简析缝隙检测算法新思路

-极市平台是专业的视觉算法开发和分发平台，加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“阅读原文”立刻申请入群~

本文就经典的缝隙图例简单分析缝隙检测算法的一个新思路，值得思考。

图例

图例特点：比较直，但长度粗细不定，有些地方非常微弱，断断续续。

 

问题分析：

这个问题类似于边缘提取，我们想到经典的canny算子，然而canny算子不保证边缘连续，而且无法给出直线划分，但却给我们一个分析问题的方向。以下思路是在canny算子的基础上进行的：

 

1. 计算各处的梯度向量

2. 梯度方向上进行非最大值抑制

3. 边缘追溯

我们对图像进行边缘追溯，canny算子除了给我们提供了边缘之外，其实还有丰富的局部梯度信息，而我们提取的缝隙都是直线，因而梯度信息是非常宝贵的。

For每个图像中的点:

        If 当前点 == 0：continue

        While 两端还活着:

                试图沿着梯度的垂直方向生长，找下一个点（如果没找到，生命值-1）

                找到后判别目标点的梯度向量是否与当前集合平均一致

                一致则合并，生命恢复，计算新的平均梯度，不一致则生命值-1

                生命减到1，停止生长

 

优势：考虑了梯度方向问题，可以很好的排除非自己所属的边缘

加入生命值的概念，可以在断的时候，继续沿着梯度垂直方向生长，得以延续。

 

4. 直线性判别

所有直线都生长结束后，对每个轮廓进行特征值分解，用较小的特征值进行线性度判定。

 

5. 线段配对

1）两个线段长度相似

2）两个线段质心接近

3）两个线段梯度向量相对立

 

总结：算法基于canny算子，在极大值抑制后，没有进行双阈值，而是保留梯度向量进行线段追溯，追溯过程中加入生命值概念，让直线延续性得以保证，而有梯度和生长方向概念，也不会混入其他点，得到纯净点后进行直线度检验，最后对所有提取出来的直线进行配对，得到结果。

附Imagepy github链接

https://github .com/yxdragon/imagepy.git

*推荐文章*

• ECCV 2018 | CornerNet：目标检测算法新思路

• NeurIPS 2018亮点选读：深度推理学习中的图网络与关系表征

• 重磅！ImageNet 并非必要？何恺明新作：Rethinking ImageNet Pre-training 论文详解及问答

---

每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击左下角“阅读原文”立刻申请入群~