《智能视觉技术及应用》课件第6章.pptx

第6章图像定位技术6.1角点检测6.2边缘提取6.3特征定位6.4直线定位6.5圆定位6.6组合定位本章小结6.1角点检测图像定位技术是机器视觉系统中不可或缺的关键技术,角点检测和边缘提取是特征定位的基础。角点检测是机器视觉系统中用来获得图像特征的一种方法,广泛应用于运动检测、图像匹配、目标识别等多个视觉应用领域。角点在不同的应用领域有很多不同的表述方式,比如图像中梯度变化明显的点、图像边界上曲率很高或变化明显的点、图像边界方向上变化不连续的点等。通常来说,角点的局部邻域是指具有两个不同区域的不同方向的边界。6.1.1兴趣点与角点在机器视觉中,兴趣点是指能够很快吸引人的主观注意力的地方,也叫作特征点和关键点。在整幅图像里面,兴趣点传递了大量的信息,甚至是人用来判断和评价整幅图像的基础。兴趣点是图像在二维空间上发生变化的区域,通常情况下包括拐点、交点和纹理显著变化的区域,如图6-1所示。图6-1兴趣点示意图角点是一个很特别的兴趣点,该点在任意方向上的一个微小变动都会引起很大的灰度变化,如图6-2所示。图6-2角点示意图关于角点的具体描述可以有以下几种:(1)一阶导数(即灰度的梯度)的局部最大值所对应的像素点;(2)两条及两条以上边缘的交点;(3)图像中梯度值和梯度方向变化速率都很高的点;(4)一阶导数最大、二阶导数为零的像素点。6.1.2角点检测算法1.基于灰度图像的角点检测基于灰度图的角点检测又分以下三种:(1)基于模板。(2)基于梯度。(3)基于模板梯度组合。2.基于二值图像的角点检测基于二值图像的检测方法是将原始图像看作一个多边形,则多边形的角点一定在骨架的延长线上,且角点所对应的骨架点的最大圆盘半径应该趋于0,检测骨架中的最大圆盘为0的点,即为角点。因为在二值图像处理阶段,计算量并不是很大,所以保证了计算的实时性。尽管将二值图像作为一个单独的检测目标列出来,但是基于灰度图像的各种处理方法对此仍然有效。二值图像处于灰度和边缘轮廓图像的中间步骤,所以专门针对此类图像的角点检测方法并不多见,如图6-3所示为一组角点检测模板。图6-3一组角点检测模板3.基于轮廓曲线的角点检测基于轮廓曲线的角点检测是根据图像的几何特征检测提取目标轮廓点的检测方法。一般有以下几种方法:(1)计算角点强度。(2)计算曲线曲率的极值。(3)多尺度角点检测。6.1.3Harris角点检测Harris特征角最早在论文ACombinedCornerandEdgeDetector中被ChrisHarris和MikeStephens提出。Harris角点检测的基本算法思想是:使用一个固定窗口在图像上进行任意方向上的滑动,比较滑动前与滑动后窗口中像素灰度的变化程度;如果任意方向上的滑动都有着较大的灰度变化,那么我们可以认为该窗口中存在角点,如图6-4所示。图6-4由灰度变化确定区域特征Harris角点检测是通过对窗口内的每个像素的x方向上的梯度与y方向上的梯度进行统计分析。这里以Ix和Iy为坐标轴,因此每个像素的梯度坐标可以表示成(Ix,Iy)。针对平坦区域,边缘区域以及角点区域三种情形进行分析,x、y方向上的梯度分布如图6-5所示。(1)平坦区域上的每个像素点所对应的(Ix,Iy)坐标分布在原点附近,针对平坦区域的像素点,它们的梯度方向虽然各异,但是其幅值都不是很大,所以均聚集在原点附近。(2)边缘区域有一坐标轴分布较散,至于是哪一个坐标上的数据分布较散不能一概而论,这要视边缘在图像上的具体位置而定。如果边缘是水平或者垂直方向,那么Iy轴方向或者Ix方向上的数据分布就比较散。(3)角点区域的x、y方向上的梯度分布都比较散。图6-5x、y方向上的梯度分布Harris角点检测通过M矩阵来判断哪些区域存在角点。M矩阵的公式如下:其中,Ix、Iy分别为窗口内像素点(x,y)在x方向上和y方向上的梯度值。在计算出M矩阵后,存在以下几种情况,可判断区域是否存在角点:(1)如果两个字段(Ix,Iy)所对应的特征值都比较大,说明像素点的梯度分布比较散,梯度变化程度比较大,符合角点在窗口区域的特点。(2)如果是平坦区域,那么像素点的梯度所构成的点集会集中在原点附近,因为窗口区域内的像素点的梯度幅值非常小,此时矩阵M的对角化的两个特征值比较小。(3)如果是边缘区域,则在计算像素点的x、y方向上的梯度时,边缘上的像素点的某个方向的梯度幅值变化比较明显,另一个方向上的梯度幅值变化较小,其余部分的点都集中在原点附近。这样M对角化后的两个特征值理论上应该是一个比较大,一个比较小。当然对于边缘这种情况,可能是呈45°的边缘,致使计算出的特征值并不