基于OpenCV的边缘检测算法在车身尺寸检测中的应用

合集下载

边缘检测算子在汽车牌照区域检测中的应用

不可少的一步, 也是所有基于边界做边缘提取的时候，由于算子本身四边形的集合，就可以对这个集合
的图像分割的第一步, 它的任务就对不同边缘类型的敏感程度不同, 会中每一个元素用牌照的其他特征进
是精确定位边缘和抑制噪声[ 1] 。图产生不同的效果。因此，对不同类行验证，最后得到唯一的一个完全
像的边缘是指图像局部亮度变化最型的边缘提取, 应该采用对此类型边符合牌照定义的四边形，即是所要
以避免在像素之间内插点上计算梯具体步骤为:
像作平滑处理，因此具有较强的去
度S o b e l 边缘算子强调中心像素的
1 ）用高斯滤波器平滑图像;
噪能力，但同样存在容易平滑掉一
4 个边邻域像素对其的影响, 而削弱
2 ）用一阶偏导的有限差分来些边缘信息。同时它所采用的一阶
4 个对角近邻像素的作用。它是有计算梯度的幅值和方向;
理论与研究
测试技术卷 Test Technology
Theory and Research
边缘检测算子在汽车牌照区域检测中的应用
The Application of Edge Detection Operators in Region De Plate
后者是加权平均滤波，对噪声具有
子模板如图1 所示：
一定的抑制能力，但不能完全排除检测结果中出现伪边缘［４］。该类算子
对灰度渐变和具有噪声的图像处理
比较好。Laplacian 算子:二阶微分算
图1 Roberts 算子模板
图4 Laplacian 算子模板
子，对图像中的阶跃型边缘点定位准确且具有旋转不变性即无方向性，
[ 3 ] 吴剑，丁辉，王广志，丁海曙．边缘检测微分算子的分析及在医学图像中的应用[J]．生物医学工程学杂志, 2005,22(1)∶82～85．

基于OpenCV图像处理的智能小车户外寻迹算法的设计

基于OpenCV图像处理的智能小车户外寻迹算法的设计作者：张伊来源：《电子技术与软件工程》2018年第18期摘要：介绍了HSV通道分离和OpenCV中的一些图像处理函数是如何运用于智能小车的户外寻迹算法的实现。

其中HSV通道分离作为图像处理的前步骤，为生成稳定的方向线奠定基础。

本文第一部分介绍HSV空间的含义及其在图像处理中的作用，第二部分简要介绍寻迹所用的其它图像处理方法，第三部分介绍HSV通道分离与图像处理函数如何用于实现户外巡线的算法。

【关键词】HSV 通道分离图像处理智能寻迹等智能寻迹机器人通过计算机编程可实现无人为干预的情况下在特定环境中自主行驶，是智能机器人领域内非常重要的且被广泛研究的智能移动装置。

对于智能寻迹的实现目前有两种基本途径，一种是基于硬件即利用各类传感器判断方位和距离；而另一种则是基于软件即通过图像处理算法实现实时寻迹。

在图像处理过程中Canny边缘检测算法是普遍运用的方法，但单一使用只对简单的室内寻迹任务有觌对于户外寻迹中复杂的环境信息和不清楚的边缘信息，还需进行HSV通道分离预处理。

1 HSV通道分离处理1.1 HSV空间的概念HSV （Hue， Saturarion， Value）是A.R.Smirh根据颜色的直观特征创造的颜色空间，可用六角锥体模型（ Hexcone Model）来表示，如图1所示。

HSV表示的参数分别为：色调（H），饱和度（S），亮度（V）。

色调（H）是人们对色彩的感知中最显著、最直观的一方面，用角度度量，对应上图中的圆心角，取值范围为oo至3600，红绿蓝分别相隔1200，互补色分别相差1800。

饱和度（S）表示色彩的纯度，取值范围是0 0至1.0，对应上图的半径值。

亮度（V）表示色彩的明暗程度，取值范围为0.0（黑色）至1.0（白色），对应图1中的纵轴。

1.2 RGB空间转换为HSV空间传统的RGB色彩模型可分辨的色差是非线性的，相比而言HSV通道更加直观和接近人的视觉经验，因此在图像检索中经常将图像从RGB空间转换到HSV空间，变换的公式如下：OpenCV F split函数可用于将图像分解成H，S和V三通道，并可以显示每个像素的H，S 和V值。

机器视觉开发任务篇之二-基于OpenCV的工件几何尺寸测量系统

机器视觉开发任务之二--基于OpenCV的工件几何尺寸测量系统原创文章，未经许可，严禁转载。

如有需要请联系作者！本篇在上篇《机器视觉开发任务之一-基于OpenCV的工件外形轮廓检测系统》的基础上进行开发，首先检测并标出工件的外形轮廓位置，在此基础上结合相机标定的相关知识，计算出标准工件的几何尺寸。

对于圆形工件，将计算出其圆心坐标及直径。

对矩形工件，计算出其宽度和高度值。

对于正六边形工件，计算出其边长的平均值。

这里的值均为标定后计算出的物理值，并可与通过实际测量工具（游标卡尺或卷尺等）测出的值进行对比误差分析。

结果表明，该系统可实现的测量精度在±1毫米左右，可实现较高的测量精度，后续通过优化算法、改进光照条件以及提高标定精度等方法可进一步提升尺寸测量的精度。

1.项目功能描述：摄像头安装在传送带正上方，标准工件从传送带上以一定的速度（匀速）进入Camera 的视野范围。

首先进行像素尺寸标定，为简单起见，这里没有考虑畸变与透视形变的影响（后续可视测量精度需要增加畸变校正功能），检测标准棋盘格图像的角点的像素位置，同时棋盘格每个方格的物理尺寸为已知的固定值，从而可以计算出图像的像素尺寸。

在此基础上，根据上篇文字中从实时视频流中检测出的工件的外形轮廓位置，可以实现工件几何尺寸的测量功能。

2.开发平台与工具：Window7 64 Bit+Visual Sutdio 2013+OpenCV 2.4.93.算法思路与流程：4.算法实际检测结果图1 圆形工件测量结果（游标卡尺测量长度50mm）图2-矩形工件测量结果（游标卡尺测量长度45mm）图3 六边形工件测量结果（游标卡尺测量长度28mm）图5 同时测量多个工件几何尺寸。

Opencvpython之车辆识别项目（附代码）

Opencvpython之车辆识别项⽬（附代码）⽂章⽬录图⽚车辆识别根据⽂章搭建好环境后开始进⾏做项⽬import sysimport cv2from PyQt5.QtGui import *from PyQt5.QtWidgets import *from PyQt5.QtGui import QIcon, QPalette, QPixmap, QBrush, QRegExpValidatorclass mainWin(QWidget):def __init__(self):"""构造函数"""super().__init__()self.initUI()self.openBtn.clicked.connect(self.openFile) # 信号和槽self.grayBtn.clicked.connect(self.imgGray) # 信号和槽self.carCheckBtn.clicked.connect(self.carCheck)def initUI(self):# 设置窗⼝得⼤⼩self.setFixedSize(860,600)# 图标和背景self.setWindowTitle("车辆检测")self.setWindowIcon(QIcon("img/icon.jpg")) # 图标# 标签self.leftLab =QLabel("原图:", self)self.leftLab.setGeometry(10,50,400,400) # 设置绝对位置self.leftLab.setStyleSheet("background:white")self.newLab =QLabel("新图:", self)self.newLab.setGeometry(420,50,400,400) # 设置绝对位置self.newLab.setStyleSheet("background-color:white")# 按钮self.openBtn =QPushButton(" 打开⽂件", self)self.openBtn.setGeometry(10,10,80,30)self.grayBtn =QPushButton(" 灰度处理", self)self.grayBtn.setGeometry(100,10,80,30)self.carCheckBtn =QPushButton(" 视频检测", self)self.carCheckBtn.setGeometry(200,10,80,30)打开⽂件⽅法"""打开⽂件的处理函数:return;:return:"""print("打开图⽚")self.img,imgType = QFileDialog.getOpenFileName(self,"打开图⽚","","*.jpg;;*.png;;ALL FILES(*)") print(self.img)#jpg = QPixmap(self.img)self.leftLab.setPixmap(QPixmap(self.img))self.leftLab.setScaledContents(True)图像变灰度并车辆识别⽅法def imgGray(self):print("灰度")img1 = cv2.imread(self.img)#1.灰度化处理img_gray = cv2.cvtColor(img1, cv2.COLOR_RGB2GRAY)# BGR = cv2.cvtColor(module,cv2.COLOR_BGR2RGB)# 转化为RGB格式# ret,thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)#⼆值化#2.加载级联分类器car_detector = cv2.CascadeClassifier("./cars.xml")"""image--图⽚像素数据scaleFactor=None,缩放⽐例minNeighbors=None,2写2就是3flags =None,标志位⽤什么来进⾏检测minSize=None,最⼩的尺⼨maxSize=None,最⼤的尺⼨self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None """#3.检测车辆多尺度检测，得到车辆的坐标定位cars = car_detector.detectMultiScale(img_gray,1.05,2, cv2.CASCADE_SCALE_IMAGE,(20,20),(100,100)) print(cars)#(274462828)--(x,y,w,h)#4.在车的定位上画图for(x, y, w, h) in cars:print(x, y, w, h)#img, pt1, pt2, color, thickness = None, lineType = None, shift = Nonecv2.rectangle(img1,(x,y),(x+w, y+h),(255,255,255),1, cv2.LINE_AA)# 保存图⽚img_gray_name ="3.png" # ⽂件名cv2.imwrite(img_gray_name, img1) # 保存# 显⽰再控件上⾯self.newLab.setPixmap(QPixmap(img_gray_name))self.newLab.setScaledContents(True)视频车辆识别视频打开且识别⽅法print("车流检测")# parent: QWidget = None, caption: str = '', directory: str = '', filter:#1.选择视频video, videoType = QFileDialog.getOpenFileName(self,"打开视频","","*.mp4")print(video, videoType)# video --打开的视频filename#2.读取加载视频cap = cv2.VideoCapture(video)#3.读取⼀帧图⽚while True:status,img = cap.read()if status:# 灰度gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)# 2.加载级联分类器car_detector = cv2.CascadeClassifier("./cars.xml")cars = car_detector.detectMultiScale(gray,1.2,2, cv2.CASCADE_SCALE_IMAGE,(25,25),(200,200)) # 画框框for(x, y, w, h) in cars:print(x, y, w, h)# img, pt1, pt2, color, thickness = None, lineType = None, shift = Nonecv2.rectangle(img,(x, y),(x + w, y + h),(255,255,255),1, cv2.LINE_AA)print("实时车流量",len(cars))text ='car number: '+str(len(cars))# 添加⽂字cv2.putText(img, text,(350,100), cv2.FONT_HERSHEY_SIMPLEX,1.2,(255,255,0),2)cv2.imshow("opencv", img)key = cv2.waitKey(10) # 延时并且监听按键if key ==27:breakelse:break# 释放资源cap.release()cv2.destroyAllWindows()主函数if __name__ =="__main__":app =QApplication(sys.argv) #创建⼀个应⽤程序win =mainWin() #实例化对象win.show() #显⽰窗⼝sys.exit(app.exec_())图像识别效果（想要效果好些需要⾃⼰去琢磨调参数）视频车辆识别效果⽂章内容都为个⼈笔记，侵权必究源码下载：。

基于计算机视觉的汽车整车尺寸测量系统

则
Ａｔｌ口口ａ口ｉｉｉｚｚ３４ｉｚ２２Ｉ
。
ｔａａａ。］
１
（）１
Ｊ
Ｘ
ｙ
转拍摄同一幅场景，过计算空间点在两幅图像通中的视差，获得该点的三维坐标来在利用立体视觉获取物体的三维几何信息之前，先需要对视首
Ｗ（Ｙ）ｚ，２在各自图像中的齐次坐标；ｘ，Ｚ，）（Ｙ，１
为Ｗ（Ｙ，点在世界坐标下的齐次坐标１为Ｘ，ｚ）ｗ
的坐标和图像坐标系中的相应坐标来确定的［。双目视觉如图１所示，ＯＯ、分别为摄像机
的世界坐标（ｙ，：ｘ，ｚ）
厂口ｌ一日ｌ．（２日２（（ｚ）一．）口３一３．］ｚｚ）
１
Ｙ）在Ｂ摄像机图像上的点Ｗ（Ｙ）与ｚ，。是空间同
收稿日期：０６０ — ７２０ — ３２
维普资讯
史通与计算机
２０年第３期第２０６４卷总１０期３
基于计算机视觉的汽车整车尺寸测量系统＊
翟乃斌苏建刘玉梅陈友谊欧阳新。
（吉林大学长春１０２）（３０２大庆石油管理局装备制造集团大庆１３５）６４３摘要针对汽车尺寸测量的应用背景，根据双目视觉原理开发了一套基于计算机视觉的汽
＊教育部博士点基金项目资助（批准号：０３１３３）２００８０２

基于OpenCV的车辆识别与跟踪技术研究

基于OpenCV的车辆识别与跟踪技术研究【摘要】车辆识别和跟踪技术在智能交通和安防领域都具有很重要的应用价值。

OpenCV是一个开源的计算机视觉库，可以为车辆识别和跟踪提供极大的便利和效益。

本文将基于OpenCV进行车辆识别和跟踪技术的研究，着重探讨该技术的原理、方法和实现。

【正文】一、引言车辆识别和跟踪技术是近年来计算机视觉领域的研究热点之一。

随着计算机技术的飞速发展，车辆识别和跟踪技术也越来越成熟和广泛应用。

在智能交通和安防领域，车辆识别和跟踪技术可以帮助交通管理部门及时监控和管控道路交通，提高道路交通安全和管理效率；同时也可以为企事业单位提供更精细化、更智能化的安防管理服务。

OpenCV是一个开源的计算机视觉库，包含多个算法和函数，可以进行图像处理、特征提取、目标检测等计算机视觉操作。

在车辆识别和跟踪技术中，OpenCV 可以提供很好的支持和便利。

本文将基于OpenCV来探讨车辆识别和跟踪技术的原理、方法和实现。

二、车辆识别技术车辆识别技术是指利用计算机视觉技术来自动识别车辆的类型、颜色、车牌等信息，以达到智能交通和安防管理的目的。

下面从图像处理、特征提取、分类器训练三个方面来探讨车辆识别技术实现的步骤。

1. 图像处理图像处理是车辆识别技术的基础。

它包括图像预处理、图像增强、图像分割等操作。

图像预处理是指对原始图像进行噪声抑制、平滑处理等操作，使得图像更适合后续分析和识别；图像增强是指对图像进行亮度、对比度、色调等调整，以突出图像中的特征和细节；图像分割是指将原始图像分成若干个互不重叠的部分，以便对各个部分进行特征提取和分类。

2. 特征提取特征提取是车辆识别技术的核心。

它包括形状特征、纹理特征、颜色特征等多种特征。

其中形状特征是指车辆形状的几何特征，比如轮廓、宽高比、面积等；纹理特征是指车辆的纹理信息，比如细节、边缘等；颜色特征是指车辆的颜色分布情况。

3. 分类器训练分类器训练是指根据提取的特征，利用机器学习算法来构建识别模型。

基于机器视觉技术的白车身尺寸在线测量场景研究与应用

基于机器视觉技术的白车身尺寸在线测量场景研究与应用随着工业自动化的不断发展，机器视觉技术已经在各个行业得到了广泛应用，其中包括汽车制造行业。

白车身尺寸在线测量是汽车制造中非常重要的一项工作，通过机器视觉技术，可以实现高效、准确、实时的测量，提高生产效率和质量。

在研究与应用方面，白车身尺寸在线测量场景主要包括以下几个方面：一、数据采集与处理：通过摄像机等设备采集白车身的图像或者视频数据，然后进行图像预处理，例如去噪、去除阴影等操作，以提高后续算法的准确性。

二、特征提取与选择：对于白车身的图像，需要通过机器视觉算法进行特征提取，例如边缘检测、轮廓提取等操作，以便识别车身的边界和主要尺寸特征。

同时，需要选择合适的特征向量，以方便后续的尺寸计算和分析。

三、尺寸计算与分析：基于特征向量和图像处理结果，可以利用数学方法或者机器学习算法来计算车身的各个重要尺寸，例如长、宽、高、轴距等，同时可以进行尺寸的分析和评估，例如与标准尺寸的比较、尺寸偏差的判断等。

四、实时监测与报警：在白车身生产线上，需要实时监测车身的尺寸情况，并及时发出报警，以防止尺寸不合格的车身进入下一工序。

通过机器视觉技术，可以实现在线监测和报警功能，以提高生产的准确性和效率。

在应用方面，基于机器视觉技术的白车身尺寸在线测量可以广泛应用于汽车制造企业的生产线中。

通过自动化的图像采集和处理，可以实现对白车身尺寸的准确测量，避免了传统人工测量中的误差和主观因素。

同时，基于机器学习算法的尺寸计算和分析，可以提供更加细致和全面的尺寸数据，以供企业进行生产管理和质量控制。

总之，基于机器视觉技术的白车身尺寸在线测量场景的研究与应用，不仅可以提高汽车制造的生产效率和质量，还能够减少人力资源的投入和成本的浪费，具有非常广阔的应用前景和市场需求。

未来随着技术的不断发展和创新，机器视觉技术在汽车制造领域的应用还将继续深入和拓展。

基于计算机视觉的汽车整车尺寸测量系统的研究

基于计算机视觉的汽车整车尺寸测量系统的研究一、本文概述随着汽车工业的飞速发展，汽车整车尺寸测量成为汽车制造过程中的重要环节。

传统的汽车尺寸测量方法大多依赖于人工操作，不仅效率低下，而且容易受到人为因素的影响，导致测量精度不稳定。

开发一种基于计算机视觉的汽车整车尺寸测量系统具有重要的现实意义和应用价值。

本文旨在研究基于计算机视觉的汽车整车尺寸测量系统，通过计算机视觉技术实现对汽车整车尺寸的自动、快速、精确测量。

本文首先介绍了汽车尺寸测量的背景和意义，分析了传统测量方法的不足和计算机视觉技术在汽车尺寸测量中的优势。

随后，详细阐述了基于计算机视觉的汽车整车尺寸测量系统的基本原理、系统架构和关键技术。

在基本原理方面，本文介绍了计算机视觉的基本原理和关键技术，包括图像采集、图像处理、特征提取和尺寸计算等。

在系统架构方面，本文设计了基于计算机视觉的汽车整车尺寸测量系统的整体架构，包括硬件平台和软件平台。

在关键技术方面，本文重点研究了图像预处理、边缘检测、特征匹配和三维重建等关键技术，以提高测量精度和效率。

本文通过实验验证了基于计算机视觉的汽车整车尺寸测量系统的可行性和有效性，并对实验结果进行了分析和讨论。

实验结果表明，该系统具有较高的测量精度和稳定性，能够满足汽车制造过程中对尺寸测量的要求。

同时，本文还指出了研究中存在的不足之处，并对未来的研究方向进行了展望。

通过本文的研究，旨在为汽车整车尺寸测量提供一种高效、精确、自动化的解决方案，推动汽车制造业的智能化发展。

二、系统设计与技术原理本节将详细介绍基于计算机视觉的汽车整车尺寸测量系统的设计和技术原理。

该系统设计分为几个关键部分：图像采集、预处理、特征提取、尺寸计算和结果输出。

每个部分都依赖于先进的技术和算法，以确保测量结果的准确性和系统的稳定性。

图像采集是整个系统的第一步，其质量直接影响到后续处理和最终测量结果的准确性。

本系统采用高分辨率工业相机，配合适当的照明系统，确保在各种环境下都能获得高质量的汽车图像。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

万方数据万方数据万方数据２０１０年６月中同制造、Ｉｐ信息化第３９卷第１１期图２汽车车身部分原始图像１图４基于本文算法的处理结果１图３汽车车身部分原始图像２图５基于本文算法的处理结果２方便，具有广阔的应用前景。

本文针对灰度分布不均匀的图像，首先，通过对图像开窗后进行局部灰参考文献：碱∞∞Ｐａｎ肌ＡｎａｌｙｓｉｓａｎｄＭ８ｃｈ妇１ｎ‘ｅ１１ｉｇｅｎｃｅ，１９８６，度变换来改进边缘检测的效果，对窗口交界处再开ｈｉＣａｎｎｙＪＡ．Ｃｃｍａｐｕｔａｔｉｏｎａｌａｐｐｒｏａｃｈｔｏｅｄｇｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥ设几个很小的窗口实现拼接来去除窗口交界处的皇假边缘；其次，詈用自适璺阈值的改进型Ｃａｎｎｙ［２］８章（６毓）晋：６７．图９－像６９处８理．与分析［Ｍ】．｜匕京：清华大学出版社，１９９９：算法动态地随图像梯度幅值变化而变化。

通过试懈一枷验证明，本文的方法对于不同噪声干扰和光照背景［３］杨枝灵，王开．ＷＬｓｕａｌｃ＋＋数字图像获取、处理及实践应下的图像，能够获得较好的处理效果，其抗噪性能用［Ｍ］．北京：人民邮电出版社，２００３：５５３—５７２．好，定位精度高。

利用该算法对汽车图像进行边缘［４］刑果·戚文芽，李萍，等·灰度图像的自适应边缘检测［Ｊ］．计算机工程与应用，２００７，４３（５）：６３—６６·检测，检测出的汽车边缘连续、清晰。

ＡｐｐｌｉｃａｔｉｏｎｏｆＯｐｅｎＣＶ——ｂａｓｅｄＥｄｇｅＤｅｔｅｃｔｉｏｎＡｇｏｒｉｔｈｍｉｎｔｈｅＶｅｈｉｃｌｅ——ｂｏｄｙＤｉｍｅｎｓｉｏｎＤｅｔｅｃｔｉｏｎＣＨＥＮＷｅｉ—ｌｉ，ＴＡＮＧ／－Ｉｏｎ，ＧＥＮＧＹａｈ—ｂｉａｏ（ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，ＳｈａａｎｘｉＸｉ’ａＪｌ，７１００７２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｔｍａｉｎｌｙｉｎｔｒｏｄｕｃｅｓｔｈｅｓｏｌｕｔｉｏｎｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｅｄｇｅｄｅｔｅｃｔｉｏｎ，ｗｈｉｃｈｃｏｍｂｉｎｅｓｔｈｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｔｈｅｓｔａｔｉｓｔｉｃａｌｉｍａｇｅｗｉｎｄｏｗｃａｌｃｕｌａｔｉｏｎｗｉｔｈｔｈｅｅｎｈａｎｃｅｄＣａｎｎｙｅｄｇｅｄｅｔｅｃｔｉｏｎａｌｇｏ—ｒｉｔｈｍ．ＩｔｕｓｅｓＯｐｅｎＣＶｄａｔａｂａｓｅ雒ｂａｓｉｃｆｕｎｃｔｉｏｎｌｉｂｒａｒｙａｎｄａｐｐｌｉｅｓｔｈｉｓａｇｏｒｉｔｈｍｔｏｔｈｅｖｅｈｉｃｌｅ—ｂｏｄｙｄｉ—ｍｅｎｓｉｏｎｄｅｔｅｃｔｉｏｎ．Ｔｈｅｔｅｓｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｃｅｓｓｉｎｇｏｆｅｄｇｅｄｅｔｅｃｔｉｏｎｉｓｍｏｒｅｅｆｆｅｃｔｉｖｅａｎｄｑｕｉｃｋｅｒ．Ｋｅｙｗｏｒｄｓ：Ｅｄｇｅ——ｄｅｔｅｃｔｉｏｎ；ＩｍａｇｅＰｒｏｃｅｓｓ；Ｖｅｈｉｃｌｅ——ｂｏｄｙＤｉｍｅｎｓｉｏｎ万方数据基于OpenCV的边缘检测算法在车身尺寸检测中的应用作者：陈伟利，唐虹，耿艳彪， CHEN Wei-li， TANG Hon， GENG Yan-biao作者单位：西北工业大学,机电学院,陕西,西安,710072刊名：中国制造业信息化英文刊名：MANUFACTURING INFORMATION ENGINEERING OF CHINA年，卷(期)：2010，39(11)被引用次数：0次1.Canny J A Computational approach to edge detection 1986(6)2.章毓晋图像处理与分析 19993.杨枝灵.王开Visual C++数字图像获取、处理及实践应用 20034.刑果.戚文芽.李萍灰度图像的自适应边缘检测 2007(5)1.学位论文谭颖芳PCNN图像分割和边缘检测研究2009脉冲耦合神经网络(Pulse Coupled Neural Network-PCNN)模型凭借模拟猫大脑视觉皮层这一有利的生物学背景，以及区别于传统人工神经网络的脉冲串发放，时空累加和动态阈值特性，很好地模拟了生物神经元的疲劳、不应期及脉冲激励现象。

目前已广泛应用于图像处理各个领域，显示出巨大的优越性。

图像分割和边缘检测是图像处理中的重要步骤，其结果关系到后续图像识别和机器智能处理的精确度，一直都是图像处理研究的热点。

本文针对PCNN在图像分割和边缘检测应用领域，进行了深入的研究分析：改进Unit-Linking PCNN对灰度图像边缘检测的处理算法，提高边缘提取质量；将Unit-Linking PCNN图像分割与边缘检测应用范围扩展到彩色图像的处理；研究通用PCNN改进模型在图像分割中的应用。

所做的研究工作及所取得的研究进展主要在以下几个方面： 一、综述了PCNN原始模型和原理；改进后的通用PCNN模型和原理；单位链接脉冲耦合神经网络Unit-Linking PCNN模型和原理。

二、提出了一种特殊的图像边缘检测预处理方法，以块状增强方式增强图像对比度，使用图像均匀分块实现了灰度图像的近似多阈值分割。

用具有平滑作用的最小交叉熵作为分割迭代准则，最大程度的避免了噪声对图像分割的干扰作用。

改善了该模型进行灰度图像边缘检测过程中，细节信息丢失多，对复杂图像和低对比度图像的边缘检测效果不尽如人意的缺点。

并且神经元模型参数对图像边缘检测结果的影响较不敏感，具有较好适用性。

三、在彩色图像分割中，提出三基色分割后实施合并的大概率合并策略、小概率合并策略两种不同的分量合并方法。

与分割迭代准则最大香农熵和最小交叉熵结合，提出四种彩色图像分割方案。

采用RGB彩色空间，增强了分割的效果。

在彩色图像分割基础上，完成彩色图像边缘检测。

解决了彩色图像分割中各分量分割结果合并准则单一的问题，提高了彩色图像分割和边缘检测的质量。

四、在以上应用中，都采用Unit-Linking PCNN作为图像分割和边缘检测的神经网络模型，避免了参数繁多，设置困难，结果对参数敏感的问题。

五、提出最大相关准则作为分割计算中的迭代准则，避免了常用的最小交叉熵中大量的对数计算，最大香农熵中分割图和原图的像素灰度分布没有产生密切联系的缺点。

六、使用改进型PCNN通用模型，解决了常用Unit-Linking PCNN模型弱化相似群神经元发放脉冲特性的问题，同时还在一定程度上讨论了改进型PCNN通用模型中模型参数对分割结果的影响。

2.期刊论文伍尤富.Wu Youfu图像处理中边缘检测研究方法-舰船电子工程2006,26(4)图像的边缘是图像的最基本的特征之一,边缘检测是计算机视觉和图像处理中重要的处理技术.综述各种边缘检测的方法,并总结各检测算法的特点.3.学位论文程俊鑫基于灰度图像的边缘检测方法研究2007图像最基本的特征是边缘，图像的边缘检测是图像处理的主要内容之一。

因为边缘检测是图像分割的核心内容，而图像分割又是从图像处理进入图像分析的关键步骤，也是图像理解的基础。

所以图像的边缘检测一直是图像测量技术研究中的热点和焦点，成为了图像处理、图像分析和计算机视觉最经典的研究课题之一。

近年来各种新的理论和方法层出不穷，学术思想非常活跃，这一方面反应出课题本身的重要性，另一方面也反映了这个课题的深度和难度。

然而，至今发表的有关边缘检测的理论和方法尚存在许多不足之处，这些检测算法在用来对目标进行检测和识别时，在检测精度和去噪方面很难达到令人满意的效果，有待进一步改进和发展。

本文围绕基于灰度图像的边缘检测技术做了如下工作：1、对经典的边缘检测方法及各种改进技术进行了归纳、总结，详细介绍了其数学机理，并通过实验对各种方法的特点进行了分析，指出了各种方法优点和不足，以及它们各自的适用范围。

2、对工程中常用的具有滤波特性的边缘检测方法：LOG算子和Canny算子进行了详细的讨论，系统研究了其算法，通过实验对它们各自的特性进行了比较分析，并指出了它们的适用范围。

3、针对实验中出现的噪声对图像边缘检测质量影响比较大的情况，提出了先对图像滤波去噪处理后再进行边缘提取。

在对常用的各种滤波技术进行详细的对比分析的基础上，通过实验发现将滤波去噪与边缘检测技术结合起来可以有效去除噪声，提取出较为准确的边缘，达到了比较理想的效果。

4、最后提出了将Visual Basic与MATLAB两种程序设计语言结合起来，设计开发一套对采集的图像进行滤波处理和边缘提取的检测系统软件的方案。

4.期刊论文耿迅VC图像处理--边缘检测-电脑编程技巧与维护2006,""(2)本文介绍了边缘检测的基本概念,使用VC实现了Roberts算子、Prewitt算子、Sobel算子和Laplacian算子,实验分析了各个算子的边缘检测效果及抗噪能力.5.学位论文陈宇云灰度图像的边缘检测研究2009边缘检测是图像处理与分析中最基础的内容之一，也是至今仍没有得到圆满解决的一类问题。

图像的边缘包含了图像的位置、轮廓等特征，是图像的基本特征之一，广泛地应用于特征描述、图像分割、图像增强、模式识别等图像分析和处理中。

因此，图像边缘的检测方法，一直是图像处理与分析技术中的研究热点。

然而，至今发表的有关边缘检测的理论和方法尚存在许多不足之处，比如在检测精度和去噪方面很难达到令人满意的效果。

本文针对边缘检测中存在的问题，在对一些传统和新兴的边缘检测方法进行归纳的基础上，围绕灰度图像的边缘检测做了如下一些创新性和探索性工作：研究和分析了常用的图像滤波方法，在此基础上设计了一种将改进中值滤波和自适应滤波相结合的二阶段滤波方法。

其中，改进的中值滤波使用多个模板自适应地滤波，以此减少滤除椒盐噪声过程中对图像的损坏，而自适应滤波则能在滤除高斯噪声的过程中很好的保护图像边缘。

详细研究了Sobel算子和Laplacian算子在边缘检测中的特点，并根据这些特点设计了两种结合Sobel算子和Laplacian算子的边缘检测方法，即基于梯度相乘的边缘检测算法和基于边缘分类的边缘检测算法。

研究了边缘处灰度变化的特点，根据边缘处在图像灰度对比较大的地方这一特点定义了局部灰度差异，而根据沿着边缘方向灰度变化较小，同时沿着垂直于边缘的方向灰度变化较大的特点定义了边缘似然度。

在此基础上设计了基于局部灰度差异的边缘检测和基于边缘似然度的边缘检测这两种基于模板思想的边缘检测方法。

详细研究了已有一些模糊增强算法的缺陷，并分别从运算量、增强变换的选择、渡越点的选择以及增强变换的调整方面给出了改进意见，最后设计了一种基于改进模糊增强的边缘检测算法，并使用双阈值检测的方法来保障所检测边缘的可靠性和完整性。