亚像素边缘检测 |
您所在的位置:网站首页 › 边缘检测的意义和价值 › 亚像素边缘检测 |
论文:A Novel Subpixel Circle Detection Method Based on the Blurred Edge Model 期刊:IEEE Transactions on Instrumentation and Measurement, 71:1-11, 2021. 作者:Weihua Liu, Xianqiang Yang, Xuebo Yang, Hao Sun, Xinghu Yu, Huijun Gao 单位:Research Institute of Intelligent Control and Systems, Harbin Institute of Technology; Ningbo Institute of Intelligent Equipment Technology Company Ltd; School of Computer Science and Technology, Harbin Institute of Technology 1、主要解决问题:在计算机视觉和工业应用中,圆检测是重要的特征提取手段,高精度圆检测对于自然场景中圆的标记测量、圆形目标跟踪、球的识别等目标测量和检测任务具有重要意义。例如,锡膏打印机和自动光学检测需要识别圆形标记位置,以便精确地定位印刷电路板(PCB),而圆的检测精度直接影响到这些设备检测的精度。在集成电路中,一方面,PCB上的元件变得越来越复杂,标记识别的偏差会引起放置偏差,因此高精度的圆标记测量至关重要。另一方面,由于PCB具有不同的颜色、形状和尺寸,标记圆的差异也会较大,因此圆检测的高稳定性也很重要。 对此上述问题,图1中传统的圆检测算法基于像素级边缘提取,在获得目标圆边缘后,采用拟合方法获得圆的亚像素信息,在这种方法中,边缘提取精度会导致圆检测结果的偏差,并且像素级的检测方法制约了圆形检测的精度。 传统圆检测方法: 论文提出了一种基于模糊模型的亚像素圆检测算法。在EDCircles算法基础上设计了候选圆的评分及筛选策略,并将二维子像素边缘定位问题转化为一维问题,应用模糊边缘模型获得子像素边缘的精确位置,还提出了一种基于Huber损失函数的鲁棒圆拟合算法,该算法能较好地抑制异常点的影响。 2、研究方法:论文以EDCircles算法为基础进行目标圆的检测,虽然此算法检测速度快,但是鲁棒性低,在检测一个圆目标时会产生多个结果。 针对EDCircles算法检测得出的目标圆及干扰圆,论文提出了圆圈分数计算的方法,由极性项、半径项和轮廓项组成圆圈分数计算公式,对检测得出的圆进行得分计算。如图2所示,根据公式计算较符合检测目标的圆得分更高,干扰项则得分更低,选择得分最高的目标圆作为最终检测结果。 检测到多个圆时给出不同圆的分数: 1)计算图像梯度,使用EDCircles获得所有圆的粗略边界位置,并根据梯度计算边缘的方向。 2)沿着边缘梯度的垂直方向选择长度为L的区域作为子像素拟合区域,使用一维子像素边缘拟合算法计算精确的子像素边缘位置。 3)将所有子像素边缘位置拟合到一个圆,并使用鲁棒最小二乘法获得精确的参数。 图像的边缘梯度: 传统边缘模型: 模糊边缘模型: 在EDCircles算法鲁棒性差、拟合结果有偏差的问题中,论文采用Huber损失函数对圆进行拟合。Huber函数根据拟合误差的大小选择不同的损失函数,当误差大于阈值时,采用L2损失函数;当误差小于阈值时,使用L1损失函数。从图6可以看出,论文选用的Huber损失函数相比于仅使用L2损失函数得到更好好的拟合结果。 圆拟合结果: 不同自然图像的结果: 不同亮度下的检测结果: 不同标记的检测结果: 不同系数值下的ROC曲线: 最后比较了不同拟合区域长度L下论文方法的运行时间,从图11可以看出,L的长度对运行时间几乎没有影响。总的来说,亚像素计算占用90%以上的时间,运行时间在200 ms左右。 不同L长度下的运行时间: 论文提出了一种基于模糊边缘模型的亚像素圆检测方法。该方法主要包括三个部分:目标圆获取、亚像素边缘拟合和鲁棒圆拟合。在目标圆获取中,提出了基于极性、输入半径和轮廓的圆评分公式,从EDCircles检测出的多个圆结果中筛选出目标圆;亚像素边缘拟合将二维边缘计算转化为一维问题,首先根据梯度方向确定搜索区域,然后利用模糊边缘模型拟合边缘,根据模型参数计算子像素边缘位置;最后,鲁棒圆拟合应用Huber损失函数来拟合圆,提高了对异常点的鲁棒性。通过实验验证表明,与现有方法相比,该方法具有更强的鲁棒性和准确性。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |