[发明专利]一种基于颜色空间与线段的彩色图像轮廓提取方法

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于颜色空间与线段的彩色图像轮廓提取方法。

背景技术

图像处理中，轮廓有着非常重要的作用：它标示了图像中的感兴趣区域。轮廓的检测通常是特征提取和识别的最初步骤，在人脸分析和医学图像处理中，图像轮廓为后续处理提供了重要的信息。它是许多计算机视觉和视频应用的基础和重要组成部分，同时，也是计算机视觉的经典难题之一。

轮廓是由边缘像素连接起来形成的。轮廓可以是断开的，也可以是封闭的。封闭轮廓对应于区域的边界，而区域内的像素可以通过填充算法来填满；断开的轮廓可能是区域边界的一部分，也可能是图像线条特征。区域之间的对比度太弱或边缘检测阈值设置太高都有可能产生间断的轮廓。

现有的轮廓检测算法的第一步通常是边缘检测，常用的局部边缘检测方法主要有：一阶微分、二次微分和模板操作等，比较有代表性的是Canny边缘算子。虽然边缘检测算法可以根据像素间的差异提取出包含着轮廓信息的边缘像素，但通常还不能形成认知上有效的轮廓，它并没有把目标作为一个整体。一个轮廓一般对应于一系列的点，也就是图像中的一条曲线。表示方法可能根据不同情况而有所不同。此外，阈值的设置是边缘检测算法中无法回避的问题，过高的阈值会导致边缘信息的丢失；过低的阈值则会保留过多的细节信息，在提取轮廓时，这些细节信息会影响轮廓的精确性和连续性。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提升轮廓检测的一致性和鲁棒性。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于颜色空间与线段的彩色图像轮廓提取方法，包括以下步骤：

S1、基于颜色特征空间进行图像分割得到目标图像的边缘点集FCR；

S2、基于线段检测方法提取所述目标图像的边缘点集LSD；

S3、对集合FCR与LSD取交集，将得到的点集中的点按梯度幅值大小进行排序，同时设置所有点的访问状态为未访问；定义初始为空的队列结构；

S4、从梯度幅值最大的点开始，以队列结构进行深度优先遍历：在当前点Pc的8-临域内，若有同属于FCR边缘的点，则将该点作为新的点加入队列结构，并将新加入的点作为Pc；若未能在8-临域内找到FCR标示的边缘点，则寻找在Pc周边最近的LSD检测结果点，设最近的LSD检测结果点为Pn，若Pc与Pn之间的欧式距离小于预设阈值T，则将Pn也加入到当前队列结构中，并将Pn作为Pc；按此方式进行深度优先遍历，直至遍历所有FCR点集；

S5、将FCR与LSD交集中的点以及得到的队列结构中的点取并集，作为所述目标图像的轮廓提取结果。

优选地，步骤S4中，对8-临域内的点，若找到多个符合条件的，优先选取符合变量D记录的当前生长方向的点；所述变量D由两个分量dx,dy组成，dx,dy分别记录最新加入队列结构中的点相对于上一加入点在水平方向和垂直方向上的偏移量，若队列结构中只有一个点则dx,dy记录已加入点相对于初始点的偏移量。以当前点为初始点建立二维直角坐标系，水平方向右侧为正方向，左侧为负方向，垂直方向上方为正方向，下发为负方向。

优选地，步骤S4中，在轮廓沿FCR结果集生长过程中，还在当前遍历点周边半径为2像素的菱形结构范围内寻找是否存在LSD检测结果点，若无LSD检测结果点，则记录变量Err值加1，在Err超过预设阈值时，判定为遍历进入了FCR的误检范围，则去掉当前遍历点，从上一个遍历点重新开始遍历；变量Err初始值为0。

(三)有益效果

本发明的方法对颜色空间划分结果进行了进一步的修正与优化，去除了明显的非轮廓信息，更接近图像中真实的边缘，在最终结果的可靠性上更强。实验研究表明，与传统的边缘检测算法相比，本发明无需对不同的图像进行阈值设定，从而提升了轮廓检测的一致性和鲁棒性。

附图说明

图1为轮廓生长方向更新方法示意图；

图2为实验使用的原始图片；

图3为LSD检测获得的边缘结果；

图4为颜色空间融合的边缘提取结果；

图5为本发明的轮廓提取结果。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本发明提供了一种基于颜色空间与线段的彩色图像轮廓提取方法，包括以下步骤：

S1、基于颜色特征空间进行图像分割得到目标图像的边缘点集FCR；