CN100351853C - 高噪声图像特征点自动提取方法 - Google Patents

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

高噪声图像特征点自动提取方法

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：

$y=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_i{x}^i,$ 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。

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， $y=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_i{x}^i,$ 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 $m=\frac{1}{N}\underset{R}{\mathrm{\Σ}}f(x,y),$ 方差 $s^2=\frac{1}{N}\underset{R}{\mathrm{\Σ}}{(f(x,y)-m)}^2,$ 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σ_W ²、σ_B ²、σ_T 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^*： $\mathrm{\λ}=\frac{{{\mathrm{\σ}}_B}^2}{{{\mathrm{\σ}}_W}^2},$ $\mathrm{\η}=\frac{{{\mathrm{\σ}}_B}^2}{{{\mathrm{\σ}}_T}^2},$ $\mathrm{\κ}=\frac{{{\mathrm{\σ}}_T}^2}{{{\mathrm{\σ}}_W}^2}$

三个准则函数中η最为简便，又因为σ_T ²已知，与t无关，故t^*＝arg  maxσ_B ²

    t∈{0，1，...L-1}

${\mathrm{\ω}}_0=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_i,$ ω₁＝1-ω₀

${\mathrm{\μ}}_t=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}i{p}_i,{\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i{p}_i$

式中， ${\mathrm{\μ}}_0=\frac{{\mathrm{\μ}}_1}{{\mathrm{\ω}}_0},{\mathrm{\μ}}_1=\frac{{\mathrm{\μ}}_T-{\mathrm{\μ}}_1}{1-{\mathrm{\ω}}_0},$

${{\mathrm{\σ}}_T}^2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_T)}^2{p}_i,$

σ_B ²＝ω₀ω₁(μ₀-μ₁)²，

σ_W 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：

$y=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_i{x}^i,$ N是多项式最高阶次

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。

Images