基于svm的圖像mtf測(cè)量方法
【專利摘要】本發(fā)明提供了一種基于SVM的圖像MTF測(cè)量方法。本發(fā)明包括如下步驟：1)根據(jù)使用要求，通過仿真獲取不同刃邊角度、圖像對(duì)比度、噪聲等級(jí)、MTF等級(jí)的刃邊圖像；2)利用特征識(shí)別算法，獲得仿真刃邊圖像的特征；3)對(duì)仿真刃邊圖像的圖像特征進(jìn)行預(yù)處理，使用處理后的圖像特征對(duì)SVM分類器進(jìn)行訓(xùn)練；4)選出待測(cè)圖像的刃邊區(qū)域；5)對(duì)待測(cè)刃邊圖像利用特征識(shí)別算法進(jìn)行特征提??；6)將待測(cè)刃邊圖像的特征經(jīng)過預(yù)處理后輸入步驟3)訓(xùn)練得到的SVM分類器，獲得待測(cè)圖像Nyquist頻率處的MTF值。本發(fā)明實(shí)現(xiàn)對(duì)含刃邊區(qū)域的圖像進(jìn)行MTF測(cè)量，具有不受圖像刃邊角度限制、計(jì)算準(zhǔn)確、穩(wěn)定性好等優(yōu)點(diǎn)。
【專利說明】
基于SVM的圖像MTF測(cè)量方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于遙感成像質(zhì)量評(píng)價(jià)領(lǐng)域，特別設(shè)及一種基于SVM的圖像MTF檢測(cè)方法。
【背景技術(shù)】
[0002] 調(diào)制傳遞函數(shù)MTF(Modulation Transfer F^mction)是評(píng)價(jià)光學(xué)成像系統(tǒng)成像質(zhì) 量的一個(gè)重要指標(biāo)，可觀反映了不同空間頻率光信號(hào)經(jīng)過成像系統(tǒng)后的衰減情況，代表成 像過程中成像系統(tǒng)對(duì)輸入信號(hào)的傳遞特性，是目前國(guó)際上通用的評(píng)定成像系統(tǒng)性能的指標(biāo) 之一。此外，根據(jù)成像退化理論，如果系統(tǒng)的MTF可W精確測(cè)得，那么可W從退化圖像中恢復(fù) 得到真實(shí)圖像。因此對(duì)成像系統(tǒng)進(jìn)行MTF準(zhǔn)確測(cè)量具有非常重要的意義。
[0003] 目前，針對(duì)數(shù)碼成像系統(tǒng)，根據(jù)選用的祀標(biāo)不同，MTF測(cè)量方法包含光柵法、點(diǎn)源 法、狹縫法、刃邊法等。光柵法的輸入是一個(gè)方向上光強(qiáng)按一定空間頻率變化的余弦波，輸 出仍是一個(gè)同頻率的余弦波，像與物的對(duì)比度之比定義為MTF，反映成像系統(tǒng)傳遞各種頻率 正弦物體調(diào)制度的能力；點(diǎn)源法的輸入時(shí)一個(gè)足夠窄的點(diǎn)源脈沖，得到的輸出稱為點(diǎn)擴(kuò)散 函數(shù)(PSF)，其傅里葉稱為光學(xué)傳遞函數(shù)(OTF)，光學(xué)傳遞函數(shù)的模即為MTF;狹縫法的輸入 是一個(gè)沿任意方向的線激勵(lì)，得到的輸出稱為線擴(kuò)散函數(shù)化SF)，線響應(yīng)的傅里葉變換可W 得到傳遞函數(shù)截面；刃邊法的輸入是一個(gè)沿任意方向的階躍函數(shù)，得到的輸出稱為邊緣擴(kuò) 散函數(shù)化SF)，對(duì)其求導(dǎo)可得到線響應(yīng)，從而可W通過傅里葉變換得到傳遞函數(shù)截面。
[0004] 在上述方法中，刃邊法因其對(duì)祀標(biāo)布設(shè)相對(duì)容易，祀標(biāo)選取條件相對(duì)寬松(人工祀 標(biāo)或合乎要求的刃邊目標(biāo)），受噪聲等因素干擾較小，是一種使用普遍的MTF測(cè)量方法。 IS012233將傾斜刃邊法作為電子靜態(tài)圖像相機(jī)分辨率測(cè)試的標(biāo)準(zhǔn)方法。
[0005] 實(shí)際使用中刃邊法存在一定限制:數(shù)碼成像是離散的采樣，邊緣擴(kuò)散函數(shù)中邊緣 采樣數(shù)量點(diǎn)過少，采樣結(jié)果的偏差會(huì)導(dǎo)致計(jì)算結(jié)果出現(xiàn)一定的偏差;噪聲污染不可忽視，當(dāng) 刃邊圖像存在噪聲時(shí)，測(cè)量得到的ESF也必然被噪聲所污染，求導(dǎo)得到線響應(yīng)的過程會(huì)進(jìn)一 步放大噪聲，導(dǎo)致測(cè)量結(jié)果失真;刃邊角度對(duì)計(jì)算的準(zhǔn)確性影響較大，實(shí)際應(yīng)用常選取特定 角度的刃邊圖片，而部分應(yīng)用中不容易控制刃邊的角度。
[0006] 現(xiàn)有技術(shù)為提高測(cè)量的準(zhǔn)確度和穩(wěn)定性，常常通過構(gòu)造 ESF的函數(shù)模型，對(duì)上采樣 的ESF數(shù)據(jù)進(jìn)行非線性擬合，再用于下一步計(jì)算。運(yùn)種方法可W-定程度提高該方法的穩(wěn)定 性，但在ESF的擬合過程中實(shí)際上也是引入了新的噪聲，從而影響測(cè)量結(jié)果的準(zhǔn)確度和穩(wěn)定 性。另外，刃邊角度對(duì)MTF測(cè)量結(jié)果的影響在現(xiàn)有方法中也無法得到很好的解決。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明解決的技術(shù)問題是:針對(duì)數(shù)碼成像系統(tǒng)MTF測(cè)量中刃邊法受刃邊角度、噪聲 和模型限制，MTF測(cè)量結(jié)果準(zhǔn)確度不高且不穩(wěn)定，提出一種基于SVM的圖像MTF測(cè)量方法。
[000引本發(fā)明提供一種基于SVM的圖像MTF測(cè)量方法，包括W下步驟：
[0009] (1)結(jié)合實(shí)際需求，指定刃邊圖像大小。通過分析待測(cè)圖像刃邊區(qū)域的刃邊角度范 圍、圖像對(duì)比度范圍、噪聲等級(jí)范圍，確定具體的使用要求。根據(jù)使用要求，通過仿真獲取不 同刃邊角度、圖像對(duì)比度、噪聲等級(jí)、MTF等級(jí)的刃邊圖像作為訓(xùn)練樣本集；
[0010] (2)利用特征識(shí)別算法，獲得仿真刃邊圖像的特征；
[0011] (3)對(duì)仿真刃邊圖像的圖像特征進(jìn)行預(yù)處理，使用處理后的圖像特征對(duì)SVM分類器 進(jìn)行訓(xùn)練；
[0012] (4)選出待測(cè)圖像的刃邊區(qū)域；
[0013] (5)對(duì)待測(cè)刃邊圖像利用特征識(shí)別算法進(jìn)行特征提取。其中要注意的是，刃邊方向 在水平方向的刃邊圖像需要將刃邊方向旋轉(zhuǎn)到豎直方向后再提取特征；
[0014] (6)對(duì)仿真刃邊圖像的圖像特征進(jìn)行預(yù)處理，將處理后的圖像特征輸入步驟3訓(xùn)練 得到的SVM分類器，獲得待測(cè)圖像Nyqui St頻率處的MTF值，其中刃邊方向在豎直方向的刃邊 圖像測(cè)出值為圖像在水平方向的Ny qu i S t頻率處的MTF值，刃邊方向在水平方向的刃邊圖像 測(cè)出值為圖像在豎直方向的Ny qu i S t頻率處的MTF值。
[0015] 進(jìn)一步地，所述步驟2與所述步驟5中的特征識(shí)別算法所識(shí)別的特征包含圖像均 值、圖像方差、圖像偏度、圖像峰度、圖像能量值、圖像結(jié)構(gòu)參數(shù)、圖像Nyquist頻率處的頻譜 和、圖像信息賭、圖像梯度能量、圖像梯度絕對(duì)值和、圖像brenner梯度、圖像拉普拉斯濾波、 圖像sobel濾波。
[0016] 進(jìn)一步地，所述步驟3與所述步驟6中的圖像特征預(yù)處理，包含相關(guān)性篩選、數(shù)據(jù)歸 一化。
[0017] 進(jìn)一步地，所述步驟4中的刃邊區(qū)域選取可W通過手動(dòng)方式進(jìn)行選取，也可通過刃 邊識(shí)別算法自動(dòng)選取出合適的區(qū)域。刃邊識(shí)別算法包括W下步驟：W圖像左上角像素為起 點(diǎn)，將圖像劃分為25*25像素的圖像塊，每個(gè)圖像塊計(jì)算峰度值和偏度值。對(duì)峰度值在1到 1.4之間，偏度值-0.12到0.12之間的圖像塊，統(tǒng)計(jì)圖像塊內(nèi)左上角、左下角、右上角、右下角 四個(gè)角上10*10像素圖像小塊的方差值。若圖像塊內(nèi)有兩個(gè)或兩個(gè)W上的圖像小塊的方差 值小于0.0005,進(jìn)一步統(tǒng)計(jì)圖像上、下、左、右四條邊上25巧長(zhǎng)條的方差。若僅有上邊長(zhǎng)條與 下邊長(zhǎng)條的方差小于0.0005而左邊長(zhǎng)條與右邊長(zhǎng)條的方差大于0.0005,則該圖像塊為刃邊 方向在水平方向的刃邊圖像;若僅有左邊長(zhǎng)條與右邊長(zhǎng)條的方差小于0.0005而上邊長(zhǎng)條與 下邊長(zhǎng)條的方差大于0.0005,則該圖像塊為刃邊方向在豎直方向的刃邊圖像。之后將起點(diǎn) 在行方向或列方向移動(dòng)3像素，按W上步驟重新篩選刃邊圖像。起點(diǎn)在行方向和列方向最多 移動(dòng)24像素，一共進(jìn)行9*9次篩選后，可認(rèn)為完成刃邊圖像篩選。
[0018] 本發(fā)明的有益效果是:本發(fā)明將SVM分類器應(yīng)用于遙感圖像MTF測(cè)量中，通過選取 遙感圖像中的刃邊圖像，對(duì)刃邊圖像提取特征，使用訓(xùn)練好的SVM分類器進(jìn)行MTF測(cè)量。相對(duì) 于傳統(tǒng)測(cè)量遙感圖像MTF的刃邊法，本發(fā)明方法解決了刃邊角度限制問題，在不同刃邊角度 下均能取得準(zhǔn)確的測(cè)量結(jié)果，有更廣的適用性。此外，相對(duì)于最佳刃邊角度下的傳統(tǒng)刃邊 法，本方法計(jì)算結(jié)果更為精確、穩(wěn)定性更好。
【附圖說明】
[0019] 圖1為本發(fā)明方法流程示意圖；
[0020] 圖2為本發(fā)明方法訓(xùn)練樣本示意圖；
[0021] 圖3為本發(fā)明方法中刃邊方向在水平方向的刃邊圖像示意圖；
[0022] 圖4為本發(fā)明方法中刃邊方向在豎直方向的刃邊圖像示意圖；
[0023] 圖5為本發(fā)明方法第一類測(cè)試樣本示意圖；
[0024] 圖6為本發(fā)明方法第二類測(cè)試樣本示意圖。
【具體實(shí)施方式】
[0025] W下結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說明。
[0026] 本發(fā)明是一種基于SVM的圖像MTF測(cè)量方法，方法通過仿真生成不同刃邊角度、圖 像對(duì)比度、噪聲水平和MTF等級(jí)的刃邊圖像作為訓(xùn)練樣本集，通過特征識(shí)別算法提取出圖像 特征，使用仿真圖像的特征來訓(xùn)練SVM分類器，得到具有良好分類效果的分類器，然后對(duì)待 測(cè)圖像的刃邊區(qū)域提取特征，輸入分類器獲得待測(cè)圖像Nyquist頻率處的MTF值。本發(fā)明的 整體流程如圖1所示，主要包括訓(xùn)練樣本集獲取、訓(xùn)練樣本集特征提取、分類器訓(xùn)練、待測(cè)圖 像刃邊區(qū)域選取、待測(cè)刃邊特征提取、待測(cè)圖像MTF值計(jì)算等幾個(gè)步驟。具體如下：
[0027] 步驟1:通過仿真獲取訓(xùn)練樣本集
[0028] 1.1根據(jù)實(shí)際待測(cè)圖像的情況，確定刃邊圖像大小，也就是定下訓(xùn)練樣本的長(zhǎng)寬像 素?cái)?shù)。
[0029] 1.2通過分析待測(cè)圖像刃邊區(qū)域的刃邊角度、圖像對(duì)比度W及噪聲等級(jí)，定下訓(xùn)練 樣本的刃邊角度范圍、圖像對(duì)比度范圍和噪聲等級(jí)范圍，范圍大小根據(jù)測(cè)試置信度確定，可 根據(jù)實(shí)際情況適當(dāng)改變。
[0030] 1.3根據(jù)步驟1.1確定的訓(xùn)練樣本長(zhǎng)寬像素?cái)?shù)，在步驟1.2確定的訓(xùn)練樣本的刃邊 角度范圍、圖像對(duì)比度范圍和噪聲等級(jí)范圍內(nèi)生成隨機(jī)的刃邊角度、亮暗區(qū)灰度值和噪聲 等級(jí)，根據(jù)運(yùn)幾個(gè)參數(shù)仿真得到刃邊圖像，刃邊與圖像上下邊相交。然后對(duì)每個(gè)刃邊圖像做 26個(gè)不同MTF等級(jí)的退化處理，每個(gè)圖像水平方向的Nyquist頻率處MTF值按級(jí)差0.0 l從0.3 到0.05變化，圖像豎直方向的NyquiSt頻率處MTF值在水平方向的NyquiSt頻率處MTF值的± 0.08范圍內(nèi)隨機(jī)分布。具體訓(xùn)練樣本如圖2所示；
[0031] 步驟2:提取訓(xùn)練樣本集的圖像特征。利用特征識(shí)別算法提取樣本圖像的圖像均 值、圖像方差、圖像偏度、圖像峰度、圖像能量值、圖像結(jié)構(gòu)參數(shù)、圖像Nyquist頻率處的頻譜 和、圖像信息賭、圖像梯度能量、圖像梯度絕對(duì)值和、圖像brenner梯度、圖像拉普拉斯濾波、 圖像SObel濾波特征，從而獲得一個(gè)n X m大小的特征矩陣，其中n為樣本數(shù)目，m為特征參數(shù) 數(shù)目；
[0032] 步驟3:訓(xùn)練MTF等級(jí)分類器
[0033] 3.1對(duì)仿真得到刃邊圖像的圖像特征進(jìn)行相關(guān)性篩選，比如主成分分析方法，去掉 多余的圖像特征，獲得一個(gè)nXm'大小的特征矩陣，其中n為樣本數(shù)目，m'為篩選后的特征參 數(shù)數(shù)目；
[0034] 3.2對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理，并記錄每個(gè)特征參數(shù)的最大值與最小值，用于步 驟6.2的數(shù)據(jù)處理；
[0035] 3.3使用處理后的nXm'大小的圖像特征矩陣對(duì)SVM分類器進(jìn)行訓(xùn)練；
[0036] 步驟4:待測(cè)圖像刃邊區(qū)域選取?？蒞手動(dòng)選取待測(cè)圖像的刃邊區(qū)域或合乎要求的 刃邊目標(biāo)，也可W利用算法自動(dòng)選取。刃邊識(shí)別算法包括W下步驟：W圖像左上角像素為起 點(diǎn)，將圖像劃分為25*25像素的圖像塊，每個(gè)圖像塊計(jì)算峰度值和偏度值。對(duì)峰度值在1到 1.4之間，偏度值-0.12到0.12之間的圖像塊，統(tǒng)計(jì)圖像塊內(nèi)左上角、左下角、右上角、右下角 四個(gè)角上10*10像素圖像小塊的方差值。若圖像塊內(nèi)有兩個(gè)或兩個(gè)W上的圖像小塊的方差 值小于0.0005,進(jìn)一步統(tǒng)計(jì)圖像上、下、左、右四條邊上25巧長(zhǎng)條的方差。若僅有上邊長(zhǎng)條與 下邊長(zhǎng)條的方差小于0.0005而左邊長(zhǎng)條與右邊長(zhǎng)條的方差大于0.0005,則該圖像塊為刃邊 方向在水平方向的刃邊圖像，如圖3所示;若僅有左邊長(zhǎng)條與右邊長(zhǎng)條的方差小于0.0005而 上邊長(zhǎng)條與下邊長(zhǎng)條的方差大于0.0005,則該圖像塊為刃邊方向在豎直方向的刃邊圖像， 如圖4所示。之后將起點(diǎn)在行方向或列方向移動(dòng)3像素，按W上步驟重新篩選刃邊圖像。起點(diǎn) 在行方向和列方向最多移動(dòng)24像素，一共進(jìn)行9*9次篩選后，可認(rèn)為完成刃邊圖像篩選；
[0037] 步驟5:待測(cè)刃邊特征提取。對(duì)待測(cè)刃邊圖像利用特征識(shí)別算法進(jìn)行特征提取，獲 得待測(cè)刃邊圖像的圖像均值、圖像方差、圖像偏度、圖像峰度、圖像能量值、圖像結(jié)構(gòu)參數(shù)、 圖像Nyquist頻率處的頻譜和、圖像信息賭、圖像梯度能量、圖像梯度絕對(duì)值和、圖像 brenner梯度、圖像拉普拉斯濾波、圖像SObe 1濾波特征，從而獲得一個(gè)1 Xm大小的特征向 量，其中m為特征參數(shù)數(shù)目。其中要注意的是，刃邊方向在水平方向的刃邊圖像需要將刃邊 方向旋轉(zhuǎn)到豎直方向后再提取特征；
[0038] 步驟6:待測(cè)圖像MTF值計(jì)算
[0039] 6.1根據(jù)步驟3.1的相關(guān)性篩選方法對(duì)待測(cè)刃邊圖像特征進(jìn)行篩選，獲得一個(gè)IX m'大小的特征向量，其中m'為篩選后的特征參數(shù)數(shù)目；
[0040] 6.2利用步驟3.2記錄的每個(gè)特征參數(shù)的最大值與最小值，對(duì)待測(cè)圖像的特征參數(shù) 作歸一化處理；
[0041] 6.3將處理后的圖像特征輸入步驟3.3訓(xùn)練得到的SVM分類器，獲得待測(cè)圖像 Ny qu i S t頻率處的MTF值，其中刃邊方向在豎直方向的刃邊圖像測(cè)出值為圖像在水平方向的 Nyquist頻率處的MTF值，刃邊方向在水平方向的刃邊圖像測(cè)出值為圖像在豎直方向的 Nyqui St頻率處的MTF值。
[0042] 第一類測(cè)試樣本選用任意刃邊角度和圖像對(duì)比度的刃邊圖片，根據(jù)噪聲水平分為 4組，噪聲標(biāo)準(zhǔn)差分別為0、0.0 l、0.02、0.03。對(duì)每個(gè)刃邊圖像做26個(gè)不同MTF等級(jí)的退化處 理，每個(gè)圖像水平方向的NyquiSt頻率處MTF值按級(jí)差0.0 l從0.3到0.05變化，圖像豎直方向 的NyquiSt頻率處MTF值在水平方向的NyquiSt頻率處MTF值的±0.08范圍內(nèi)隨機(jī)分布。圖5 為第一類測(cè)試樣本示意圖，豎直方向?yàn)椴煌肼暤燃?jí)，水平方向?yàn)椴煌琈TF等級(jí)。對(duì)第一類 測(cè)試樣本進(jìn)行MTF測(cè)量，并計(jì)算測(cè)量相對(duì)誤差，相對(duì)誤差公式如下
[0043]
[0044] 其中RE為相對(duì)誤差，m為分類器輸出的實(shí)測(cè)值，t為真值。針對(duì)第一類測(cè)試樣本，本 發(fā)明方法和基于IS012233標(biāo)準(zhǔn)的傳統(tǒng)刃邊法的計(jì)算結(jié)果相對(duì)誤差比較如表1所示?？蒞看 出傳統(tǒng)刃邊法計(jì)算MTF值受刃邊角度影響，對(duì)任意角度的刃邊計(jì)算MTF值時(shí)誤差很大，而本 發(fā)明方法不受刃邊角度限制。
[0045] 表1第一類測(cè)試樣本測(cè)量結(jié)果相對(duì)誤差比較
[0046]
[0047] 傳統(tǒng)刃邊法在刃邊角度為7°時(shí)測(cè)量最準(zhǔn)確，因此第二類測(cè)試樣本選用7°刃邊角、 任意圖像對(duì)比度的刃邊圖片。根據(jù)噪聲水平分為4組，噪聲標(biāo)準(zhǔn)差分別為0、0.0 l、0.02、 0.03。對(duì)每個(gè)刃邊圖像做26個(gè)不同MTF等級(jí)的退化處理，每個(gè)圖像水平方向的Nyquist頻率 處MTF值按級(jí)差0.0 l從0.3到0.05變化，圖像豎直方向的Nyqui St頻率處MTF值在水平方向的 Nyquist頻率處MTF值的±0.08范圍內(nèi)隨機(jī)分布。圖6為第二類測(cè)試樣本示意圖，豎直方向?yàn)?不同噪聲等級(jí)，水平方向?yàn)椴煌琈TF等級(jí)。對(duì)第二類測(cè)試樣本進(jìn)行MTF測(cè)量，并計(jì)算測(cè)量相對(duì) 誤差。
[004引針對(duì)第二類測(cè)試樣本，本發(fā)明方法和基于IS012233標(biāo)準(zhǔn)的傳統(tǒng)刃邊法的計(jì)算結(jié)果 相對(duì)誤差比較如表2所示。可W看出相對(duì)傳統(tǒng)刃邊法，本發(fā)明方法計(jì)算結(jié)果更為準(zhǔn)確、穩(wěn)定 性好。
[0049]表2第二類測(cè)試樣本測(cè)量結(jié)果相對(duì)誤差比較 [(K)加 ]
【主權(quán)項(xiàng)】
1. 一種基于SVM的圖像MTF測(cè)量方法，其特征在于，該方法包括以下步驟： (1) 根據(jù)使用要求，通過仿真獲取不同刃邊角度、圖像對(duì)比度、噪聲等級(jí)、MTF等級(jí)的刃 邊圖像； (2) 利用特征識(shí)別算法，獲得仿真刃邊圖像的特征； (3) 對(duì)仿真刃邊圖像的圖像特征進(jìn)行預(yù)處理，使用處理后的圖像特征對(duì)SVM分類器進(jìn)行 訓(xùn)練； (4) 選出待測(cè)圖像的刃邊區(qū)域； (5) 對(duì)待測(cè)刃邊圖像利用特征識(shí)別算法進(jìn)行特征提??； (6) 將待測(cè)刃邊圖像的特征經(jīng)過預(yù)處理后輸入步驟3訓(xùn)練得到的SVM分類器，獲得待測(cè) 圖像Nyquist頻率處的MTF值。2. 如權(quán)利要求1所述的基于SVM的圖像MTF測(cè)量方法，其特征在于:所述步驟2與所述步 驟5中的特征識(shí)別算法所識(shí)別的特征包含圖像均值、圖像方差、圖像偏度、圖像峰度、圖像能 量值、圖像結(jié)構(gòu)參數(shù)、圖像Nyquist頻率處的頻譜和、圖像信息熵、圖像梯度能量、圖像梯度 絕對(duì)值和、圖像brenner梯度、圖像拉普拉斯濾波、圖像sobe 1濾波。3. 如權(quán)利要求1所述的基于SVM的圖像MTF測(cè)量方法，其特征在于:所述步驟4中的刃邊 區(qū)域選取可以通過手動(dòng)方式進(jìn)行選取，也可通過刃邊識(shí)別算法自動(dòng)選取出合適的區(qū)域。刃 邊識(shí)別算法包括以下步驟：以圖像左上角像素為起點(diǎn)，將圖像劃分為25*25像素的圖像塊， 每個(gè)圖像塊計(jì)算峰度值和偏度值。對(duì)峰度值在1到1.4之間，偏度值-0.12到0.12之間的圖像 塊，統(tǒng)計(jì)圖像塊內(nèi)左上角、左下角、右上角、右下角四個(gè)角上10*10像素圖像小塊的方差值。 若圖像塊內(nèi)有兩個(gè)或兩個(gè)以上的圖像小塊的方差值小于0.0005,進(jìn)一步統(tǒng)計(jì)圖像上、下、 左、右四條邊上25*2長(zhǎng)條的方差。若僅有上邊長(zhǎng)條與下邊長(zhǎng)條的方差小于0.0005而左邊長(zhǎng) 條與右邊長(zhǎng)條的方差大于0.0005,則該圖像塊為刃邊方向在水平方向的刃邊圖像;若僅有 左邊長(zhǎng)條與右邊長(zhǎng)條的方差小于0.0005而上邊長(zhǎng)條與下邊長(zhǎng)條的方差大于0.0005，則該圖 像塊為刃邊方向在豎直方向的刃邊圖像。之后將起點(diǎn)在行方向或列方向移動(dòng)3像素，按以上 步驟重新篩選刃邊圖像。起點(diǎn)在行方向和列方向最多移動(dòng)24像素，一共進(jìn)行9*9次篩選后， 可認(rèn)為完成刃邊圖像篩選。
【文檔編號(hào)】G06K9/62GK106022354SQ201610301612
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月7日
【發(fā)明人】馮華君, 張崢, 陳躍庭, 徐之海, 李奇
【申請(qǐng)人】浙江大學(xué)