[发明专利]一种基于弧支持生长的椭圆检测算法

说明书

本发明公开了一种基于弧支持生长的椭圆检测算法，首先对原始图像采用Sobel算子计算梯度方向、梯度模值，梯度模值高于阈值的像素作为边缘生长种子点；然后构建生长描述子，通过双向自适应生长得到弧段；连接属于同一椭圆的弧段，构造出弧段组并统计组属性；根据位置关系对弧段组进行配对，将断开的弧段边缘连接；拟合得到初始椭圆并验证，然后采用Meanshift方法对初始椭圆进行聚类；最后对聚类的椭圆验证，并获取椭圆中心坐标、长轴、短轴、长轴倾角。本发明给出一种精度、稳定性更好，运算量小，满足工程应用实时性需求的椭圆检测算法，算法克服传统椭圆检测方法运算量大、检测精度低、抗噪声性能不足的问题。

技术领域

本发明涉及图像处理技术领域，具体为一种基于弧支持生长的椭圆检测算法。

背景技术

机器视觉领域中，椭圆检测算法在形状识别、几何测量、边缘模型构建等方面有重要作用，如：无人机自主着降中圆形地面标识的形状识别；基于圆基准的相机精确校正；PCB工业自动化中圆形焊盘、圆孔、器件的定位检测；虹膜识别应用中的瞳孔检测；自动驾驶中交通信号灯的检测。

现有的椭圆检测算法可分为两大类，一类是Hough变换及其改进算法，计算量较大，对噪声较敏感，参数需要人工调整，难以满足实际应用的需求。另一类基于图像中的直线段检测结果进行形状跟踪，由线段对椭圆形状进行多边形几何近似，进而拟合得到椭圆检测结果。

算法检测精度及抗噪声性能相较于基Hough变换及改进算法有所提高，但由于采用了LSD算法的结果，并存在迭代优化过程，计算量较大，算法实时性受到影响。为此，我们提出一种基于弧支持生长的椭圆检测算法。

发明内容

本发明的目的在于提供一种基于弧支持生长的椭圆检测算法，以解决上述背景技术提出的目前算法检测精度及抗噪声性能由于采用了LSD算法的结果，并存在迭代优化过程，计算量较大，算法实时性受到影响的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于弧支持生长的椭圆检测算法，具体步骤如下：

步骤一，对于给定原始图像I，使用Sobel算子计算梯度模值及方向，将高于梯度阈值的像素保留作为边缘生长的种子，按照模值大小对图中边缘点进行伪排序；

步骤二，弧段生长，通过向弧段的两个方向的生长端自适应生长得到弧段，并统计弧段的长度、宽度、极性、覆盖角、端点等信息，通过判断弧段生长弯曲的方向，约束新生长点与弧段平均梯度方向的夹角阈值，满足小于夹角阈值的种子点可以判定为是该弧段的生长点，生长中动态统计弧段梯度方向，采用循环存储队列保存一个生长方向的最新生长点平均梯度方向，当队列已满，新的生长点梯度方向覆盖最早存储的生长点的梯度方向，使弧段生长方向梯度值动态更新，实现弧段弯曲生长；

步骤三，连接可能属于一个椭圆的弧段，构造出弧段组，并统计组的属性，长度、端点、极性、覆盖角；

步骤四，根据覆盖角的情况对组进行配对，可以将断开的弧段，严重缺失的边缘连接，并通过拟合验证配对是否正确，获得用于椭圆拟合的内点；

步骤五，获得用于椭圆拟合的内点后，进行拟合得到初始椭圆，通过内点比例、点数长度比判断初始椭圆是否符合要求；

步骤六，对初始椭圆进行聚类提出重复的椭圆，采用Meanshift方法，通过椭圆5个参数进行级联式的聚类，得到椭圆类、类数、组成该类的组；

步骤七，对聚类得到的椭圆类进行验证，再次拟合通过内点比例、点数长度比进行验证，得到原始图像中椭圆形状的参数，对于椭圆有5个参数中心横纵坐标、椭圆长短半轴、椭圆长轴倾角。

优选的，所述步骤一中对原始图像使用Sobel算子计算梯度模值及方向,获取种子点集合。

优选的，所述步骤二中通过双向自适应生长得到弧段，并统计弧段属性。