在计算机视觉中,准确识别、跟踪和分离图像中的圆形形状具有广泛的应用价值,包括细胞显微镜检查[1]、瞳孔定位[2]、瞳孔大小变化测量[3]、眼球跟踪[4]、卫星成像[5]、体育分析中的运动跟踪[6]以及工业检测[7]等。例如,在医学图像(如血涂片图像)中,检测、分割和计数圆形的红细胞(RBCs)或白细胞(WBCs)对于诊断白血病或贫血等血液系统疾病非常有用[8]。在另一个应用中,生产线中圆形水果、食品、商品或药片的检测和计数可以帮助相关监督人员发现缺陷。另一个应用是通过将物体从三维空间映射到二维空间来确定不同距离下相同大小物体的深度[9]。
晶体学是一门科学领域,涉及进行实验以确定具有晶体结构的材料中原子的大小和位置。X射线衍射数据提供了关于衍射光束强度的信息,这些强度对应于表征晶体结构的结构因子的振幅。然而,由于无法仅从衍射强度直接测量相位,因此需要使用方法来估计初始相位。通过利用这些估计的相位和测量的振幅,可以通过傅里叶合成计算出初始电子密度图。然后通过迭代改进该图以获得准确的原子位置和位移参数[10]。
对于在数字图像中识别圆形,霍夫变换(Hough Transform, HT)是一个常用的工具,这促使人们发明了许多基于HT的圆形检测算法[11]。标准霍夫变换(Standard Hough Transform, SHT)在参数空间中形成一个累加器,称为霍夫空间(Hough space)。图像中的边缘通过形态学方法被检测出来,每个边缘像素都参与识别与其相交的图案。收集到的投票结果根据预定的阈值作为识别目标的标准进行评估[12]。概率霍夫变换(Probabilistic Hough Transform, PHT)、随机霍夫变换(Randomized Hough Transform, RHT)、数学形态学(Mathematical Morphology)和链码(Chain Code)[15]以及拉东变换(Radon Transform)[16]也是HT的扩展示例。这种方法的问题可能是除了圆形之外其他形状的相似性以及需要边缘连续性。HT在参数量化方面也存在缺点,而这对于提高圆形识别精度是必要的[17]。此外,它缺乏直接同时检测多个圆形的特定内置机制,因此无法实现定量控制技术以实现这一目标。
一些优化算法,如和谐搜索算法(Harmony Search Algorithm, HAS)[18]、遗传算法(Genetic Algorithms, GA)[19]、电磁优化(Electro-Magnetism Optimization, EMO)[20]、离散差分进化(Discrete Differential Evolution, DDE)[21]、最小二乘拟合(Least-Squares Fitting)[22]、基于中心的聚类(Center-Based Clustering)[24]、功率直方图(Power Histograms, PH)[25]、等值线曲率分析(Isophotes Curvature Analysis)[26]、迭代投票(Iterative Voting)[27]、等腰三角形采样(Isosceles Triangles Sampling)[28]、Circle-YOLO[29]、Snakuscule[30]和稀疏结构(Sparse Structures)[31]也用于圆形检测。所有这些方法都试图静态和定性地找到圆形对象,它们没有提供能够动态和定量控制圆形参数的方法。由于这些方法依赖于静态和定性的圆形检测方法以及有限的通用性,因此它们在识别图像中对象的大小、深度和数量方面效果不佳。
Chauris等人[32]首次引入了快速圆形变换(Fast Circlet Transform, FCT),可以直接应用于灰度图像。FCT直接作用于图像梯度,并将图像分解为不同的子带。传统上使用基于软阈值的方法来检测圆形,该方法根据静态系数分析选择图像中给定数量对象的最大系数。
Mir等人在最近的研究[33]中,使用FCT作为圆形图案量化工具,根据肠道内流体的流变特性来区分胶囊内窥镜图像中的气泡。他们使用FCT作为软件卡尺来确定特定泡沫区域中气泡的覆盖面积和数量。他们利用这些测量结果定义了一个新的泡沫指标——总体区分因子(Overall Discrimination Factor, ODF),该指标可以实时且逐帧地表示流变特性的变化。他们提到FCT在其检测过程中存在主要问题,即会出现误检测。为了解决这个问题,他们提出了一种特定的方法来消除所有检测到的圆形中的误检测。之后,研究人员进行了计算以确定以对象为导向的气泡覆盖面积和数量。Sarrafzadeh等人[34]在三种不同的应用中使用FCT来计数和定位圆形对象。他们使用基于分辨率的各种计算和预处理方法来估算图像中的对象数量和半径大小。他们的估计是静态进行的,使用计算出的参数作为FCT的输入,而没有考虑到FCT阶段中的动态变化。他们方法的主要缺点是它需要根据对象类型和图像大小进行一些基于分辨率的预处理。
传统的圆形对象检测技术,包括FCT所采用的圆形检测过程,都在固定参数假设的约束下运行,从而限制了它们对对象规模和深度检测变化的适应性[35]。这些方法利用固定的图像特征,忽略了系数跟踪,从而阻碍了它们区分真实圆形图案和噪声的能力。结果,它们不准确地确定对象的半径和数量,导致误检测[33]。
为了克服传统方法在指定精确半径大小、对象数量和单目深度估计方面的挑战,可以使用一种基于顺序尝试的动态算法来帮助识别和分离不同距离和深度的圆形对象。在本研究中,我们的目标是开发一种新的通用动态轨迹分析方法,用于圆形对象的检测过程,该方法可以大致控制和计算对象的数量、半径大小,并通过逐帧分析找到对象的单目深度。所提出的动态轨迹技术跟踪系统的行为,以确定圆形特征会发生什么变化。
本文的概述首先描述了FCT在生成系数方面的操作性能。随着系数的确定,这些系数被监控,以选择在序列表示中应选择的对象。最后,通过使用经典的圆形图案图像对该方法进行评估。