CN101814188A - 基于彩色分量交点的彩色条纹边缘亚像素检测方法 - Google Patents

Abstract

基于彩色分量交点的彩色条纹边缘亚像素检测方法，现有的彩色条纹边缘检测的算法易受环境及被测物等因素的影响而产生较大的检测误差。本发明的方法包括如下步骤：A、彩色条纹图像经平滑去噪由RGB彩色模型转为l₁l₂l₃归一化彩色模型，B、拟和该模型中各分量的灰度曲线，求各分量交点实现条纹亚像素边缘检测。本方法用于基于彩色结构光三维测量领域内的彩色条纹边缘检测。

Description

基于彩色分量交点的彩色条纹边缘亚像素检测方法

技术领域：

发明涉及一种基于彩色分量交点的彩色条纹边缘亚像素检测方法。

背景技术：

近年来，随着处理彩色图像硬件设备成本的降低，彩色图像被越来越多地应用到工程上，彩色图像处理也随之得到了广泛地研究。彩色边缘检测是彩色图像处理中经典的研究课题之一。目前彩色图像边缘检测算法大致可分三类，一类是将灰度边缘检测方法分别应用于彩色图像各分量中，再通过某种方法合成最后检测结果，该方法应用最为普遍；一类是将彩色图像转为强度图像进行边缘检测，研究表明彩色边缘信息有10％不能在其强度图像中显现，因此该方法会丢失彩色信息；还有一类是矢量方法，是将像素的颜色做一个三维矢量进行矢量的梯度检测，该方法计算复杂，理论欠完备，没有得到广泛采用。

鉴于硬件设备获取的彩色图像一般存储成RGB彩色模型，则可以利用R、G、B各分量的交点进行彩色边缘检测，但RGB模型各分量之间相关性强，易受环境及被测物等因素的影响而产生较大的检测误差。

发明内容：

本发明的目的是提供一种基于彩色分量交点的彩色条纹边缘亚像素检测方法，该方法是将彩色条纹图像由RGB模型转为归一化彩色模型l₁l₂l₃，该模型各分量不受环境光、拍摄角度和物体几何形状的影响。

上述的目的通过以下的技术方案实现：

基于彩色分量交点的彩色条纹边缘亚像素检测方法，该方法包括如下步骤：

A、彩色条纹图像经平滑去噪由RGB彩色模型转为l₁l₂l₃归一化彩色模型；

B、拟和该模型中各分量的灰度曲线，求各分量交点实现条纹亚像素边缘检测。

所述的基于彩色分量交点的彩色条纹边缘亚像素检测方法，所述的步骤A中将彩色条纹图像经平滑去噪由RGB彩色模型转为l₁l₂l₃归一化彩色模型的具体算法为：

$l_1(R,G,B)=\frac{{(R-G)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

$l_2(R,G,B)=\frac{{(R-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

$l_3(R,G,B)=\frac{{(G-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

本发明的有益效果：

这个技术方案有以下有益效果：

1.本发明彩色条纹边缘检测不受环境光的影响。该彩色模型具有不受环境光、拍摄角度和物体几何形状及物面颜色影响的特性，从而实现彩色条纹边缘亚像素检测。

2.本发明彩色条纹边缘检测不受三维物面形状的影响。

3.本发明彩色条纹边缘检测不受拍摄角度的影响。

4.本发明彩色条纹边缘检测不受光照投射角度的影响。

5.本发明彩色条纹边缘检测能实现高精度亚像素检测。

附图说明：

附图1是颜色格雷码编码图案，其中条纹代表红色，黑色区域代表绿色，白色区域代表蓝色。

附图2(a)为投射图案中的一幅，其中条纹代表红色，黑色区域代表绿色，白色区域代表蓝色；(b)为(a)中直线AB所处行的RGB分量扫描图，横坐标是AB行上每个像素的列数，纵坐标是AB行上每个像素R、G、B分量的灰度值，分别用细虚线、细实线、粗实现三种线型表示；(c)是(a)中第七个绿条纹的放大图。

附图3(a)是数码相机拍摄的被三维物体调制后的彩色条纹图像，其中条纹代表红色，黑色区域代表绿色，白色区域代表蓝色；(b)是(a)中直线abc所处行的分量行扫描图；(c)是转为l₁l₂l₃模型后该行的各分量扫描图，其中细虚线、细实线、粗实现三种线型分别表示l₁、l₂、l₃三个分量的灰度分布。

附图4是条纹边缘检测算法框图。

具体实施方式：

实施例1：

如图1给出了以四幅投射图案为例的编码图案，n₁、n₂、n₃、n₄代表投射的幅数，用红(条纹)、蓝(白色)条纹代替灰度格雷码中的黑白条纹，在每相邻红蓝区域之间用绿(黑色)条纹加以分隔，提取绿条纹的边界和中心依据结构光射影几何数学模型可实现高准确度密集采样的三维测量。而利用绿条纹的边界可确定其中心像素的范围，因此绿条纹的边缘检测直接影响系统的测量精度。

编码结构光投射的RGB颜色格雷码条纹图案是由计算机以RGB彩色模型形式给出的，其RGB各分量行扫描图如图2所示。图2(a)为投射图案中的一幅，(b)为(a)中直线AB所处行的RGB分量扫描图，横坐标是AB行上每个像素的列数，纵坐标是AB行上每个像素R、G、B分量的灰度值，分别用细虚线、细实线、粗实现三种线型表示。(c)是(a)中第七个绿条纹的放大图，从图中看出绿条纹左边界可由红分量(细虚线)和绿分量(细实线)灰度拟和线交点亚像素定位，右边界可由绿分量和蓝分量(粗实线)灰度拟和线交点亚像素定位。依此，条纹图像中所有彩色条纹边缘都可亚像素检测出来。

上述彩色边缘检测是在RGB彩色模型中完成的，而该模型彩色描述不完全不直观，对硬件设备具有依赖性，单从R、G、B各分量值中很难看出其所表示的色彩，不同颜色之间的距离也不等于两个颜色之间的知觉差异。而且该模型的R、G、B三个分量之间具有很高的相关性，B与R、R与G、G与B的相关系数分别为0.78、0.98和0.94。图2是彩色条纹投射图案的分量行扫描图，其各分量的交点代表了条纹正确边界。而实际拍摄的投射到物面的条纹图像R、G、B三个分量会受到物面颜色、物面反射率、环境光和物体几何形状等因素的调制，导致拍摄的彩色条纹图像RGB分量交点与实际的条纹边缘不一致，从而使得彩色条纹边缘检测不准确。为此本发明将拍摄图案由RGB彩色模型转为归一化彩色模型l₁l₂l₃，实现彩色条纹边缘亚像素检测。

二分光反射模型较客观地反映了不透明非均质物体的光反射机理，它认为物体上各点的颜色由面反射和体反射两个分量线性组合而成。面反射系指在两种物质交界面处发生的反射，其形成的光斑区颜色与光源的颜色一致。而体反射则决定于物体的本色。

对于测量对象是环境光近似白光的漫反射表面三维物体。给出该条件下光传感器响应式：

C_w＝C_b+C_s＝em_b(n，s)k_c+em_s(n，s，v)c_sf    (1)

式中C_w＝{R_w，C_w，B_w}分别代表白光照射下R、G、B光传感器的响应；C_b和C_s分别代表物体的面反射和体反射。e代表白光光谱功率，m_b和m_s分别代表面反射和体反射时与物体几何特征相关的系数，n代表表面的法线，s代表光源的入射方向，v代表传感器的光摄入方向。kc是只与光传感器灵敏度和物体表面反射率有关的系数，其大小如式(2)所示：

k_C＝∫λf_C(λ)c_b(λ)dλf    (2)

式中c_b代表物面反射率，f_C代表R、G、B传感器灵敏度，λ为光波波长。

式(1)中f的大小如式(3)所示：

f＝∫_λf_R(λ)dλ＝∫_λf_G(λ)dλ＝∫_λf_B(λ)dλ      (3)

基于上述二分光反射模型Theo Gevers提出一种对观察方向、物体几何、照明方向和亮度变化具有不变性的彩色模型l₁l₂l₃如式(4)所示：

$l_1=(R,G,B)=\frac{{(R-G)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

$l_2=(R,G,B)=\frac{{(R-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}---\left(4\right)$

$l_3=(R,G,B)=\frac{{(G-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

将式(1)带入式(4)中的l₁分量：

$l_1=(R_w,G_w,B_w)=\frac{{(R_w-G_w)}^2}{{(R_w-G_w)}^2+{(R_w-B_w)}^2{(G_w-B_w)}^2}$

$=\frac{{\mathrm{em}}_b(n,s){(k_R-k_G)}^2}{{\mathrm{em}}_b(n,s)[{(k_R-k_G)}^2+{(k_R-k_B)}^2{+(k_G-k_B)}^2]}---\left(5\right)$

$=\frac{{(k_R-k_G)}^2}{{(k_R-k_G)}^2+{(k_R-k_B)}^2{+(k_G-k_B)}^2}$

由式(5)看出l₁只与光传感器灵敏度和物体表面反射率有关，与传感器的光摄入方向、光源的入射方向、物体几何形状无关。同理可推出分量l₂、l₃也亦如此。因此，归一化彩色模型能够实现对RGB彩色模型各分量的校正，使分量交点真实再现彩色条纹边缘的位置。

空间三维物体条纹图像及不同模型中彩色分量的行扫描图如图3所示。图3(a)是数码相机拍摄的被三维物体调制后的彩色条纹图像，图3(b)是图(a)中直线abc所处行的分量行扫描图。图3(c)是转为l₁l₂l₃模型后该行的各分量扫描图，其中细虚线、细实线、粗实现三种线型表示l₁、l₂、l₃三个分量的灰度分布。

由图3(b)看出RGB彩色模型中位于两个不同的棱面上ab段和bc段的分量灰度分布是不相同的，而图3(c)l₁l₂l₃彩色模型中的各分量行扫描图中，各彩色分量被归一化到[0，1]之间，线段abc上的所有像素的分量灰度值分布基本一致。

依据上述彩色分量交点条纹边缘检测原理和归一化彩色模型转换，本发明提出了条纹边缘检测算法框图如图4所示。彩色条纹图像经平滑去噪转为l₁l₂l₃归一化彩色模型，拟和该模型中各分量的灰度曲线，求各分量交点实现条纹亚像素边缘检测。

在RGB彩色模型中，绿条纹边缘是由红与绿和蓝与绿分量交点求得的，而转为归一化彩色模型l₁l₂l₃后，参与求边缘的交点分量是不同的。由式(4)看出，l₁、l₂、l₃分量分别是红与绿、红与蓝和绿与蓝的差，因此在RGB模型中红与绿和蓝与绿的交点转为l₁l₂l₃模型后对应的应是l₂(细实线)与l₃(粗实线)和l₁(细虚线)与l₂的交点。

本发明基于l₁l₂l₃归一化彩色模型提出了一种彩色条纹边缘亚像素检测方法，该方法是采用行扫描方式求彩色分量交点实现的。

实验结果表明本发明的条纹边缘检测误差小于0.4个像素，条纹边缘检测平均误差小于0.2个像素、方差小于0.1个像素。

Claims (2)

1.一种基于彩色分量交点的彩色条纹边缘亚像素检测方法，其特征是：该方法包括如下步骤：

A、彩色条纹图像经平滑去噪由RGB彩色模型转为l₁l₂l₃归一化彩色模型；

B、拟和该模型中各分量的灰度曲线，求各分量交点实现条纹亚像素边缘检测。

2.根据权利要求1所述的基于彩色分量交点的彩色条纹边缘亚像素检测方法，其特征是：所述的步骤A中将彩色条纹图像经平滑去噪由RGB彩色模型转为l₁l₂l₃归一化彩色模型的具体算法为：

$l_1=(R,G,B)=\frac{{(R-G)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

$l_2=(R,G,B)=\frac{{(R-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

$l_3=(R,G,B)=\frac{{(G-B)}^2}{{(R-G)}^2+{(R-B)}^2+{(G-B)}^2}$

式中R代表红分量，G代表绿分量，B代表蓝分量。

Images