基于邊緣檢測和改進Hough的圖像特征識別研究

0 引言

目前，智能車輛必不可少的重要功能之一就是對障礙物的檢測和危險的預判，同時也被各位專家學者研究和探索。車輛在道路上行駛時，如果前方的車輛能夠及時且準確的被檢測、識別，從而保障車輛能夠安全行駛以及預防碰撞事故的發(fā)生，以減少交通安全事故，保護駕駛員的人身安全和財產(chǎn)安全。人類是通過眼睛-視覺來觀察世界，從而更好地認識世界，因此，駕駛車輛時，駕駛員能夠通過視覺獲取90%的道路信息

。模式識別與圖像處理是機器視覺實現(xiàn)的主要手段，它借助一系列的圖像處理實現(xiàn)對環(huán)境信息的檢索和加工處理，以完成所需信息的檢測和預判。因此在智能車輛、無人駕駛以及安全輔助駕駛中，機器視覺就成為了獲取環(huán)境信息的一種非常重要的手段。

機器視覺技術尤為關鍵的一個步驟就是識別圖形，圓形的識別以及圓形的位置檢測更是司空見慣。Hough變換及Hough優(yōu)化算法是現(xiàn)在機器視覺中比較常用的檢測圓形的算法。Hough變換

是由 Panl Hough 1962年提出的，它利用圖像空間、參數(shù)空間的相互關系，將圖像空間中的問題轉移到參數(shù)空間中進行求解，以使求解過程變得容易。這種方法首先預估能夠落在邊緣上的所有點，然后進行統(tǒng)計計算，再以此判斷圖像邊緣滿足預先設定的邊緣的程度。Hough變換采用三維空間參數(shù)累積的方法不僅需要進行大量的計算，還占用大量的存儲空間，并且處理時間長。針對這一缺陷Xu等

提出了隨機霍夫變換算法，該算法在一定程度上減少了經(jīng)典Hough變換在一對多映射方面計算量大的問題。但是干擾較多的復雜圖像在處理時會引入許多無效樣本，使該算法的效能受到很大影響。因此，諸多學者專家對RHT算法進行了改進。HAN

提出了利用隨機采樣的2點的梯度，直接計算所檢測圓的參數(shù)，但是梯度存在一定的誤差，并進行累積，所以該方法精度不高。Manznaera A等

在灰度圖像中，首先預估曲率導數(shù)，然后對所有像素進行投票，再將有關參數(shù)通過Hough變換計算出來，這種方法不對圖像的輪廓進行設計和計算，更便捷的解出圓孔相關的一些位置參數(shù)。不過，若有瑕疵存在于所檢測的圓孔時，它們也會參與投票這樣就會導致許多無關參數(shù)的出現(xiàn)，從而使檢測結果不夠準確。類似的文獻[6-8]在對圖像進行預處理操作時，還合理的改進了邊緣檢測算法，以提高檢測的實時性和降低噪聲的干擾性。陳小艷等

首先采用 Canny算法進行邊緣檢測，然后再對圖像邊界進行過濾處理，從而改善了Hough變換識別的效能，但沒有考慮到 Canny算法本身就存在一定的缺陷。龐明明

等提出了一種基于模糊LBP和Canny邊緣的圖像分割方法，雖達到了一定的效果，但并沒有獲得理想的狀態(tài)。

本文通過學習各位專家學者在圖象識別時采用的圓檢測算法，提出了基于Canny的邊緣檢測以及改進Hough變換的圖像識別算法。

1 基于Canny的邊緣檢測算法

Canny的邊緣檢測算法分為以下幾個步驟：

(1)平滑處理，采用高斯濾波器進行：

(1)

(2)

(2)計算梯度的幅值和方向：

從發(fā)展趨勢的角度來看，區(qū)域產(chǎn)量指數(shù)保險、天氣指數(shù)保險、價格指數(shù)保險是目前在全球范圍內(nèi)指數(shù)保險的主要險種，具有很大優(yōu)勢，能夠推動保險業(yè)職能轉變，由過去的風險治理到?jīng)Q定資源配置效率。在國家持續(xù)增強政策性補貼廣度和深度的基礎上，未來我國農(nóng)業(yè)保險需要市場去拉動發(fā)展，同時也需要農(nóng)資企業(yè)的深度參與。不難預見，隨著農(nóng)業(yè)保險與農(nóng)業(yè)生產(chǎn)的逐步貼近，其與農(nóng)民的距離一定會越來越近。

(3)

式中：

有關方面提醒，消費者在網(wǎng)絡平臺購買普通家電產(chǎn)品后，其享有的權利應當和在實體賣場中購買的一樣，例如“三包”等。而家電產(chǎn)品出售之后，電子商務平臺和家電廠商都應負有相應的責任。在網(wǎng)購家電產(chǎn)品時，首先應當盡量選擇靠譜、正規(guī)的網(wǎng)購平臺和商家。

1)根據(jù)目標的先驗知識首先確定半徑的范圍(

,

)，并初始化所有的變量以及Hough數(shù)組，為它們分配內(nèi)存；

(4)利用雙閥值算法進行檢測及連接邊緣。

式中，Pi為測站該年第i個月降雨量(單位：mm)，該模型求算結果為美制單位：Ft·T·In/(A·h)，需將結果乘以17.02換算為國際制單位：MJ·mm/(hm2·h·a)，以便于后續(xù)計算及分析.

1.1 圖像預處理

經(jīng)過顏色識別后的圖像上的目標內(nèi)部還存在一些黑洞，邊緣粗糙。因此，本文采用閉運算處理，改善了圖像的質量，得到更加清晰的目標圖像。

閉運算的處理過程是：用B對A進行閉運算記為

·

，其定義為

·

=(

⊕

)

(其中

-輸入的二值圖像，

-結構元素)。

學習電解原理和解決電解相關的問題時,每一屆都會有較多同學產(chǎn)生畏難心理,覺得課本上電解原理的內(nèi)容不多、容易理解,但課外相應習題不好做,考試試題難度更大。造成這種情況的原因有:第一,雖然課本中相關內(nèi)容多,但由于電解原理在生產(chǎn)、生活中有廣泛應用,所以相應習題、試題往往有聯(lián)系生產(chǎn)和生活的實際情境,涉及較多的拓展性內(nèi)容;第二(也是主要原因),對電解原理的認識還不全面,有認識誤區(qū),遇到電解問題時這些認識誤區(qū)會影響同學們的思考角度、思維路徑和認識深度,導致產(chǎn)生錯誤。解決的方法就是要突破認識誤區(qū),重視從各個方面收集證據(jù),提高基于證據(jù)(而不是基于記憶)作出推理判斷的能力。

閉運算通過對A的邊緣進行濾波處理，磨光凹向A邊緣內(nèi)部的尖角，填充A內(nèi)部的孔洞，并連接兩個臨近的區(qū)域使其成為一個新的區(qū)域。采用閉運算，則不僅可以平滑圖像中目標的邊界，還能消除存在的噪聲。

文化缺省當中所省略掉的具體內(nèi)容一般情況下不在語料中，電影觀眾并不能利用前后的內(nèi)容關系來填補其中的所缺少的部分，而是要從語篇之外的國家文化背景中，激發(fā)自我知識體系，以便更好的理解相關的內(nèi)容。順利的理解來源于影片自身在觀眾思想中所構建的連接程度。換言之，也就是觀眾依靠自身的理解能力在主觀的解讀影片內(nèi)容，而所進行理解的過程則是運用聯(lián)系原則來構建的連接關系。觀眾對具體文化現(xiàn)象的掌握程度越深，其空位填補水平也就越高。但如果觀眾并不能這樣通過自身的能力來理解電影字幕的語言，就會無法真正理解影片所要表達的核心思想。

1.2 基于Canny的目標質心的邊緣檢測

本文采用基于Canny的目標質心的邊緣檢測算法直接提取目標邊界，提高識別的速度。

(4)

式中：

(

(

,

))—像素

(

,

)的基于彩色邊緣檢測算子的梯度值。

—目標梯度閾值。

(

+

,

)—像素

(

,

)后相鄰的

個像素。

—基于顏色檢測的目標區(qū)域。

邊緣檢測的結果如圖1：

觀察基于Canny的邊界提取結果可以看出，本文采用基于目標質心的算法能夠迅速獲得目標邊界，這種方法易于操作，計算量不大，目標邊界提取的速度也較快。

大部分院校是針對即將畢業(yè)的大學生進行職業(yè)素養(yǎng)的教育，由招生就業(yè)部門負責對學生進行培訓指導，但這個時期學生的狀態(tài)表現(xiàn)出去就業(yè)單位迫切性、思想上的放松、學習動力的下降、接受知識的抵抗性等等弊端性問題，造成往往使職業(yè)素養(yǎng)的教育流于形式，離目標差距比較大。

2 基于改進的Hough變換的形狀識別

經(jīng)典Hough變換算法：

3)緊密結合業(yè)務規(guī)范和工作流程,在產(chǎn)品制作上極大提高預報員的工作效率,有效減小出現(xiàn)錯誤的環(huán)節(jié),并自動記錄工作日志,方便留痕管理和檢查。

若將圓的方程設為(

-

)

+(

-

)

=

，那么(

-

)

+(

-

)

=

在參數(shù)空間中就是一個三維錐面，該方程體現(xiàn)了圖像空間中的圓在參數(shù)空間中就表示一個點。圖像空間中的點對應于參數(shù)空間的表示，如圖2中所示，這個點對過其的一簇圓的相關參數(shù)(

,

,

)都進行了限制。

式中：(

,

)—圖像平面上的點。

通過對經(jīng)典

變換算法的研究，本文提出了一種

的改進算法。該算法以先驗知識和實踐應用作為前提條件，需要提前確定所檢測圓的半徑的極限值(

,

)。將(

-

)

+(

-

)

=

進行以下變形來檢測：

(5)

而對于圓來說，它的半徑是穩(wěn)定不變的。那么若將各個點在圓周上組成的集合用參數(shù)空間來表達，就呈現(xiàn)出半徑

是相等的，而

、

不同一個個圓錐的集合，如圖3所示。

選取四幅圓的圖像，要求它們具有相等的半徑，采用經(jīng)典Hough變換、改進Hough變換分別進行形狀檢測，這2種方法所使用的時間的對比結果如表1。

4)3)中求得的半徑值與所有

，

一一對應，二者的平均值就是圓心(

,

)。

因此，本文提出的基于改進的Hough變換算法的形狀識別是可靠的，并且檢測時間短，效率比較高。由于環(huán)境中只有球具有圓的特征，因此只對滿足顏色特征的目標邊界進行Hough變換，其主要過程如下：

(3)對梯度幅值進行改進處理，以實現(xiàn)最大化抑制。

(

,

)是圖像(

,

)點處的邊緣強度；

是圖像(

,

)點處的法向矢量。

圖像預處理技術的主要借助降低、去除圖像中的噪聲或者抑制背景等手段提高圖像的質量，采用圖像預處理操作可以減輕后面數(shù)據(jù)處理工作的壓力，而且圖像預處理的結果對特征提取與識別的準確性影響很大。

3)根據(jù)2)得到的優(yōu)先序列值，計算

～

的Hough數(shù)組層，其中數(shù)值最大的一層就是所檢測圓的半徑。

遠赴俄羅斯聯(lián)邦卡爾梅克共和國，追尋土爾扈特汗國的歷史蹤跡，是馬大正多年的宿愿，自上世紀80年代萌發(fā)，至今已有近40年的歲月。馬大正在記述自己尋訪土爾扈特人歷史的游記《天山問穹廬》中曾發(fā)出如下感嘆：

西歐經(jīng)濟高度發(fā)達同樣既得益于良好的自然條件特別是相對豐富且時空分布均勻的降雨條件，也得益于對水資源的科學認識和有效管理。

3 目標特征提取實驗

本文采用基于目標質心的邊緣檢測和改進的Hough變換的形狀識別，具體流程如下：

(1)利用顏色特征提取目標區(qū)域，在下一步處理中只需在目標區(qū)域中進行目標特征提取即可；

(2)根據(jù)顏色識別結果，采用閉運算進行圖像預處理，改善圖像質量；

(3)利用基于Canny的目標質心檢測算法獲取目標邊界；

(4)利用改進Hough變換對邊緣檢測結果進行形狀特征的識別與提??；

(5)圓的識別：根據(jù)環(huán)境中球的顏色和形狀，只需直接判斷目標的特征是否符合圓的特征，判定條件是顏色為黃色，區(qū)域特征

>

，形狀特征是

_

=1。

實驗結果如圖4所示：

由實驗結果可知，與經(jīng)典

變換算法相比，本文所用的基于

的目標質心的邊緣檢測和改進

變換的圖像特征識別算法執(zhí)行時間都很短，計算更少，所需的內(nèi)存空間也較少。

4 結束語

實時且準確的環(huán)境感知，是使智能移動平臺能夠完成復雜環(huán)境和未知境況下的的自主導航的主要手段之一。

(3)測量誤差會導致單項結構誤差的辨識精度浮動，但結構誤差的整體辨識精度并未下降，證明了線性化誤差模型的穩(wěn)定性。

語文閱讀教學策略，是指教師為了增強學生的閱讀意識和提高學生的閱讀質量，在遵循閱讀規(guī)律的基礎上，所采取的語文教學手段和方法。學生核心素養(yǎng)提升的落實不僅僅是教學內(nèi)容的選擇和變更，而是必須以學習方式和教學模式的變革為保障。因此，進一步優(yōu)化高中語文閱讀教學策略是提升學生語文素養(yǎng)的必然選擇。

本文提出了一種基于Canny的邊緣檢測和改進Hough變換的圖像特征識別算法。借助目標的質心進行邊緣檢測，提高了檢測效果；又在此基礎上，利用改進的Hough變換算法找到Hough數(shù)組中數(shù)值最大的一層即為所檢測圓的半徑，實現(xiàn)目標形狀的識別。實驗結果表明， 該算法對智能車輛行進過程中的探測障礙物和預測危險的研究提供了依據(jù)。

[1]章毓晉．圖像理解與計算機視覺．清華大學出版社.2000-08．

[2]HOUGH V，PAUL C. Method and means for recognizing complex patterns：US，3069654 [P]. 1962-12-18.

[3]XU L,OJA E. Randomized Hough transform (RHT):Basic mechanisms, algorithms and computational complexities [J]. Computer Vision Graphic Image Process:Image Understanding， 1993,57(2):131?154.

[4]HANC-C. Fast face detection via morphology-based pro-processing[J].Pattern Recognition，2000，33(10)：1701—1712．

[5] Manznaera A, Nguyen T P, Xu X L．Line and circle detection using dense one-to one Hough transforms on greyscale images[J/OL]．Eurasip Journal on Image and Video Processing,2016,46:1-18[2016-12-12],https:// doi.org/10.1186/s13640-016-0149-y.

[6]陳小艷，王強，李柏林．改進的 Hough變換檢測圓方法[J].計算機系統(tǒng)應用，2015,24(8):197-201．

[7]龐明明，安建成.融合模糊LBP和Canny邊緣的圖像分割[J].計算機工程與設計，2019，40(12) : 3533-3537

[8]劉克平，李西衛(wèi)，隋吉雷等.基于改進Canny算法的工件邊緣檢測方法 [J].廣西大學學報 (自然科學版),2017,42(6):2022-2029.

[9]梅永，莊建軍.基于Canny邊緣檢測的圖像預處理優(yōu)化算法[J].信息技術,2022,(1):75-79

[10]Zhenkun Jin, Lei Liu, Dafeng Gongand Lei Li. Target Recognition of Industrial Robots Using Machine Vision in 5G Environment. Frontiers in Neurorobotics 2021. 624466.DOI: 10.3389/fnbot.2021.624466

[11]Comert, R.; Avdan, U.; Gorum, T.; Nefeslioglu, H.A. Mapping of shallow landslides with object-based image analysis from unmanned aerial vehicle data. Eng. Geol. 2019, 260, 105264.

[12]李斌，王榮本，郭克友. 基于機器視覺的智能車輛障礙物檢測方法研究[J].公路交通科技，2002，19(4): 126-129

[13]張青，鄒湘軍，林桂潮，等.草莓重量和形狀圖像特征提取與在線分級方法[J].系統(tǒng)仿真學報，2019，31(1): 7-15.

[14]陳高攀，徐美華，王琪，等.一種基于單目視覺的前方車輛檢測算法[J].上海大學學報(自然科學版)，2019，25(1): 56-65.