本發(fā)明屬于計(jì)算機(jī)視覺(jué)，模式識(shí)別，圖像處理技術(shù)領(lǐng)域，涉及一種高精度、高魯棒性和快速的橢圓檢測(cè)技術(shù)，具體涉及一種基于弧支持線段的橢圓檢測(cè)方法。

背景技術(shù)：

首先，橢圓檢測(cè)方法是計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域中的基石，具有非常重要的研究意義和極大的應(yīng)用價(jià)值。在形狀識(shí)別，物體識(shí)別和定位，邊緣輪廓建模和圖像分割中都有起著重要的作用。

在橢圓檢測(cè)領(lǐng)域，比較突出的檢測(cè)方法主要是基于霍夫變換(ht)，和基于邊界跟蹤的橢圓檢測(cè)方法。對(duì)于標(biāo)準(zhǔn)的ht橢圓檢測(cè)方法，有三個(gè)方面的缺點(diǎn)導(dǎo)致在實(shí)際中難以進(jìn)行應(yīng)用。第一，ht方法需要存儲(chǔ)五維的累加器，耗費(fèi)大量的存儲(chǔ)空間；第二ht方法在五維空間中搜索峰值，需要耗費(fèi)大量的時(shí)間；第三嚴(yán)重依賴參數(shù)。因此隨機(jī)霍夫變換(sht)針對(duì)以上前兩個(gè)缺點(diǎn)進(jìn)行改進(jìn)，隨機(jī)的選取5個(gè)點(diǎn)并映射到橢圓參數(shù)空間中，并且采用了一維的數(shù)組而非累加器。還有的方法，例如mclaughlin等，對(duì)ht的五維參數(shù)空間進(jìn)行降維，采取先求橢圓中心，再求剩余參數(shù)的策略。但是ht方法及其變體，都無(wú)法在橢圓檢測(cè)上表現(xiàn)出良好的性能。

另一個(gè)，便是基于邊界跟蹤的橢圓檢測(cè)方法。該類方法通過(guò)提取邊界圖中的線段，然后依據(jù)線段連接邊緣像素形成弧片段，根據(jù)邊緣的連續(xù)性和凸性，將弧片段進(jìn)行連接，并運(yùn)用不同的技巧對(duì)弧片段進(jìn)行分組，最后對(duì)分組進(jìn)行擬合得到橢圓。該類方法主要問(wèn)題在于一下幾點(diǎn)，第一，弧片段的連接僅依賴于距離，容易連接錯(cuò)誤。第二，進(jìn)行分組時(shí)，需要明確的是極其難通過(guò)搜索或者優(yōu)化方法將屬于同一個(gè)橢圓的弧片段都分為同一組，因此最后會(huì)導(dǎo)致誤識(shí)別。第三，該類方法未充分利用橢圓的幾何性質(zhì)，以及梯度信息，耗時(shí)長(zhǎng)，魯棒性不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于弧支持線段的橢圓檢測(cè)方法，其具有高魯棒性，精確，低誤識(shí)，高效的性能，能夠應(yīng)對(duì)復(fù)雜環(huán)境干擾(光照明暗，橢圓缺失，斷續(xù)，模糊，復(fù)雜背景，大量噪聲等)。

為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采取具體的技術(shù)方案為，一種基于弧支持線段的橢圓檢測(cè)方法，包括如下步驟：

步驟一、運(yùn)用線段檢測(cè)方法從原始灰度圖像中提取弧支持線段的集合，弧支持線段為去除直線段的曲線邊緣得到的線段；

步驟二、基于弧支持線段的連續(xù)性與凸性，對(duì)屬于同一曲線邊緣的弧支持線段進(jìn)行魯棒性連接，實(shí)現(xiàn)對(duì)弧支持線段進(jìn)行分組；

步驟三、采用兩種方式分別從弧支持線段的分組中提取初始橢圓，方式一：對(duì)于分組內(nèi)連接的弧支持線段所跨弧度角度大于tsa的分組直接進(jìn)行橢圓擬合，tsa為90°，從而得到若干個(gè)初始橢圓；方式二：將步驟二得到的分組按兩個(gè)一對(duì)進(jìn)行任意組對(duì)，對(duì)組對(duì)進(jìn)行極性分析、區(qū)域限制算法和自適應(yīng)內(nèi)點(diǎn)準(zhǔn)則驗(yàn)證得出有效組對(duì)，擬合有效組對(duì)得到若干個(gè)初始橢圓；其中，極性分析是要求組對(duì)的兩個(gè)分組極性一致，區(qū)域限制算法要求兩個(gè)分組要在彼此的弧支持方向指向的區(qū)域內(nèi)，自適應(yīng)內(nèi)點(diǎn)準(zhǔn)則要求由兩個(gè)分組內(nèi)每一條弧支持線段的支持內(nèi)點(diǎn)數(shù)量要大于自身線段長(zhǎng)度對(duì)應(yīng)的像素點(diǎn)的數(shù)量；支持內(nèi)點(diǎn)指的是距離初始橢圓的邊界距離小于ε的邊緣點(diǎn)，ε為2個(gè)像素，其梯度方向與初始橢圓的法線方向差值不超過(guò)α，α為22.5°；方式一與方式二得到的初始橢圓均采用表示，(x,y)i是初始橢圓ei的對(duì)稱中心，(a,b)i為初始橢圓ei的長(zhǎng)短半軸，為初始橢圓ei的傾角；通過(guò)兩種方式分別從弧支持線段的分組中產(chǎn)生的若干個(gè)初始橢圓，共同構(gòu)成初始橢圓集合，初始橢圓集合為e^init，其中n^init為兩種方式產(chǎn)生的初始橢圓數(shù)量總數(shù)；

步驟四、運(yùn)用橢圓類聚合算法對(duì)初始橢圓集合進(jìn)行聚類分析，產(chǎn)生候選橢圓；

步驟五、應(yīng)用橢圓的幾何性質(zhì)，對(duì)候選橢圓進(jìn)行驗(yàn)證，檢測(cè)出橢圓。

作為本發(fā)明改進(jìn)的技術(shù)方案，弧支持線段的提取方法如下：

步驟一、對(duì)原始灰度圖像進(jìn)行sobel算子得到梯度圖；

步驟二、在梯度圖中，剔除梯度幅度小于最大梯度幅度10％的點(diǎn)，并依據(jù)幅度大小進(jìn)行偽排序；

步驟三依偽排序在梯度圖中選擇種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)算法，得到候選區(qū)域rl，rl中整體梯度表現(xiàn)的方向?yàn)槭揭唬?/p>

式中，pj屬于rl中的像素點(diǎn)，gradangle(pj)為pj的梯度，gradangle(rl)為rl中整體梯度表現(xiàn)方向；

步驟四、計(jì)算線段候選區(qū)域rl的幾何中心c，依據(jù)通過(guò)c且垂直angle(l)的直線將rl劃分為兩個(gè)子區(qū)域rl¹、rl²，再次運(yùn)用式一即能估計(jì)出子區(qū)域rl¹、rl²梯度方向，其中，l為候選區(qū)域的線段近似，angle(l)為l的方向；這里線段近似指的是用一個(gè)矩形將該候選區(qū)域包圍，然后矩形的兩個(gè)端點(diǎn)連接成一條線段；

步驟五、若候選區(qū)域rl是弧支持線段的候選區(qū)域，則和必須滿足角度差tai，tai為2.5；且gradangle(rl),角度變化的方向要一致，要同為順時(shí)針或者同為逆時(shí)針，如果同為順時(shí)針，定義區(qū)域rl產(chǎn)生的線段極性為負(fù)；如果同為逆時(shí)針，定義其極性為正；

步驟六、通過(guò)對(duì)比模型對(duì)候選區(qū)域rl進(jìn)行驗(yàn)證，即能提取到弧支持線段。

作為本發(fā)明改進(jìn)的技術(shù)方案，步驟二中對(duì)弧支持線段進(jìn)行分組，具體包括，選取弧支持線段的集合中任意一條弧支持線段作為種子線段ls，根據(jù)種子線段ls的極性確定曲線邊緣的凸性，進(jìn)而確定種子線段ls頭部的局部鄰域和尾部的局部鄰域，統(tǒng)計(jì)局部鄰域弧支持線段所對(duì)應(yīng)候選區(qū)域的像素點(diǎn)數(shù)量，且像素點(diǎn)數(shù)量要求大于等于局部鄰域像素點(diǎn)總數(shù)的由此統(tǒng)計(jì)出具有最大統(tǒng)計(jì)值對(duì)應(yīng)的弧支持線段，從而進(jìn)行連接，連接的弧支持線段代表一個(gè)分組。

作為本發(fā)明改進(jìn)的技術(shù)方案，步驟三中對(duì)單個(gè)分組或者組隊(duì)進(jìn)行橢圓擬合，得到初始橢圓，具體包括如下步驟：在直接最小二乘橢圓擬合算法中，假設(shè)待擬合樣本點(diǎn)γ＝{p1，p2，p3,…pn},pi＝{xi，yi}，則散布矩陣s＝d^td，其中設(shè)計(jì)矩陣d為：

通過(guò)求解特征系統(tǒng)eigensystem＝s^-1c中特征值，特征值為正數(shù)時(shí)所對(duì)應(yīng)的廣義特征向量即為擬合的橢圓，其中c是約束矩陣

作為本發(fā)明改進(jìn)的技術(shù)方案，步驟三中初始橢圓的邊界是運(yùn)用canny算子得到邊緣圖后得出的。

作為本發(fā)明改進(jìn)的技術(shù)方案，步驟四中橢圓類聚合算法對(duì)初始橢圓集合進(jìn)行聚類分析包括如下步驟：步驟a、令初始橢圓集合為e^init，其中，(x,y)i是初始橢圓ei的對(duì)稱中心，(a,b)i為初始橢圓ei的長(zhǎng)短半軸，為初始橢圓ei的傾角，n^init為步驟三中方式一與方式二生產(chǎn)的初始橢圓數(shù)量總數(shù)；

步驟b、運(yùn)用均值漂移算法對(duì)e^init的橢圓中心進(jìn)行聚類，可得到n^center個(gè)橢圓中心的聚類中心；n^center個(gè)橢圓對(duì)稱中心的聚類中心分別為n^center是橢圓對(duì)稱中心的聚類中心的數(shù)量，表示第k個(gè)聚類中心；

步驟c、對(duì)e^init按照n^center聚類中心的距離進(jìn)行劃分，也就是第k(k＝1～n^center)個(gè)橢圓聚類中心對(duì)應(yīng)的初始橢圓子集為point→clustercenter表示數(shù)據(jù)點(diǎn)point最近的類簇中心為clustercenter；

步驟d、對(duì)每一個(gè)ωk按照橢圓傾角方向進(jìn)行聚類，得到個(gè)傾角的聚類中心于是ωk能被劃分為個(gè)橢圓子集，第個(gè)傾角聚類中心對(duì)應(yīng)的橢圓子集ωk,s為

步驟e、對(duì)ωk,s按照橢圓長(zhǎng)短半軸進(jìn)行均值漂移聚類，得到個(gè)橢圓長(zhǎng)短半軸的聚類中心于是，初始橢圓集合e^init的聚類出來(lái)的候選橢圓集合為e^candidate，其中k＝1～n^center，候選橢圓集合中的橢圓個(gè)數(shù)為

作為本發(fā)明改進(jìn)的技術(shù)方案，所述步驟五具體包括如下步驟，先對(duì)候選橢圓集合e^candidate進(jìn)行橢圓質(zhì)量評(píng)價(jià)，然后按照評(píng)價(jià)高低進(jìn)行偽排序；依次地對(duì)每個(gè)候選橢圓，由于橢圓周長(zhǎng)能用其邊緣上的支持內(nèi)點(diǎn)進(jìn)行近似，因此測(cè)量其邊緣支持內(nèi)點(diǎn)的數(shù)量與橢圓近似周長(zhǎng)像素點(diǎn)的比例不小于tni、邊緣連通量的角度總共跨度大于或等于tac，tni為0.65，tac為165°。

有益效果

本發(fā)明的技術(shù)方案能從原始灰度圖中進(jìn)行弧支持線段的提取，使得弧支持線段具備豐富的幾何性質(zhì)，例如整體梯度方向，可能出現(xiàn)橢圓方向，極性性質(zhì)。

本發(fā)明提出一種在像素點(diǎn)統(tǒng)計(jì)水平上的線段連接方法，以及提出有效的區(qū)域限制的組(組內(nèi)包含屬于同一曲線邊緣的線段)配對(duì)方法、提出高效的分層橢圓聚類算法以及運(yùn)用高級(jí)的橢圓驗(yàn)證技術(shù)。

綜上，本申請(qǐng)的橢圓檢測(cè)算法達(dá)到能夠高魯棒性，精確，低誤識(shí)，高效的性能，能夠應(yīng)對(duì)復(fù)雜環(huán)境干擾(光照明暗，橢圓缺失，斷續(xù)，模糊，復(fù)雜背景，大量噪聲等)。

附圖說(shuō)明

圖1實(shí)施例中涉及的原始灰度圖像；

圖2實(shí)施例中便是提取的弧支持線段圖；

圖3實(shí)施例中檢測(cè)到的橢圓示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的和技術(shù)方案更加清楚，下面將結(jié)合本發(fā)明實(shí)施例對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述。顯然，所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。基于所描述的本發(fā)明的實(shí)施例，本領(lǐng)域普通技術(shù)人員在無(wú)需創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

一種基于弧支持線段的橢圓檢測(cè)方法，包括以下步驟：

步驟s1，運(yùn)用改進(jìn)的線性復(fù)雜度的線段檢測(cè)方法提取弧支持線段，并基于曲線的連續(xù)性和凸性進(jìn)行線段分組；

步驟s2，運(yùn)用兩種方式產(chǎn)生初始橢圓集合。第一種方式是對(duì)具有較高顯著性的分組直接進(jìn)行橢圓擬合(對(duì)于分組內(nèi)連接的弧支持線段所跨弧度角度大于tsa的分組直接進(jìn)行橢圓擬合，tsa為90°)，從而得到初始橢圓(這里的橢圓擬合是指對(duì)組內(nèi)的線段的端點(diǎn)構(gòu)成的點(diǎn)集直接進(jìn)行橢圓擬合)。第二種方式是對(duì)每?jī)蓚€(gè)組構(gòu)成的組對(duì)，進(jìn)行相應(yīng)的極性分析，區(qū)域限制和自適應(yīng)內(nèi)點(diǎn)準(zhǔn)則驗(yàn)證。通過(guò)三個(gè)限制條件的組對(duì)構(gòu)成有效組對(duì)，擬合有效組對(duì)得到初始橢圓。三個(gè)限制條件分別為：極性分析、是要求兩個(gè)分組能夠配對(duì)的前提是極性一致；區(qū)域限制算法、要求兩個(gè)分組要在彼此的弧支持方向指向的區(qū)域內(nèi)才能可能構(gòu)成橢圓；自適應(yīng)內(nèi)點(diǎn)準(zhǔn)則、要求由兩個(gè)分組內(nèi)每一條弧支持線段的支持內(nèi)點(diǎn)數(shù)量要大于自身線段長(zhǎng)度對(duì)應(yīng)的像素點(diǎn)的數(shù)量；其中支持內(nèi)點(diǎn)指的是距離初始橢圓(這里是用組隊(duì)擬合得出的)的邊界距離小于ε的邊緣點(diǎn)，ε為2個(gè)像素，支持內(nèi)點(diǎn)的梯度方向與初始橢圓的法線方向差值需要滿足不超過(guò)α，該值為22.5°；這里，初始橢圓的邊界是運(yùn)用canny算子得到邊緣圖后得出的；邊緣圖的作用一方面是為了尋找支持內(nèi)點(diǎn)，另一方面可以通過(guò)這些支持內(nèi)點(diǎn)進(jìn)行橢圓的再次擬合和驗(yàn)證。

步驟s3，運(yùn)用橢圓聚類算法對(duì)初始橢圓集合進(jìn)行高效聚類，產(chǎn)生候選橢圓。

步驟s4，應(yīng)用橢圓的幾何性質(zhì)，對(duì)候選橢圓進(jìn)行驗(yàn)證，從而得到候選橢圓。

其中，步驟s1中的弧支持線段的提取方法如下：對(duì)原始灰度圖像(如圖1)進(jìn)行sobel算子得到梯度圖。

在梯度圖中，剔除梯度幅度小于最大梯度幅度10％的點(diǎn)，并依據(jù)幅度大小進(jìn)行偽排序，依序在梯度圖中選擇種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)算法，得到候選區(qū)域rl，

rl中整體梯度表現(xiàn)的方向?yàn)?/p>

其中pj屬于rl中的像素點(diǎn)，gradangle(pj)為pj的梯度；

計(jì)算線段候選區(qū)域rl的幾何中心c，依據(jù)通過(guò)c且垂直angle(l)的直線將rl劃分為兩個(gè)子區(qū)域rl¹，rl²；其中，l為候選區(qū)域的線段近似，angle(l)為l的方向；這里線段近似指的是用一個(gè)矩形將該候選區(qū)域包圍，然后矩形的兩個(gè)端點(diǎn)連接成一條線段；

再次運(yùn)用公式(1)即可估計(jì)出子區(qū)域rl¹，rl²梯度方向；若候選區(qū)域rl是弧支持線段的候選區(qū)域，則和必須滿足一定的角度差tai，該角度為2.5°。然后通過(guò)對(duì)比模型(現(xiàn)有技術(shù)，參考文獻(xiàn)lsd:afastlinesegmentdetectorwithafalsedetectioncontrol)對(duì)候選區(qū)域rl進(jìn)行驗(yàn)證，即可提取到弧支持線段，如圖2所示，便是提取的弧支持線段的示意圖。

注意，由于具有旋轉(zhuǎn)方向特性，本發(fā)明定義當(dāng)其旋轉(zhuǎn)方向?yàn)轫槙r(shí)針時(shí)，對(duì)應(yīng)提取的弧支持線段極性為負(fù)；為逆時(shí)針時(shí)，極性為正。

其中，所述步驟s1中的線段分組算法為：首先選取弧支持線段集合中任意一條線段作為種子線段ls，根據(jù)種子線段ls的極性確定曲線邊緣的凸性，進(jìn)而確定頭部和尾部的局部鄰域，本實(shí)施例中該局部領(lǐng)域?yàn)?x5像素區(qū)域，統(tǒng)計(jì)局部鄰域它弧支持線段的對(duì)應(yīng)的候選區(qū)域的像素點(diǎn)數(shù)量，且數(shù)量要求大于等于局部領(lǐng)域所對(duì)應(yīng)像素點(diǎn)總數(shù)的由此統(tǒng)計(jì)出具有最大統(tǒng)計(jì)值對(duì)應(yīng)的線段，從而進(jìn)行連接得到分組。

其中，所述步驟s2中的直接橢圓擬合方法的疊加原理如下：在直接最小二乘橢圓擬合算法中，假設(shè)待擬合樣本點(diǎn)γ＝{p1，p2，p3,…pn},pi＝{xi，yi}，則散布矩陣s＝d^td，其中設(shè)計(jì)矩陣d為

于是通過(guò)求解特征系統(tǒng)eigensystem＝s^-1c中特征值為正數(shù)對(duì)應(yīng)的廣義特征向量即為擬合的橢圓，其中c是約束矩陣

假設(shè)線段li兩個(gè)端點(diǎn)對(duì)應(yīng)的設(shè)計(jì)矩陣是d(li)，散布矩陣是s(li)，如果一個(gè)分組中有n條線段，則由這2n個(gè)端點(diǎn)構(gòu)成的設(shè)計(jì)矩陣df，散布矩陣sf分別為

因此，本發(fā)明只需要計(jì)算一次所有弧支持線段的散布矩陣即可高效進(jìn)行橢圓擬合計(jì)算。

其中，所述步驟s3中的初始橢圓集合的聚類算法如下：整個(gè)聚類算法分三步進(jìn)行。令初始橢圓集合為e^init，其中第一，先運(yùn)用均值漂移對(duì)e^init的橢圓中心進(jìn)行聚類，可得到n^center個(gè)橢圓中心的聚類中心為n^init為兩種方式產(chǎn)生的初始橢圓數(shù)量總數(shù)。于是可以對(duì)e^init按照n^center聚類中心按照距離進(jìn)行劃分，也就是第k(k＝1～n^center)個(gè)橢圓聚類中心對(duì)應(yīng)的初始橢圓子集為point→clustercenter表示數(shù)據(jù)點(diǎn)point最近的類簇中心為clustercenter(類簇中心)。第二，接下來(lái)，對(duì)每一個(gè)ωk按照橢圓傾角方向進(jìn)行聚類，可得到個(gè)傾角的聚類中心于是ωk可以劃分為個(gè)橢圓子集，第個(gè)傾角聚類中心對(duì)應(yīng)的橢圓子集ωk,s為第三，對(duì)ωk,s按照橢圓長(zhǎng)短半軸進(jìn)行均值漂移聚類，可以得到個(gè)橢圓長(zhǎng)短半軸的聚類中心于是，初始橢圓集合e^init的聚類出來(lái)的候選橢圓集合為e^candidate，其中k＝1～n^center，候選橢圓集合中的橢圓個(gè)數(shù)為

其中，步驟s4中，先對(duì)所述的候選橢圓集合e^candidate進(jìn)行橢圓質(zhì)量評(píng)價(jià)，然后按照評(píng)價(jià)高低進(jìn)行偽排序。依次地對(duì)每個(gè)候選橢圓，測(cè)量其邊緣支持內(nèi)點(diǎn)的數(shù)量與橢圓近似周長(zhǎng)像素點(diǎn)的比例并要不小于tni，該值為0.6，以及邊緣連通量的角度總共跨度，且應(yīng)大于或等于tac，該值為165°。通過(guò)驗(yàn)證的候選橢圓，將會(huì)進(jìn)行再次擬合，從而提高橢圓的精度。如圖3所示，便是檢測(cè)到的橢圓示意圖。

以上僅為本發(fā)明的實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些均屬于本發(fā)明的保護(hù)范圍。