专利名称：基于定向边缘的快速二维目标定位的制作方法
技术领域：
本发明涉及计算机视图，并且更特别涉及一种基于特征的二维目标定位方法。
2.背景技术快速目标定位是监视(inspection)系统的一个重要部分。定位方法主要依赖于灰度值图样(pattern)的标准化模板匹配。灰度值图样匹配存在若干缺点。例如，模板匹配相对慢，并且如果搜索范围较大或者该方法需要容忍目标旋转，该速度会加剧变慢。此外，模板匹配对于无法通过针对亮度和对比度的标准化进行补偿的照度变化是敏感的。
通过使用多分辨率技术或分级搜索方法，有几种在灰度级领域加速匹配操作的方法。然而，上述方法对于照度变化是不稳定的。
因此，就存在对照度变化稳定的边缘抽取方法和系统的需要。
发明内容
根据本发明的一个实施方式，一种目标定位的方法包含步骤限定目标定位的边缘模型，以及搜索与该边缘模型匹配的目标的图像。搜索步骤包含限定包括目标部分的兴趣区域，二次取样兴趣区域以及从兴趣区域抽取包含多个边缘的边缘图像。搜索进一步包含细化该边缘图像的至少一个边缘，根据距离变换确定图像和边缘图像间的距离映射，以及在根据距离映射限定的搜索区域内使边缘模型与边缘图像匹配。
所述的距离映射限定了每个图像像素到边缘图像的最近边缘像素的距离。
匹配步骤进一步包含根据到下一个图像边缘象素的距离和边缘取向中的差别确定误差量度。匹配步骤进一步包含使在多个旋转(rotation)中的边缘模型与边缘图像相匹配。所述方法进一步包含确定边缘模型的各个旋转相对于边缘图像的误差。确定误差的步骤进一步包含确定各个模型边缘点到下一个图像边缘像素的距离，确定每个模型边缘的相应像素在边缘取向上的差别，以及截短到下个图像边缘象素的距离和在边缘取向上的差别。确定误差的步骤进一步包括将到下一个图像边缘像素的距离和在边缘取向上的差别换算到给定间隔，确定到下一个图像边缘像素的距离的和在边缘取向上的差别的相对权值，和确定误差，该误差是遍及模型边缘点的匹配误差的总和。
限定边缘模型的步骤包含限定包括要训练的(trained)目标的一部分的兴趣区域，二次取样兴趣区域，从兴趣区域抽取包含边缘的边缘模型图像，细化边缘模型图像的至少一个边缘，并且选择若干边缘像素，其中，选择的边缘像素组包括边缘模型。该方法进一步包含确定多个相应于在离散步骤中旋转的边缘模型的旋转边缘模型。
所述方法包含通过迭代最近点将边缘模型与边缘图像相匹配。通过迭代最近点将边缘模型与边缘图像相匹配的步骤包含为边缘模型中的各个像素确定在相应的搜索区域中边缘图像的最近边缘像素，确定变换参数，其中，根据边缘模型的多个像素到边缘图像的多个像素的总距离，该变换参数将边缘模型和边缘图像之间的距离最小化，并根据该变换参数校正该模型的位置。
根据本发明的一个实施方式，提供了一种程序储存装置，该程序存储装置可由机器读取，有形地包含可由机器执行的指令程序以便执行用于目标定位的方法步骤。
下面将参照附图更详细描述本发明的优选实施方式图1是根据本发明的一个实施方式的系统框图；图2A是根据本发明的一个实施方式训练一个二维目标定位系统的方法的流程图；图2B是根据本发明的一个实施方式在二维目标定位系统中搜索的方法的流程图；图3A是根据本发明的一个实施方式的训练图像；图3B是图3A的训练图像的图，其中根据本发明一个实施方式使用了边缘滤波器；图3C是图3A的训练图像的图，其中该训练图已经被细化和二元化，并根据本发明的一个实施方式使用了边缘滤波器；和图4是根据本发明的一个实施方式确定误差的方法的流程图。
优选实施方式的详细描述一种在灰度级图像中基于特征的二维目标定位方法，可基于一个或多个目标(边缘图像)的定向边缘表示的确定。对于一给定的边缘图像，在子采样的预处理阶段，可执行平滑和边缘滤波。可细化边缘。可为边缘图像确定边缘段的边缘取向和长度。可对边缘图像确定距离变换。考虑点距离和边缘取向的匹配方法，确定灰度级图像甚至是存在严重混乱的灰度级图像中的一个或多个目标的定向和位置。
与基于面积的算法相反，根据本发明的一个实施方式，目标搜索不是基于灰度值图像执行，而是基于边缘特征执行。相对于灰度级图像中照度的变化，边缘更稳定。因此，边缘导致了比基于面积或模板的解决方案要更小的目标表示，并且能够提高匹配(例如，加快)。虽然其它基于边缘的定位方法仅仅依靠边缘定位，但是根据本发明的一个实施方式，局部(local)边缘取向明确地被并入匹配过程中。因此，能够显著降低混乱图景的假有效率。
应该理解，本发明能够以硬件、软件、固件、特定目的处理器或其组合的各种形式实施。在一个实施方式中，本发明可以软件实施为有形包含在一程序存储装置上的应用程序。该应用程序可以加载到并由任何适宜体系结构组成的机器执行。
参考图1，根据本发明的一个实施方式，实施本发明的计算机系统101除其它组件外可包含，中央处理单元(CPU)102，储存器103和输入/输出(I/O)接口104。计算机系统101通常通过I/O接口104与显示器105和如鼠标、键盘的各种输入装置106连接。辅助电路可包括如高速缓存、电源、时钟电路和通信总线的电路。存储器103可包括随机存取存储器(RAM)、只读存储器(ROM)、磁盘驱动器，磁带驱动器等，或者其结合。本发明可执行为程序107，其储存在储存器103中并由CPU102执行以处理来自信号源108的信号，例如相机捕获的包括兴趣区域的图像。因此，计算机系统101是通用计算机系统，在执行本发明的程序107时其成为专用计算机系统。
计算机平台101还包括操作系统和微指令代码。此处描述的各种处理和功能可以是部分微指令编码或者部分应用程序(或其结合)，其由操作系统执行。此外，各种其它外围设备也都可以连接到计算机平台，如附加数据储存设备和打印设备。
还应该理解的是，由于附图中描述的组成系统的某些部件和方法步骤可以软件实施，系统部件(或处理步骤)之间的实际连接可因本发明的编程方式而不同。假如本发明在此提供了教导，本领域的普通技术人员就能够预期本发明这些及相似实施或配置。
参考图2A，在训练阶段，包括被训练目标的兴趣区域(ROI)能够被抽取201和二次取样202。能够应用边缘滤波器确定水平和垂直方向的偏导数203。细化边缘以便获得一条大约一像素宽的线204。基于边缘点的子集生成一目标205，其中边缘点是边缘像素的二次取样。目标的不同取向可认为是不同的模型206。因此，能在离散步骤中旋转目标且储存边缘点集以便用于随后的匹配。
如图2B所示的搜索阶段，可对一搜索区域进行预处理。预处理包含抽取兴趣区域211，二次取样212，边缘滤波213和细化214。可基于二进制边缘图像确定距离变换215。搜索可用于将模型边缘点与搜索区域216中的图像边缘像素相匹配，以及返回高于预定置信阈值的匹配。
在抽取边缘之前，进行预处理和边缘抽取，为了加快随后的边缘滤波和匹配方法，可通过二次取样图像降低图像的分辨率。分辨率可通过系数n降低。例如，n＝2是指平均2×2的像素块，并合并为一个像素。由于较大的n降低了定位的精确性，所以n的选择要在执行速度和定位精确性之间权衡。
分辨率能够被固定。选择固定分辨率的情况是为了在较低分辨率(大n)进行粗略的定位。一旦在低分辨率下发现目标，在所发现目标的临近区域可以以较高分辨率进行更精确的局部搜索。这样无需不得不高分辨率地搜索整个图像，就可以高精确地定位目标。如果需要在子像素范围内的定位精确性或者如果确定精确旋转角度要比储存的目标模型角度差异要好，则可采用基于ICP(迭代最近点)方法学的精密定位法以改进粗略定位。
虽然边缘滤波器与Canny边缘滤波器相似，但是，可结合几种改变以加速该方法。如果用高空间频率结构，边缘过滤能会导致失真。为避免失真，可在边缘过滤前用低通滤波器平滑图像(例如，图3A所示)。为了进行滤波，可采用3×3、5×5或者7×7的滤波屏蔽器。滤波器核心的型号可依据目标的结构来选择。如果所训练目标的特征是带有锐度细节的边缘，则较小核心更适合强调小结构。如果边缘平滑，则较大核心比较适宜。此外，如果目标或者部分目标含有高空间频率的构造(texture)，则建议采用较大核，以降低随机构造边缘并防止它们定位恶化。
可使用相应于x和y方向偏导数的两种滤波器屏蔽第一种滤波器与水平边缘结构对应，而第二种滤波器与垂直边缘结构对应。由偏导数dx、dy可导出边缘密度l(x，y)和边缘方向Phi(x，y)l(x，y)＝Sqrt(dx(x，y)2+dy(x，y)2)；Phi(x，y)＝ArcTan(dx(x，y)/dy(x，y))；在速度最优化的实施方式中，因为核是可分的，二维滤波器核的包卷(convolution)可用两个一维核代替。
由边缘过滤得到的图像，例如，如图3B所示，包括几个像素宽的宽线。为减少搜索空间，可细化线的宽度，例如，至一个像素。这可通过估计在垂直于线条方向的局部边缘强度达到。具有最大局部边缘强度的像素可被选作线的中心像素，而其它边缘像素被抹去。
通过将全部高于阈值的边缘像素设为1而其余的低于阈值的像素设定为0，可将边缘图像二元化。图3C示出了一个被细化和二元化的边缘图像。
任一剩余线段的长度都可以被确定。再者，可定义阈值，低于阈值的线段(例如，那些似乎是由干扰导致的线段)能够被抹去。
关于目标模型的训练，目标训练的一个目的是为随后的匹配抽取相关的边缘。参考图2，提取目标的图像，优选带有均匀的背景的图像，同时用户可标记兴趣区域201，例如，包括目标的矩形面积。兴趣区域不需要包含整个目标。相反，在某些情况下子区域更合适，例如，如果其包括重要的边缘而定位速度优先的情况。如上述，兴趣区域可被二次取样202并抽取边缘203，这样就获得了包含线段的二进制边缘图像。如果边缘图像仅包括几个边缘像素，可产生警告和用户可指定一个不同的兴趣区域。另一方面，如果边缘图像包括许多边缘，就并不使用全部边缘像素。相反，可随机选择这些边缘像素的子集205，以便限制目标模型的规模并防止匹配方法的速度降低。根据本发明的一个实施方式，能够限制边缘像素的最大量，例如，100。
一旦建立了训练目标的边缘模型，通过加入用户反馈，可进一步改进该模型。在绘图工具如数字图形输入板和图像应用程序的帮助下，用户能够校正边缘表示(representation)。用户可加入缺少的线和/或抹去由干扰或阴影导致的令人误解的边缘。
在训练之前，若干参数可人工调整，该参数包括实例·目标旋转角度范围的限制；·兴趣区域的指定，二次取样系数和边缘滤波宽度；·模型边缘像素的最小和最大数量的指定；和·边缘强度阈值的指定。
为了处理目标旋转，在离散角度步骤206中，预先产生的包含一组边缘点的目标模型能够被旋转，例如，一度。在训练过程中，旋转后的点组被预先确定并且储存，这样在运行中无需确定各个点的矩阵乘法就能找到它们。各个旋转角的边缘点可储存在一个阵列中。除了前两个点之外，像素的顺序是随机选择的。前两个点不应该彼此非常靠近。如果前两个点之间的距离非常远，则因为在前期可排除许多组态，匹配速度就能够提高。
关于搜索目标的方法，搜索一个目的是发现搜索图像中所有与训练点组精密匹配的边缘象素的位置。由于任意目标取向的每个位置的穷举搜索在计算上是昂贵的，需要一种搜索策略以提高搜索速度。根据本发明的一个实施方式，距离变换可实施为一种搜索策略。一旦定义了兴趣区域211，图像能够被二次取样212，并且如上所述就可以获得二进制边缘图像213&214。距离变换就能够确定215。
关于距离变换，距离变换的结果是创造一个二次图像(距离映射)，其中可将到最近边缘点的欧几里得距离分配给各个像素。因此，在距离变换之后，与边缘相符的像素可分配值0，而各个不相符的各个像素可根据到下一边缘的距离赋予正数值。为了目标匹配，仅仅在预定值或所需阈值以下的短距离才是相关的(截短的距离变换)。
截短距离变换可被实施为局部窗口操作，其仅需要应用在图像的边缘像素上。例如，如果匹配所需的最大距离是三，则对于所有的边缘像素使用7×7操作窗口，即，在各个方向(例如，水平和垂直)环绕每个边缘象素的三个像素或点。
为了实施常规距离变换(没有截短)，Champfer距离可用作欧几里得距离的近似值。这就允许根据所需近似的精确度，用基于3×3或者5×5窗口的快速双通道算法计算完整的距离映射。
匹配方法216比穷举搜索快。与穷举搜索相比，可通过仅将图像边缘像素作为可能匹配的选择物来提高匹配速度。从而，训练的点组就移动到图像中的各个边缘像素，这样点组的第一点完全与边缘像素符合。所有的其余位置就无需检验。此外，可为各个备选点的匹配确定误差量度。参考图4，对于每一个模型边缘点，到下一图像边缘像素(dist(i))的距离就利用上述距离映射取得401，同时取得相应像素的在边缘取向上的差异(Phi(i))402。两个值都能够截短，和换算到间隔
403。Tdist，TPhi都是可用于截短误差的阈值，它们的相对大小限定了距离和取向不匹配的相对加权404。所有N模型边缘点的匹配误差E(i)的总和就得到了特定位置的总误差E，405Edist(i)＝min(1，dist(i)/Tdist)·Edist(i)点i的截短和换算距离
EPhi(i)＝min(1，Phi(i)/TPhi)·EPhi(i)截短和换算的边缘取向差别
E(i)＝(Edist(i)+EPhi(i))/2·E(i)点i的误差
E＝∑E(i)/N·E遍及所有点的平均误差
E＝1是指完全不匹配和E＝0是完全匹配。误差能够转换成置信值。
C＝(E-1)×100·C在
之间的置信值用户指定置信度阈值以消除不良匹配。阈值T＝80意味着80％的边缘像素与图像相对应，这样就检测到目标。虽然默认值约70-80％产生了良好的结果，但用户可修改该参数以控制检测率和假有效率。如果背景混乱，建议使用高阈值以降低假有效率。如果背景均匀，低阈值会降低遗漏目标的可能。
当如上所述确定误差后，可执行用于提高匹配速度的第二测量。一旦平均误差大于误差阈值，就停止误差计算并清消除这个位置。由于在检验几个模型点而不是全部点组后排除多数的备选位置，这可导致有意义性能的增加。
至此所述的匹配方法依赖于第一特征点的出现。如果该点由于局部遮挡没有在图像中出现，即使其余的特征点都出现，也没有检测到匹配。这个问题可通过使用多个具有不同起始点的模型解决，但这会降低匹配速度。作为替代，根据本发明的一个实施方式，遮挡的问题能够通过对于各个旋转模型(在训练过程确定的)选择特征点的不同随机顺序而解决。如果由于没有发现第一个点而没有检测到目标，由于该模型在Phi+/-1度角匹配，因此其仍然能够被检测到。其匹配，还因为它的第一个点不是在目标边界的某一位置因此不太可能被遮挡。
可能在最佳匹配x，y，Phi的邻域存在一些其它也非常适合的位置，因此要进行消除重复计数的方法。简单的消除过程可以确保各个目标仅被检测到一次。在任何时候，搜索过程都保留所有已经发现的目标与它们的位置和置信度的列表。如果检测到新目标，将其与当前目标列表相比较。如果其中心靠近另一个目标，则仅仅保留具有高置信度的那一个。如果其距离所有其它位置足够远，则将其加入目标列表。
在背景混乱和各种照度的情况下，各种目标的试验证明了二维目标检测和定位的建议算法的稳固性。在500Mhz Pentium 3个人计算机上，如果二次取样参数n设定为2，边缘预处理640×480图像需要约20ms。搜索时间取决于各种因素。如果目标能够360度旋转，定位需要20-50ms。通过限制角度范围，搜索时间成比例地减少。
至此所描述的匹配取得各个目标在图景中的位置，其精确度依赖于像素尺寸和角分辨率(例如，目标模型被存储时的离散角)。为获得子像素的精确度，第一匹配的结果可用作在随后的精确定位中改进的估计值。如图2B所述，为了精确定位，可实施ICP(迭代最近点)法217。ICP已开发用于3D-点组的匹配。
对于ICP，边缘点模型可初始地放置在粗略匹配所确定的位置处的搜索图像中。对于各个模型点，确定在图景中的最近边缘点。这可通过利用先前确定的距离变换方便地获得，而无需进一步的计算。一旦建立了点对应，即可确定变换参数(例如，位置、角度和比例)，该变换参数最小化图像点组与模型点组之间的总距离。因此能够校正模型的位置。通过确定一个新点对应和新的变换参数，该方法可以重复进行直到确定了所需的(例如，最优的)匹配和并且没有进一步改进的可能。因为该方法用在图像中的几个点，其中粗略定位已经发现目标，所以该方法能够快速收敛(例如，低于10次迭代)，并且不会显著增加总的搜索时间。
由于精确匹配方法反复“锁住”目标，粗略匹配步骤的参数能够放松(例如，通过使用较大角步长)。因为在第一定位过程中需要匹配较少的模型，这又改进了总的搜索时间。
虽然本发明可用于检测和定位一个目标类，但其可用于不同目标种类的识别和区别。例如，如果需要区别几个不同目标，可为各个目标种类训练定位器，在搜索阶段各个定位器可同时用于训练目标的搜索区、定位和匹配记分。
本发明的系统和方法具有许多潜在应用。例如在进一步的测量之前(例如，距离测量，完整性检查)，进行目标定位以规范化其位置。此外，目标的完整性(也就是训练目标的对应性)可通过匹配记分来确定。由于该方法能用于多个目标类和能够不考虑目标的位置和取向而确定目标，例如，在传送带上移动的目标，所以其还适宜于分类应用。此外，目标搜索速度意味着该系统和方法适合于用例如，计算能力有限的智能相机的实施(智能相机成本低且比基于PC的机器视图方案更易于集成在生产过程中)。
已经描述了用于边界抽取的前端传送流程的方法的实施例，应该注意对于本领域熟练技术人员来说，根据上述教导能够作出修改和改变。因此，应该理解在公开的本发明具体实施方式
中可以作出改变，这些改变都包含在如所附权利要求限定的本发明的范围和精神的范围内。因此，由于根据专利法的要求已经对本发明的细节和特性进行了描述，在所附的权利要求书中提出了在专利证书中要求和需要保护的内容。
权利要求
1.一种目标定位的方法，包括步骤限定目标定位的一边缘模型；搜索与所述边缘模型匹配的目标的一图像，其包括步骤限定一兴趣区域，其包括所述目标的一部分；二次取样所述兴趣区域；从所述兴趣区域抽取包含多个边缘的边缘图像；细化所述边缘图像的至少一个边缘；根据一距离变换确定所述图像和所述边缘图像之间的距离映射；和在根据所述距离映射限定的搜索区域内使边缘模型和边缘图像匹配。
2.根据权利要求1所述的方法，其中，包含多个边缘的所述边缘图像被二次取样以抽取模型边缘点。
3.根据权利要求1所述的方法，其中，所述距离映射限定了所述图像的各个像素到所述边缘图像的最近边缘像素的距离。
4.根据权利要求1所述的方法，其中，所述匹配步骤进一步包含步骤根据到下一个图像边缘像素的距离和边缘取向的差别确定误差量度。
5.根据权利要求1所述的方法，其中，所述匹配步骤进一步包含步骤使在多个旋转中的所述边缘模型与所述边缘图像相匹配。
6.根据权利要求5所述的方法，进一步包含确定相对于所述边缘图像的所述边缘模型的各个旋转的误差的步骤。
7.根据权利要求6所述的方法，其中确定误差进一步包含步骤确定各个模型边缘点的到下一个图像边缘像素的距离；确定各个模型边缘的相应像素在边缘取向上的差别；截短到所述下个图像边缘像素的所述距离和边缘取向上的所述差别；将到所述下个图像边缘像素的所述距离和在边缘取向上的所述差别换算到一给定间隔；确定到所述下个图像边缘像素的距离的和在边缘取向上的差别的相对权值；和将一误差确定为遍及所有模型边缘点的匹配误差的总和。
8.根据权利要求1所述的方法，其中限定所述边缘模型包含步骤限定兴趣区域，其包括要训练的目标的一部分；二次取样所述兴趣区域；从所述兴趣区域抽取包含多个边缘的边缘模型图像；细化所述边缘模型图像的至少一个边缘；和选择多个边缘像素，其中一个选择的边缘像素组包含所述边缘模型。
9.根据权利要求8所述的方法，进一步包含步骤确定多个相应于在所述离散步骤中旋转的所述边缘模型的旋转边缘模型。
10.根据权利要求1所述的方法，进一步包含通过迭代最近点将所述边缘模型与所述边缘图像相匹配，其包含步骤为所述边缘模型中的各个像素，确定在相应的搜索区域中所述边缘图像的最近边缘像素；确定变换参数，其中，根据所述边缘模型的多个像素到所述边缘图像的多个像素的距离和，所述变换参数最小化所述边缘模型和所述边缘图像之间的距离；和根据所述变换参数校正所述模型的位置。
11.一种程序储存装置，该程序存储装置可由机器机读取，有形地包含可由所述机器执行的指令程序以便执行用于目标定位的方法步骤，该方法步骤包含限定目标定位的一边缘模型；搜索与所述边缘模型匹配的目标的一图像，其包括步骤限定一兴趣区域，其包括所述目标的一部分；二次取样所述兴趣区域；从所述兴趣区域抽取包含多个边缘的边缘图像；细化所述边缘图像的至少一个边缘；根据一距离变换确定所述图像和所述边缘图像之间的距离映射；和在根据所述距离映射限定的搜索区域内使边缘模型和边缘图像匹配。
12.根据权利要求11所述的方法，其中，包含多个边缘的所述边缘图像被二次取样以抽取模型边缘点。
13.根据权利要求11所述的方法，其中，所述距离映射限定了所述图像的各个像素到所述边缘图像的最近边缘像素的距离。
14.根据权利要求11所述的方法，其中，所述匹配步骤进一步包含步骤根据到下一个图像边缘像素的距离和边缘取向的差别确定误差量度。
15.根据权利要求11所述的方法，其中，所述匹配步骤进一步包含步骤使在多个旋转中的所述边缘模型与所述边缘图像相匹配。
16.根据权利要求15所述的方法，进一步包含确定相对于所述边缘图像的所述边缘模型的各个旋转的误差的步骤。
17.根据权利要求16所述的方法，其中确定误差进一步包含步骤确定各个模型边缘点的到下一个图像边缘像素的距离；确定各个模型边缘的相应像素在边缘取向上的差别；截短到所述下个图像边缘像素的所述距离和边缘取向上的所述差别；将到所述下个图像边缘像素的所述距离和在边缘取向上的所述差别换算到一给定间隔；确定到所述下个图像边缘像素的距离的和在边缘取向上的差别的相对权值；和将一误差确定为遍及所有模型边缘点的匹配误差的总和。
18.根据权利要求11所述的方法，其中限定所述边缘模型包含步骤限定兴趣区域，其包括要训练的目标的一部分；二次取样所述兴趣区域；从所述兴趣区域抽取包含多个边缘的边缘模型图像；细化所述边缘模型图像的至少一个边缘；和选择多个边缘像素，其中一个选择的边缘像素组包含所述边缘模型。
19.根据权利要求18所述的方法，进一步包含步骤确定多个相应于在所述离散步骤中旋转的所述边缘模型的旋转边缘模型。
20.根据权利要求11所述的方法，进一步包含通过迭代最近点将所述边缘模型与所述边缘图像相匹配的步骤，其包含步骤为所述边缘模型中的各个像素，确定在相应的搜索区域中所述边缘图像的最近边缘像素；确定变换参数，其中，根据所述边缘模型的多个像素到所述边缘图像的多个像素的距离和，所述变换参数最小化所述边缘模型和所述边缘图像之间的距离；和根据所述变换参数校正所述模型的位置。
全文摘要
一种用于目标定位的方法，其包含步骤限定包括目标一部分的兴趣区域(211)，二次取样兴趣区域(212)，以及从兴趣区域抽取包含多个边缘的边缘图像(213)。搜索进一步包含细化边缘图像的至少一个边缘(214)，根据距离变换确定图像和边缘图像之间的距离映射(215)，以及在根据距离映射限定的搜索区域内匹配边缘模型与边缘图像(216)。
文档编号G06T7/00GK1685367SQ03823534
公开日2005年10月19日 申请日期2003年8月27日 优先权日2002年10月2日
发明者C·纽鲍尔, M·方 申请人:西门子共同研究公司