一种具有广泛适应性的图像亚像素边缘提取方法技术

本发明专利技术提出了一种具有广泛适应性的图像亚像素边缘提取方法，采用自适应高低阈值计算方法，在得到梯度图像后，结合像素点的梯度方向信息对梯度图像执行局部极大中心值选择操作，以任意像素位置为原点，建立相对坐标，取该点周围八邻域像素为局部极大中心值选择数据样本，根据梯度方向得到邻域的比较结果，确定当前像素位置是否为边界点候选位置。局部梯度幅值的极值是否为边缘点，需要结合特定阈值来判断，大于某给定阈值的标记为边缘点，小于某给定阈值判定为噪声点或背景点；采用基于Steger曲面拟合方法的Hessian矩阵法求取边缘点的亚像素位置；最后将将边缘点连接成曲线，构成一组有向连续点的集合。本发明专利技术方法具有极好的实时性。

【技术实现步骤摘要】

本专利技术涉及图像识别
，尤其涉及一种图像亚像素边缘提取方法。
技术介绍
在机器视觉中，为进行目标定位、测量、检测或几何特征提取等都需要对目标进行亚像素精度的边缘提取。例如在目标定位中采用几何特征的模板匹配方法需要对模板和目标进行亚像素精度的边缘提取；在测量应用中需要精确检测到物体的边缘才能进行准确地测量；在检测应用中，如光学字符验证OCV、边缘缺陷检测等都需要稳定地检测到物体的亚像素边缘。常用的边缘提取算法有Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子及Canny算子等。亚像素精度的边缘提取算法有空间矩法、灰度矩法、Zernike矩法及数字相关法等。其它亚像素精度的边缘提取算法还包括多项式拟合法、椭圆拟合法、高斯曲面拟合法、Sigmoid曲线拟合法等，李帅等提出了一种基于高斯曲面拟合的亚像素检测算法，孙成秋等在《一种亚像素精度的边缘检测方法》中提出采用贝塞尔边缘模型进行亚像素边缘提取，张舞杰等提出了一种基于Sigmoid函数拟合的亚像素边缘检测的方法。专利文献1(中国专利公开号CN10465002A)公开了一种基于Sobel边缘提取的椭圆目标亚像素边缘定位方法，通过像素边缘计算椭圆几何参数，通过像素边缘计算出亚像素边缘。专利文献2(中国专利公开号CN102737377A)公开了一种改进的亚像素边缘提取算法，先进行像素精度的粗定位，利用边缘图像裁剪目标图像缩小查找范围，然后在缩小后的范围内提取亚像素边缘。专利文献3(中国专利公开号CN103530878A)公开了一种基于融合策略的边缘提取方法，采用三种传统的边缘提取算法的结果获得反映属于边缘可能程度的投票权重，然后分析像素点与邻域的最大亮度差和最小亮度差的差值，获取描述亮度突变程度的差值权重；统计去中心邻域方差分布，获取所有像素点的边缘分布权重，进行边缘决策，输出边缘图像。专利文献4(中国专利公开号CN103886589A)公开了一种面向目标的自动化高精度边缘提取方法，包括模型训练阶段和边缘提取阶段。专利文献5(中国专利公开号CN103955911A)公开了一种基于相对变分的边缘检测方法，包括图像预处理及基于神经网络方法的边缘检测。专利文献6(中国专利公开号CN104268857A)公开了一种快速亚像素边缘检测和定位方法，基本思路
是首先获得像素级边缘位置，然后采用余弦查表法计算亚像素边缘点。专利文献7(中国专利公开号CN104268872A)公开了一种基于一致性的边缘检测方法。专利文献8(中国专利公开号CN104732536A)公开了一种基于改进形态学的亚像素边缘检测方法，采用改进的形态学边缘检测算子平滑图像边缘信息，在物体边缘轮廓中利用Canny算子获得像素级的边缘，然后将像素级边缘拟合为产品的亚像素边缘。专利文献9(中国专利公开号CN105005981A公)开了一种的亚像素精度的激光光条中心提取方法，通过在平滑后的图像中定位初始光条中心，然后利用高斯函数拟合获得光条宽度，再利用拟合高斯函数的方差及高斯卷积核等参数计算Hessian矩阵，依据Hessian矩阵计算出激光光条的亚像素中心位置。在Hessian矩阵方法的使用上与本专利技术相同，但在像素精度位置计算方面存在本质的区别，也导致两个方法的适用性完全不同。然而在工业环境应用中，图像受到各类因素的干扰导致图像质量降低，包括强噪声、边缘模糊等，如何在低质量的图像中稳定地检测出亚像素精度的边缘特征并没有很好地解决。传统的像素精度的边缘提取算法在工业自动化应用如3C自动化装备、电子制造、工业机器人视觉等应用中并不能满足精度要求。空间矩法、灰度矩法、Zernike矩法及数字相关法等亚像素边缘提取算法在检测精度、计算速度和抗噪声能力方面均存在各自的不足，很难适应工业环境中严苛的检测工况。专利文献1只能提取椭圆目标的亚像素位置，通用性不足，且不能处理模糊目标的边缘提取问题。专利文献3公开的方法中分布利用了Sobel、Canny和LoG算子进行边缘检测，然后将三种算子检测的结果进行加权投票统计，根据投票的权重矩阵得到亚像素坐标，该方法存在的问题是速度慢、精度依赖于权重矩阵、不能解决强噪声、模糊等图像的边缘提取问题。专利文献4和专利文献5公开的方法采用Canny和相对变分的结果，采用机器学习的方法进行边缘提取，其方法速度较慢、不能在低质量图像中进行稳定的边缘提取。专利文献6公开的方法在像素坐标粗定位的基础上，在8个梯度方向上进行亚像素边缘检测，该方法具有很好的计算速度，但没有考虑强噪声和模糊图像的处理。专利文献7和专利文献8也存在计算效率不高，不能处理强噪声、模糊图像的边缘提取问题。专利文献9公开的方法采用多级高斯卷积运算，算法复杂度高，对光照变化等原因形成的不同区域非线性阴影变化无法实现鲁棒的光条中心线提取，该方法只适用于激光光条中心线提取，无法实现通用的图像边缘特征提取。
技术实现思路
本专利技术的目的在于提供一种基于图像边缘信息的高速、高精度模板匹配定位方法，该方法能同时输出模板图像在目标图像中亚像素精度的位置、旋转角度和缩放比例因子，针对目标图像出现位移、旋转、缩放、部分遮挡、光照明暗变化，光照不均匀、杂乱背景等都能实现快速、稳定、高精度的定位和识别。本专利技术可以应用于需要通过机器视觉进行目标定位和识别的场合：如机器人引导、半导体封装、电子制造、自动化装配、产品视觉检测、视觉测量、视频跟踪等领域。本专利技术公开的方法能够在低质量图像中稳定地检测出亚像素精度的边缘特性。为达上述目的，本专利技术通过以下技术方案实现：一种具有广泛适应性的图像亚像素边缘提取方法，包括以下步骤：步骤1：采用可变尺度图像模糊平滑滤波对图像预处理；步骤2：对预处理后的图像计算一阶导数，首先确保得到的梯度幅值满足该点错误率小于设定值αp，图像一阶导数通过目标核卷积图像空间得到；图像的边缘线在图像一阶导数的脊线处，其中，脊线是梯度图像内相邻连续的局部极大值的集合；步骤3：在边缘候选点筛选过程中应用到链式阈值的边缘提取及选择原理，实现像素级边界位置提取，高低阈值采用两种方式获得：外部参数输入或者自适应阈值计算；步骤4：在得到梯度图像后，为方便并快速找到脊线的单像素宽位置，结合像素点的梯度方向信息对梯度图像执行局部极大中心值选择操作；步骤5：局部梯度幅值的极值是否为边缘点，需要结合特定阈值来判断，大于某给定阈值的标记为边缘点，小于某给定阈值判定为噪声点或背景点；步骤6：计算亚像素精度的边缘位置；步骤7：将边缘点连接成曲线，构成一组有向连续点的集合。作为本专利技术的进一步改进所述步骤2中，设图像I(x，y)被执行边缘提取操作后得到边界点错误率为αI，图像大小为n＝w×h，则单点检测错误的概率为αp＝1-(1-αI)1/n，其中αI范围在0到1.0间，图像I(x，y)只有高斯噪声且噪声信号方差为sn；利用卷积的分步特性，有如下等式： r x ( 本文档来自技高网...

【技术保护点】
一种具有广泛适应性的图像亚像素边缘提取方法，其特征在于：所述方法包括以下步骤：步骤1：采用可变尺度图像模糊平滑滤波对图像预处理；步骤2：对预处理后的图像计算一阶导数，首先确保得到的梯度幅值满足该点错误率小于设定值αp，图像一阶导数通过目标核卷积图像空间得到；图像的边缘线在图像一阶导数的脊线处，其中，脊线是梯度图像内相邻连续的局部极大值的集合；步骤3：在边缘候选点筛选过程中应用到链式阈值的边缘提取及选择原理，实现像素级边界位置提取，高低阈值采用两种方式获得：外部参数输入或者自适应阈值计算；步骤4：在得到梯度图像后，为方便并快速找到脊线的单像素宽位置，结合像素点的梯度方向信息对梯度图像执行局部极大中心值选择操作；步骤5：局部梯度幅值的极值是否为边缘点，需要结合特定阈值来判断，大于某给定阈值的标记为边缘点，小于某给定阈值判定为噪声点或背景点；步骤6：计算亚像素精度的边缘位置；步骤7：将边缘点连接成曲线，构成一组有向连续点的集合。

【技术特征摘要】
1.一种具有广泛适应性的图像亚像素边缘提取方法，其特征在于：所述方法包括以下步骤：步骤1：采用可变尺度图像模糊平滑滤波对图像预处理；步骤2：对预处理后的图像计算一阶导数，首先确保得到的梯度幅值满足该点错误率小于设定值αp，图像一阶导数通过目标核卷积图像空间得到；图像的边缘线在图像一阶导数的脊线处，其中，脊线是梯度图像内相邻连续的局部极大值的集合；步骤3：在边缘候选点筛选过程中应用到链式阈值的边缘提取及选择原理，实现像素级边界位置提取，高低阈值采用两种方式获得：外部参数输入或者自适应阈值计算；步骤4：在得到梯度图像后，为方便并快速找到脊线的单像素宽位置，结合像素点的梯度方向信息对梯度图像执行局部极大中心值选择操作；步骤5：局部梯度幅值的极值是否为边缘点，需要结合特定阈值来判断，大于某给定阈值的标记为边缘点，小于某给定阈值判定为噪声点或背景点；步骤6：计算亚像素精度的边缘位置；步骤7：将边缘点连接成曲线，构成一组有向连续点的集合。2.根据权利要求1所述的方法，其特征在于：所述步骤2中，设图像I(x，y)被执行边缘提取操作后得到边界点错误率为αI，图像大小为n＝w×h,则单点检测错误的概率为αp＝1-(1-αI)1/n，其中αI范围在0到1.0间，图像I(x，y)只有高斯噪声且噪声信号方差为sn；利用卷积的分步特性，有如下等式： r x ( x , y , σ ) = ( I ( x , y ) * G ( x , y , σ ) ) ′ = ( I * G ( x , σ ) ′ ) * G ( y , σ ) r y ( x , y , σ ) = ( I ( x , y ) ...

【专利技术属性】
技术研发人员：吴晓军，王鑫欢，
申请(专利权)人：吴晓军，
类型：发明
国别省市：广东;44