[发明专利]一种基于围道积分的椭圆图像检测算法及系统

说明书

本发明公开了一种基于围道积分的椭圆图像检测算法，包括：步骤S1，输入待检测图像；步骤S2，对待检测图像进行预处理，生成二值边缘图像；步骤S3，在二值边缘图像中，对椭圆周坐标的像素值进行积分运算，得出椭圆围道积分像素密度值；步骤S4，重复步骤S3，直至遍历二值边缘图像的全部椭圆周坐标，得到全部椭圆围道积分像素密度值；步骤S5，读取相邻两个差值最大的一组或多组椭圆围道积分像素密度值；步骤S6，判断读取的椭圆围道积分像素密度值是否构成一个椭圆，若是，则提示识别成功，输出椭圆参数，若否，则提示识别失败。本发明可明显减少计算量、有助于节省系统成本、提高运算精度以及提高运算效率。

技术领域

本发明涉及计算机视觉系统的指定图像识别算法，尤其涉及一种基于围道积分的椭圆图像检测算法及系统。

背景技术

随着科学技术的不断发展，计算机视觉(Computervision)在我们工作生活中的应用已经变得越来越广泛。目前，计算机视觉的应用方向主要集中在相对宏观的图像分析、统计、和对比上，比如交通流量实时分析、车牌识别、指纹识别、人脸识别等技术。

相对于对宏观识别场景，微观识别场景虽然不要求对图像进行复杂的分析和对比，却要对元素进行分毫不差的识别和定位，比如精确定位图像中的椭圆图形，椭圆是许多专业领域常见的几何形态，比如在一些高端制造的工艺流程中，用计算机视觉来检测两个椭圆部件之间的距离是否符合技术标准，就是一种典型的应用场景。

现有技术中，常见的基于计算机视觉的椭圆定位方法主要有两种：

第一种，是基于霍夫变换(Hough Transform)的定位算法。这种算法的核心理念是基于笛卡尔坐标与极坐标之间的坐标空间变换，把笛卡尔坐标下的形状检测问题，转换成一个极坐标下的峰值统计的问题。在极坐标下，通过投票机制计算出是否有像素坐落在同一个椭圆周上。霍夫变换的缺点是针对图像的每一个点，都需要做大量的计算，计算成本较高。

第二种，是通过深度学习(Deep Learning)定位圆形。目前在开源社区中有不少可做商用的深度学习框架，例如Caffe、Tensorflow、Keras等，开发者只要对这些框架进行了足够的“训练”即可识别椭圆。这里的“训练”指将海量图像作为训练数据，然后交由神经网络模型进行运算，最后提炼出模型参数的过程。深度学习通常要求大规模的训练量才能进行准确识别，因此如果需要在现实项目中应用这种技术，成本问题就会变成一个非常大的障碍。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种可明显减少计算量、有助于节省系统成本、提高运算精度以及提高运算效率的基于围道积分的椭圆图像检测算法及系统。

为解决上述技术问题，本发明采用如下技术方案。

一种基于围道积分的椭圆图像检测算法，所述算法基于一系统实现，所述系统包括有预处理单元、椭圆围道积分运算单元、椭圆识别单元和结果输出单元，所述算法包括如下步骤：步骤S1，输入待检测图像；步骤S2，所述预处理单元对待检测图像进行预处理，生成二值边缘图像；步骤S3，在所述二值边缘图像中，所述椭圆围道积分运算单元对椭圆周坐标的像素值进行积分运算，得出椭圆围道积分像素密度值；步骤S4，重复步骤S3，直至所述椭圆围道积分运算单元遍历所述二值边缘图像的全部椭圆周坐标，得到全部椭圆围道积分像素密度值；步骤S5，所述椭圆识别单元从所述步骤S4的运算结果中读取相邻两个差值最大的一组或多组椭圆围道积分像素密度值；步骤S6，所述椭圆识别单元判断所述步骤S5中读取的椭圆围道积分像素密度值是否构成一个椭圆，若是，则执行步骤S7，若否，则执行步骤S8；步骤S7，所述结果输出单元提示识别成功，输出椭圆参数；步骤S8，所述结果输出单元提示识别失败。

优选地，所述步骤S2中，所述预处理单元利用预设的Canny边缘检测算子对待检测图像进行预处理。