[发明专利]一种用于对抗手机摄像头重采样的线条检测处理方法

说明书

本发明公开了一种用于对抗手机摄像头重采样的线条检测处理方法，其包括有如下步骤：步骤S1，获取待检测的图像；步骤S2，对待检测的图像进行预处理，将待检测的图像转化为二值化边缘图像，以显示出待检测图像的特征纹理；步骤S3，优化参数遍历范围；步骤S4，利用相应的贝塞尔曲线公式遍历已知的数个控制点的坐标，得出多个线条的积分像素密度值；步骤S5，利用预设的像素微积分算子对多个线条的积分像素密度值进行微分运算，然后找出最大积分像素密度值；步骤S6，得到一条或多条线条的像素坐标。本发明基于像素积分与像素微分运算处理手段，具备对抗手机摄像头重采样能力。

技术领域

本发明涉及视觉信息检测处理方法，尤其涉及一种用于对抗手机摄像头重采样的线条检测处理方法。

背景技术

近年来，作为人工智能技术的一个重要分支，计算机视觉技术在人们的工作生活中越来越广泛地被应用，比如人脸解锁手机、移动支付、自动驾驶、商品搜索等等。当前，计算机视觉技术的研究热点主要集中在对物体外部的大致轮廓、形状、和形态的宏观检测上，但相对地，对图像微观检测的发展却显得跟不上时代。一些计算机视觉的基础应用，都有其微观检测的场景，比如，将图像中的直线和曲线，在像素级别分毫不差地精准检测出来，就是一种典型的微观检测。

但是，当前绝大多数宏观检测算法并不具备微观检测所需要的精度，而导致这个问题的最大原因，是手机摄像头对图像的重新采样。

将计算机视觉技术应用到手机是大势所趋，但用手机拍照这一简单操作，事实上等于是手机摄像头对图像进行重新采样的过程。比如我们对着一张印刷出来的工程图纸拍照，根据拍照时的光照、角度、距离、摄像头硬件、后期成像算法等等的不同，对比原图纸，手机照片中所有的像素值都会发生不规则变化。这将严重影响传统检测算法对于阈值的设置，进而对检测精度造成极大损耗。

当前，传统的直线及曲线检测算法大致步骤如下：首先，通过Canny等边缘检测算法，将图像中的纹理边缘给显露出来；然后，应用Hough Transform(霍夫变换)算法，统计极坐标下的峰值；最后，通过投票机制计算出是否有像素坐落在直线或曲线上。在当前主流的开源图像处理框架OpenCV中，无论是Canny还是Hough Transform算法，都需要手工设置阈值。这就意味着在理想的情况下，每一张照片都需要手工设置不同的阈值才能达到最优的检测精度。正因为这个原因，传统检测算法就陷入了一个矛盾：如果每一张手机照片都单独设置阈值，算法就不具备普适性；但如果依靠经验给每张照片都设置通用的阈值，就势必就会对检测精准度造成影响。

由此可见，现有技术中亟需一种创新的微观检测算法，用以摆脱传统算法的阈值瓶颈。

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，提供一种基于像素积分与像素微分运算处理手段，具备对抗手机摄像头重采样能力的线条检测处理方法。

为解决上述技术问题，本发明采用如下技术方案。

一种用于对抗手机摄像头重采样的线条检测处理方法，其包括有如下步骤：步骤S1，获取待检测的图像；步骤S2，对待检测的图像进行预处理，将待检测的图像转化为二值化边缘图像，以显示出待检测图像的特征纹理；步骤S3，优化参数遍历范围；步骤S4，利用相应的贝塞尔曲线公式遍历已知的数个控制点的坐标，得出多个线条的积分像素密度值；步骤S5，利用预设的像素微积分算子对多个线条的积分像素密度值进行微分运算，然后找出最大积分像素密度值；步骤S6，得到一条或多条线条的像素坐标。

优选地，所述步骤S3中，参数遍历范围优化的过程包括：先对待检测图像进行一次模糊定位，将模糊P点定位出来，随后作出一个合理假设：直线或曲线真实的P点位于模糊P点周边的一定范围内；从而实现对算法遍历参数的优化。