CN103177426B - 一种基于形态学的强干扰激光边缘图像修复方法 - Google Patents
一种基于形态学的强干扰激光边缘图像修复方法 Download PDFInfo
- Publication number
- CN103177426B CN103177426B CN201310061671.4A CN201310061671A CN103177426B CN 103177426 B CN103177426 B CN 103177426B CN 201310061671 A CN201310061671 A CN 201310061671A CN 103177426 B CN103177426 B CN 103177426B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- image
- candidate point
- pixels
- 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.)
- Active
Links
Abstract
本发明公开了一种基于形态学的强干扰激光边缘图像修复方法,属于计算机视觉在线检测技术领域,该方法为:对边缘图像进行棋盘距离变换;把距离图像中与最近的边缘像素距离低于k的背景像素标注为边缘候选点;采用形态学连通区域提取方法把其他背景像素标注为独立的连通区域;依据真实边缘的邻接特性对候选边缘候选点重标号,实现断裂边缘的修复;依据邻接特性去除非连通噪声;依据边缘链接长度特性去除连通噪声。本发明通过对同一张标号图像的分析即可有效的修复较大的边缘断裂并去除较大的噪声,实现在较强干扰下的激光边缘准确提取,集成性高、鲁棒性好、适应性强。
Description
技术领域
本发明涉及计算机视觉在线检测技术领域,特别是一种基于形态学的强干扰激光边缘图像修复方法。
背景技术
计算机视觉技术具有非接触性、连续性、经济性、灵活性和集成性等优点,在工业测试与在线检测领域具有广泛的应用前景。在基于计算机视觉原理的激光基准工业检测中,稳定、准确地提取光斑边界是一个非常重要的步骤。
传统的边缘提取算法包括Sobel算法、Prewitt算法和Canny算法等一阶微分算法和Laplacian算法、LOG算法等二阶微分算法。这些算法简单且检测速度快,但易受噪声的干扰,致使边界检测不完整,结果不精确。
针对传统方法的问题,国内外诸多单位进行了深入研究,做出了相应改进,这些工作大体上可分为三类:第一类是研究提高边缘检测性能的方法;第二类是研究原始检测图像的噪声抑制及增强方法;第三类是研究边缘图像的修复方法。这些工作均在一定程度上提高了边缘提取算法的性能,但在环境复杂多变工业现场,石墨粉、玻璃屑等锯屑,外界光照条件的变化,以及激光成像的散斑和散粒噪声均有可能造成边缘算法失败。另外,系统长期工作还会产生激光束质量下降及检测装置密封性能下降等问题,致使边缘检测图像上存在较大的虚假边缘或边缘断裂。这些改进的边界提取方法也都还不能满足工业在线检测的要求。寻求高鲁棒性、实时性和广泛适用性的激光边缘提取方法已成为的迫切要求解决的问题。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于形态学的强干扰激光边缘图像修复方法,在激光束质量下降、检测装置密封性出现问题,导致边缘检测图像上存在较大的虚假边缘或边缘断裂的情况下,有效地完成激光边缘的高精度提取,降低对激光发射器以及检测装置质量的要求,节约成本,扩大基于计算机视觉原理的激光基准检测方法的适用范围,提高检测系统的稳定性。
为解决上述技术问题,本发明所采用的技术方案是:一种基于形态学的强干扰激光边缘图像修复方法,其特征在于,该方法为:
1)图像标号:对边缘图像进行棋盘距离变换;把图像中与最近的边缘像素距离低于k的背景像素标注为边缘候选点;采用形态学连通区域提取方法把其他背景像素标注为独立的连通区域,从而由边缘图像得到标号图像;所述标号图像为后续断裂边缘连接和噪声边缘抑制的基础;
2)修复断裂边缘:依据真实边缘的邻接特性对上述边缘候选点重新标号,实现断裂边缘的修复;
3)去除噪声边缘:先依据邻接特性去除非连通区域的噪声;再依据边缘链接长度特性去除连通区域的噪声,得到经修复的边缘图像。
作为优选方案,k的有效取值范围为1-4像素。
作为优选方案,所述步骤3)中,去除非连通区域噪声的方法为:逐一分析图像中的边缘像素,若其8连接邻域中的背景像素均属于同一连通区域,则该边缘不符合光斑边缘的邻接特性,将所述边缘归为背景。
图像标号中,由于工业在线检测对计算速度要求敏感、且本发明对距离变换的精度没有特别要求,因此采用的距离变换为棋盘距离变换,其测度函数为:
distc[(x1,y1),(x2,y2)]=max(|x1-x2|,|y1-y2|)
其中,(x1,y1)、(x2,y2)为被测距离的两点在图像坐标系中的坐标。棋盘距离变换通过采用结构算子对图像进行串型扫描来实现,具体方式为:
(1)图像初始化:把边缘图像中的边缘像素初始化为0,背景像素初始化为无穷大;
(2)依据从左到右,从上到下的顺序进行,采用结构算子 遍历图像中的每个像素,将背景像素取值为遍历过程中获得的极小值;
(3)依据从右到左,从下到上的顺序采用结构算子 再次遍历图像中的每个像素,将背景像素取值为两次遍历过程中获得的极小值;
把距离图像中与最近边缘距离低于k的背景像素标注为边缘候选点后,其余背景像素标注为独立的连通区域的具体方法为:设A是图像I中的一个连通区域,先找到其中一点P,可用下述迭代式求出连通区域A中所有元素:
X0=P
Xj=(Xj-1⊕S)∩XC2
其中,XC2为图像I余下的背景像素集合,s为一结构算子, Xj-1⊕S为形态学膨胀运算,k=1,2,…,当Xj-1=Xj时表明该算法收敛,Xj即连通区域A。接着继续寻找连通区域A以外的背景像素并重复这一过程,直至所有的背景像素均被归入某一连通区域。
所述修复边缘断裂步骤中,依据为:激光光斑上的真实边缘像素,其邻接的背景像素必来至不同的连通区域。边缘候选点重标号过程为:先逐一分析距最近边缘最远的边缘候选点的8连接邻域像素,若这些像素均属于边缘像素或边缘候选点,则暂时无法确定该像素归属,留待处理距最近边缘次远的候选点时再做决定;若这些像素中有背景像素,且背景像素均来至同一连通区域,则把该边缘候选点归为该背景连通区域;若这些像素中有背景像素,且背景像素来至不同的连通区域,则把该边缘候选点归为边缘;按照以上规则完成对所有距最近边缘最远的边缘候选点标号以后,按照同样的规则处理距最近边缘次远的候选点,直至所有边缘候选点均重新获得标号。
所述去除噪声边缘步骤中,去除非连通噪声的依据为:非连通噪声的邻接背景像素均来至同一连通区域,与激光光斑上的真实边缘像素的邻接特性不符。实现方法为:逐一分析图像中的边缘像素,若其8连接邻域中的背景像素均属于同一连通区域,则由于该边缘也不符合光斑边缘的邻接特性,可将其归为背景。
去除连通噪声的依据为:在多数情况下,其链接长度与光斑周长差别较明显,实现方法为:对每一个边缘进行长度判断,若其与理想光斑周长相近,则保留,否则剔除。设理想的光斑半径为R像素,边缘包含的像素点数为S,保留边缘的判断条件为:
2×π×R×Z1≤S≤2×π×R×Z2
上式中,Z1和Z2分别为最小和最大半径估值系数,Z1的取值范围为[0.6,0.8],Z2的取值范围为[1.2,1.4]。
与现有技术相比,本发明所具有的有益效果为:在激光束质量下降、检测装置密封性出现问题,导致边缘检测图像上存在较大的虚假边缘或边缘断裂的情况下,本发明仍然有效地完成激光边缘的高精度提取,降低了对激光发射器以及检测装置质量的要求,节约了成本;本发明通过对同一张标号图像的分析即可有效的修复较大的边缘断裂并去除较大的噪声,算法的集成性高;本发明的检测方法具有良好的实时性和鲁棒性以及较高的边界提取精度,由该方法引入的激光束中心定位误均方根误差为0.05像素,峰值误差为0.086像素,稳定的保持在较低的水平;单次边缘修复时间小于130ms;本发明还可推广到工作环境复杂的其他计算机视觉检测系统。
附图说明
图1为本发明一实施例方法流程图;
图2为本发明一实施例依据距离变换和连通区域提取将边缘图像转换为标号图像的过程示意图;图2(a)边缘二值图像;图2(b)棋盘距离变换图像;图2(c)标号图像;
图3为本发明一实施例为修复断裂后的边缘图像示意图;
图4为根据本发明的实施例中激光边缘修复过程示意图;图4(a)是采集到的原始图像;图4(b)是通过Canny边缘检测得到二值图像;图4(c)是标号图像;图4(d)是修复断裂后的边缘图像;图4(e)是去除非连通噪声后的边缘图像;图4(f)是去除连通噪声后的边缘图像;
图5为根据本发明的实施例得到的修复不同长度的断裂边缘引入的激光中心定位误差曲线图。
具体实施方式
如图1所示,本发明一实施例检测方法过程如下:
读取激光的边缘检测图像后,首先对图像标号,包括:通过棋盘距离变换把边缘图像转换为距离图像,把距离图像中与最近的边缘像素距离低于k的背景像素标注为边缘候选点,采用形态学连通区域提取方法把其他背景像素标注为独立的连通区域;边缘图像标号的过程参见附图2,附图2(a)所示的边缘图像(边缘像素标记为b,背景像素标记为0)的棋盘距离变换图如附图2(b)所示,图中,所有背景像素均被标记成了与最近边缘的棋盘距离,附图2(c)所示为按照本发明方法对附图2(b)背景像素进行标号的结果,该标号图像中,k取值为1,背景像素被标记成1和2两个独立的连通区域。
接着,通过对边缘候选点的重标号修复边缘断裂,具体过程为:逐一分析距最近边缘最远的边缘候选点的8连接邻域像素,若这些像素均属于边缘像素或边缘候选点,则暂时无法确定该像素归属,留待处理距最近边缘次远的候选点时再做决定;若这些像素中有背景像素,且背景像素均来至同一连通区域,则把该边缘候选点归为该背景连通区域;若这些像素中有背景像素,且背景像素来至不同的连通区域,则把该边缘候选点归为边缘;按照以上规则完成对所有距最近边缘最远的边缘候选点标号以后,按照同样的规则处理距最近边缘次远的候选点,直至所有边缘候选点均重新获得标号,修复边缘断裂后的图像参见附图3。
然后,去除非联通噪声,具体过程为:逐一分析图像中的边缘像素,若其8连接邻域中的背景像素均属于同一连通区域,则由于该边缘也不符合光斑边缘的邻接特性,可将其归为背景。
最后,去除连通噪声从而完成边缘图像修复,具体过程为:对每一个边缘进行长度判断,若其与理想光斑周长相近,则保留,否则剔除。
利用本发明的方法,对工业现场采集的低质量激光图像处理过程参见附图4。附图4(a)为采自工业现场的一张典型的低质量检测图像,该图像对比度较低,光斑内部可明显的看出明暗相间的散斑,导致Canny方法得到的边缘图像光斑轮廓可见多处断裂且存在大小不一的噪声边缘响应,如附图4(b)所示;采用现有滤波方法难以将这些噪声全部去除。依据本发明得到的标号图像如附图4(c)所示,其中与最近边缘的棋盘距离小于1的像素被标记为边缘缝隙候选点,这些点和边缘像素在标号图像中均以白色表示,3个独立的背景区域被标上了不同的灰度;依据本发明方法对边缘缝隙候选点进行重标号后的图像如附图4(d)所示,光斑轮廓的断裂得到了修复,另外,部分光斑内部纹理也形成了一个封闭的连接;依据本发明方法去除非联通噪声后的检测图像如附图4(e)所示,该图像中,仅存在两个封闭的边缘连接,最后,通过边缘链接长度筛选方法去除连通噪声后得到图像如附图4(f)所示,附图4(b)中的噪声边缘均已得到抑制,得到了完整的光斑边缘图像。
利用本发明的方法,对一完整的光斑边缘图像(椭圆型,短轴:25.71像素,长轴:26.95像素)人为引入不同长度的缝隙(从1像素到14像素),采用本发明的断裂边缘修复方法进行修复,修复过程中,k取值为7像素,以保证14像素的缝隙也能被连接。以原始边缘图像的中心坐标作为真值,修复不同长度的边缘缝隙引入的中心定位误差(两中心点间的距离)参见附图5。由图可知本发明的方法并不是信息无损的,当边缘缝隙在1-8像素之间时,断裂边缘修复后引入的中心定位误差在0.04像素到0.09像素之间,这对于在线激光光斑中心定位检测是可以接受的,修复的光斑边缘与实际边缘的一致性较好;当边缘缝隙超过8像素时,修复引入的定位误差迅速增加,最后达到1.13像素,修复得到的边缘图像已与激光光斑的真实边缘有较大的差距,本文方法对断裂边缘的修复已失效。因此,本发明方法最多能有效修复8像素长的边缘断裂,本发明中参数k的有效取值范围为1-4像素,一般情况下k可取为4像素,此时,本发明的有效修复能力得到了充分的体现。
为了验证本发明的可靠性,对10组工业现场采集的低质量光斑边缘图像分别采用人工方法和本文方法进行边缘提取(以人工提取边缘后得到的光斑中心坐标作为真值),并采用曲线拟合法进行中心定位,得到的光斑中心坐标以及本文方法的耗时数据如表1所示,其中,采用本文方法时,k取值为4像素。
表1边缘修复后中心定位结果及修复耗时
由表1可知,本文方法单次图像修复耗时小于130ms,实时性较好;采用该方法对检测图像进行处理后,引入的中心定位均方根(RMS)误差为0.05像素,峰值(PV)误差为0.086像素,稳定的保持在较低的水平,该方法能用于在线激光光斑中心定位检测。
本发明的方法通过对同一张标号图像的分析即可有效的修复较大的边缘断裂并去除较大的噪声,算法的集成性高;单次图像修复耗时小于130ms,实时性较好;由本发明方法,引入的中心定位误差可稳定的保持在较低的水平,表明该方法激光边缘提取精度高,能用于在线激光光斑中心定位检测。本发明还可推广到工作环境复杂的其他计算机视觉检测系统。
Claims (7)
1.一种基于形态学的强干扰激光边缘图像修复方法,其特征在于,该方法为:
1)图像标号:对边缘图像进行棋盘距离变换;把图像中与最近的边缘像素距离低于k的背景像素标注为边缘候选点;采用形态学连通区域提取方法把其他背景像素标注为独立的连通区域,从而由边缘图像得到标号图像;所述标号图像为后续断裂边缘连接和噪声边缘抑制的基础;
2)修复断裂边缘:依据真实边缘的邻接特性对上述边缘候选点重新标号,实现断裂边缘的修复;
3)去除噪声边缘:先依据邻接特性去除非连通区域的噪声;再依据边缘链接长度特性去除连通区域的噪声,得到经修复的边缘图像。
2.根据权利要求1所述的基于形态学的强干扰激光边缘图像修复方法,其特征在于,所述步骤1)中,k的有效取值范围为1-4像素。
3.根据权利要求1或2所述的基于形态学的强干扰激光边缘图像修复方法,其特征在于,所述k取值为4像素。
4.根据权利要求1所述的基于形态学的强干扰激光边缘图像修复方法,其特征在于,所述步骤2)中,对边缘候选点重新标号的过程为:先逐一分析距最近边缘最远的边缘候选点的8连接邻域像素,若这些像素均属于边缘像素或边缘候选点,则暂时无法确定该像素归属,留待处理距最近边缘次远的候选点时再做决定;若这些像素中有背景像素,且背景像素均来至同一连通区域,则把该边缘候选点归为该背景连通区域;若这些像素中有背景像素,且背景像素来至不同的连通区域,则把该边缘候选点归为边缘;按照以上规则完成对所有距最近边缘最远的边缘候选点标号以后,按照同样的规则处理距最近边缘次远的边缘候选点,直至所有边缘候选点均重新获得标号。
5.根据权利要求1所述的基于形态学的强干扰激光边缘图像修复方法,其特征在于,所述步骤3)中,去除非连通区域噪声的方法为:逐一分析图像中的边缘像素,若其8连接邻域中的背景像素均属于同一连通区域,则该边缘不符合光斑边缘的邻接特性,将所述边缘归为背景。
6.根据权利要求1所述的基于形态学的强干扰激光边缘图像修复方法,其特征在于,所述步骤1)中,棋盘距离变换通过采用结构算子对图像进行串型扫描来实现,具体步骤为:
(1)图像初始化:把边缘图像中的边缘像素初始化为0,背景像素初始化为无穷大;
(2)依据从左到右,从上到下的顺序进行,采用结构算子 遍历边缘图像中的每个像素,将背景像素取值为遍历过程中获得的极小值;
(3)依据从右到左,从下到上的顺序采用结构算子 再次遍历边缘图像中的每个像素,将背景像素取值为两次遍历过程中获得的极小值。
7.根据权利要求1所述的基于形态学的强干扰激光边缘图像修复方法,其特征在于,所述步骤1)中,设A是图像I中的一个连通区域,先找到其中一点P,则采用形态学连通区域提取方法把其他背景像素标注为独立的连通区域A的公式为:
X0=P
其中,XC2为边缘图像I余下的背景像素集合,s为一结构算子, 为形态学膨胀运算,j=1,2,…,当Xj-1=Xj时表明该方法收敛,Xj即连通区域A。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310061671.4A CN103177426B (zh) | 2013-02-27 | 2013-02-27 | 一种基于形态学的强干扰激光边缘图像修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310061671.4A CN103177426B (zh) | 2013-02-27 | 2013-02-27 | 一种基于形态学的强干扰激光边缘图像修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103177426A CN103177426A (zh) | 2013-06-26 |
CN103177426B true CN103177426B (zh) | 2015-06-24 |
Family
ID=48637258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310061671.4A Active CN103177426B (zh) | 2013-02-27 | 2013-02-27 | 一种基于形态学的强干扰激光边缘图像修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177426B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251327A (zh) * | 2016-07-12 | 2016-12-21 | 湖南大学 | 一种用于刀具测量的亚像素边界快速检测方法 |
CN108986160A (zh) * | 2018-06-11 | 2018-12-11 | 华南理工大学 | 一种含有镜面反射光干扰的图像激光中心线提取方法 |
CN113516611B (zh) * | 2020-04-09 | 2024-01-30 | 合肥美亚光电技术股份有限公司 | 异常物料剔除区域的确定方法及装置、物料分选方法及设备 |
CN114260465B (zh) * | 2022-01-06 | 2023-06-23 | 南昌航空大学 | 一种薄壁单晶涡轮叶片激光修复方法 |
CN117173416B (zh) * | 2023-11-01 | 2024-01-05 | 山西阳光三极科技股份有限公司 | 基于图像处理的铁路货运车号图像清晰化处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102589435A (zh) * | 2012-03-02 | 2012-07-18 | 中南大学 | 噪声环境下激光束中心高效精确检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8000555B2 (en) * | 2006-05-15 | 2011-08-16 | Seiko Epson Corporation | Defective image detection method and storage medium storing program |
-
2013
- 2013-02-27 CN CN201310061671.4A patent/CN103177426B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102589435A (zh) * | 2012-03-02 | 2012-07-18 | 中南大学 | 噪声环境下激光束中心高效精确检测方法 |
Non-Patent Citations (4)
Title |
---|
《The Application of Mathematical Morphological Optimization Algorithm in Edge Detection of Defected Wood Image》;Dawei Qi等;《Proceedings of the IEEE International Conference on Automation and Logistics》;20080930;全文 * |
《基于数学形态学的铁谱图像分割技术研究》;金路;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120815(第8期);全文 * |
《基于距离变换和形态学的顶点探测算法》;李红松等;《电子学报》;20040131;第32卷(第1期);全文 * |
Frank Y. Shih等.《Adaptive mathematical morphology for edge linking》.《Information Sciences》.2004,第147卷(第4期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN103177426A (zh) | 2013-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN105931227B (zh) | 一种基于图像灰度b扫曲线的焊缝表面缺陷特征提取方法 | |
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN105976352B (zh) | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 | |
CN107742286B (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
CN107255641B (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN103534583B (zh) | 轮胎的缺陷检测方法 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN103499303B (zh) | 一种羊毛细度自动测量方法 | |
CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN105334219A (zh) | 一种残差分析动态阈值分割的瓶口缺陷检测方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN105447854A (zh) | 一种小尺寸玻璃面板表面缺陷检测方法及系统 | |
CN105160652A (zh) | 基于计算机视觉的手机外壳检验装置与方法 | |
CN107341802A (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 |
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 |