关于位图边缘的检测定位

最近几天做了一些图像检测定位的工作，虽然老师否定了这一方法。但是还是想把最近的工作

总结总结。也许会对以后有所帮助。

POTDR_室外实验_20140120_160549TwoPoint2.mat

此文件为原始数据文件。我们需要将其转化为位图

进行分析处理。

部分matlab程序：

load POTDR_室外实验_20140120_160549TwoPoint2.mat  %加载数据

Data=data(1:size(data,1),:);  %Data两点扰动的矩阵数据388行*3472列

ColmStart=100;  %因数据量太大，需要对列数据进行采样。从第100列开始取数据 

ColmLag=10;     %采样数据间隔,每隔10列采一列

VAR=[];     %定义一个空向量
    
ColmI=ColmStart:ColmLag:size(Data,2)-mod(size(Data,1),ColmLag)-ColmLag;   %ColmI为具体对3472列中哪些列进行采样绘图为1*331的向量

NewData=Data(:,ColmI);  %NewData为在原3472行数据中采样抽取出来的145列.388*331(原始采样图像数据)
  
DiffData=diff(NewData,1); %DiffData为对NewData作一阶差分运算的差分矩阵也是145列 388*331

显示差分灰度图:

imshow(DiffData),title('差分灰度图');

差分灰度图的边缘：(定位出红线的位置是本文的目标)

I=edge(DiffData,'sobel','vertical');%差分灰度图的边缘
imshow(I),title('差分灰度的边缘');

由于红色边缘并不突出,所以我们需要利用图像膨胀使边缘轮廓清晰.

膨胀matlab代码：

B=[ 0 1 0  
    1 1 1 
    0 1 0 
     ];
 
  A1=imdilate(I,B);%图像I被结构元素B膨胀
  A2=imdilate(A1,B);
  A3=imdilate(A2,B);
  A4=imdilate(A3,B);
  A5=imdilate(A4,B);
  A6=imdilate(A5,B);
  A7=imdilate(A6,B);
  A8=imdilate(A7,B);
  A9=imdilate(A8,B);
  A10=imdilate(A9,B);
  A11=imdilate(A10,B);
     
  A12=imdilate(A11,B);
  A13=imdilate(A12,B);
  A14=imdilate(A13,B);
  A15=imdilate(A14,B);
     
  A16=imdilate(A15,B);
  A17=imdilate(A16,B);
  A18=imdilate(A17,B);
  A19=imdilate(A18,B);
     
  A20=imdilate(A19,B);
  A21=imdilate(A20,B);
  A22=imdilate(A21,B);
  A23=imdilate(A22,B);
     
  A24=imdilate(A23,B);
  A25=imdilate(A24,B);
  A26=imdilate(A25,B);
  A27=imdilate(A26,B);
     
  A28=imdilate(A27,B);
  A29=imdilate(A28,B);

膨胀29次后的图像(红色边缘逐渐清晰)：

imshow(A29);title('3*3第二十九次膨胀');

画出膨胀后的轮廓以便进行最终的红线定位：

   LastPerim=bwperim(A29); %对膨胀29次的图像求轮廓
   imshow(LastPerim),title('二十九次膨胀后的轮廓');

轮廓图如下：

轮廓逐渐清晰明了。

那么接下来我们如何检查出这两条红线的位置呢。

其实这里的原理很简单。

1.我们首先只保留图像中白线列信息。

比如p5=[17 17 17 17 17 17 17 18 18 18 18 18 18 19 19 19 19 19 19 19 20 20 21 21....... 22 22 23 23 24 24 25 25 25 25 25 25 26 26 26]

表明第17列有7个点，第18列有6个点依次类推

2.我们还需要了解这样的一个原理.

看图如下：

3.显然根据上图我们不难将x1和x3附近所以的列保留下来.保存至memlocate向量中.

matlab代码如下：

  p=sparse(LastPerim);%对LastPerim求稀疏矩阵即只保留值为1的元素
  
  p1=find(p);  %按列索引,即找出稀疏矩阵的按列一维索引
  
  p2=p1/388  %388为列数,此值为稀疏矩阵中保留位置的列值
  
  p3=floor(p2)   %对p2进行取整
  
  p4=p3'   %转置成一维行向量
 
  len=length(p4)-1;
  len=len-388; %减去最后一列边缘的388个数据点
  calculate=0;
  k=1;
  
  p5=p4(:,1:len);
%%找出p4中连续五个以上相等的数存储在memlocate中
  for i=1:1:len-4
      if (p5(i)==p5(i+1)&&p5(i+1)==p5(i+2)&&p5(i+2)==p5(i+3))
          calculate=calculate+1;
      else
          if(calculate>=3)
                  memlocate(k) = p5(i);
                  k=k+1;
                  calculate=0;  
          end
      end
  end

memlocate截图如下:其中x1和x3附近总共只有21列保留了下来

4.而此时我们只需要在memlocate中进行分类即可.

我们在这里用简单相邻列的差来区分x1和x3这两个不同的边缘.

如何差值等于1则表明是属于同一类。否则属于不同类。

这样便把不同类的列位置得到了,定位也随即完成.

此部分matlab代码如下:

%%对入侵点进行定位
p=1;
j=0;

for t=1:1:k-2
    j=j+1;
    if((memlocate(t+1)-memlocate(t))>=2)
         fid=fopen('LocateResult15.txt','at+');
         fprintf(fid,'The %d location is:%d\n',p,memlocate(t+1-j));
         p=p+1;
         j=0;
    end
end

LocateResult.txt截图如下：

第一边缘列的位置在17列,第二边缘列的位置在254列.

定位成功！

我相信如果大家今后在工作中遇到类似的工作,那么一点能从这篇文章中获取一定的启发.

作者水平有限.至于VC实现部分后续有时间再完善。如果文中有纰漏或者不足之处,还望读

者匹配指正。

转载请注明作者:小刘