專利名稱：：一種復(fù)雜背景圖像中橢圓圖像特征的自動提取方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于機(jī)器視覺
技術(shù)領(lǐng)域：
，涉及一種復(fù)雜背景圖像中橢圓圖像特征的自動提取方法。技術(shù)背景圓是幾何模式中基本的曲線基元，也是物體的基本幾何形狀，如各種工件、零部件上的定位孔和車輪等。圓形特征被廣泛應(yīng)用于機(jī)器視覺領(lǐng)域，如基于圓孔靶標(biāo)的攝像機(jī)標(biāo)定、基于圓形特征的機(jī)器人自動導(dǎo)引、物體空間位置和姿態(tài)測量、視覺導(dǎo)航以及目標(biāo)對象識別等。而圓的透視投影往往表現(xiàn)為橢圓特征，因此研究圖像中的橢圓特征的自動提取方法具有重要意義。機(jī)器視覺系統(tǒng)的圖像釆集過程，由于受到現(xiàn)場復(fù)雜背景、光照不均勻以及圖像釆集設(shè)備自身存在噪聲等許多不確定因素的干擾，使得拍攝圖像出現(xiàn)了對比度不均勻、雜質(zhì)邊緣過多、特征相互遮擋、邊緣打斷等情況，給橢圓圖像特征的提取帶來了巨大的困難。D.Ballard(—般Hough變換探測任意形狀，《模式識別》，13(2),第1~22頁，1981年["GeneralizingtheHoughtransformtodetectarbitraryshapes,"PatternRecognition,vol.13，no.2，pp.Ill~122，1981])提出了一種由圖像邊緣提取和Hough變換相結(jié)合的橢圓特征提取方法，該方法只適合于簡單背景圖像，需要建立具有四維參數(shù)空間的累加器，算法的計算量及復(fù)雜性與橢圓參數(shù)步長的選取有關(guān)，過細(xì)的參數(shù)步長，計算效率低，而過粗的參數(shù)步長，計算精度又較差。楊根忠和馬彥(使用廣義正交概念的K-RANSAC橢圓提取，《自動化學(xué)報》，第4期，第28卷，2002年)提出了一種使用廣義正交概念的RANSAC橢圓提取方法，該方法能較好地解決橢圓遮擋以及邊緣打斷情況的橢圓圖像特征提取，但也主要針對簡單背景圖像，對于復(fù)雜背景圖像的橢圓特征提取，會出現(xiàn)過多無效釆樣導(dǎo)致計算效率低。現(xiàn)有的橢圓圖像特征提取方法，未能充分利用邊緣像素點在空間位置上保持連續(xù)性這一特點，導(dǎo)致算法存在冗余計算以及未能很好解決復(fù)雜背景圖像中橢圓特征的自動提取。充分利用邊緣像素點在空間位置上的連續(xù)性，將有利于減少橢圓提取的計算量，提高橢圓自動提取的魯棒性，更好地解決復(fù)雜背景圖像中的橢圓圖像特征提取，對提高機(jī)器視覺系統(tǒng)的自動化程度和魯棒性具有重要意義。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題是提供一種復(fù)雜背景圖像中橢圓圖像特征的自動提取方法，充分利用橢圓邊緣片段上邊緣像素的空間位置的連續(xù)性，結(jié)合圓弧邊緣片段拆分融合和基于隨機(jī)釆樣一致性魯棒算法(RANSAC)的邊緣片段聚類，有效消除圖像中噪聲邊緣的干擾，解決復(fù)雜背景圖像中橢圓邊緣的識別與聚類問題，實現(xiàn)橢圓圖像特征的自動提取，為機(jī)器視覺中橢圓特征的自動識別及參數(shù)提取奠定基礎(chǔ)。本發(fā)明的技術(shù)解決方案是一種復(fù)雜背景圖像中橢圓圖像特征的自動提取方法，其特征在于，所說的橢圓圖像特征是指橢圓在圖像中的參數(shù)方程，具體步驟是1、釆用Canny邊緣提取算法提取圖像中邊緣的亞像素圖像坐標(biāo)，并將獲得的邊緣點連接成邊緣片段，邊緣片段是由邊緣點構(gòu)成的坐標(biāo)序列，其長度定義為點的數(shù)量；保留長度大于K的邊緣片段，r,為長度閩值，取值在50-100;用&('=1...0表示第漆邊緣片段，A^表示所有邊緣片段的數(shù)量；第漆邊緣片段上的點用2^0,y)0=1...^)表示，A^為該條邊緣片段上點的數(shù)量；2、給定步長&，將步驟1獲得的邊緣片段E"分割為邊緣子片段，&取值為20~50,圖像越復(fù)雜，取值越?。会娪脠A的最小二乘擬合算法，對每個邊緣子片段進(jìn)行圓弧擬合，得到近似圓弧的參數(shù)，用e表示擬合誤差，定義誤差約東e<e。，eo為誤差閾值，取值為0.5~1;保留滿足擬合誤差約束的邊緣子片段，稱為圓弧子片段；用f^(i-l…Mj表示第f條圓弧子片段，Ms表示所有圓弧子片段的數(shù)量；第漆圓弧子片段上的點用^(>,)0(7=1...^)表示，A^為該條圓弧子片段上點的數(shù)量；用Q0,y)和分別表示第f條圓弧子片段對應(yīng)的近似圓弧的中心點坐標(biāo)和半徑；3、對于步驟2獲得的任意兩條相鄰的圓弧子片段，定義中心距離約東<formula>formulaseeoriginaldocumentpage5</formula>,7^為中心距離閾值，取值在o~io像素，精度要求越高，取值就越??；定義半徑差約東Ar^,i+D=|rs,i—rs,i+1|S7V,7;為半徑差閾值，取值為010像素，精度要求越高，取值就越??；將滿足中心距離約東和半徑差約東的圓弧子片段融合為新的圓弧子片段，并刪除已經(jīng)融合了的圓弧子片段；對融合后的圓弧子片段再次進(jìn)行同樣的融合過程，直到?jīng)]有滿足融合條件的圓弧子片段，則停止融合過程，最終獲得的圓弧子片段稱為圓弧片段；用5^G-l…Mc)表示第f條圓弧片段，Mc表示所有圓弧片段的數(shù)量；第i條圓弧片段上的點用pb(x,y)(7'=1&。表示，^Vci為該條圓弧片段上點的數(shù)量；4、基于隨機(jī)釆樣一致性魯棒算法，對步驟3獲取的圓弧片段￡^,隨機(jī)選取6個釆樣邊緣點，采用直接橢圓擬合得到初步橢圓模型；計算釆樣邊緣點所在圓弧片段上包含的所有邊緣點到初步橢圓模型的距離，根據(jù)滿足距離約東的邊緣點數(shù)量占整個釆樣圓弧片段上邊緣點總數(shù)的百分比，判斷當(dāng)前初步橢圓模型是否構(gòu)成近似模型；利用近似模型的相似度約束將相似橢圓模型及其包含的圓弧片段進(jìn)行聚類，最后將聚類模型中所有圓弧片段上的邊緣點進(jìn)行最小二乘橢圓擬合，得到橢圓的參數(shù)方程；具體步驟如下4.1、定義最大釆樣次數(shù)AT,取值為500-1000,圖像越復(fù)雜，取值越高；從步驟3獲得的所有圓弧片段所包含的邊緣點p^O,3/)中進(jìn)行AT組釆樣，每組隨機(jī)抽取6個點，用<&0,力(&=1.../<:,n二l…6)表示第A:組釆樣中的第n個點；稱采樣邊緣點所在的圓弧片段為釆樣圓弧片段，用￡^(&=1...&71=1...6)表示rfrzO,y)所對應(yīng)的釆樣圓弧片段；4.2、利用直接橢圓擬合算法將每組釆樣邊緣點擬合為初步橢圓模型，用>^(&=1.../0表示其參數(shù)向量；然后計算步驟4.1中的￡^上包含的所有邊緣點到對應(yīng)初步模型v4fc的代數(shù)距離，用cfeO-l…^。表示第A:組釆樣圓弧片段上包含的所有邊緣點對應(yīng)的距離，Mcfc為該組所有圓弧片段所包含的邊緣點數(shù)量；4.3、利用滿足距離約東的邊緣點數(shù)量占整個釆樣圓弧片段上邊緣點總數(shù)的百分比判斷當(dāng)前橢圓模型是否成立，刪除不成立的采樣組別；對于步驟4.2中的每組距離cfe，定義距離約束dt<rd,T^含義與步驟3相同，取值為0~IO像素，精度要求越高，取值越小；記錄滿足該約東的邊緣點數(shù)M";定義橢圓成立判定約東M;/Mcfc^G,G為判定閾值，取值為0.5-0.8,精度要求越高，取值越大；保留滿足上述判定約束的釆樣組別及其包含的釆樣圓弧片段，用^(&=1...K/0表示第/c組采樣圓弧片段，ATAT為滿足判定的釆樣組數(shù)量，并利用橢圓最小二乘擬合各組￡包含的所有邊緣點，得到近似橢圓模型，用Sfc(/c=i...a:a:)表示其參數(shù)向量；4.4、根據(jù)步驟4.3得到的近似橢圓模型&之間的相似程度，將滿足相似約東的近似模型中的圓弧片段進(jìn)行聚類；對于任意兩個近似橢圓模型A和Sm，定義相似程度約束A,m)=IIA—Bm||2srB，&為相似度閾值，取值為10~30，精度要求越高，取值就越?。蝗绻鸮和Bm滿足相似程度約束，將g和57聚類為一組新的圓弧片段；釆用橢圓最小二乘擬合新的圓弧片段為新橢圓，稱為聚類橢圓；刪除已經(jīng)聚類過的近似橢圓及其圓弧片段，對所有的近似橢圓聚類后，再次對聚類后的圓弧片段進(jìn)行同樣的聚類過程，直到?jīng)]有再滿足相似約束的圓弧片段，則停止聚類；聚類后的橢圓用^(i=l...Me)表示，Afe為聚類橢圓的數(shù)量，相應(yīng)橢圓所包含的圓弧片段用￡^(/=l...Wei)表示，A^為該聚類橢圓包含的圓弧片段的數(shù)量；4.5、釆用最小二乘橢圓擬合方法，將步驟4.4獲得的聚類橢圓&上包含的圓弧片段fb，擬合成橢圓，從而得到橢圓特征的參數(shù)方程，橢圓方程由橢圓中心點坐標(biāo)、長半軸和短半軸長度以及橢圓的長半軸與垂直坐標(biāo)軸的夾角表示，將橢圓方程系數(shù)保存到文件中。本發(fā)明的優(yōu)點是本發(fā)明提出了一種復(fù)雜背景圖像中橢圓特征的自動提取方法。該方法利用Ca皿y邊緣提取算法獲取圖像邊緣的亞像素圖像坐標(biāo)，并將相鄰邊緣像素連接為邊緣片段，然后將邊緣片段近似為圓弧子片段，將滿足中心距離約束和半徑約東的圓弧子片段融合為圓弧片段，基于RANSAC算法，對屬于同一橢圓的圓弧片段進(jìn)行聚類，并將同類圓弧片段進(jìn)行擬合得到橢圓參數(shù)方程。同現(xiàn)有的橢圓特征提取方法相比較，本發(fā)明提出的方法有效地利用了邊緣像素的空間位置連續(xù)性，消除了圖像中噪聲邊緣的干擾，解決了復(fù)雜背景圖像中橢圓邊緣的識別與聚類問題，實現(xiàn)了橢圓圖像特征的自動提取。圖l是本發(fā)明提出的復(fù)雜背景圖像中橢圓圖像特征自動提取方法的流程圖。圖2是邊緣片段拆分融合為圓弧片段的示意圖。圖3是圓弧片段聚類的示意圖。圖4是實驗圖像。圖4a是橢圓遮擋情況的仿真圖像，圖4b是橢圓邊緣打斷情況的仿真圖像，圖4c是真實復(fù)雜背景圖像。圖5是對圖4實驗圖像的橢圓提取結(jié)果。圖5a是橢圓遮擋情況的提取結(jié)果，圖5b是橢圓邊緣打斷情況的提取結(jié)果，圖5c是真實復(fù)雜背景圖像的提取結(jié)果。具體實施方式下面對本發(fā)明做進(jìn)一步詳細(xì)說明。首先，簡要介紹隨機(jī)釆樣一致性魯棒算法(RANSAC)的基本原理。RANSAC算法的基本思想是從整體數(shù)據(jù)點集合中隨機(jī)選取"個點，w為確定目標(biāo)模型所需的最少點數(shù)，用"個點擬合一個基本目標(biāo)模型，根據(jù)數(shù)據(jù)點集中其它點到該模型的距離小于距離閾值的點(稱為內(nèi)點)數(shù)來判斷該模型的真實程度，多次重復(fù)同樣的隨機(jī)釆樣過程，最終具有最大內(nèi)點數(shù)的模型被認(rèn)為是最佳的魯棒擬合。很明顯，含有粗大誤差點擬合的目標(biāo)模型不會獲得大的內(nèi)點數(shù)目。該方法有效地將整體數(shù)據(jù)點集中屬于目標(biāo)模型的內(nèi)點識別出來，排除了粗大誤差點的干擾。在RANSAC算法的基礎(chǔ)上，將其應(yīng)用于圖像邊緣片段集合中橢圓片段特征的自動聚類，結(jié)合圓弧邊緣片段拆分和融合方法，本發(fā)明提出一種復(fù)雜背景圖像中的橢圓圖像特征自動提取方法，所說的橢圓圖像特征是指橢圓在圖像中的參數(shù)方程，具體步驟如下1、釆用Canny邊緣提取算法提取圖像中邊緣的亞像素圖像坐標(biāo)，并將獲得的邊緣點連接成邊緣片段，保留滿足長度約束的邊緣片段。邊緣提取及連接算法參見Harris和Stephens的文章"一種角點和邊緣的聯(lián)合探測器"[ACombinedCornerandEdgeDetector],第四屆Alvey視覺會議，曼徹斯特，第147-151頁，1988年。[ProceedingsofTheFourthAlveyVisionConference,Manchester,147~151,1988]。具體步驟如下1.1、利用Canny邊緣提取方法提取圖像中的邊緣點。釆用由二維高斯函數(shù)的一階偏導(dǎo)數(shù)構(gòu)成的模板與圖像進(jìn)行卷積實現(xiàn)圖像平滑，計算出圖像的梯度幅度及梯度方向；在梯度方向上，對圖像梯度幅度進(jìn)行非極大值抑制；選取有較大梯度幅度的像素點為候選邊緣點，最后釆用雙閾值法提取出邊緣像素。1.2、將步驟1.1得到的孤立邊緣像素連接為邊緣片段。搜索所有邊緣像素的8領(lǐng)域，根據(jù)其中包含的非零像素個數(shù)判斷中心邊緣點可能出現(xiàn)在邊緣片段中的位置，如片段端點、交叉點、過程點等。將相鄰的邊緣點以鏈碼的形式存儲起來，并在出現(xiàn)交叉的地方斷開，最終獲得由相鄰邊緣點的坐標(biāo)序列以鏈碼形式構(gòu)成的邊緣片段。1.3、邊緣片段是由邊緣點構(gòu)成的坐標(biāo)序列，其長度定義為點的數(shù)量；保留長度大于r!的邊緣片段，K為長度閾值，取值在50-100;用&0-l…A^表示第f條邊緣片段，M,表示所有邊緣片段的數(shù)量；第f條邊緣片段上的點用pGO,y)(y-l…iV")表示，Mi為該條邊緣片段上點的數(shù)量。2、將步驟1獲得的邊緣片段&i分割為邊緣子片段，通過圓弧近似算法選取滿足擬合誤差的圓弧子片段，擬合得到圓弧子片段的中心點坐標(biāo)和半徑參數(shù)。具體步驟如下2.1、給定步長&，將步驟l獲得的邊緣片段Eu分割為邊緣子片段，&取值為20-50，圖像越復(fù)雜，取值越?。会娪脠A的最小二乘擬合算法，對每個邊緣子片段進(jìn)行圓弧擬合，得到近似圓弧的參數(shù)，用e表示擬合誤差，定義誤差約東e<e。，^為誤差閩值，取值為0.5~1;保留滿足擬合誤差約束的邊緣子片段，稱為圓弧子片段；圓弧近似算法參見Thomas和Chan的文章"一種圓弧中心和半徑的簡單計算方法，，(Asimpleapproachfortheestimationofcirculararccenteranditsradius),《計算機(jī)視覺、圖形和圖像處理》，45卷，第134-143頁，1989年(ComputerVision,Graphics,andImageProcessing,vol.45,pp,362國370,1989)。2.2、用￡^(/-1...^;)表示第漆圓弧子片段，M,表示所有圓弧子片段的數(shù)量；第漆圓弧子片段上的點用^(;力0=1...^)表示，A^為該條圓弧子片段上點的數(shù)量；用C^O,y)和r^分別表示第漆圓弧子片段對應(yīng)的近似圓弧的中心點坐標(biāo)和半徑。如圖2所示，邊緣片段范被以相等步長分割為&,&2,&3,^四條圓弧子片段，對每個子片段進(jìn)行圓弧擬合；由于5^,^2兩片段為近似直線，故由其擬合誤差e過大直接將其刪除。3、對于步驟2獲得的任意兩條相鄰的圓弧子片段，定義中心距離約束1lc^O,y)—cs,i+1(x,y)||2srd，rd為中心距離閾值，取值在o10像素，精度要求越高，取值就越小；定義半徑差約東Ar^,i+D=h^—r^+1|S7V，7V為半徑差閾值，取值為010像素，精度要求越高，取值就越小；將滿足中心距離約東和半徑差約束的圓弧子片段融合為新的圓弧子片段，并刪除已經(jīng)融合了的圓弧子片段；對融合后的圓弧子片段再次進(jìn)行同樣的融合過程，直到?jīng)]有滿足融合條件的圓弧子片段，則停止融合過程，最終獲得的圓弧子片段稱為圓弧片段；用EdG-l...Mj表示第f條圓弧片段，Mc表示所有圓弧片段的數(shù)量；第i條圓弧片段上的點用p^O,y)0'=1...A^)表示，yv^為該條圓弧片段上點的數(shù)量。如圖2所示，&3,&4兩圓弧子片段滿足中心距離約東和半徑差約東，故將其融合為新的圓弧子片段，并重新進(jìn)行圓弧近似，得到新的圓弧片段Ed。4、基于隨機(jī)釆樣一致性魯棒算法，對步驟3獲取的圓弧片段5^,隨機(jī)選取6個釆樣邊緣點，釆用直接橢圓擬合得到初步橢圓模型；計算釆樣邊緣點所在圓弧片段上包含的所有邊緣點到初步橢圓模型的距離，根據(jù)滿足距離約東的邊緣點數(shù)量占整個采樣圓弧片段上邊緣點總數(shù)的百分比，判斷當(dāng)前初步橢圓模型是否構(gòu)成近似模型；利用近似模型的相似度約東將相似橢圓模型及其包含的圓弧片段進(jìn)行聚類，最后將聚類模型中所有圓弧片段上的邊緣點進(jìn)行最小二乘橢圓擬合，得到橢圓的參數(shù)方程。具體步驟如下4.1、定義最大釆樣次數(shù)K,取值為500~1000,圖像越復(fù)雜，取值越高；從步驟3獲得的所有圓弧片段所包含的邊緣點pb(x,3/)中進(jìn)行A:組釆樣，每組隨機(jī)抽取6個點，用(^(x,y)(fc二1...^n二l…6)表示第fc組釆樣中的第n個點；稱釆樣邊緣點所在的圓弧片段為釆樣圓弧片段，用E^(/c二l…AT,71=1...6)表示rfn(x，y)所對應(yīng)的釆樣圓弧片段。4.2、利用直接橢圓擬合算法將每組采樣邊緣點擬合為初步橢圓模型，用4(&=1.../0表示其參數(shù)向量；然后計算步驟4.1中的￡^上包含的所有邊緣點到對應(yīng)初步模型^4fc的代數(shù)距離，用c4(t-l…A/^)表示第/:組釆樣圓弧片段上包含的所有邊緣點對應(yīng)的距離，A^fc為該組所有圓弧片段所包含的邊緣點數(shù)量。具體步驟如下第一步，利用步驟4.1中獲得的釆樣點(^0,y)(/c二l…K,n=1...6),通過橢圓直接擬合算法分別擬合橢圓，得到AT組橢圓初步模型v4fc(/c=1.../0。設(shè)釆樣點為&n(Xcn,ycn)(n=1…6),根據(jù)橢圓一般方程ax2+ky+cy2+dx+ey+/=0，則參數(shù)a,c,d,e,/可以通過下式求得<formula>formulaseeoriginaldocumentpage10</formula>第二步，計算每組釆樣點所歸屬的圓弧片段￡^0=有像素點到對應(yīng)初步模型^(&=l...ZO的代數(shù)距離。圓弧片段上點gct(xct,yct)到初步模型A(afcA,dfc,efc,/fc)的代數(shù)距離可以通過下式獲得<formula>formulaseeoriginaldocumentpage10</formula>將E^上所有邊緣點帶入式[2]計算每個點到初步模型的^的代數(shù)距離，用^^-1...^。表示第^組釆樣圓弧片段上包含的所有邊緣點對應(yīng)的距離，Mcfc為該組所有圓弧片段所包含的邊緣點數(shù)量。4.3、利用滿足距離約東的邊緣點數(shù)量占整個釆樣圓弧片段上邊緣點總數(shù)的百分比判斷當(dāng)前橢圓模型是否成立，刪除不成立的釆樣組別，利用橢圓最小二乘擬合算法對保留的各組圓弧片段包含的邊緣點進(jìn)行圓弧擬合。具體步驟如下第一步，對于步驟4.1中的每組距離dt,定義距離約束《<7^，Td含義與步驟3相同，取值為010像素，精度要求越高，取值越小；記錄滿足該約束的邊緣點數(shù)M;;定義橢圓成立判定約東M;/McfcSG,G為判定閎值，取值為0.5~0.8，精度要求越高，取值越大；保留滿足上述判定約東的釆樣組別及其包含的釆樣圓弧片段，用E(fc-l…A:iO表示第B且釆樣圓弧片段，ATK為滿足判定的釆樣組數(shù)量。第二步，利用橢圓最小二乘擬合各組￡包含的所有邊緣點，得到近似橢圓模型，用^(&=1...^:/0表示其參數(shù)向量。最小二乘橢圓擬合方法為定義橢圓參數(shù)向量a=c,d,e,/),由圓弧片段上點pctOct,yct)(t=1......^)坐標(biāo)構(gòu)成的系數(shù)矩陣<formula>formulaseeoriginaldocumentpage11</formula><formula>formulaseeoriginaldocumentpage11</formula>以及常系數(shù)矩陣<formula>formulaseeoriginaldocumentpage11</formula>[3]<formula>formulaseeoriginaldocumentpage11</formula>[4]應(yīng)用拉各朗日數(shù)乘法，在a『Ca二l的條件下求解方程Sa—)Ca=0[5]即可得到橢圓方程系數(shù)向量a=(a,6,c,/)，從而求得保留組別的近似橢圓模型，用^(&=1.../^0，其中A^為滿足判定的釆樣組數(shù)量。4.4、根據(jù)步驟4.3得到的近似橢圓模型&之間的相似程度，將滿足相似約束的近似模型中的圓弧片段進(jìn)行聚類；對于任意兩個近似橢圓模型^和^n，定義相似程度約東A,m)=IIA—Bm||2srs，&為相似度閾值，取值為10~30,精度要求越高，取值就越小。如果A和Sm滿足相似程度約束，將《和￡7聚類為一組新的圓弧片段；釆用橢圓最小二乘擬合新的圓弧片段為新橢圓，稱為聚類橢圓；刪除已經(jīng)聚類過的近似橢圓及其圓弧片段，對所有的橢圓聚類后，再次對聚類后的圓弧片段進(jìn)行同樣的聚類過程，直到?jīng)]有再滿足相似約束的圓弧片段，則停止聚類；聚類后的橢圓用A(i=l...Me)表示，Me為聚類橢圓的數(shù)量，相應(yīng)橢圓所包含的圓弧片段用4.(;'=1...7Vei)表示，A^為聚類橢圓包含的圓弧片段的數(shù)量。如圖3所示，圖中左邊是由兩組圓弧片段擬合出的^,&兩個橢圓，由于不滿足相適度約束，所以無法聚類；對于右邊的情況，由￡^,￡^,￡^三條圓弧片段擬合成了橢圓￡4，由Ec2,Ec4,Ec6,^7四條圓弧片段擬合成了橢圓513，而￡"3,￡"4之間滿足相適度約束，所以將這兩個橢圓所具有的圓弧片段進(jìn)行聚類，從而刪除原有的5^^3,Ec5和^2,f"c4,Ec6,Ec7的分組，重新建立一組圓弧片段為5"d&7;所以圖中共有3組圓弧片段，分別是構(gòu)成&,&兩個橢圓的圓弧片段E^、g^和cl^C7構(gòu)成的一組新的圓弧片段gf,4.5、釆用最小二乘橢圓擬合方法，將步驟4.4獲得的聚類橢圓^上包含的圓弧片段《r擬合成橢圓，從而得到橢圓特征的參數(shù)方程，橢圓方程由橢圓中心點坐標(biāo)、長半軸和短半軸長度以及橢圓的長半軸與垂直坐標(biāo)軸的夾角表示，將橢圓方程系數(shù)保存到文件中。實施例提出的橢圓圖像特征提取算法的流程如圖1所示。以計算機(jī)仿真生成的包含有遮擋和邊緣打斷情況的橢圓以及包含橢圓特征的真實復(fù)雜背景圖像為例，進(jìn)行實驗。圖4(a)為由計算機(jī)仿真生成的三個相互遮擋橢圓的圖像，圖4(b)為邊緣被打斷并含有大量雜質(zhì)邊緣的圖像，圖4(c)為真實圖像，其中含有較多復(fù)雜背景，圖像分辨率均為768x576像素。根據(jù)本發(fā)明提出的橢圓圖像特征提取方法分別對三幅圖像中的橢圓特征進(jìn)行提取，釆用matlab編程實現(xiàn)。表l遮擋情況仿真圖像的提取結(jié)果<table>tableseeoriginaldocumentpage12</column></row><table>表2邊緣打斷情況仿真圖像的提取結(jié)果<table>tableseeoriginaldocumentpage12</column></row><table>表3真實復(fù)雜背景圖像的提取結(jié)果<table>tableseeoriginaldocumentpage12</column></row><table>圖5(a)(c)分別為圖4(a)(c)所示三幅圖像提出的橢圓特征結(jié)果。提取出的橢圓參數(shù)如表l、表2、表3所示。從實驗結(jié)果可以看出，本發(fā)明提出的橢圓特征提取方法能夠自動提取出復(fù)雜背景，含有遮擋以及邊緣打斷情況的圖像中的橢圓特征。同現(xiàn)有的基于Hough變換的橢圓特征提取方法相比，該方法可在復(fù)雜背景條件下解決橢圓邊緣識別聚類問題，實現(xiàn)橢圓圖像特征的自動提取。權(quán)利要求1、一種復(fù)雜背景圖像中橢圓圖像特征的自動提取方法，其特征在于，所說的橢圓圖像特征是指橢圓在圖像中的參數(shù)方程，具體步驟是1.1、采用Canny邊緣提取算法提取圖像中邊緣的亞像素圖像坐標(biāo)，并將獲得的邊緣點連接成邊緣片段，邊緣片段是由邊緣點構(gòu)成的坐標(biāo)序列，其長度定義為點的數(shù)量；保留長度大于Tl的邊緣片段，Tl為長度閾值，取值在50～100；用Eli(i＝1...Ml)表示第i條邊緣片段，Ml表示所有邊緣片段的數(shù)量；第i條邊緣片段上的點用plji(x，y)(j＝1...Nli)表示，Nli為該條邊緣片段上點的數(shù)量；1.2、給定步長Sl，將步驟1.1獲得的邊緣片段Eli分割為邊緣子片段，Sl取值為20～50，圖像越復(fù)雜，取值越?。徊捎脠A的最小二乘擬合算法，對每個邊緣子片段進(jìn)行圓弧擬合，得到近似圓弧的參數(shù)，用e表示擬合誤差，定義誤差約束e＜e0，e0為誤差閾值，取值為0.5～1；保留滿足擬合誤差約束的邊緣子片段，稱為圓弧子片段；用Esi(i＝1...Ms)表示第i條圓弧子片段，Ms表示所有圓弧子片段的數(shù)量；第i條圓弧子片段上的點用psji(x，y)(j＝1...Nsi)表示，Nsi為該條圓弧子片段上點的數(shù)量；用Cs，i(x，y)和rs，i分別表示第i條圓弧子片段對應(yīng)的近似圓弧的中心點坐標(biāo)和半徑；1.3、對于步驟1.2獲得的任意兩條相鄰的圓弧子片段，定義中心距離約束Δds(i，i+1)＝‖Cs，i(x，y)-Cs，i+1(x，y)‖2≤Td，Td為中心距離閾值，取值在0～10像素，精度要求越高，取值就越小；定義半徑差約束Δrs(i，i+1)＝|rs，i-rs，i+1|≤Tr，Tr為半徑差閾值，取值為0～10像素，精度要求越高，取值就越?。粚M足中心距離約束和半徑差約束的圓弧子片段融合為新的圓弧子片段，并刪除已經(jīng)融合了的圓弧子片段；對融合后的圓弧子片段再次進(jìn)行同樣的融合過程，直到?jīng)]有滿足融合條件的圓弧子片段，則停止融合過程，最終獲得的圓弧子片段稱為圓弧片段；用Eci(i＝1...Mc)表示第i條圓弧片段，Mc表示所有圓弧片段的數(shù)量；第i條圓弧片段上的點用pcji(x，y)(j＝1...Nci)表示，Nci為該條圓弧片段上點的數(shù)量；1.4、基于隨機(jī)采樣一致性魯棒算法，對步驟1.3獲取的圓弧片段Eci，隨機(jī)選取6個采樣邊緣點，采用直接橢圓擬合得到初步橢圓模型；計算采樣邊緣點所在圓弧片段上包含的所有邊緣點到初步橢圓模型的距離，根據(jù)滿足距離約束的邊緣點數(shù)量占整個采樣圓弧片段上邊緣點總數(shù)的百分比，判斷當(dāng)前初步橢圓模型是否構(gòu)成近似模型；利用近似模型的相似度約束將相似橢圓模型及其包含的圓弧片段進(jìn)行聚類，最后將聚類模型中所有圓弧片段上的邊緣點進(jìn)行最小二乘橢圓擬合，得到橢圓的參數(shù)方程；具體步驟如下1.4.1、定義最大采樣次數(shù)K，取值為500～1000，圖像越復(fù)雜，取值越高；從步驟1.3獲得的所有圓弧片段所包含的邊緣點pcji(x，y)中進(jìn)行K組采樣，每組隨機(jī)抽取6個點，用qcnk(x，y)(k＝1...K，n＝1...6)表示第k組采樣中的第n個點；稱采樣邊緣點所在的圓弧片段為采樣圓弧片段，用Ecnk(k＝1...K，n＝1...6)表示qcnk(x，y)所對應(yīng)的采樣圓弧片段；1.4.2、利用直接橢圓擬合算法將每組采樣邊緣點擬合為初步橢圓模型，用Ak(k＝1...K)表示其參數(shù)向量；然后計算步驟1.4.1中的Ecnk上包含的所有邊緣點到對應(yīng)初步模型Ak的代數(shù)距離，用dctk(t＝1...Mck)表示第k組采樣圓弧片段上包含的所有邊緣點對應(yīng)的距離，Mck為該組所有圓弧片段所包含的邊緣點數(shù)量；1.4.3、利用滿足距離約束的邊緣點數(shù)量占整個采樣圓弧片段上邊緣點總數(shù)的百分比判斷當(dāng)前橢圓模型是否成立，刪除不成立的采樣組別；對于步驟1.4.2中的每組距離dctk，定義距離約束<math-cwu><![CDATA[<math><mrow><msubsup><mi>d</mi><mi>ct</mi><mi>k</mi></msubsup><mo>&lt;</mo><msub><mi>T</mi><mi>d</mi></msub><mo>,</mo></mrow></math>]]></math-cwu><!--imgid="icf0001"file="S2007103038778C00021.gif"wi="81"he="22"img-content="drawing"img-format="tif"/-->Td含義與步驟3相同，取值為0～10像素，精度要求越高，取值越??；記錄滿足該約束的邊緣點數(shù)Mck′；足義橢圓成立判定約束Mck′/Mck≥G，G為判定閾值，取值為0.5～0.8，精度要求越高，取值越大；保留滿足上述判定約束的采樣組別及其包含的采樣圓弧片段，用Eck(k＝1...KK)表示第k組采樣圓弧片段，KK為滿足判定的采樣組數(shù)量，并利用橢圓最小二乘擬合各組Eck包含的所有邊緣點，得到近似橢圓模型，用Bk(k＝1...KK)表示其參數(shù)向量；1.4.4、根據(jù)步驟1.4.3得到的近似橢圓模型Bk之間的相似程度，將滿足相似約束的近似模型中的圓弧片段進(jìn)行聚類；對于任意兩個近似橢圓模型Bi和Bm，定義相似程度約束ΔB(i，m)＝‖Bi-Bm‖2≤TB，TB為相似度閾值，取值為10～30，精度要求越高，取值就越小；如果Bi和Bm滿足相似程度約束，將Eci和Ecm聚類為一組新的圓弧片段；采用橢圓最小二乘擬合新的圓弧片段為新橢圓，稱為聚類橢圓；刪除已經(jīng)聚類過的近似橢圓及其圓弧片段，對所有的近似橢圓聚類后，再次對聚類后的圓弧片段進(jìn)行同樣的聚類過程，直到?jīng)]有再滿足相似約束的圓弧片段，則停止聚類；聚類后的橢圓用Ei(i＝1...Me)表示，Me為聚類橢圓的數(shù)量，相應(yīng)橢圓所包含的圓弧片段用Eeji(j＝1...Nei)表示，Nei為該聚類橢圓包含的圓弧片段的數(shù)量；1.4.5、采用最小二乘橢圓擬合方法，將步驟1.4.4獲得的聚類橢圓Ei上包含的圓弧片段Eeji，擬合成橢圓，從而得到橢圓特征的參數(shù)方程，橢圓方程由橢圓中心點坐標(biāo)、長半軸和短半軸長度以及橢圓的長半軸與垂直坐標(biāo)軸的夾角表示，將橢圓方程系數(shù)保存到文件中。2、利用直接橢圓擬合算法將每組采樣邊緣點擬合為初步橢圓模型，用^(&=1.../0表示其參數(shù)向量；然后計算步驟1.4.1中的E^上包含的所有邊緣點到對應(yīng)初步模型A的代數(shù)距離，用c40=1...^。表示第&組采樣圓弧片段上包含的所有邊緣點對應(yīng)的距離，A^fc為該組所有圓弧片段所包含的邊緣點數(shù)量；3、利用滿足距離約束的邊緣點數(shù)量占整個采樣圓弧片段上邊緣點總數(shù)的百分比判斷當(dāng)前橢圓模型是否成立，刪除不成立的釆樣組別；對于步驟1.4.2中的每組距離《，定義距離約東dg<rd，&含義與步驟3相同，取值為o-io像素，精度要求越高，取值越?。挥涗洕M足該約東的邊緣點數(shù)M^;定義橢圓成立判定約東Af;/Mcfc2G,G為判定閾值，取值為0.5-0.8，精度要求越高，取值越大；保留滿足上述判定約東的采樣組別及其包含的采樣圓弧片段，用<formula>formulaseeoriginaldocumentpage0</formula>0表示第^組釆樣圓弧片段，A^為滿足判定的釆樣組數(shù)量，并利用橢圓最小二乘擬合各組g包含的所有邊緣點，得到近似橢圓模型，用^(fc=1…K/0表示其參數(shù)向量；4、根據(jù)步驟1.4.3得到的近似橢圓模型Bfc之間的相似程度，將滿足相似約東的近似模型中的圓弧片段進(jìn)行聚類；對于任意兩個近似橢圓模型A和s^定義相似程度約東AS("m)=ll^—BJbsrs,rB為相似度閾值，取值為i030,精度要求越高，取值就越?。蝗绻鸄和fim滿足相似程度約束，將^和￡7聚類為一組新的圓弧片段；釆用橢圓最小二乘擬合新的圓弧片段為新橢圓，稱為聚類橢圓；刪除已經(jīng)聚類過的近似橢圓及其圓弧片段，對所有的近似橢圓聚類后，再次對聚類后的圓弧片段進(jìn)行同樣的聚類過程，直到?jīng)]有再滿足相似約束的圓弧片段，則停止聚類；聚類后的橢圓用^U=l...Me)表示，Me為聚類橢圓的數(shù)量，相應(yīng)橢圓所包含的圓弧片段用E^U=l...iVei)表示，A^為該聚類橢圓包含的圓弧片段的數(shù)量；5、采用最小二乘橢圓擬合方法，將步驟1.4.4獲得的聚類橢圓^上包含的圓弧片段f^，擬合成橢圓，從而得到橢圓特征的參數(shù)方程，橢圓方程由橢圓中心點坐標(biāo)、長半軸和短半軸長度以及橢圓的長半軸與垂直坐標(biāo)軸的夾角表示，將橢圓方程系數(shù)保存到文件中。全文摘要本發(fā)明屬于機(jī)器視覺
技術(shù)領(lǐng)域：
，將提供一種復(fù)雜背景圖像中橢圓圖像特征的自動提取方法。本發(fā)明首先利用Canny邊緣提取方法獲取圖像邊緣的亞像素圖像坐標(biāo)，并通過邊緣連接方法將相鄰邊緣像素連接為邊緣片段；然后使用基于圓弧近似擬合的邊緣拆分融合算法，將邊緣片段中滿足中心距離約束和半徑約束的圓弧片段進(jìn)行融合；基于隨機(jī)采樣一致性魯棒估計算法，對屬于同一橢圓的圓弧片段進(jìn)行聚類；最后將聚類后的同類圓弧片段進(jìn)行最小二乘擬合得到橢圓參數(shù)方程。所提出的橢圓自動提取算法有效消除了圖像中噪聲邊緣的干擾，解決了復(fù)雜背景圖像中橢圓邊緣的識別與聚類問題，實現(xiàn)了橢圓圖像特征的自動提取。文檔編號G06K9/62GK101216895SQ20071030387公開日2008年7月9日申請日期2007年12月26日優(yōu)先權(quán)日2007年12月26日發(fā)明者周富強(qiáng),程駿超申請人:北京航空航天大學(xué)