CN100351853C - 高噪声图像特征点自动提取方法 - Google Patents
高噪声图像特征点自动提取方法 Download PDFInfo
- Publication number
- CN100351853C CN100351853C CNB2005100115311A CN200510011531A CN100351853C CN 100351853 C CN100351853 C CN 100351853C CN B2005100115311 A CNB2005100115311 A CN B2005100115311A CN 200510011531 A CN200510011531 A CN 200510011531A CN 100351853 C CN100351853 C CN 100351853C
- Authority
- CN
- China
- Prior art keywords
- image
- zone
- characteristic points
- automatic extraction
- transition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
高噪声图像特征点自动提取方法,首先对采集到的数字图像进行预处理,然后使用基于区域生长或最大类间方差法对图像进行粗分割,然后再使用基于过渡区边缘提取算法提取出目标特征边缘点,最后通过迭代最小二乘曲线拟合算法计算得出图像特征点的解析形式。本发明可以有效抑制噪声点对特征点自动提取的影响,获得了较高的图像特征点自动提取精度,算法稳定、可靠。
Description
技术领域
本发明涉及一种在线高精度测量的图像特征点测量方法,特别是高噪声图像特征点自动提取方法。
背景技术
随着现代加工工业的发展,越来越多的微细精密工件需要高精度在线测量。但在实际的在线测量中,由于所要处理的图像是实时拍摄的金属工件表面,表面照度不均、特征边缘高反射、金属纹理、边缘毛刺和杂散光等因素的影响,导致图像中目标区域的灰度分布动态范围较大,目标区域与背景区域灰度差异不明显,造成图像自动分割难度较大。
目前图像自动图像分割的方法主要使用基于边缘的分割方法和基于区域的分割方法。前者受噪声和被测区域内细节的影响较大,导致在目标区域内部出现许多虚假边缘,严重干扰了对真实边缘的定位;后者抗噪声性能较好,但在目标区域中存在较大孔洞、孤立斑块或者将背景中的高反射区域也误分为目标,导致边缘定位的准确性很差。二者都无法解决强反射背景光下高噪声图像的自动分割,也因此不能准确快速地自动提取特征点。
发明内容
本发明的技术解决问题:为了解决现有高噪声图像特征点提取方法中精度低、稳定性差等缺点,本发明提供一种高噪声图像特征点自动提取方法,用于在目标特征和背景区域噪声干扰均较大、目标特征边缘不易提取时采用,不仅测量速度快、精度高,而且可以获得较好的边缘定位性和抗噪声能力。
本发明的技术方案是:高噪声图像特征点自动提取方法,其特点在于:首先对采集到的数字图像进行预处理,然后使用基于区域生长或最大类间方差法对图像进行粗分割,然后再使用基于过渡区边缘提取算法提取出目标特征边缘点,最后通过迭代最小二乘曲线拟合算法计算得出图像特征点的解析形式:
式中i为边缘点数,(x,y)为边缘点坐标,a为待求多项式系数。
所述的基于区域生长的图像粗分割方法实现步骤:首先选取图像背景中选取(N×N)大小的区域作为种子区域,然后依据均方差准则进行区域生长,从种子区域向外不断吸收跟本区域具有灰度一致性的边界像素,直至没有合适的像素可以生长为止,得到全部图像背景区域,剩余图像部分即为目标特征区域。
所述的基于过渡区的边缘提取算法实现步骤:(1)对经过粗分割的图像进行形态学后处理,得到内部连通、边界光滑的目标区域;(2)对形态学后处理后的图像膨胀和腐蚀运算,得到过渡区;(3)在过渡区内检测边缘。
本发明与现有技术相比的优点在于:本发明几乎可以完全抑制噪声点对特征点自动提取的影响,获得了较高的图像特征点自动提取精度,算法稳定、可靠。
附图说明
图1为本发明的流程图;
图2为被测工件原始采集图像;
图3为现有技术中基于区域法的图像自动分割结果;
图4为现有技术中基于边缘法的图像自动分割结果;
图5为图像不同区域内的直方图,图5a为原始图像,图5b为区域A直方图,图5c为区域B直方图,图5d为区域C直方图,图5e为区域D直方图。
图6为本发明中的基于背景区域生长法的图像自动分割结果;
图7为本发明中的粗分割图像中提取的过渡区;
图8为本发明中的全部图像范围内的边缘检测结果;
图9为本发明中的过渡区内的边缘检测结果。
具体实施方式
如图1所示,本发明的方法过程是,首先对采集到的数字图像进行预处理,然后采用基于区域生长或最大类间方差法对图像进行粗分割,再对经过粗分割的图像进行形态学后处理,得到内部连通、边界光滑的目标区域;对形态学后处理后的图像分别进行三次八邻域的膨胀运算和三次八邻域的腐蚀运算,得到过渡区的外区域和内区域,从而提取出过渡区;然后在过渡区内进行边缘检测,提取出准确的目标特征边缘点,最后通过迭代最小二乘曲线拟合算法计算得出图像特征点的解析形式, N是多项式最高阶次
式中i为边缘点数,(x,y)为边缘点坐标,a为待求多项式系数。将边缘点的坐标(x,y)带入以上表达式,多次重复迭代,求出多项式的系数a,就可得到工件表面特征点的解析形式。
被测工件原始采集图像如图2所示,从图中可以看出,图像中目标特征表面灰度变化较大具有很多噪声点,目标边缘具有高反射现象,导致目标与背景边界不明显。
图3是现有技术中的基于区域法的图像自动分割结果,从图中看出这种分割方法对于具有高噪声的图像,很难得到理想分割效果。
图4是现有技术中的基于边缘法的图像分割结果。从图中可以看出,图像目标区域内部会检测出很多虚假边缘,严重干扰了对真实边缘的定位,难以完成图像特征点的自动提取。
从图5图像各个区域的直方图可以看出,图像目标区域灰度变化较大,而背景区域灰度基本接近于高斯分布,基于这一图像特点,本发明在区域生长法上改进,提出基于背景区域生长法的图像自动分割方法,具体实现步骤如下:首先选取图像背景中选取(N×N)(经验值,N取5~15)大小的区域作为种子区域,然后依据生长准则进行区域生长,从种子区域向外不断吸收跟本区域具有灰度一致性的边界像素,直至满足生长终止条件为止,由此得到全部图像背景区域,而剩余图像部分则为目标特征区域。高噪声图像分割结果如图6所示,从图中可以看出,该方法有效解决了图像目标和背景噪声点多、图像灰度变化大,分割困难的问题。
本发明基于背景区域生长法的图像自动分割过程中所采用的生长准则如下:
设已生长出的种子区域为R,区域内像素数为N,则其均值 方差
位于种子区域边缘的待生长像素(x,y)灰度为f(x,y),则生长准则可表示为:
|f(x,y)-m|<α·s
式中,α为生长因子。当背景灰度分布一致性较好时,各像素灰度可以认为是均值m与一零均高斯白噪声的叠加,此时s为该高斯白噪均方差的无偏估计,则误分割的概率满足上述第一种情况。
在基于背景区域生长法的图像自动分割过程中所采用的生长终止条件为:从种子区域向外不断吸收跟本区域具有灰度一致性的边界像素,直至没有合适的像素可以生长,算法运行终止。此时,虽然薄筋区域内部还可能存在因为污渍、划痕等造成的暗斑,但也不会像全局阈值分割那样造成误分割,从而可以从图像中获得更加简单的区域描述,减轻了分割后处理的压力。
上面所述最大类间方差法是将图像中的像素按照灰度级用阈值t划分成两类C0和C1,即C0={0,1,...,t},C1={t+1,t+2,...,L-1};用σW 2、σB 2、σT 2分别表示图像的类内、类间和总体方差,则可通过使下列关于t的等价的判决准则函数达到最大值来确定最佳阈值t*:
三个准则函数中η最为简便,又因为σT 2已知,与t无关,故t*=arg maxσB 2
t∈{0,1,...L-1}
式中,
σB 2=ω0ω1(μ0-μ1)2,
σW 2=ω0σ0 2+ω1σ1 2
得到粗分割的图像后,提取目标特征点的步骤如下:
(1)对经过粗分割的图像进行形态学后处理(主要对局部阈值分割后的二值图像做先闭后开形态学运算以及对大于结构元素的孔洞进行单独的孔洞填充),得到内部连通、边界光滑的目标区域;
(2)提取图像的过渡区。首先,对形态学后处理后的图像进行三次八邻域的膨胀运算,使用结果图像减去未处理的图像得到过渡区的外区域;然后,对形态学后处理后的图像进行三次八邻域的腐蚀运算,使用未处理的图像减去结果图像得到过渡区的内区域;最后,将前两步的处理结果图像相加得到如图7所示的过渡区;
(3)在过渡区内进行边缘检测,进而得到比较准确的边缘点。
图7是对图像上述前面三个步骤的处理后,得到的目标特征边缘点的过渡区。图8是在全部图像中进行目标特征边缘点提取的效果,图9是使用本发明得到的目标特征边缘点。从图中可以看出该方法有效解决了图像目标和背景噪声点多、图像灰度变化大,分割困难的问题,而且运算量低,满足在线测试要求。
最后,从分割出的图像目标特征中提取边缘点,使用迭代最小二乘的曲线拟合法,对目标特征点进行拟合,削弱乃至消除噪声对边缘点的影响,最后得到对应工件表面特征点的解析形式。
迭代最小二乘法进行拟合的方法的步骤为:首先采用经典最小二乘方法拟合出边缘曲线,而后剔除所以误差高于平均误差一定倍数的边缘点,对于剩下的数据集以前一次拟合的结果为初值重新拟合,如此反复进行,直到拟合出的参数不再发生显著变化或不再有可以剔除的边缘点为止。
Claims (3)
1、高噪声图像特征点自动提取方法,其特征在于:首先对采集到的数字图像进行预处理,然后使用基于区域生长或最大类间方差法对图像进行粗分割,然后再使用基于过渡区边缘提取算法提取出目标特征边缘点,最后通过迭代最小二乘曲线拟合算法计算得出图像特征点的解析形式:
式中i为边缘点数,经x、y为边缘点坐标,a为待求多项式系数。
2、根据权利要求1所述的高噪声图像特征点自动提取方法,其特征在于:所述的基于区域生长的图像粗分割方法实现步骤:首先选取图像背景中N×N大小的区域作为种子区域,然后依据均方差准则进行区域生长,从种子区域向外不断吸收跟本区域具有灰度一致性的边界像素,直至没有合适的像素可以生长为止,得到全部图像背景区域,剩余图像部分即为目标特征区域。
3、根据权利要求1所述的高噪声图像特征点自动提取方法,其特征在于:所述的基于过渡区的边缘提取算法实现步骤:(1)对经过粗分割的图像进行形态学后处理,得到内部连通、边界光滑的目标区域;(2)对形态学后处理后的图像膨胀和腐蚀运算,得到过渡区;(3)在过渡区内检测边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100115311A CN100351853C (zh) | 2005-04-06 | 2005-04-06 | 高噪声图像特征点自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100115311A CN100351853C (zh) | 2005-04-06 | 2005-04-06 | 高噪声图像特征点自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1702684A CN1702684A (zh) | 2005-11-30 |
CN100351853C true CN100351853C (zh) | 2007-11-28 |
Family
ID=35632415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100115311A Expired - Fee Related CN100351853C (zh) | 2005-04-06 | 2005-04-06 | 高噪声图像特征点自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100351853C (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100539645C (zh) * | 2005-02-07 | 2009-09-09 | 松下电器产业株式会社 | 成像装置 |
CN102495005B (zh) * | 2011-11-17 | 2013-05-08 | 江苏大学 | 高光谱图像技术诊断作物水分亏缺的方法 |
CN103729851B (zh) * | 2014-01-04 | 2016-06-29 | 闽江学院 | 基于显著过渡区域的图像分割方法 |
CN105527241A (zh) * | 2015-01-14 | 2016-04-27 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草原草真伪的方法 |
CN105548037A (zh) * | 2015-01-14 | 2016-05-04 | 青海春天药用资源科技利用有限公司 | 无损检测中药原药材的方法 |
CN105510270A (zh) * | 2015-01-14 | 2016-04-20 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草子座粉/粉片真伪的方法 |
CN105486643A (zh) * | 2015-01-14 | 2016-04-13 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草虫体粉/粉片真伪的方法 |
CN105606544A (zh) * | 2015-01-14 | 2016-05-25 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草虫体真伪的方法 |
CN105466865A (zh) * | 2015-01-14 | 2016-04-06 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草子座真伪的方法 |
CN105548063A (zh) * | 2015-01-14 | 2016-05-04 | 青海春天药用资源科技利用有限公司 | 无损检测冬虫夏草纯粉/粉片真伪的方法 |
CN107931012B (zh) * | 2017-10-25 | 2020-06-19 | 浙江华睿科技有限公司 | 一种提取点胶路径的方法及点胶系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6600830B1 (en) * | 1999-08-04 | 2003-07-29 | Cyberlink Corporation | Method and system of automatically extracting facial features |
CN1452946A (zh) * | 2003-05-29 | 2003-11-05 | 上海交通大学 | 全自动股骨基轴线确定方法 |
CN1455222A (zh) * | 2003-04-11 | 2003-11-12 | 天津大学 | 一种摄像机标定方法及其实施装置 |
US20040130546A1 (en) * | 2003-01-06 | 2004-07-08 | Porikli Fatih M. | Region growing with adaptive thresholds and distance function parameters |
-
2005
- 2005-04-06 CN CNB2005100115311A patent/CN100351853C/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6600830B1 (en) * | 1999-08-04 | 2003-07-29 | Cyberlink Corporation | Method and system of automatically extracting facial features |
US20040130546A1 (en) * | 2003-01-06 | 2004-07-08 | Porikli Fatih M. | Region growing with adaptive thresholds and distance function parameters |
CN1455222A (zh) * | 2003-04-11 | 2003-11-12 | 天津大学 | 一种摄像机标定方法及其实施装置 |
CN1452946A (zh) * | 2003-05-29 | 2003-11-05 | 上海交通大学 | 全自动股骨基轴线确定方法 |
Non-Patent Citations (3)
Title |
---|
一种子带适应的图像恢复最小二乘迭代算法 蔡汉添,张军萍.华南理工大学学报自然科学版,第26卷第10期 1998 * |
一种改进的基于过渡区的图像分割方法 万国金,聂小根,吴建华.南昌大学学报理科版,第26卷第3期 2002 * |
彩色图像分割方法综述 林开颜,吴军辉,徐立鸿.中国图像图形学报,第10卷第1期 2005 * |
Also Published As
Publication number | Publication date |
---|---|
CN1702684A (zh) | 2005-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100351853C (zh) | 高噪声图像特征点自动提取方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN117173184B (zh) | 基于人工智能的道路施工质量检测方法及系统 | |
CN115294139B (zh) | 基于图像的边坡裂缝监测方法 | |
CN109461148A (zh) | 基于二维Otsu的钢轨缺陷分割自适应快速算法 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN116758059B (zh) | 一种用于路基路面的视觉无损检测方法 | |
CN102494976A (zh) | 一种超细晶粒钢晶粒的自动测量及其形态分类统计方法 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN115578389B (zh) | 一种沟槽mos器件的缺陷检测方法 | |
CN110223282B (zh) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN105046683A (zh) | 一种参数自适应调节的高斯混合模型目标检测方法 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN113409267A (zh) | 一种基于深度学习的路面裂缝检测与分割方法 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN110189353B (zh) | 一种泥页岩能谱矿物分布图校准方法及系统 | |
CN116051820A (zh) | 基于多模板的单目标检测方法 | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN115439523A (zh) | 一种半导体器件引脚尺寸检测方法、设备及存储介质 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN1290049C (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
CN108230334B (zh) | 基于灰度阈值的高浓度风沙图像分割的方法 | |
CN104881670B (zh) | 一种用于sar方位角估计的快速目标提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20071128 Termination date: 20110406 |