预设阈值，按照预设的划分规则将第一目标图像划分成至少两个子图像。
[0043]本发明实施例中，按照预设的划分规则将第一目标图像划分成至少两个子图像可以是按照像素点的分布情况将第一目标图像划分成至少两个子图像；也可以是按照第一目标图像的形状将第一目标图像划分成至少两个子图像；还可以是预先就确定划分线，当第一目标图像确定后，则子图像也即确定。举例来说，若预先设定的划分线就是第一目标图像的平分线，则以平分线将第一目标图像划分后，即可得两个子图像。
[0044]S105、确定至少两个子图像中每一个子图像的灰度值，并从至少两个子图像中获取灰度值最大的子图像作为目标子图像。
[0045]本发明实施例中，子图像的灰度值是指子图像中黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像。
[0046]本发明实施例中，当终端设备将第一目标图像划分成至少两个子图像后，该终端设备可以确定该至少两个子图像中每一个子图像的灰度值，并从至少两个子图像中获取灰度值最大的子图像作为目标子图像。举例来说，当第一目标图像的形状为规则图形，并以第一目标图像的平分线作为划分线将第一目标图像划分成两个子图像，其中，第一子图像的灰度值为100，第二子图像的灰度值为110，则将第二子图像作为目标子图像。
[0047]本发明实施例中，确定至少两个子图像中每一个子图像的灰度值，主要包括:针对至少两个子图像中的每一个子图像，确定子图像中每一个像素点的灰度值，以及确定子图像中灰度值最大的目标像素点，以将目标像素点的灰度值作为子图像的灰度值。
[0048]S106、确定目标子图像相对于预设参照位置的位置，并以目标子图像相对于预设参照位置的位置作为端子位置。
[0049]本发明实施例中，可以在终端设备中预先设定参照位置，其中，参照位置的设定可以是用户根据需要自己设定，也可以是终端设备根据用户的历史设定记录进行设定，本发明不作限定。
[0050]本发明实施例中，当确定目标子图像后，则可以确定目标子图像相对于预设参照位置的位置。举例来说，当第一目标子图像为规则四边形，以该第一目标子图像的竖直平分线为划分线，将第一目标子图像划分成两个子图像，若以该划分线的位置作为参照位置，若第一子图像相对于该划分线而言，在第一位置，且第一子图像的灰度值大于第二子图像，则第一位置即可以作为端子位置。又举例来说，当第一目标子图像为规则四边形，以该第一目标子图像的竖直平分线为划分线，并将划分线的第一边的子图像划分成三个子图像(第一子图像、第二子图像以及第三子图像)，第二边的子图像划分成两个子图像(第四子图像以及第五子图像)，其中，第一子图像的灰度值为60，第二子图像的灰度值为65，第三子图像的灰度值为55，第四子图像的灰度值为70，第五子图像的灰度值为90，则第一边的子图像的灰度值总和为180，第二边的子图像的灰度值总和为160，则说明第一边的子图像的灰度值总和大于第二边的子图像的灰度值总和，则说明端子在第一边子图像对应的位置。
[0051]在图1中，终端设备首先获取第一目标图像，并确定第一目标图像的每一条边的长度，其中，第一目标图像是终端设备针对配置在电路板的端子进行垂直拍摄得到的图像；再从第一目标图像的边中获取最大长度的边作为目标边，以及确定目标边包含的像素点个数；再判断像素点个数是否小于预设阈值；若判断像素点个数小于预设阈值，再按照预设的划分规则将第一目标图像划分成至少两个子图像；再确定至少两个子图像中每一个子图像的灰度值，并从至少两个子图像中获取灰度值最大的子图像作为目标子图像；再确定目标子图像相对于预设参照位置的位置，并以目标子图像相对于预设参照位置的位置作为端子位置。在本发明实施例中，由于在确定端子的位置时，不是通过人工进行确定端子的位置，且在确定过程中终端设备主要对获取到的第一目标图像进行分析处理，以确定通过处理后的目标子图像相对于预先设定的参照位置的位置，并以该位置作为所述端子位置。由此可见，实施本发明实施例能够提高确定端子位置的效率。
[0052]请参阅图2，图2是本发明实施例公开的另一种端子位置的确定方法的流程示意图。如图2所示，该端子位置的确定方法可以包括以下步骤:
[0053]S201、获取第一目标图像，并确定第一目标图像的每一条边的长度。
[0054]本发明实施例中，第一目标图像是终端设备针对配置在电路板的端子进行垂直拍摄得到的图像。
[0055]S202、从第一目标图像的边中获取最大长度的边作为目标边，以及确定目标边包含的像素点个数。
[0056]S203、判断像素点个数是否小于预设阈值。
[0057]本发明实施例中，可以在终端设备中预先设定一个阈值，该阈值的设定可以是用户根据需要进行设定；也可以是终端设备根据终端设备与配置在电路板的端子的垂直距离进行确定。也即，终端设备与配置在电路板的端子的垂直距离不同，终端设备设定的阈值可以不相同。
[0058]具体地，当确定目标边所包含的像素点个数后，则可以判断目标边所包含的像素点个数与预先设置的阈值的大小关系。
[0059]S204、若判断像素点个数大于或等于预设阈值，确定第一目标图像边框线，并以边框线作为切割线切割第一目标图像，以得到第二目标图像。
[0060]本发明实施例中，若判断像素点个数大于或等于预设阈值时，则可以确定第一目标图像边框线，并以该边框线作为切割线，将第一目标图像进行切割，以得到第二目标图像。
[0061]本发明实施例中，确定第一目标图像边框线，可以具体包括以下步骤:
[0062]11)确定第一目标图像中像素值的中值；
[0063]12)根据预设的第一计算规则计算与中值相匹配的第一阈值；
[0064]13)根据预设的第二计算规则计算与中值相匹配的第二阈值；
[0065]14)以第一阈值与第二阈值作为参数确定第一目标图像的轮廓；
[0066]15)根据预设的边缘检测规则确定以第一目标图像的轮廓为依据的图像边框线。
[0067]本发明实施例中，中值是指将统计总体当中的各个变量值按大小顺序排列起来，形成一个数列，处于变量数列中间位置的变量值就称为中位数，用Me表示。当变量值的项数N为奇数时，处于中间位置的变量值即为中位数；当N为偶数时，中位数则为处于中间位置的2个变量值的平均数。
[0068]作为一种可选的实施方式，确定第一目标图像边框线主要有以下步骤:求取第一目标图像中像素值的中值median，再根据预设的第一计算规则low = max (0, 0.67*median)计算第一阈值low ;再根据预设的第二计算规则high = min(l.33*median, 255)计算与中值相匹配的第二阈值high ;最后将low、high作为Canny算法的参数求出边缘图像。其中，Canny算法的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是:(1)最优检测:算法能够尽可能多地标识出图像中的实际边缘，漏检真实边缘的概率和误检非边缘的概率都尽可能小；(2)最优定位准则:检测到的边缘点的位置距离实际边缘点的位置最近，或者是由于噪声影响引起检测出的边缘偏离物体的真实边缘的程度最小；(3)检测点与边缘点--对应:算子检测的边缘点与实际边缘点应该是--对应。
[0069]S205、对第二目标图像进行角点检测，以得到第二角点坐标。
[0070]本发明实施例中，角点检测主要是通过角点检测算法得到。其中，角点检测算法可归纳为三类:基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。基于灰度图像的角点检测又可分为基于梯度、基于模板和基于模板梯度组合三类方法，其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。常见的基于模板的角点检测算法有Kitchen-Rosenf e 1 d角点检测算法，Harr i s角点检测算法、KLT角点检测算法及SUSAN角点检测算法。和其他角点检测算法相比，SUSAN角点检测算法具有算法简单、位置准确、抗噪声能力强等特点。
[0071]本发明实施例中，当对切割得到的第二目标图像进行角点检测后，则可以得到第二角点坐标。
[0072]S206、根据预设的设置规则设置第二角点坐标对应的角点的灰度值，以及设置第二角点坐标对应的角点的竖直膨胀算子，以确定相关性低于预设的相关性阈值的非相关角点。
[0073]本发明实施例中，当对第二目标图像进