图像边缘检测】最小二乘法椭圆边缘检测【含Matlab源码146期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、椭圆边缘检测简介

1 经典椭圆检测方法
椭圆检测算法经过多年的研究发展，已经基本形成一个较完整的体系。它们大致可以分为三类即投票（聚类）、最优化、基于弧段的方法。
投票（聚类）方法
椭圆因为有中心位置坐标、长短轴长度、倾斜角五个参数，标准霍夫变换有较强的鲁棒性，但对内存要求高，运算效率低，不太现实。霍夫变换类算法以霍夫变换为算法基础，经过不同国家研究人员多年的不懈努力研究，如今已衍生出很多改进算法，它们各有优劣。随机霍夫变换算法相对标准霍夫变换计算速度有较大提升，但检测相互遮挡的椭圆时准确度低。

2 随机hough变换椭圆检测算法
随机椭圆检测结合使用了了最小二乘法和Hough变换算法。第一步预处理，获得较理想的边缘图。第二步随机选取三个点，取这三点为中心相同大小的邻域中所有点，用最小二乘法把它们拟合成一个椭圆。如图2-3所示。第三步从边缘点中再随机选取第四个点，判断此点是否在拟合出的圆上。若是，则认为该椭圆是真实椭圆的可能性较大，接着收集证据，验证该椭圆的真实性。

算法具体过程如下（从第二步开始）：
1.把边缘检测得到的点收进集合V中，失败计数器f初始值设为0。设定5个阈值，分别是能容忍的失败次数最大值Tf，检测进行时对V中边缘点数量的要求阈值Tem，随机选取的三点之间两两距离最小值Ta，随机选取的第四点到可能椭圆边界距离的最大值Td，以及椭圆残缺比率阈值Tr。
2.np表示集合V中剩余的点的数量，当np小于Tem时或当失败次数f大于Tf时停止检测，算法终止；否则从V中随机取四点，并从V中删除这四点。
3.若用来求解椭圆参数的三个点两两之间距离都大于Ta，拟合出椭圆，计算第四个点到该椭圆边界的距离，若距离小于Td，执行第4步；若不满足两者之一，将这四个点返回到V中，失败次数加一，回到第2步执行。
4.设E为第3步拟合出来的椭圆，初始化满足阈值Td的点的个数num。遍历V中点，计算并判断它们到椭圆E的边界的距离是否小于Td，若是则num=num+1，并将该点从V中除去，直到遍历完成。
5.若num>=Tr*K，其中K为椭圆E的周长，那么跳转到第6步；否则认为椭圆E不是真实的椭圆，将第4步和第2步中删除的num+4个点返回V中，并跳转到第2步。
6.认为椭圆E是一个真实存在的椭圆，f置0，并跳转到第2步。
3 随机hough变换的优缺点
第一，由于该算法是基于最小二乘法，所以一方面检测结果往往比真实椭圆小而且对噪声敏感，但是另一方面当预处理效果较好时检测精度很高。
第二，由于该算法基于随机采样，所以一方面可能会有所选点距离较近的情况造成拟合出的椭圆偏差较大，但是另一方面因为随机采样的灵活性检测速度提升了。
第三，一方面当参数选取的较好时检测又快有准确；另一方面，由于该算法严格由参数Ta，Td，Tr控制而且这些参数不易取到合适值，所以会出现不合适的参数不仅增加计算量，而且增加误检机会的情况。

最优化方法
最优化类方法优点在其精度上，缺点是其一次只能处理一个图形，即此前要对图像信息进行分类分离。AndrewFitzgibb等人提出了直接最小二乘法椭圆拟合算法。该方法能保证拟合出来的一定是椭圆。但该方法受到孤立点和噪声点的影响。目前最优化算法多与其他算法一起结合使用。

基于弧段的方法
基于边界聚类的椭圆检测方法结合使用了基于弧段的方法和最小二乘法。从边界图提取圆弧，再经过过滤、聚类，最终用最小二乘法拟合出椭圆。该方法能有效应对多个椭圆、椭圆相互遮挡和椭圆部分缺损等复杂情况，因而引起了广泛的注意。

边界聚类算法流程
边界聚类算法属于从下往上结构的算法。算法步骤主要分为三步，分别是预处理，边界聚类和直接最小二乘法拟合椭圆三个过程。流程图如下所示：



第四步是二值化。二值化的效果几乎完全取决于分割阈值的选取。所以自动寻找最佳分割阈值的方法就显得十分关键。找到图片二值化的一个合适的分割阈值的一种方法是按图像的灰度特性,将图像分成背景和目标两部分,背景和目标之间的类间方差最大的分割意味着错分概率最小。MATLAB 的Graythresh函数就是使用该方法来获得一个自适应阈值作为二值化的分割依据。
第五步，二值化后，因为椭圆弧附近的非相关像素会严重影响检测结果，因此为了大幅度减少非相关像素，本文用形态学的腐蚀操作来得到细化的边界。

边界像素连接
采用Kovesi的边界连接算法，以8-邻域连通准则从上至下，从左至右扫描二值图像，将边界像素连接为有向边界列。然后采用边界列中像素数阈值条件去除像素数较小的集合。因为若边界列像素数少于阈值数，则很有可能是噪声或背景，应当删除。具体步骤如下：
1.以8-邻域连通准则从上至下，从左至右扫描二值图像，按连通区域对图像中的像素点聚类。
2.寻找每一个连通域中边界像素中所有的结束点和分叉点（分叉点是三条以上曲线的交点）并存储。
3.以这些结束点和分叉点为结束标志，让每一个连通域中的像素点集合分割为遇到结束点和连接点就断开的小集合。
4.删除这些集合中像素数小于某一阈值的部分。

线段列提取
因为图像光栅化难以获得准确的切线，而后续过程需要用到圆弧的切线，所以要进行线段拟合，即用多段折线代替原来的圆弧。具体步骤如下：
1.取边界像素连接成的第i条有向边界列，判断是否超过边界列总数目total，若不是进行步骤2，若是终止算法。
2.判断该边界列是否已经完成处理，若为否则进行第3步；若是则i=i+1，重新进行步骤2.
3.从其中第三个点开始，计算第一个点到这个点(记为点j)的连线方程，并依次判断第一个点和该点之间的所有点到该连线的距离，若所有距离均小于某一阈值，则j=j+1，重新进行步骤3，否则该有向边界列从该处断开，前面部分只保留第一个点和第j个点，前面j个点构成的连线用第一点和第j点之间的直线连线代替；后面部分仍然记为边界列i，
4.判断步骤3中断开的有向边界列后面部分像素数是否小于某阈值，若是则删除掉，否则不处理。最后跳转到步骤1。
完成这一个过程后一个连通域的的像素点构成的曲线就变成了其中部分像素点构成的一条折线。经过这个过程虽然像素信息损失了一部分，但是求取圆弧切线的精度从某种意义上说提高了，因为没有了光栅化效应。而且数据少了处理变得简单。再采用线段数阈值条件去除较短的线段列。若线段数数少于阈值数，则很有可能是噪声或背景或者进行拟合时误差过大，因此须删除。

线段列旋转方向统一
本文将所有线段列旋转方向统一为逆时针方向。
假设图3-4中的黑点为线段列中的点，箭头代表线段列的方向，P1（x1,y1），P2(x2,y2)，P3(x3,y3)为线段列中连续的三个像素，像素都引入z坐标，且令其为0，则P1（x1,y1，0），P2(x2,y2，0)，P3(x3,y3，0)，空间向量


圆弧聚类
圆弧聚类是将属于同一椭圆但是分开的两条或多条椭圆弧进行聚类。在进行聚类前，首先要判断弧段的完整度。一般用弧段的首尾端点P1，P3与中点P2构成的两向量P2P1，P2P3的夹角的大小来进行判断。夹角越小，一般该椭圆弧越完整，夹角越大，一般认为椭圆弧缺损越严重。设定一个阈值，当夹角小于该阈值时认为该弧段已经足够完整，仅仅靠该弧段上的点就可以较准确地拟合出真实存在的椭圆，因此该弧段不需要参与后面的聚类过程。如果希望该阈值自适应，在划分待聚类椭圆弧和不须聚类的弧（较完整弧）之前，先要确定该阈值。用直接最小二乘法拟合该弧所在的椭圆，若较圆，为了减小的误差，应使阈值夹角稍微大一些，如90度；若该弧所在的椭圆较扁，应使阈值夹角稍微小一些，如60度。接下来才根据该自适应阈值进行对圆弧判断。当大于阈值时认为该弧段上的点过少，不足以拟合出准确的椭圆，需要找到和该弧段属于同一椭圆的弧段然后用它们所有的点一起拟合出一个椭圆。经过此判断过程，椭圆弧就被分成两组。把需要参加聚类的椭圆弧按照含点数的数目由多到少进行排列，下面的过程都按照数目多的弧段优先的顺序进行。
对于待聚类的椭圆弧，先要定义其搜索区域，由于椭圆是封闭图形，所以整个椭圆可以确定是在其任何一部分弧和弧两端点的切线所在的射线包围起来的区域里面，属于该椭圆的其他弧以确定是在该弧对应的弦和弧两端点的切线所在的射线包围起来的区域里面。这就是我们搜索的区域。在图中a1的搜索区域也就是射线l1,l2,弦l3和图像边缘范围内的区域，在这个区域里面找弧，可以缩小搜寻的范围，提高效率。判断一条弧是否在待聚类椭圆弧的搜索区域里面我们只需取这条弧的首末端点j3,j4是否在搜索区域。方法是分别求过这两点同时平行于待聚类椭圆弧对应弦l3的直线和切线的交点，若交点分别有两个，交点都在射线上且这两个端点在对应两个交点之间则该弧段在搜索区域内。图中明显a2,a3,a4在a1的搜索区域内而a5不在。



如上图（a）中的参与拟合的点较多都落在拟合的椭圆上，所以有较大可能满足约束二条件；（b）中大多数拟合点点离拟合出的椭圆边界有一定距离，有较大可能不满足约束条件二。
如果希望这两个阈值改为自适应的，方法是先拟合出椭圆，判断椭圆大小。若椭圆较小，应适当降低限制，即增大距离阈值，减小比例阈值；若椭圆较大，应适当提高限制，即减小距离阈值，增大比例阈值。本算法中选取的是，若椭圆的短轴小于50则距离阈值为0.05,比例阈值设为0.7;否则前者取0.03,后者取0.8。

再配对
聚类后的弧和较完整弧或者两个较完整弧可能属于同一椭圆但是在前面的步骤它们只是被分开了并没有配对，所以有必要增加再匹配过程，增加检测准确度。匹配方法还是约束条件二的方法。因为该方法和原算法的去伪过程相似，所以经过该方法后无需再去伪。

直接最小二乘法椭圆拟合
前面的很多步骤都删除了像素点较少的集合，或者用少数点代替了边界列中的很多点，或者是分割后再删除点数较少的集合的，这些操作到椭圆拟合这一步实际上基本上去除了所有的背景和噪声，甚至包括一部分有用信息。所以即使对噪声和孤立点敏感的直接最小二乘法也可以用来拟合椭圆，而且因为该方法对椭圆缺损不敏感，所以非常适合。

⛄二、部分源代码

clc;
clear all;
im=imread(‘1.jpg’);
im0=rgb2gray(im);%变彩色为黑白
im1=medfilt2(im0,[3 3]);%中值滤波函数
BW = edge(im1,‘sobel’); %边缘检测，边缘为1，其余为0
[imx,imy]=size(BW);%获取矩阵行数和列数
L = bwlabel(BW,8);% Calculating connected components
mx=max(max(L))
% There will be mx connected components.Here U can give a value between 1 and mx for L or in a loop you can extract all connected components
% If you are using the attached car image, by giving 1,2，3 to L you can extract the number plate completely.
[r,c] = find(L==3);
rc = [r c];
[sx sy]=size(rc);
n1=ones(imx,imy);%zeros
for i=1:sx
x1=rc(i,1);
y1=rc(i,2);
n1(x1,y1)=0;
end % Storing the extracted image in an array
figure,imshow(n1);
title(‘边缘提取’);
[S]=ellipsefit(c,r)
a=S.Phi;
jdg(S.Xc,S.Yc,S.A,S.B,a,n1)%plot ellipse

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]马一千,孔庆忠,张静.最小二乘法在椭圆检测中的应用[J].南方农机. 2017,48(16)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合