CN101256156B - 平板裂缝天线裂缝精密测量方法 - Google Patents

Abstract

本发明涉及一种光学测量设备，特别是一种平板裂缝天线裂缝精密测量方法，它至少包括图像提取装置，对图像提取装置提供的信息进行处理的计算单元，其特征是：A、初始化：1)建立数字图像象素与实际尺寸的对应关系；2)提取平板裂缝天线的图像信息；3)提取图像裂缝边缘信息；4)进行边缘点亚像素处理；5)存贮亚像素边缘点；B、实时检测：1)定时提取平板裂缝天线的图像信息；2)提取图像信息中的裂缝边缘信息；3)进行亚像素处理；4)与A中第4)条存贮相对应边缘点进行比较；5)当小于变化量时，重复B中的第1)条；6)当大于变化量时，给出提示信息。它能够在天线工作状态下测量，不会影响使用，测量精度高、成本低。

Description

平板裂缝天线裂缝精密测量方法

技术领域

本发明涉及一种光学测量设备，特别是一种平板裂缝天线裂缝精密测量方法。

技术背景

天线面板表面精度是衡量评价天线质量的重要指标，它不仅直接影响天线的口面效率，从而决定该天线可工作的最短波长，而且影响天线方向图的主瓣宽度和旁瓣结构。通过对天线面进行测量，确定其表面精度，由表面精度可以推算出它对天线电性能的影响。反射面的表面精度要求与工作频率有关系，工作频率越高，对表面精度的要求就越严。因此对测量所提出的要求是比较苛刻的。而能否在线判断天线面板上是否有细微裂缝，以及对面板上的裂缝大小进行测量，不仅对于天线面板的维护以及功能的实现至关重要，而且不影响天线的使用性能。

原有的对面板的精密测量一般使用机械式的如三坐标测量机，但其操作复杂，不能实现工作状态下测量，而且测量速度慢，测量有限；使用工业测量系统方法如经纬仪测量系统，以高精度电子经纬仪为传感器，结合附件与系统软件，对被测物实现无接触测量，具有测速快，精度高优点，但其不适合小范围面板形变、裂缝测量，而且成本高，很难实现在线测量，对测量时的天线面板位置要求比较高；使用图像仪如德国leitz图像仪，但由于图像仪专项应用功能较差，可进行一般性图像的预处理和分析，而无法进行深入的专项应用分析，而且价格昂贵。

发明内容

本发明的目的是提供一种能够在天线工作状态下测量，不会影响使用，测量精度高、成本低的平板裂缝天线裂缝精密测量方法。

本发明的目的是这样实现的，平板裂缝天线裂缝精密测量方法，至少包括图像提取装置，对图像提取装置提供的信息进行处理的计算单元，其方法步骤是：

A、初始化

1)建立数字图像象素与实际尺寸的对应关系，确定图像提取装置每一个象素所表示的实际物理尺寸；

2)计算单元通过图像提取装置提取平板裂缝天线的图像信息；

3)对图像信息中的裂缝边缘信息进行提取；

4)对图像信息的边缘点进行亚像素处理；

5)对亚像素处理的边缘点进行存贮；

B、实时检测

1)计算单元定时通过图像提取装置提取平板裂缝天线的图像信息；

2)对图像信息中的裂缝边缘信息进行提取；

3)对图像信息的边缘点进行亚像素处理；

4)与初始化A中第4)条存贮的相对应边缘点进行比较；

5)当小于变化量时，重复进行实时检测B中的第1)条；

6)当大于变化量时，给出提示信息。

所述的对图像信息中的裂缝边缘信息进行处理至少包括对面板裂缝图像采用频率域法进行图像处理，将计算结果逆变换到空间域中。

所述的采用频率域法进行图像处理是通过直方图修正，然后采用边缘保持滤波算法对图像进行降噪。

所述的对面板图像进行边缘检测，采用Canny算子进行边缘检测，依据Canny提出的判定检测算子的三个准则：信噪比原则、定位精度原则、单边缘响应原则。

所述的对边缘点进行亚像素定位处理包括直线边缘定位方法和圆弧定位方法。

所述的直线边缘定位方法包括最小二乘线性回归法，将原有要求竖直方向误差平方和为最小的目标改为要求法向垂直方向误差平方和为最小。

所述的圆弧定位方法是通过降维灰度矩法和二次多项式插值法。

本发明的优点是：采用图像测量方法，避免了传统测量方法中或者测量条件复杂或者要求成本过高或者测量范围不合适或者无法实现在线测量的缺点，在图像处理阶段，采用改进的亚像素定位方法，与一般的通用方法相比，不仅缩短了检测时间，更提高了测量精度；整个测量过程利用软件处理实现，可以达到更快的速度，其自动化程度高，便于操作，工作量降低。

附图说明

下面结合实施例附图对本发明做进一步说明。

图1是本发明实施例的硬件构成框图；

图2是本发明实施例的流程图；

图3是直线坐标变换示意图；

图4是圆的亚像素定位示意图；

图5是完好的平板裂缝天线裂缝局部图；

图6是图5的平板裂缝天线裂缝局部形变图；

图7a是图5中一个裂缝图；

图7b是图7a的裂缝边缘图；

图7c是图7b的裂缝边缘图取样点图；

图8a是图5中一个裂缝的形变图；

图8b是图8a的形变裂缝边缘图；

图8c是图8b的形变裂缝边缘取样点图。

具体实施方式

如图1所示，图像提取装置如CCD摄像机与计算机接口连接的图像采集卡电连接，CCD摄像机传输转换图像数据由计算机通过图像采集进行读取。计算机得到的图像信息是以像素为单位来表示的，如果要给出实际的测量结果数值，必须建立数字图像象素与实际尺寸的对应关系。需要将CCD图像坐标转换到工作台坐标，因此在测量之前，需要首先对从CCD坐标系转换到工作台坐标系的转换系数K进行标定。标定实际上就是确定每一个象素所表示的实际物理尺寸。标定的准确与否，将直接影响图像测量系统的测量精度。

图2给出本发明实施例的一个流程过程图，从流程图可以看出：程序从步骤200启动开始后，进入201步提取天线面板图像信息，也就是计算机通过图像采集卡读取ccd摄像机摄取的天线面板图像二进制数据；随后程序进入第202步对天线面板图像二进行制数据进行直方圆修正处理和第203步图像边缘保持滤波降噪；经上述步骤后，程序经204步的Canny算子边缘检测和205步对边缘点进行亚像素处理后进入206步，对处理的边缘点进行存贮。完成程序的初始化操作，然后程序进入实时检测。实时检测的步骤207、步骤208、步骤209、步骤210及步骤211与上述的步骤201、步骤202、步骤203、步骤204及步骤205完全相同，而在步骤211后的步骤212和213则需要将初始化存贮的边缘点与后面检测的对应边缘点进行比较，当超出了许可误差或设定值，程序进入步骤214给出提示信息，否则重新进入步骤207。

流程中的直方图修正是一种通过重新均匀分布各灰度值来增强零件图像对比度的方法，可提高图像的主观质量。假设原始图像灰度值分布在区间[a，b]，总体灰度分布间为[z₁，z_k]，如果原始区间[a，b]是[z₁，z_k]的子空间，则可将原区间内的像素点z映射为新区间的点z′，具体为 $z^{\′}=\frac{z_k-z_1}{b-a}(z-a)+z_1,$ 如果仅是大多数图像像素值分布在区间[a，b]，则可以使用如下的映射函数

$z^{\&prime;}=\left\{\begin{array}{cc}\frac{z_k-z_1}{b-a}(z-a)+z_1,& a\&le;z\&le;b\\ z_1,& z<a\\ z_k,& z>b\end{array}\right.---\left(1\right)$

采用均值滤波器或高斯滤波器，通过使用连续窗函数内像素加权和来实现平滑，达到降噪的目的。但这种平滑滤波在去除图像中高频成分的同时，也会使图像中的锐化细节如边缘变成渐近变化，从而会牺牲零件图像的精确定位能力。对于图像中的脉冲噪声和椒盐噪声，可使用中值滤波算法进行滤除。基本思想是用象素点领域灰度值的中值来代表该象素点的灰度值，降低了领域内那些与典型值差别很大的点对滤波的影响，可较好的去除脉冲干扰等噪声，保留图像的边缘细节，但同时也会将图像中的线条细节如尖顶等滤除。因此，本发明对裂缝边缘信息进行保持滤波。

边缘保持滤波器是在均值滤波和中值滤波的基础上发展起来的一种滤波器，在有效滤除噪声的同时，又可基本保持边缘的阶跃特征，基本算法如下：

①对于像素点[i，j]，其灰度值为f[i，j]，选取适当大小的领域，如3×3领域；

②依公式V＝∑f²[i，j]-(∑f[i，j])²/N，其中N为各领域的像素个数，分别计算左上角子领域、右上角子领域、右下角子领域的灰度分布均匀度V；

③取最小灰度均匀度对应区域的均值作为像素点[i，j]的新灰度值。

(4)天线面板裂缝图像粗定位与细定位

Canny算子边缘检测

图像最基本的特征就是物体的边缘，图像边缘是指图像中灰度有阶跃状或尖顶状变化的那些像素的集合，边缘广泛存在于物体与物体、物体与背景及区域与区域之间。边缘检测的目的就是要突出图像的边缘以便提取图像特征。Canny算子是高斯函数的一阶导数，它对受白噪声影响的阶跃状边缘是最优的。该算子把边缘检测问题转化为检测单位函数极大值的问题

Canny边缘检测算法如下：

①将图像与高斯函数 $G_{\mathrm{\&sigma;}}(x,y)=\left(\frac{1}{{2\mathrm{\&pi;\&sigma;}}^2}\right)e^{}$ 做卷积，获得平滑图像。

②用基于平滑梯度方向的方法确定图像局部边缘的法向。

③根据局部边缘的法线方向求解边缘位置。

④计算边缘强度，并对梯度幅值进行非极大值抑制。

⑤用双阈值算法检测和连接边缘。

不同尺度的Canny算子由高斯的不同标准差σ表示。如果有几个尺度的算子都对边缘有突出的响应(信噪比超过阈值)，则首先在较大的滤波尺度下找到边缘的初步位置，然后不断缩小σ进行跟踪获得最准确的定位。

本发明将裂缝边缘分成直线和圆，对直线和圆进行不同亚像素细分(定位)。针对基于最小二乘法的直线亚像素细分法，它是基于被测点(xi，yi)和直线间的铅垂距离的。对于倾斜直线而言，由于点与直线间的铅垂距离大于垂直距离，所以这种方法不是最佳拟合法，其定位误差较大。设直线方程为y＝a₀+a₁x，直线相对于x轴的倾斜角度为θ，点与直线位置关系如图3a所示，实施如下两种坐标变换：(1)将直线和观测点(xi，yi)做平移变换，使其沿着铅垂方向(y轴)移动-a₀，此时直线通过原点，位置关系如图3b所示。(2)绕原点旋转平移后的直线和观测点(xi，yi)θ角(规定逆时针方向为正，顺时针方向为负)，使直线与x轴重合。经过上述坐标变换后，原始xoy平面上的直线和观测点(xi，yi)转化成新坐标平面x′oy′上的x′轴和观测点(x_i′，y_i′)，如图3c所示。被转化的x′oy′平面中被测点与轴间的铅垂距离等价于原坐标平面中被测点(xi，yi)与直线间的垂直距离。图3说明了两个坐标系中直线的转化。

平移的变换矩阵为 $T_1=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& {-a}_0& 1\end{array}\right],$ 旋转的变换矩阵为 $T_2=\left[\begin{array}{ccc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}& 0\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}& 0\\ 0& 0& 1\end{array}\right],$ 则新旧坐标之间的关系可用下式表达：

$\left(\begin{array}{ccc}{x}^{\&prime;}& y^{\&prime;}& 1\end{array}\right)=\left(\begin{array}{ccc}x& y& 1\end{array}\right)T_1{T}_2=\left(\begin{array}{ccc}x& y& 1\end{array}\right)\left[\begin{array}{ccc}\cos \mathrm{\&theta;}& -\sin \mathrm{\&theta;}& 0\\ \sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}& 0\\ -a_0\sin \mathrm{\&theta;}& -a_0\cos \mathrm{\&theta;}& 1\end{array}\right]$

$=\left(\begin{array}{ccc}x\cos \mathrm{\&theta;}+y\sin \mathrm{\&theta;}-a_0\sin \mathrm{\&theta;}& y\cos \mathrm{\&theta;}-a_0\cos \mathrm{\&theta;}-x\sin \mathrm{\&theta;}& 1\end{array}\right)---\left(2\right)$

改进的最小二乘直线拟合是通过测量点到直线垂直距离拟合的，数学模型为

$\min \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[(y_i-a_0)\cos \mathrm{\&theta;}-x_i\sin \mathrm{\&theta;}]}^2---\left(3\right)$

令u＝sinθ，w＝cosθ，则u²+w²＝1，利用拉格朗日因子，上式可表示为：

$L(a_0,u,w)=\left\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[(y_i-a_0)w-x_{i}u]}^2\right\}-\mathrm{\&lambda;}(u^2+w^2-1)n---\left(4\right)$

根据最小二乘条件，有 $\&PartialD;L/\&PartialD;a_0=0,\&PartialD;L/\&PartialD;u=0,\&PartialD;L/\&PartialD;w=0,$ 利用下式：

$\frac{\&PartialD;L}{{\&PartialD;a}_0}=2\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[(y_i-a_0)w-x_{i}u](-w)=0---\left(5\right)$

得： $a_0=\frac{1}{w}[-\mathrm{u\&mu;}+\mathrm{w\&mu;}]$

其中： $\mathrm{\&mu;}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i,$ ${\mathrm{\&mu;}}_y=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i,$ 将a₀带入式(4)中，整理后得：

$L^{\&prime;}(\mathrm{\&mu;},w)=\left\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[-u(x_i-{\mathrm{\&mu;}}_x)+w(y_i-{\mathrm{\&mu;}}_y)]}^2\right\}-\mathrm{\&lambda;}(u^2+w^2-1)n---\left(6\right)$

令 $\&PartialD;L^{\&prime;}/\&PartialD;u=0,\&PartialD;L^{\&prime;}/\&PartialD;w=0,$ 得下列方程组：

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[u{(x_i-{\mathrm{\&mu;}}_x)}^2-w(x_i-{\mathrm{\&mu;}}_x)(y_i-{\mathrm{\&mu;}}_y)]-\mathrm{\&lambda;un}=0$

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[-u(x_i-{\mathrm{\&mu;}}_x)(y_i-{\mathrm{\&mu;}}_y)+w{(y_i-{\mathrm{\&mu;}}_y)}^2]-\mathrm{\&lambda;wn}=0---\left(7\right)$

写成向量形式为：

$M\left[\begin{array}{c}u\\ w\end{array}\right]=\mathrm{\&lambda;}\left[\begin{array}{c}u\\ w\end{array}\right]$

其中： $M=\left[\begin{array}{cc}{\mathrm{\&mu;}}_{\mathrm{xx}}& {-\mathrm{\&mu;}}_{\mathrm{xy}}\\ {-\mathrm{\&mu;}}_{\mathrm{xy}}& {\mathrm{\&mu;}}_{\mathrm{yy}}\end{array}\right],$ ${\mathrm{\&mu;}}_{\mathrm{xx}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-{\mathrm{\&mu;}}_x)}^2,$ ${\mathrm{\&mu;}}_{\mathrm{yy}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-{\mathrm{\&mu;}}_y)}^2,$ ${\mathrm{\&mu;}}_{\mathrm{xy}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_i-{\mathrm{\&mu;}}_x)(y_i-{\mathrm{\&mu;}}_y),$ λ恰好是M的特征值，由此可知，λ的值为

$\mathrm{\&lambda;}=\frac{1}{2}\{({\mathrm{\&mu;}}_{\mathrm{xx}}+{\mathrm{\&mu;}}_{\mathrm{yy}})\&PlusMinus;{[{({\mathrm{\&mu;}}_{\mathrm{xx}}-{\mathrm{\&mu;}}_{\mathrm{xy}})}^2+4{\mathrm{\&mu;}}_{\mathrm{xy}}^2]}^{\frac{1}{2}}\}---\left(8\right)$

解方程组(4-59)，可得：

$u=\frac{a_1}{{(1+{a_1}^2)}^{\frac{1}{2}}}=\sin \mathrm{\&theta;}$

$w=\frac{1}{{(1+{a_1}^2)}^{\frac{1}{2}}}=\cos \mathrm{\&theta;}---\left(9\right)$

上式中， $a_1=\frac{{\mathrm{\&mu;}}_{\mathrm{yy}}-\mathrm{\&lambda;}}{{\mathrm{\&mu;}}_{\mathrm{xy}}}$ 是坐标变换前直线的斜率，并且θ＝arctan a₁。由此可获得改进的直线亚像素定位方程y＝a₀+a₁x。

当矩阵M的特征值λ有两个不同的数值时，应找到满意的λ值来确定最优的结果，使

$f(u,w)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[-u(x_i-\mathrm{\&mu;})+w(y_i-{\mathrm{\&mu;}}_y)]}^2---\left(10\right)$

最小，该式为L’(μ，w)中的第一项，代表距离误差的平方总和，可写成下式：

$f(u,w)=n[u,w]\&CenterDot;M\&CenterDot;\begin{array}{}\end{array}\left[\begin{array}{c}u\\ w\end{array}\right]$

$=n[u,w]\&CenterDot;\mathrm{\&lambda;}\left[\begin{array}{c}u\\ w\end{array}\right]=\mathrm{n\&lambda;}---\left(11\right)$

由此可知，对于一定数量的被测点，距离误差平方和用λ的值来定义。假设λ＞0，特征值越小则距离误差平方和越小。因此，用较小的特征值来定义拟合直线参数。

本发明利用最小二乘圆方法求出圆心和半径，计算精度在一个像素以内。亚像素定位时则以一维灰度矩方法为基础，将圆的二维亚像素分解为两个一维向量，从而实现精确定位，提高了运算速度。

圆弧的亚像素(降维灰度矩方法)定位算法如下：

①用最小二乘圆方法求出圆心及半径，其结果作为粗定位。

②如图4所示，图中方格为图像的像素坐标，圆为最小二乘圆。以圆心(四舍五入取整)为坐标中心建立像素坐标系，在θ＝2π范围内计算圆的边缘各点梯度方向七个点的坐标并取整，即计算[(r_i-k)cosθ，(r_i-k)sinθ]，k＝-3，-2，-1，0，1，2，3，r_i为圆的各边缘点至圆心的距离。获得原始图像中相应坐标点的值，将这些值排列成为一维边缘向量如下：

I[int(x_c+(r_i-k)cosθ+0.5)，int(y_c+(r_i-k)sinθ+0.5)]    (12)

i＝-3，-2，-1，0，1，2，3

式中：x_c，y_c粗定位圆心坐标，int为取整运算符号。

③计算一维亚像素边缘位置，设一维的边缘位置为k，则相应的二维的边缘位置为：

[x′＝x_c+(r_i-3+k)cosθ，y′＝y_c+(r_i-3+k)sinθ]       (13)

④用最小二乘拟合法计算最终的特征参数x’，y’，r’。

(5)尺寸计算

利用开始对系统所做标定，实现对天线面板裂缝的亚像素级精密测量。

为了对本发明有一个更清晰的了解，下面给出一个局部图像处理的过程进行说明：图5是完好的平板裂缝天线裂缝局部图；图中圈起来的P是平板天线一个裂缝，从图5可以看出，ccd摄像机一次成像可得到许多包括裂缝的图像，对整个图像的处理过程包括着下面描述的一个裂缝处理过程，因此仅对一个裂缝处理过程描述便可了解本发明的整体方法。

当图5中圈起来的P在以后出现了形变，如图6给出的，本发明将在开始得到图5一直到后来得到图6，处理包括如下的全过程：

A、初始化

1)建立图5中数字图像象素与实际尺寸的对应关系，确定图5中ccd摄像机(技术方案中提到的图像提取装置)每一个象素所表示的实际物理尺寸；

2)带图像采集卡的计算机(技术方案中提到的计算单元)通过ccd摄像机提取平板裂缝天线图5的图像信息，包括图7a；

3)对图5图像信息中的裂缝边缘信息进行提取，如图7b；

4)对图5包括图7b图像信息的边缘点进行亚像素处理，如图7c中a、b、c、d、e、f、g、h；

5)对图5对亚像素处理的边缘点包括图7c中a、b、c、d、e、f、g、h进行存贮；

上述的过程完成后，图5中所有的裂缝边缘的边缘点信息都进行存贮，也就是建立了被采集图像信息的信息库，随后的过程将是不断的重复上述过程，将新采集的裂缝边缘的边缘点与信息库中的对应边缘点进行比较。下面我们再对这一过程结合图8a、图8b、图8c进行说明。

B、实时检测

1)带图像采集卡的计算机定时通过ccd摄像机提取平板裂缝天线图5的图像信息，包括图7a；

2)对图5图像信息中的裂缝边缘信息进行提取，如图7b；

3)对图5包括图7b图像信息的边缘点进行亚像素处理，如图7c中a、b、c、d、e、f、g、h；

4)与初始化A中第5)条存贮的a、b、c、d、e、f、g、h进行比较；

5)当小于变化量时，重复进行实时检测B中的第1)条；

6)当大于变化量时，也就是新检测的图局部有变化，如图5中的p裂缝边缘信息如图7a有变化，因此从图7a得到图7b，再对图7b中亚像素处理的边缘点a、b、c、d、e、f、g、h与存贮的相对应点进行比较大于变化量，这时计算机将给出提示信息。

当然，在图5、图6、图7中对图像信息中的裂缝边缘信息进行处理至少包括采用频率域法进行图像处理，将计算结果逆变换到空间域中，如通过直方图修正和采用边缘保持滤波算法对图像进行降噪。对图像信息中的裂缝边缘信息进行处理进一步包括对边缘点进行亚像素定位处理，如直线边缘定位方法和圆弧定位方法。直线边缘定位方法包括最小二乘线性回归法，将原有要求竖直方向误差平方和为最小的目标改为要求法向垂直方向误差平方和为最小。而圆弧定位方法是通过降维灰度矩法和二次多项式插值法。

Claims (7)

1.平板裂缝天线裂缝精密测量方法，它至少包括图像提取装置，对图像提取装置提供的信息进行处理的计算单元，其特征是：

A、初始化

1)建立数字图像像素与实际尺寸的对应关系，确定图像提取装置每一个像素所表示的实际物理尺寸；

2)计算单元通过图像提取装置提取平板裂缝天线的图像信息；

3)对图像信息中的裂缝边缘信息进行提取；

4)对图像信息的边缘点进行亚像素处理；

5)对亚像素处理的边缘点进行存贮；

B、实时检测

1)计算单元定时通过图像提取装置提取平板裂缝天线的图像信息；

2)对图像信息中的裂缝边缘信息进行提取；

3)对图像信息的边缘点进行亚像素处理；

4)与初始化A中第4)条存贮的相对应边缘点进行比较；

5)当小于变化量时，重复进行实时检测B中的第1)条；

6)当大于变化量时，给出提示信息；

对图像信息中的裂缝边缘信息进行处理至少包括对面板裂缝图像采用频率域法进行图像处理，将计算结果逆变换到空间域中，采用频率域法进行图像处理是通过直方图修正，然后采用边缘保持滤波算法对图像进行降噪，采用Canny算子进行边缘检测和对边缘点进行亚像素定位处理包括直线边缘定位方法和圆弧定位方法。

2.根据权利要求1所述的平板裂缝天线裂缝精密测量方法，其特征是：所述的对图像信息中的裂缝边缘信息进行提取，采用Canny算子进行边缘检测，依据Canny提出的判定检测算子的三个准则：信噪比原则、定位精度原则、单边缘响应原则。

3.根据权利要求1所述的平板裂缝天线裂缝精密测量方法，其特征是：所述的直线边缘定位方法包括最小二乘线性回归法，将原有要求竖直方向误差平方和为最小的目标改为要求法向垂直方向误差平方和为最小。

4.根据权利要求1所述的平板裂缝天线裂缝精密测量方法，其特征是：所述的圆弧定位方法是通过降维灰度矩法和二次多项式插值法。

5.根据权利要求1所述的平板裂缝天线裂缝精密测量方法，其特征是：所述的采用边缘保持滤波算法是： 

①对于像素点[i，j]，其灰度值为f[i，j]，选取大小领域；

②依公式V＝∑f²[i，j]-(∑f[i，j])²/N，其中N为各领域的像素个数，分别计算左上角子领域、右上角子领域、右下角子领域的灰度分布均匀度V；

③取最小灰度均匀度对应区域的均值作为像素点[i，j]的新灰度值。

6.根据权利要求2所述的平板裂缝天线裂缝精密测量方法，其特征是：所述的采用Canny算子进行边缘检测算法如下：

①将图像与高斯函数 

做卷积，获得平滑图像；

②用基于平滑梯度方向的方法确定图像局部边缘的法向；

③根据局部边缘的法线方向求解边缘位置；

④计算边缘强度，并对梯度幅值进行非极大值抑制；

⑤用双阈值算法检测和连接边缘。

7.根据权利要求1所述的平板裂缝天线裂缝精密测量方法，其特征是：所述的圆弧定位方法如下：

①用最小二乘圆方法求出圆心及半径，其结果作为粗定位；

②以圆心为坐标中心建立像素坐标系，在θ＝2π范围内计算圆的边缘各点梯度方向七个点的坐标并取整，即计算[(r_i-k)cosθ，(r_i-k)sinθ]，k＝-3，-2，-1，0，1，2，3，r_i为圆的各边缘点至圆心的距离；获得原始图像中相应坐标点的值，将这些值排列成为一维边缘向量如下：

I[int(x_c+(r_i-k)cosθ+0.5)，int(y_c+(r_i-k)sinθ+0.5)]

i＝-3，-2，-1，0，1，2，3

式中：x_c，y_c粗定位圆心坐标，int为取整运算符号；

③计算一维亚像素边缘位置，设一维的边缘位置为k，则相应的二维的边缘位置为：

[x′＝x_c+(r_i-3+k)cosθ，y′＝y_c+(r_i-3+k)sinθ]；

④用最小二乘拟合法计算最终的特征参数x’，y’，r’。 

Images