基于角點(diǎn)特征的圖像多目標(biāo)檢測方法及裝置的制造方法
【專利摘要】本發(fā)明提出了一種基于角點(diǎn)特征的圖像多目標(biāo)檢測方法及裝置，通過對纖類圖像所蘊(yùn)含的角點(diǎn)、骨架和曲率序列等自然特征進(jìn)行分析和抽象，研究該類圖像可用于計(jì)算機(jī)理解和高壓縮比傳輸?shù)慕Y(jié)構(gòu)化表示方法；利用角點(diǎn)和骨架特征來描述非規(guī)則目標(biāo)區(qū)域，也可推廣到涉及圖像目標(biāo)區(qū)域探測的其它應(yīng)用場景，也有利于使得混紡纖維的種類識別朝智能化、自動化方向發(fā)展。本發(fā)明擬以光學(xué)顯微鏡放大圖像為對象探索適合邊緣線灰度模糊特征的盲復(fù)原算法，以圖像局部特征相關(guān)的角點(diǎn)檢測和提取為目標(biāo)，研究結(jié)構(gòu)特征層次化表示和基于空間鄰域相關(guān)性的結(jié)構(gòu)化描述方法，以期形成若干創(chuàng)新突破，為解決圖像紋理提取和特征表示問題提供有效技術(shù)途徑。
【專利說明】
基于角點(diǎn)特征的圖像多目標(biāo)檢測方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，具體涉及一種基于角點(diǎn)特征的圖像多目標(biāo)檢測方 法及裝置。
【背景技術(shù)】
[0002] 復(fù)雜多因素干擾下的圖像多目標(biāo)提取和有效表達(dá)具有廣泛的應(yīng)用背景和重要科 學(xué)意義。在多種圖像目標(biāo)的提取和表達(dá)方法中，局部特征描述側(cè)重于將全部局域描述子聯(lián) 合起來實(shí)現(xiàn)對圖像的最終表達(dá)。角點(diǎn)就是描述圖像局部目標(biāo)的重要特征。通常的角點(diǎn)檢測 方法包括:基于邊緣輪廓的方法、基于圖像灰度梯度的方法和基于參數(shù)模型的方法。
[0003] 除了角點(diǎn)，非規(guī)則形狀的纖維圖像特征描述還可以借助于骨架來輔助描述，這樣 可避免某重疊區(qū)域角點(diǎn)較多時造成的分離混亂，這是因?yàn)檫B通域?qū)蝹€分離實(shí)體的標(biāo)記有 效，但對于重疊纖維圖像則常常會無法判斷。圖像骨架包含了圖像特征的有效數(shù)字化信息， 能夠?qū)D像基本特征進(jìn)行有效描述，用于重疊纖維中各個個體的標(biāo)示或分立則需要做較深 入的算法設(shè)計(jì)。
[0004] 和常規(guī)的規(guī)則圖形輪廓提取不同的是，復(fù)雜重疊圖像目標(biāo)如纖類圖像中的纖維圖 形呈現(xiàn)多樣化，單根纖維有一定的彎曲扭轉(zhuǎn)，多根纖維則可能重疊，圖形存在多個交叉點(diǎn)和 起伏，需要采集較多的細(xì)節(jié)特征來描述。主要關(guān)鍵問題如下：
[0005] (1)圖像中復(fù)雜重疊目標(biāo)區(qū)域的邊緣處理和特征點(diǎn)檢測問題：
[0006] 常規(guī)的圖像邊緣提取一般采用形態(tài)學(xué)方法，利用圖像膨脹和填充來獲取輪廓，但 往往造成圖像實(shí)際面積的變化和失真，結(jié)合Canny算法和多通道濾波可以得到更好的輪廓 提取效果，但仍會給后續(xù)纖維參數(shù)測量帶來一定的失真;對于交叉或重疊纖類圖像，獲取輪 廓圖形中的關(guān)鍵角點(diǎn)是解決問題的關(guān)鍵，采用像素點(diǎn)曲率、橢圓支撐區(qū)域法可刪除一些偽 點(diǎn)，但在不規(guī)則的纖維圖形處理中，還需結(jié)合一些創(chuàng)新性處理方案。
[0007] (2)多目標(biāo)區(qū)域重疊時的標(biāo)記問題：
[0008] 利用光學(xué)放大鏡得到的圖像中往往包含多個纖維個體，把這些纖維的個體依次標(biāo) 識和統(tǒng)計(jì)，具有非常重要的實(shí)際意義。目前的圖形分離和標(biāo)識技術(shù)一般采用"連通域"算法， 該算法對于圖像中分離的個體有效，但不適合相互重疊的纖維個體。
[0009] (3)基于角點(diǎn)相關(guān)性的結(jié)構(gòu)化表征問題：
[0010] 目前對于纖類圖像尚缺乏系統(tǒng)的結(jié)構(gòu)化表達(dá)方法論述，研究目標(biāo)主要集中在纖維 分離和直徑的測量。纖類圖像作為眾多圖像成員中的特殊一類，由于纖維本身的柔軟特性， 往往導(dǎo)致多個纖維重疊和分離困難，給單根纖維的特征提取帶來困難，難以采用傳統(tǒng)的數(shù) 學(xué)建模來實(shí)現(xiàn)精確描述。在既往研究中，發(fā)現(xiàn)采用區(qū)域邊緣像素統(tǒng)計(jì)法存在準(zhǔn)確性不足的 問題。

【發(fā)明內(nèi)容】

[0011] 為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種基于角點(diǎn)特征的目標(biāo)檢測方 法，以實(shí)現(xiàn)檢測自動化，代替目前的低效的人工操作，提高對圖像中纖維目標(biāo)識別的準(zhǔn)確 率。
[0012] 本發(fā)明具體通過如下技術(shù)方案實(shí)現(xiàn)：
[0013] -種基于角點(diǎn)特征的目標(biāo)檢測方法，所述方法包括以下步驟：
[0014] S1:采集纖類復(fù)雜重疊圖像；
[0015] S2:對復(fù)雜重疊圖像進(jìn)行預(yù)處理、角點(diǎn)檢測；
[0016] S3:基于角點(diǎn)和骨架知識的特征提取及表征；
[0017] S4:復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模；
[0018] S5:纖維目標(biāo)識別；其中，
[0019]所述步驟S2中的圖像預(yù)處理過程包括:圖像的二值化_>圖像濾波_>圖像重構(gòu)_>圖 像增強(qiáng)，所述圖像濾波包括圖像形態(tài)學(xué)處理和邊緣平滑；
[0020] 所述步驟S3具體為獲取圖像的角點(diǎn)序列和骨架描述，角點(diǎn)包括交叉點(diǎn)和其它角 點(diǎn)，利用骨架提取法對多個重疊目標(biāo)中的單個個體進(jìn)行標(biāo)注，但骨架提取中交叉點(diǎn)和端點(diǎn) 之間會出現(xiàn)多個線段，一般公共線段出現(xiàn)在交叉區(qū)域，需要將其刪除;但重疊纖維較多的時 候會出現(xiàn)"偽公共線段"，此時需要借助于智能識別算法來進(jìn)行標(biāo)注;把每幅圖像看作一個 集合F，則重疊纖維圖形的每根纖維的邊緣輪廓曲線對應(yīng)一個子集合F 1，它包含一系列的相 似點(diǎn)；對重疊纖維圖像集FiiF^F2，···，F(xiàn)M}，利用聚類算法對輪廓圖像進(jìn)行分類，找到各像 素點(diǎn)F所屬纖維集F 1，對各纖維個體進(jìn)行標(biāo)識；
[0021] 所述步驟S4具體為：以纖類圖像的局部特征作為基本圖像描述特征，進(jìn)而以局部 特征之間的尺度相關(guān)性和空間相關(guān)性為依據(jù)，實(shí)現(xiàn)對圖像結(jié)構(gòu)的表達(dá)。
[0022] 進(jìn)一步地，所述步驟S2中，利用基于空域卷積核模版的多通道濾波器組來對圖像 的復(fù)雜背景噪聲進(jìn)行多尺度多方向抑制。
[0023]進(jìn)一步地，所述步驟S2中圖像形態(tài)學(xué)處理采用基于光斑擴(kuò)散模型的圖像輪廓探測 算法來實(shí)現(xiàn):搜索目標(biāo)個體的光斑、擴(kuò)散光斑到邊緣輪廓、記憶輪廓;光斑擴(kuò)散的實(shí)質(zhì)是通 過搜索閉環(huán)域來得到纖維圖像的邊緣輪廓，為了避免邊緣過度膨脹，該算法法也常結(jié)合 Sobel、Canny或Roberts算子來改善邊緣提取效果。
[0024]進(jìn)一步地，所述步驟S2中圖像形態(tài)學(xué)處理采用B樣條曲面擬合得到纖維圖像的背 景，然后將原始纖維圖像減去背景得到目標(biāo)圖像，達(dá)到去除圖像背景和解決光照不均的目 的;再對目標(biāo)圖像進(jìn)行全局二值化，對二值化圖像進(jìn)行填充處理，標(biāo)記二值化圖像中的各對 象，根據(jù)對象所含像素個數(shù)的數(shù)量進(jìn)行去噪，得到準(zhǔn)確的目標(biāo)纖維圖像。
[0025]進(jìn)一步地，所述步驟S2中角點(diǎn)的提取基于像素點(diǎn)曲率，統(tǒng)計(jì)出曲率由小變大，或者 由大變小的點(diǎn)作為候選拐點(diǎn)，為候選拐點(diǎn)建立橢圓支撐區(qū)域，利用支撐區(qū)域?qū)υ摴拯c(diǎn)進(jìn)行 判斷。
[0026]進(jìn)一步地，所述步驟S4具體為:給定局部特征集合F= {fi}，fi=(pi，Vi，i，Si)，其中 口1、^、1和81分別為特征的位置、表觀描述子、主方向和尺度值，那么層次化圖像結(jié)構(gòu)表達(dá)模 型定義如下，
[0027] M= { {vi}，{Rspatial}，{Rscale} } 〇
[0028] 該模型由三個部分組成，表觀信息部分{Vl}、特征之間的空間相關(guān)關(guān)系{Rspatlal：^P 尺度相關(guān)關(guān)系而后兩者可以采用以空間和尺度因素為基礎(chǔ)所定義的層次關(guān)聯(lián)關(guān) 系。
[0029] 本發(fā)明還提出了一種基于角點(diǎn)特征的目標(biāo)檢測裝置，其特征在于:所述裝置包括： 用于采集纖類復(fù)雜重疊圖像的模塊;用于對復(fù)雜重疊圖像進(jìn)行預(yù)處理、角點(diǎn)檢測的模塊;用 于基于角點(diǎn)和骨架知識的特征提取及表征的模塊;用于復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模的 模塊;用于纖維目標(biāo)識別的模塊;其中，
[0030] 所述圖像預(yù)處理過程包括：圖像的二值化-> 圖像濾波-> 圖像重構(gòu)-> 圖像增強(qiáng)，所 述圖像濾波包括圖像形態(tài)學(xué)處理和邊緣平滑；
[0031] 所述用于基于角點(diǎn)和骨架知識的特征提取及表征的模塊獲取圖像的角點(diǎn)序列和 骨架描述，角點(diǎn)包括交叉點(diǎn)和其它角點(diǎn)，利用骨架提取法對多個重疊目標(biāo)中的單個個體進(jìn) 行標(biāo)注，但骨架提取中交叉點(diǎn)和端點(diǎn)之間會出現(xiàn)多個線段，一般公共線段出現(xiàn)在交叉區(qū)域， 需要將其刪除；但重疊纖維較多的時候會出現(xiàn)"偽公共線段"，此時需要借助于智能識別算 法來進(jìn)行標(biāo)注;把每幅圖像看作一個集合F，則重疊纖維圖形的每根纖維的邊緣輪廓曲線對 應(yīng)一個子集合F 1，它包含一系列的相似點(diǎn)；對重疊纖維圖像集FMF1，，···，F(xiàn)M}，利用聚類 算法對輪廓圖像進(jìn)行分類，找到各像素點(diǎn)F所屬纖維集F 1，對各纖維個體進(jìn)行標(biāo)識；
[0032] 所述用于復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模的模塊以纖類圖像的局部特征作為基 本圖像描述特征，進(jìn)而以局部特征之間的尺度相關(guān)性和空間相關(guān)性為依據(jù)，實(shí)現(xiàn)對圖像結(jié) 構(gòu)的表達(dá)。
[0033] 本發(fā)明的有益效果是:本發(fā)明通過對纖類圖像所蘊(yùn)含的角點(diǎn)、骨架和曲率序列等 自然特征進(jìn)行分析和抽象，研究該類圖像可用于計(jì)算機(jī)理解和高壓縮比傳輸?shù)慕Y(jié)構(gòu)化表示 方法;利用角點(diǎn)和骨架特征來描述非規(guī)則目標(biāo)區(qū)域，也可推廣到涉及圖像目標(biāo)區(qū)域探測的 其它應(yīng)用場景，也有利于使得混紡纖維的種類識別朝智能化、自動化方向發(fā)展。本發(fā)明擬以 光學(xué)顯微鏡放大圖像為對象探索適合邊緣線灰度模糊特征的盲復(fù)原算法，以圖像局部特征 相關(guān)的角點(diǎn)檢測和提取為目標(biāo)，研究結(jié)構(gòu)特征層次化表示和基于空間鄰域相關(guān)性的結(jié)構(gòu)化 描述方法，以期形成若干創(chuàng)新突破，為解決圖像紋理提取和特征表示問題提供有效技術(shù)途 徑。
【附圖說明】
[0034]圖1是光學(xué)顯微鏡下的棉麻纖維；
[0035]圖2是基于光斑擴(kuò)散模型的圖像輪廓探測流程圖。
【具體實(shí)施方式】
[0036]下面結(jié)合【附圖說明】及【具體實(shí)施方式】對本發(fā)明進(jìn)一步說明。
[0037] 1)復(fù)雜重疊圖像的預(yù)處理和角點(diǎn)檢測
[0038]棉麻或羊絨羊毛纖維由于自身的物理特性，在制樣過程中會出現(xiàn)纖維圖像灰度不 均勻、纖維重疊、形狀扭曲等一系列問題，如附圖1所示，這些重疊、扭曲的異形纖維對精確 定位和參數(shù)提取產(chǎn)生不利的影響。
[0039]圖像預(yù)處理過程包括：圖像的二值化_>圖像濾波(平滑處理)_>圖像重構(gòu)_>圖像增 強(qiáng)。其中圖像形態(tài)學(xué)處理和邊緣平滑是本發(fā)明研究的重點(diǎn)。
[0040]圖像背景噪聲抑制和形態(tài)學(xué)處理
[0041] 光學(xué)顯微鏡獲取的纖類圖像常常出現(xiàn)目標(biāo)區(qū)域和背景圖像對比度低、無明顯邊 緣，因此背景信息的存在會對目標(biāo)區(qū)域的分割及特征提取造成嚴(yán)重干擾，本發(fā)明設(shè)計(jì)了基 于空域卷積核模版的多通道濾波器組來對圖像的復(fù)雜背景噪聲進(jìn)行多尺度多方向抑制。
[0042] 除了二值化處理過程，為了獲取圖像的輪廓，數(shù)學(xué)形態(tài)學(xué)被用于灰度圖像領(lǐng)域，可 以利用結(jié)構(gòu)元的灰度信息去獲得目標(biāo)的灰度分布特征，主要運(yùn)算包括腐蝕、膨脹、開運(yùn)算和 閉運(yùn)算，這樣可以改善圖像邊緣模糊化的問題。數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算常常用來去除細(xì)小 的物體(如噪音、毛刺、棱角等），增大目標(biāo)間的空隙，同時保持大的物體基本外形不變;閉運(yùn) 算則用來填補(bǔ)物體內(nèi)部和物體之間的孔洞或縫隙，而保持物體的基本外形不變。上述方法 的不足是膨脹過程導(dǎo)致圖形面積增大，導(dǎo)致后續(xù)拐點(diǎn)提取和參數(shù)測量有誤差。
[0043]對于圖像的形態(tài)學(xué)處理，本發(fā)明設(shè)計(jì)了兩種算法來實(shí)現(xiàn)：
[0044]方法之一是考慮光斑擴(kuò)散模型，使計(jì)算機(jī)模擬人眼對截面圖像中的纖維個體進(jìn)行 輪廓探測，基本步驟為如附圖2所示。光斑擴(kuò)散的實(shí)質(zhì)是通過搜索閉環(huán)域來得到纖維圖像的 邊緣輪廓，為了避免邊緣過度膨脹，該方法也常結(jié)合Sobel、Canny或Roberts算子來改善邊 緣提取效果，但國內(nèi)外研究和發(fā)明人的前期研究發(fā)現(xiàn)，這種處理有時也會導(dǎo)致纖維粘連處 容易過度膨脹使原有凹點(diǎn)特征消失，以及效果圖出現(xiàn)虛假邊界和雙邊緣現(xiàn)象。結(jié)果在實(shí)際 應(yīng)用于異形纖維顯微圖像，提取纖維截面輪廓時失效。這將對后續(xù)的纖維幾何特征分析和 計(jì)算帶來很大誤差。
[0045]方法之二是采用B樣條曲面擬合得到纖維圖像的背景，然后將原始纖維圖像減去 背景得到目標(biāo)圖像，達(dá)到去除圖像背景和解決光照不均的目的。再對目標(biāo)圖像進(jìn)行全局二 值化，對二值化圖像進(jìn)行填充處理，標(biāo)記二值化圖像中的各對象，根據(jù)對象所含像素個數(shù)的 數(shù)量進(jìn)行去噪。得到準(zhǔn)確的目標(biāo)纖維圖像。部分重疊形纖維處理結(jié)果表明，該方法比原來的 圖像預(yù)處理得到的纖維圖像輪廓尤其是交叉、粘連處更加清晰，成功解決了圖像交叉、粘連 處失真的問題。下一步將考慮該創(chuàng)新算法的通用化，使之應(yīng)用于更多形狀的重疊復(fù)雜纖維 的處理。
[0046] 目標(biāo)區(qū)域的角點(diǎn)檢測
[0047] 形態(tài)學(xué)處理后的圖像包含有多個拐點(diǎn)（角點(diǎn)），它們是反映圖像特征的關(guān)鍵因素， 但是圖像中也可能存在一些"毛刺"，給后續(xù)拐點(diǎn)提取帶來干擾，因此需要對圖像進(jìn)行濾波 處理，消除一些不必要細(xì)節(jié)。
[0048] 圖像中角點(diǎn)的提取基于像素點(diǎn)曲率，統(tǒng)計(jì)出曲率由小變大，或者由大變小的點(diǎn)作 為候選拐點(diǎn)。但是這種輪廓圖像中往往存在"偽拐點(diǎn)"，本發(fā)明為候選拐點(diǎn)建立橢圓支撐區(qū) 域，利用支撐區(qū)域?qū)υ摴拯c(diǎn)進(jìn)行判斷。實(shí)驗(yàn)表明，當(dāng)支撐區(qū)域包含的像素點(diǎn)較多時，判斷結(jié) 果就越接近真實(shí)。進(jìn)一步的研究需要對非規(guī)則纖維圖像的拐點(diǎn)進(jìn)行智能判決，需要對現(xiàn)有 豐旲型進(jìn)一步完善。
[0049] 2)基于角點(diǎn)和骨架知識的特征提取及表征方法
[0050] 獲取圖像的角點(diǎn)序列和骨架描述，進(jìn)而研究圖像目標(biāo)特征點(diǎn)提取方法，包括：
[0051 ]圖像交叉角點(diǎn)提取和公共線段標(biāo)識
[0052]纖類圖中重疊輪廓圖中會出現(xiàn)較多交叉點(diǎn)，但是這些交叉點(diǎn)和其它角點(diǎn)并列。如 何消除其它角點(diǎn)的影響，提取出這些交叉點(diǎn)，有利于對纖維個體進(jìn)行分離并進(jìn)行下一步的 關(guān)鍵參數(shù)測量。
[0053]研究骨架提取法來對多個重疊目標(biāo)中的單個個體進(jìn)行標(biāo)注。但骨架提取中交叉點(diǎn) 和端點(diǎn)之間會出現(xiàn)多個線段，一般公共線段出現(xiàn)在交叉區(qū)域，需要將其刪除;但重疊纖維較 多的時候也會出現(xiàn)一些"偽公共線段"，此時需要借助于智能識別算法來進(jìn)行標(biāo)注。
[0054]基于鏈碼的角點(diǎn)序列描述
[0055]把每幅圖像看作一個集合F，則重疊纖維圖形的每根纖維的邊緣輪廓曲線對應(yīng)一 個子集合?1，它包含一系列的相似點(diǎn)。
[0056] 對重疊纖維圖像集:FziF1，^，···^，，
[0057]聚類算法的實(shí)質(zhì)是把輪廓圖像進(jìn)行分類，找到各像素點(diǎn)F所屬纖維集F1，對各纖維 個體進(jìn)行標(biāo)識。
[0058]由于同一F1中的各像素點(diǎn)F在一定范圍內(nèi)曲率大致接近，本發(fā)明嘗試?yán)霉羌芴?取結(jié)合像素點(diǎn)曲率，可以對各點(diǎn)進(jìn)行歸屬判決。
[0059] 適合于非規(guī)則纖類圖像的特征參數(shù)檢測和表征方法
[0060] 混紡纖維的識別和分類有眾多研究，提取特征值仍是目前最有效的手段。從現(xiàn)有 研究成果來看，纖維直徑變異系數(shù)、纖維骨架方向變化率、纖維片段不勻選擇都是有效識別 棉麻纖維的特征，但是棉麻重疊可能導(dǎo)致圖形交叉和扭曲異形，給常規(guī)的參數(shù)檢測帶來干 擾。
[0061] 通過探索纖類圖像的基本紋理元，借鑒現(xiàn)有圖像局部特征結(jié)構(gòu)化表示方案，選擇 合適的數(shù)學(xué)表達(dá)方式，可以根據(jù)它們的這一特性進(jìn)行波動分析，首先實(shí)現(xiàn)對纖類圖像不同 目標(biāo)的結(jié)構(gòu)化描述。
[0062] 3)復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模研究
[0063] 本發(fā)明采用纖類圖像的局部特征作為基本圖像描述特征，進(jìn)而以局部特征之間的 尺度相關(guān)性和空間相關(guān)性為依據(jù)，實(shí)現(xiàn)對圖像結(jié)構(gòu)的表達(dá)。
[0064]形式化地，給定局部特征集合F= {fi}，fi=(pi，Vi，i，Si)，其中pi、Vi、i和Si分別為 特征的位置、表觀描述子、主方向和尺度值，那么層次化圖像結(jié)構(gòu)表達(dá)模型定義如下，
[0065] M= { {vi}，{Rspatial}，{Rscale} } 〇
[0066] 該模型由三個部分組成，表觀信息部分{Vl}、特征之間的空間相關(guān)關(guān)系{匕_131}和 尺度相關(guān)關(guān)系{Rscale}。而后兩者可以采用以空間和尺度因素為基礎(chǔ)所定義的層次關(guān)聯(lián)關(guān) 系。
[0067] 基于上述模型，對具體的基于空間和尺度因素的層次關(guān)聯(lián)關(guān)系進(jìn)行定義，則可以 獲得層次化的圖像結(jié)構(gòu)特征表達(dá)方法，實(shí)現(xiàn)對圖像信息的多層次表達(dá)和刻畫。
[0068] 綜上所述，本發(fā)明從基礎(chǔ)理論研究、關(guān)鍵算法設(shè)計(jì)和實(shí)際應(yīng)用場景檢驗(yàn)三個方面 開展項(xiàng)目關(guān)鍵技術(shù)研究。其中，基礎(chǔ)理論方面主要在圖像理解、圖像角點(diǎn)/骨架特征、紋理特 征及其稀疏表示的基礎(chǔ)上，進(jìn)一步研究知識域與數(shù)據(jù)域協(xié)同方法，以及圖像認(rèn)知與數(shù)學(xué)計(jì) 算模型;關(guān)鍵算法設(shè)計(jì)主要在現(xiàn)有角點(diǎn)和骨架檢測理論基礎(chǔ)上，進(jìn)一步優(yōu)化曲率檢測函數(shù)， 探索纖類非規(guī)則目標(biāo)區(qū)域特征檢測的核心算法優(yōu)化和設(shè)計(jì)實(shí)現(xiàn)問題;應(yīng)用場景檢驗(yàn)主要基 于實(shí)際采集的圖像搭建演示驗(yàn)證系統(tǒng)，實(shí)現(xiàn)核心算法性能的測試驗(yàn)證。
[0069] 以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定 本發(fā)明的具體實(shí)施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在 不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的 保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于角點(diǎn)特征的目標(biāo)檢測方法，其特征在于，所述方法包括W下步驟： S1:采集纖類復(fù)雜重疊圖像； S2:對復(fù)雜重疊圖像進(jìn)行預(yù)處理、角點(diǎn)檢測； S3:基于角點(diǎn)和骨架知識的特征提取及表征； S4:復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模； S5:纖維目標(biāo)識別;其中， 所述步驟S2中的圖像預(yù)處理過程包括：圖像的二值化-〉圖像濾波-〉圖像重構(gòu)-〉圖像增 強(qiáng)，所述圖像濾波包括圖像形態(tài)學(xué)處理和邊緣平滑； 所述步驟S3具體為獲取圖像的角點(diǎn)序列和骨架描述，角點(diǎn)包括交叉點(diǎn)和其它角點(diǎn)，利 用骨架提取法對多個重疊目標(biāo)中的單個個體進(jìn)行標(biāo)注，但骨架提取中交叉點(diǎn)和端點(diǎn)之間會 出現(xiàn)多個線段，一般公共線段出現(xiàn)在交叉區(qū)域，需要將其刪除;但重疊纖維較多的時候會出 現(xiàn)"偽公共線段"，此時需要借助于智能識別算法來進(jìn)行標(biāo)注;把每幅圖像看作一個集合F， 則重疊纖維圖形的每根纖維的邊緣輪廓曲線對應(yīng)一個子集合FS它包含一系列的相似點(diǎn)； 對重疊纖維圖像集。={。1，護(hù)，一，?！穧，利用聚類算法對輪廓圖像進(jìn)行分類，找到各像素點(diǎn)護(hù) 所屬纖維集P，對各纖維個體進(jìn)行標(biāo)識； 所述步驟S4W纖類圖像的局部特征作為基本圖像描述特征，進(jìn)而W局部特征之間的尺 度相關(guān)性和空間相關(guān)性為依據(jù)，實(shí)現(xiàn)對圖像結(jié)構(gòu)的表達(dá)。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述步驟S2中，利用基于空域卷積核模版 的多通道濾波器組來對圖像的復(fù)雜背景噪聲進(jìn)行多尺度多方向抑制。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述步驟S2中圖像形態(tài)學(xué)處理采用基于光 斑擴(kuò)散模型的圖像輪廓探測算法來實(shí)現(xiàn):捜索目標(biāo)個體的光斑、擴(kuò)散光斑到邊緣輪廓、記憶 輪廓;光斑擴(kuò)散的實(shí)質(zhì)是通過捜索閉環(huán)域來得到纖維圖像的邊緣輪廓，為了避免邊緣過度 膨脹，該算法法也常結(jié)合Sobel、&nny或Roberts算子來改善邊緣提取效果。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述步驟S2中圖像形態(tài)學(xué)處理采用B樣條 曲面擬合得到纖維圖像的背景，然后將原始纖維圖像減去背景得到目標(biāo)圖像，達(dá)到去除圖 像背景和解決光照不均的目的；再對目標(biāo)圖像進(jìn)行全局二值化，對二值化圖像進(jìn)行填充處 理，標(biāo)記二值化圖像中的各對象，根據(jù)對象所含像素個數(shù)的數(shù)量進(jìn)行去噪，得到準(zhǔn)確的目標(biāo) 纖維圖像。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于：所述步驟S2中角點(diǎn)的提取基于像素點(diǎn)曲 率，統(tǒng)計(jì)出曲率由小變大，或者由大變小的點(diǎn)作為候選拐點(diǎn)，為候選拐點(diǎn)建立楠圓支撐區(qū) 域，利用支撐區(qū)域?qū)υ摴拯c(diǎn)進(jìn)行判斷。6. 根據(jù)權(quán)利要求1所述的方法，其特征在于:所述步驟S4具體為:給定局部特征集合F = {fi}，/;二(/;,，V',， ，，.V,)，癢中pi、vi、!'和Si分別為特征的位置、表觀描述子、主方向和尺度 值，那么層次化圖像結(jié)構(gòu)表達(dá)模型定義如下， Μ二{ {vi} , {Rspatial} , {Rscale} }。 該模型由Ξ個部分組成，表觀信息部分{Vi}、特征之間的空間相關(guān)關(guān)系{Rspatial}和尺度 相關(guān)關(guān)系{Rssale};而后兩者可W采用W空間和尺度因素為基礎(chǔ)所定義的層次關(guān)聯(lián)關(guān)系。 7 . -種基于角點(diǎn)特征的目標(biāo)檢測裝置，其特征在于:所述裝置包括： 用于采集纖類復(fù)雜重疊圖像的模塊； 用于對復(fù)雜重疊圖像進(jìn)行預(yù)處理、角點(diǎn)檢測的模塊； 用于基于角點(diǎn)和骨架知識的特征提取及表征的模塊； 用于復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模的模塊； 用于纖維目標(biāo)識別的模塊;其中， 所述圖像預(yù)處理過程包括：圖像的二值化-〉圖像濾波-〉圖像重構(gòu)-〉圖像增強(qiáng)，所述圖 像濾波包括圖像形態(tài)學(xué)處理和邊緣平滑； 所述用于基于角點(diǎn)和骨架知識的特征提取及表征的模塊獲取圖像的角點(diǎn)序列和骨架 描述，角點(diǎn)包括交叉點(diǎn)和其它角點(diǎn)，利用骨架提取法對多個重疊目標(biāo)中的單個個體進(jìn)行標(biāo) 注，但骨架提取中交叉點(diǎn)和端點(diǎn)之間會出現(xiàn)多個線段，一般公共線段出現(xiàn)在交叉區(qū)域，需要 將其刪除；但重疊纖維較多的時候會出現(xiàn)"偽公共線段"，此時需要借助于智能識別算法來 進(jìn)行標(biāo)注;把每幅圖像看作一個集合F，則重疊纖維圖形的每根纖維的邊緣輪廓曲線對應(yīng)一 個子集合F1，它包含一系列的相似點(diǎn)；對重疊纖維圖像集F={Fl，F(xiàn)2，…，F(xiàn)M}，利用聚類算法 對輪廓圖像進(jìn)行分類，找到各像素點(diǎn)F所屬纖維集P，對各纖維個體進(jìn)行標(biāo)識； 所述用于復(fù)雜重疊圖像的結(jié)構(gòu)化特征建模的模塊W纖類圖像的局部特征作為基本圖 像描述特征，進(jìn)而W局部特征之間的尺度相關(guān)性和空間相關(guān)性為依據(jù)，實(shí)現(xiàn)對圖像結(jié)構(gòu)的 表達(dá)。
【文檔編號】G06T7/00GK106096613SQ201610380344
【公開日】2016年11月9日
【申請日】2016年5月31日
【發(fā)明人】王岢, 張海軍, 李旭濤, 葉允明
【申請人】哈爾濱工業(yè)大學(xué)深圳研究生院