的尖锐度
Figure 745530DEST_PATH_IMAGE023
，若当前点的
Figure 37972DEST_PATH_IMAGE024
值最大，则保留该角点；
3)再次遍历候选角点，对于每个候选角点在邻接范围
Figure 895069DEST_PATH_IMAGE018
由外内到外搜寻邻接角点，搜索范围为
Figure 713989DEST_PATH_IMAGE022
，若有邻接角点，则以该角点为支撑点，重新计算当前点的轮廓尖锐度
Figure 365551DEST_PATH_IMAGE024
，若新的
Figure 535501DEST_PATH_IMAGE025
值大于阈值
Figure 930710DEST_PATH_IMAGE026
，则保留该角点。
通过以上步骤最终获得图像轮廓上的真实角点，图4为本发明标准原始图像角点检测过程示意图，图5为本发明工件原始图像角点检测过程示意图。

Claims (3)

1.一种基于轮廓的角点检测算法，其特征在于包括以下步骤：
步骤1：采用八邻域轮廓跟踪法提取二值图像轮廓；
步骤2：计算轮廓尖锐度，获取候选角点；
步骤3：针对候选角点应用改进的SUSAN模板二次遍历，去除边缘伪角点；
步骤4：利用支撑区域自适应方法去除邻接伪角点。
2.如权利要求1所述的方法，其特征在于采用如下的SUSAN圆形模板去除边缘伪角点：实际检测时，角点即核心点一定在轮廓上，故核值相似区(Univalue Segment-Assimilating Nucleus，USAN)的典型区域为三种情况：核心在轮廓的边缘上时, 核心点的USAN区域为圆形模板的一半；当核心在角点上时, 核心点的USAN区域为两种情况，一种为核心点在外角点上一种为核心点在轮廓内角点上，SUSAN角点优化的主要步骤如下：
1）在候选角点上放置一个具有37个像素大小的圆形模板，在预处理后的二值图像上，依次比较圆形模板内37个像素点的灰度值与候选角点的灰度值，设置阈值判断是否属于USAN区域，判别函数如下：
Figure 729015DEST_PATH_IMAGE001
；
2）统计圆形模板中和核心点有相似灰度值的像素个数
Figure 944620DEST_PATH_IMAGE002
，如下式所示：
Figure 211653DEST_PATH_IMAGE003
其中，
Figure 535187DEST_PATH_IMAGE004
是以
Figure 938487DEST_PATH_IMAGE005
为中心的圆形模板区域；
3）由于候选角点都在目标轮廓上，既有内角点也有外角点，故构建角点响应函数如下式，
若某个候选角点的USAN值小于某一特定阈值
Figure 322064DEST_PATH_IMAGE006
，或大于某一特定阈值
Figure 76393DEST_PATH_IMAGE007
则该候选角点被认为是角点，
Figure 938039DEST_PATH_IMAGE008
。
3.如权利要求1所述的方法，其特征在于利用支撑区域自适应方法去除邻接伪角点，由于在复杂的轮廓变化较快的部分，会有多个点被判定为候选角点，这些候选角点互相邻接，去除邻接伪角点的步骤如下：
1)为保证最大程度的去邻接伪角点，首先确定邻接范围
Figure 461424DEST_PATH_IMAGE009
，选取
Figure 18832DEST_PATH_IMAGE010
，其中
Figure 994878DEST_PATH_IMAGE011
为支撑区域大小，
Figure 660214DEST_PATH_IMAGE012
为整数；
2)遍历候选角点，对于每个候选角点在邻接范围
Figure 303685DEST_PATH_IMAGE009
由内到外搜寻邻接角点，搜索范围为
Figure 638852DEST_PATH_IMAGE013
，若有邻接角点，对比角点的尖锐度
Figure 492407DEST_PATH_IMAGE014
，若当前点的
Figure 571222DEST_PATH_IMAGE015
值最大，则保留该角点；
3)再次遍历候选角点，对于每个候选角点在邻接范围
Figure 193833DEST_PATH_IMAGE009
由外内到外搜寻邻接角点，搜索范围为
Figure 699901DEST_PATH_IMAGE013
，若有邻接角点，则以该角点为支撑点，重新计算当前点的轮廓尖锐度
Figure 67119DEST_PATH_IMAGE015
，若新的
Figure 949625DEST_PATH_IMAGE016
值大于阈值
Figure 426742DEST_PATH_IMAGE017
，则保留该角点。
CN202010619850.5A 2020-07-01 2020-07-01 一种基于轮廓的角点检测方法 Active CN113888456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010619850.5A CN113888456B (zh) 2020-07-01 2020-07-01 一种基于轮廓的角点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010619850.5A CN113888456B (zh) 2020-07-01 2020-07-01 一种基于轮廓的角点检测方法

Publications (2)

Publication Number Publication Date
CN113888456A true CN113888456A (zh) 2022-01-04
CN113888456B CN113888456B (zh) 2024-05-24

Family

ID=79012441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010619850.5A Active CN113888456B (zh) 2020-07-01 2020-07-01 一种基于轮廓的角点检测方法

Country Status (1)

Country Link
CN (1) CN113888456B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564728A (zh) * 2022-09-30 2023-01-03 苏州大学 一种图像角点检测方法、装置、设备及应用
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100591608B1 (ko) * 2005-03-18 2006-06-20 전남대학교산학협력단 영상 정합시 대응점 검색방법
CN101794446A (zh) * 2010-02-11 2010-08-04 东南大学 一种图像角点的线搜索式检测方法
CN101887586A (zh) * 2010-07-30 2010-11-17 上海交通大学 基于图像轮廓尖锐度的自适应角点检测方法
CN106652048A (zh) * 2016-12-30 2017-05-10 杭州电子科技大学 基于3d‑susan算子的三维模型感兴趣点提取方法
WO2017193414A1 (zh) * 2016-05-12 2017-11-16 惠州学院 一种基于转弯半径的图像角点检测方法
CN108765441A (zh) * 2018-06-05 2018-11-06 哈尔滨理工大学 基于高斯变换的多尺度susan角点检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100591608B1 (ko) * 2005-03-18 2006-06-20 전남대학교산학협력단 영상 정합시 대응점 검색방법
CN101794446A (zh) * 2010-02-11 2010-08-04 东南大学 一种图像角点的线搜索式检测方法
CN101887586A (zh) * 2010-07-30 2010-11-17 上海交通大学 基于图像轮廓尖锐度的自适应角点检测方法
WO2017193414A1 (zh) * 2016-05-12 2017-11-16 惠州学院 一种基于转弯半径的图像角点检测方法
CN106652048A (zh) * 2016-12-30 2017-05-10 杭州电子科技大学 基于3d‑susan算子的三维模型感兴趣点提取方法
CN108765441A (zh) * 2018-06-05 2018-11-06 哈尔滨理工大学 基于高斯变换的多尺度susan角点检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘晨;于微波;杨宏韬;王国秀;谢家欣;: "工件图像轮廓角点特征提取算法", 长春工业大学学报, no. 05, 15 October 2019 (2019-10-15) *
卢军;谭智仁;: "结合Mahalanobis距离的SUSAN彩色边缘检测方法研究", 陕西科技大学学报(自然科学版), no. 06, 25 December 2013 (2013-12-25) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2024016686A1 (zh) * 2022-07-18 2024-01-25 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
CN115564728A (zh) * 2022-09-30 2023-01-03 苏州大学 一种图像角点检测方法、装置、设备及应用
CN115564728B (zh) * 2022-09-30 2023-08-11 苏州大学 一种图像角点检测方法、装置、设备及应用

Also Published As

Publication number Publication date
CN113888456B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
WO2022007431A1 (zh) 一种Micro QR二维码的定位方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN107369136B (zh) 聚晶金刚石复合片表面裂纹视觉检测方法
CN109727244B (zh) 一种磁瓦表面裂纹检测方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN113888456B (zh) 一种基于轮廓的角点检测方法
Xu Robust traffic sign shape recognition using geometric matching
CN110717872A (zh) 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取***
CN110569857A (zh) 一种基于质心距离计算的图像轮廓角点检测方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN114693610A (zh) 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质
CN108921831B (zh) 一种基于图像处理技术的污损硬币识别方法
CN105787912B (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN111652825A (zh) 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
CN106529551B (zh) 面向包装行业的类圆对象智能识别计数检测方法
CN110807354B (zh) 一种工业流水线产品计数方法
CN107808165B (zh) 一种基于susan角点检测的红外图像匹配方法
CN116823827B (zh) 一种基于图像处理的矿石粉碎效果评价方法
CN111815575B (zh) 一种基于机器视觉的轴承钢珠零件检测方法
CN110956200A (zh) 一种轮胎花纹相似度检测方法
Yu et al. An algorithm for corner detection based on Contour
Sun et al. Research on image segmentation and extraction algorithm for bicolor water level gauge
CN110689538B (zh) 隧道衬砌裂缝图像检测方法

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
GR01 Patent grant
GR01 Patent grant