CN103500448B - 高密度封装元器件的仿射变换模型参数估计方法 - Google Patents
高密度封装元器件的仿射变换模型参数估计方法 Download PDFInfo
- Publication number
- CN103500448B CN103500448B CN201310441845.XA CN201310441845A CN103500448B CN 103500448 B CN103500448 B CN 103500448B CN 201310441845 A CN201310441845 A CN 201310441845A CN 103500448 B CN103500448 B CN 103500448B
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- point
- matching
- pairs
- 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
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高密度封装元器件的仿射变换模型参数估计方法,包括以下步骤:S1、粗略仿射变换模型参数估计;采用SURF检测子检测关键点,建立Freak特征向量,根据特征向量进行关键点匹配;计算其变换模型M,判断余下特征点对是否符合该模型;S2、采用最小能量亚像素法进行仿射变换模型参数修正;若tx,ty>10pixel或θ>10°,则根据上述粗略参数估计(tx,ty,θ),对待估计参数图像I(x,y)进行逆变换得到g(x,y),计算g(x,y)与模板图像f(x,y)的最小能量方程E,判断E是否低于设定值,若否,进行下一次迭代;若是,则结束迭代过程,将tx'作为最终的x方向的平移参数、ty'作为最终的y方向的平移参数,θ'作为最终的旋转角度。本发明实现了高精度亚像素级定位,并且对光照变换和噪声具有很强的鲁棒性。
Description
技术领域
本发明涉及精密电子组装中的图像仿射变换参数估计领域,特别涉及一种高密度封装元器件的仿射变换模型参数估计方法。
背景技术
SMT经过50年的发展,已进入完全成熟的阶段,影响通信、家电、计算机、网络、航空、航天、航海等领域的产品水平,是当代电路组装技术的主流,其相关设备和技术已经成为发达国家先进技术保护战略的一部分。视觉检测是表面贴装的必要工序,它将各种形状各种规格的元器件从背景中分离出来,重点是精确地判断元器件的位置和角度的偏移量,以便给准确贴装提供高精度的位置和角度补偿信息。因此,视觉检测的精度决定了表面贴装的质量。目前,高速贴片机的贴装速度已经达到12.7万片/小时,精度已经达到了10微米级。但是,对于新型元器件的贴装合格率仅为80%-90%,远远达不到实际生产的需求,给大规模的表面贴装带来了巨大的经济损失。
图像配准技术是计算机视觉和模式识别的基本手段,在很多邻域都有实际的应用价值,目前已在卫星遥感、飞行器自动导航、机器人视觉、气象云图分析、医学图像处理等许多领域中得到了广泛的应用。图像配准的目的是对同一场景,摄于不同时间、不同视点或不同传感器的两幅图像,建立二者直接的象素对应关系,确定将一幅图像映射到另一幅图像的几何变换模型。由于图像配准的任务与SMT视觉检测任务是相同的,因此图像配准技术是SMT视觉检测系统的一个重要组成部门。基于特征的图像配准方法不直接依赖于灰度、鲁棒性好、抗干扰性强、计算量小,适用于SMT视觉检测系统。在SMT视觉检测系统中,图像主要存在旋转、平移等变换,因此在实际应用中采用仿射变换模型来估计元器件图像间的几何变换。
利用图像配准技术进行仿射变换模型参数估计的基本步骤包括:1.特征点提取;2.利用特征点邻域信息建立特征描述子;3.利用特征描述子进行特征点匹配;4.由于匹配特征点中均存在误匹配情况,需采用特征点提纯方法剔除误匹配对;5.利用余下的特征点对,采用仿射参数估计方法估计仿射变换模型参数。因此,特征点提取,特征描述子,匹配算法,剔除误匹配算法,参数估计方法均对最终仿射变换模型参数估计准确性产生影响。
目前,采用流行的图像配准方法运用于SMT元器件时,均存在严重的误匹配对,这些误匹配对的存在将严重影响仿射变换模型参数估计的准确性。采用最小二乘法进行仿射变换模型参数估计时,随着图像旋转角度或平移量增大,累积误差逐渐增大,估计参数偏离准确值越远,无法满足SMT的高精度要求。因此我们采用随机抽样一致性(Random SampleConsensus,简称RANSAC)方法剔除误匹配对。同时当图像存在大角度旋转(以上)或大平移时,采用最小能量亚像素法进一步对仿射变换模型进行修正,从而实现精确地仿射变换模型参数估计。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种高密度封装元器件的仿射变换模型参数估计方法;利用图像配准技术估计仿射变换模型参数,实现了高精度亚像素级参数估计。
本发明的目的通过下述技术方案实现:
高密度封装元器件的仿射变换模型参数估计方法,包括以下步骤:
S1、粗略仿射变换模型参数估计;采用SURF检测子检测关键点,建立Freak特征向量,根据特征向量进行关键点匹配;随机选取4对匹配对,计算其变换模型M,判断余下特征点对是否符合该模型,统计符合模型M的匹配点对数X,判断X是否达到最大值或循环次数是否达到W次,若否,则重新选取4对匹配对,进行新一轮循环,若是,则剔除不符合当前模型M的特征点对;接着采用最小二乘法进行仿射变换模型参数估计(tx,ty,θ);
S2、采用最小能量亚像素法进行仿射变换模型参数修正;采用最小能量亚像素法进行仿射变换模型参数修正:若tx,ty>10pixel或θ>10°,则根据上述粗略参数估计(tx,ty,θ),对待估计参数图像I(x,y)进行逆变换得到g(x,y),计算g(x,y)与模板图像f(x,y)的最小能量方程E,对E求各阶偏导并令其为0,求解变换参数(a,b,β);令tx'=tx+a,ty'=ty+b,θ'=θ+β,计算在变换关系(tx',ty',θ')下的能量E;判断E是否低于设定值,若否,进行下一次迭代;若是,则结束迭代过程,将tx'作为最终的x方向的平移参数、ty'作为最终的y方向的平移参数,θ'作为最终的旋转角度。
步骤S1具体为:
S1.1输入待估计模型图像I(x,y)与模板图像f(x,y),采用SURF检测子检测关键点,同时利用关键点邻域信息建立Freak特征向量;
S1.2对I(x,y)、f(x,y)中的关键点进行特征匹配,具体为:设分别为图像I(x,y)和f(x,y)上关键点的特征向量;首先,求得特征向量在图像I(x,y)中的匹配特征向量再求特征向量在图像f(x,y)中的匹配特征向量,若得到的匹配特征向量为则为匹配的特征向量,对应的关键点(x1,y1)、(x2,y2)为匹配的关键点对;
S1.3采用随机抽样一致性方法剔除误匹配对,设模板图像f(x,y)和待估计模型图像I(x,y)间有n对匹配的关键点对,模板图像f(x,y)上的点集构成集合P1,待估计模型图像I(x,y)上的点集构成集合P2,集合P1和集合P2中的元素具有一一匹配关系;
S1.4采用最小二乘法进行仿射模型参数估计。
步骤S1.3还包括:
S1.3.1在集合P1和P2中随机选取4对匹配点对,利用这4对匹配点对计算模板图像与待估计图像间的仿射变换模型M参数;
S1.3.2在集合P2余下关键点中选取关键点p(x2,y2),将其代入S1.3.1中得到的仿射变换模型M,计算变换后的坐标值(x2',y2'),若P1中对应特征点的坐标值(x1,y1)与(x2',y2')满足以下关系:其中ε为设定的内外点距离阈值,则认为匹配点对(x1,y1)与(x2,y2)符合模型M,称为内点,否则,认为匹配点对(x1,y1)与(x2,y2)不符合模型M,称为外点;
S1.3.3重复步骤S1.3.2,使其遍历集合P2余下所有特征点,统计符合模型M的匹配点对数X,X即为内点集的大小;
S1.3.4重复步骤S1.3.1到S1.3.3W次,当X的值最大且大于一致性集合阈值T时,对应的内点集合即为最大内点域,则此时被判为外点的关键点即为仿射变换模型参数估计需剔除掉的匹配点。
步骤S1.4具体为:
假设通过最小二乘法已经得到图像I1、I2的仿射变换模型G(tx,ty,s,θ),这两幅图像之间的特征匹配对存在误差,误差函数定义如下:
定义最小均方误差如下:
其中,k为步骤S1.3求得的内点域大小;
求取最小的E(tx,ty,s,θ),得到最优的模型估计参数r=(tx,ty,θ,s)
步骤S2具体为:
S2.1根据粗略仿射变换模型参数估计r=(tx,ty,θ,s),若tx,ty>10pixel或θ>10°,则进行步骤S2.2;否则,则置参数修正值(a,b,β)=(0,0,0),转到步骤S2.8;
S2.2按粗略参数估计(tx,ty,θ,s)对I(x,y)进行逆变换,得到逆变换图像g(x,y),由于实际应用中,由步骤S1计算得到的尺度变换参数s精确度最高,因此将g(x,y)与f(x,y)的变换关系设为(a,b,β),即
g(x,y)=f(xcosβ-ysinβ+a,xsinβ-ycosβ+b)
其中a、b分别是x、y方向的平移参数,β是旋转角度;
S2.3先将sinβ、cosβ进行二阶泰勒展开,再将f(x,y)进行二阶泰勒展开,得到
S2.4得到f(x,y)与g(x,y)的能量方程如下:
S2.5对步骤S2.4中的a、b、β各自求偏导数,并令其为零,得
其中,
S2.6根据式步骤S2.5中的公式,求得(a,b,θ),令tx'=tx+a,ty'=ty+b,θ'=θ+β;将变换公式(tx',ty',θ')代入步骤S2.4中的公式,计算在变换关系(tx',ty',θ')下的能量E;
S2.7判断E是否低于设定值,若否,进行步骤S2.5~S2.7;若是,则结束迭代过程,将a作为最终的x方向的平移修正参数、b作为最终的y方向的平移修正参数,β作为最终的旋转修正角度;
S2.8令tx'=tx+a,ty'=ty+b,θ'=θ+β,将tx'作为最终的x方向的平移参数、ty'作为最终的y方向的平移参数,θ'作为最终的旋转角度。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明采用随机抽样一致性方法剔除误匹配对,实现特征点对提纯,为仿射变换模型参数估计提供准确无误的数据,从而保证模型参数估计的正确性。
(2)本发明针对最小二乘法对大角度大平移估计误差较大的不足,采用最小能量方法进行仿射变换模型参数修正,使得在不增加计算复杂度和存储代价的情况下,实现了高精度亚像素级参数估计,对于实际的视觉检测参数估计具有重要意义。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明精密电子组装中高密度封装元器件的仿射变换模型参数估计方法,包括以下步骤:
S1粗略仿射变换模型参数估计:
S1.1输入待估计模型图像I(x,y)与模板图像f(x,y),采用SURF检测子检测关键点,同时利用关键点邻域信息建立Freak特征向量;
S1.2对I(x,y)、f(x,y)中的关键点进行特征匹配,具体为:设分别为图像I(x,y)和f(x,y)上关键点的特征向量;首先,求得特征向量在图像I(x,y)中的匹配特征向量再求特征向量在图像f(x,y)中的匹配特征向量,若得到的匹配特征向量为则为匹配的特征向量,对应的关键点(x1,y1)、(x2,y2)为匹配的关键点对;
S1.3采用随机抽样一致性方法剔除误匹配对,具体为:
假设模板图像f(x,y)和待估计模型图像I(x,y)间有n对匹配的关键点对,模板图像f(x,y)上的点集构成集合P1,待估计模型图像I(x,y)上的点集构成集合P2,集合P1和集合P2中的元素具有一一匹配关系;
S1.3.1在集合P1和P2中随机选取4对匹配点对,利用这4对匹配点对计算模板图像与待估计图像间的仿射变换模型M参数;
S1.3.2在集合P2余下关键点中选取关键点p(x2,y2),将其代入S1.3.1中得到的仿射变换模型M,得到变换后的坐标值(x2',y2')。若P1中对应特征点的坐标值(x1,y1)与(x2',y2')满足以下关系:其中ε为设定的内外点距离阈值,则认为匹配点对(x1,y1)与(x2,y2)符合模型M,称为内点。否则,认为匹配点对(x1,y1)与(x2,y2)不符合模型M,称为外点;
S1.3.3重复步骤S1.3.2,使其遍历集合P2余下所有特征点,统计符合模型M的匹配点对数X,X即为内点集的大小;
S1.3.4重复步骤S1.3.1到S1.3.3W次,当X的值最大且大于一致性集合阈值T时,对应的内点集合即为最大内点域,则此时被判为外点的关键点即为剔除掉的误匹配点。
S1.4采用最小二乘法进行仿射模型参数估计,具体为:
设通过最小二乘法已经得到图像I1、I2的配准函数G(tx,ty,s,θ)。这两幅图像之间的特征匹配对存在误差,误差函数定义如下:
定义最小均方误差如下:
其中,式(2)的k为步骤S1.3求得的内点域大小;
求取最小的E(tx,ty,s,θ),得到最优的模型估计参数r=(tx,ty,θ,s)
S2采用最小能量亚像素法进行仿射变换模型参数修正:
S2.1根据粗略仿射变换模型参数估计r=(tx,ty,θ,s),若tx,ty>10pixel或θ>10°,则进行步骤S2.2;否则,则置参数修正值(a,b,β)=(0,0,0),转到步骤S2.8;
S2.2按粗略参数估计(tx,ty,θ,s)对I(x,y)进行逆变换,得到逆变换图像g(x,y)。由于实际应用中,由步骤S1计算得到的尺度变换参数s精确度最高,因此将g(x,y)与f(x,y)的变换关系设为(a,b,β),即
g(x,y)=f(xcosβ-ysinβ+a,xsinβ-ycosβ+b) (4)
其中a、b分别是x、y方向的平移参数,β是旋转角度;
S2.3对式(4),先将sinβ、cosβ进行二阶泰勒展开,再将f(x,y)进行二阶泰勒展开,得到
S2.4得到f(x,y)与g(x,y)的能量方程如下:
S2.5对式(6)的a、b、β各自求偏导数,并令其为零,得
其中,
S2.6根据式(7)~(9)求得(a,b,θ),令tx'=tx+a,ty'=ty+b,θ'=θ+β;将变换公式(tx',ty',θ')代入式(6),计算在变换关系(tx',ty',θ')下的能量E;
S2.7判断E是否低于设定值,若否,进行步骤S2.5~S2.7;若是,则结束迭代过程,将a作为最终的x方向的平移修正参数、b作为最终的y方向的平移修正参数,β作为最终的旋转修正角度。
S2.8令tx'=tx+a,ty'=ty+b,θ'=θ+β,将tx'作为最终的x方向的平移参数、ty'作为最终的y方向的平移参数,θ'作为最终的旋转角度。
本发明采用目前流行的SURF检测子进行关键点提取,Freak描述子构建关键点特征向量,通过Rancac算法剔除误匹配点,并通过最小二乘法得到粗略仿射变换模型参数估计,接着采用最小能量亚像素法进行仿射变换模型参数修正。由于SURF和Freak配准算法本身具有较高的定位精度和良好的鲁棒性,因此采用Ransac提纯和最小能量算法修正模型不会增加太大的计算代价。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.高密度封装元器件的仿射变换模型参数估计方法,其特征在于,包括以下步骤:
S1、粗略仿射变换模型参数估计;采用SURF检测子检测关键点,建立Freak特征向量,根据特征向量进行关键点匹配;随机选取4对匹配对,计算其变换模型M,判断余下特征点对是否符合该模型,统计符合模型M的匹配点对数X,判断X是否达到最大值或循环次数是否达到W次,若否,则重新选取4对匹配对,进行新一轮循环,若是,则剔除不符合当前模型M的特征点对;接着采用最小二乘法进行粗略仿射变换模型参数估计r=(tx,ty,θ,s);
S2、采用最小能量亚像素法进行仿射变换模型参数修正;若tx,ty>10pixel或θ>10°,则根据上述粗略仿射变换模型参数估计r=(tx,ty,θ,s),对待估计参数模型图像I(x,y)进行逆变换得到g(x,y),计算g(x,y)与模板图像f(x,y)的最小能量方程E,对E求各阶偏导并令其为0,求解变换参数(a,b,β);令tx'=tx+a,ty'=ty+b,θ'=θ+β,计算在变换关系(tx',ty',θ')下的能量E;判断E是否低于设定值,若否,进行下一次迭代;若是,则结束迭代过程,将tx'作为最终的x方向的平移参数、ty'作为最终的y方向的平移参数,θ'作为最终的旋转角度,其中,粗略参数估计中tx为最初粗略估计的x方向的平移参数,ty为最初粗略估计的y方向的平移参数,θ为最初粗略估计的旋转角度,s为尺度变换参数;
步骤S1具体为:
S1.1输入待估计参数模型图像I(x,y)与模板图像f(x,y),采用SURF检测子检测关键点,同时利用关键点邻域信息建立Freak特征向量;
S1.2对I(x,y)、f(x,y)中的关键点进行特征匹配,具体为:设分别为待估计参数模型图像I(x,y)和模板图像f(x,y)上关键点的特征向量;首先,求得特征向量在图像I(x,y)中的匹配特征向量再求特征向量在图像f(x,y)中的匹配特征向量,若得到的匹配特征向量为则为匹配的特征向量,对应的关键点(x1,y1)、(x2,y2)为匹配的关键点对;
S1.3采用随机抽样一致性方法剔除误匹配对,设模板图像f(x,y)和待估计参数模型图像I(x,y)间有n对匹配的关键点对,模板图像f(x,y)上的点集构成集合P1,待估计参数模型图像I(x,y)上的点集构成集合P2,集合P1和集合P2中的元素具有一一匹配关系;
S1.4采用最小二乘法进行仿射模型参数估计;
步骤S1.4具体为:
假设通过最小二乘法已经得到图像I1、I2的仿射变换模型G(tx,ty,s,θ),这两幅图像之间的特征匹配对存在误差,误差函数定义如下:
<mrow>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mi>s</mi>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
定义最小均方误差如下:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
<mo>,</mo>
<mi>s</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msubsup>
<mi>e</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
</mrow>
其中,k为步骤S1.3求得的内点域大小;
求取最小的E(tx,ty,s,θ),得到最优的粗略仿射变换模型参数估计r=(tx,ty,θ,s)
<mrow>
<mi>r</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>s</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&theta;</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>det</mi>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>l</mi>
<mi>A</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>x</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>y</mi>
<mi>A</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>l</mi>
<mi>A</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>y</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>x</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>x</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>y</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mi>k</mi>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>y</mi>
<mi>A</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>x</mi>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mi>k</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>x</mi>
<mi>B</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>u</mi>
<mrow>
<mi>y</mi>
<mi>B</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>l</mi>
<mrow>
<mi>A</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>l</mi>
<mrow>
<mi>A</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
2.根据权利要求1所述的高密度封装元器件的仿射变换模型参数估计方法,其特征在于,步骤S1.3还包括:
S1.3.1在集合P1和P2中随机选取4对匹配点对,利用这4对匹配点对计算模板图像与待估计参数模型图像间的仿射变换模型M参数;
S1.3.2在集合P2余下关键点中选取关键点p(x2,y2),将其代入S1.3.1中得到的仿射变换模型M,计算变换后的坐标值(x2',y2'),若P1中对应特征点的坐标值(x1,y1)与(x2',y2')满足以下关系:其中ε为设定的内外点距离阈值,则认为匹配点对(x1,y1)与(x2,y2)符合模型M,称为内点,否则,认为匹配点对(x1,y1)与(x2,y2)不符合模型M,称为外点;
S1.3.3重复步骤S1.3.2,使其遍历集合P2余下所有特征点,统计符合模型M的匹配点对数X,X即为内点集的大小;
S1.3.4重复步骤S1.3.1到S1.3.3W次,当X的值最大且大于一致性集合阈值T时,对应的内点集合即为最大内点域,则此时被判为外点的关键点即为仿射变换模型参数估计需剔除掉的匹配点。
3.根据权利要求1所述的高密度封装元器件的仿射变换模型参数估计方法,步骤S2具体为:
S2.1根据粗略仿射变换模型参数估计r=(tx,ty,θ,s),若tx,ty>10pixel或θ>10°,则进行步骤S2.2;否则,则置参数修正值(a,b,β)=(0,0,0),转到步骤S2.8;
S2.2按粗略仿射变换模型参数估计(tx,ty,θ,s)对I(x,y)进行逆变换,得到逆变换图像g(x,y),由于实际应用中,由步骤S1计算得到的尺度变换参数s精确度最高,因此将g(x,y)与f(x,y)的变换关系设为(a,b,β),即
g(x,y)=f(xcosβ-ysinβ+a,xsinβ-ycosβ+b)
其中a、b分别是x、y方向的平移参数,β是旋转角度;
S2.3先将sinβ、cosβ进行二阶泰勒展开,再将f(x,y)进行二阶泰勒展开,得到
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&ap;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>y</mi>
<mi>&beta;</mi>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x&beta;</mi>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>+</mo>
<mi>x</mi>
<mi>&beta;</mi>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mi>y&beta;</mi>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
</mrow>
S2.4得到f(x,y)与g(x,y)的能量方程如下:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>y</mi>
<mi>&beta;</mi>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>x&beta;</mi>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mo>+</mo>
<mi>x</mi>
<mi>&beta;</mi>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<mi>y&beta;</mi>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
S2.5对步骤S2.4中的a、b、β各自求偏导数,并令其为零,得
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mi>a</mi>
<mo>+</mo>
<mo>(</mo>
<mi>&Sigma;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mi>b</mi>
<mo>+</mo>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>R</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mi>&beta;</mi>
<mo>=</mo>
<mi>&Sigma;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>(</mo>
<mi>g</mi>
<mo>-</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mi>a</mi>
<mo>+</mo>
<mo>(</mo>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
<mi>b</mi>
<mo>+</mo>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>R</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mi>&beta;</mi>
<mo>=</mo>
<mi>&Sigma;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>(</mo>
<mi>g</mi>
<mo>-</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>R</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mi>a</mi>
<mo>+</mo>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>R</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mo>)</mo>
<mi>b</mi>
<mo>+</mo>
<mo>(</mo>
<msup>
<mi>&Sigma;R</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
<mi>&beta;</mi>
<mo>=</mo>
<mi>&Sigma;</mi>
<mi>R</mi>
<mo>(</mo>
<mi>g</mi>
<mo>-</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
其中,
S2.6根据式步骤S2.5中的公式,求得(a,b,β),令tx'=tx+a,ty'=ty+b,θ'=θ+β;将变换公式(tx',ty',θ')代入步骤S2.4中的公式,计算在变换关系(tx',ty',θ')下的能量E;
S2.7判断E是否低于设定值,若否,进行步骤S2.5~S2.7;若是,则结束迭代过程,将a作为最终的x方向的平移修正参数、b作为最终的y方向的平移修正参数,β作为最终的旋转修正角度;
S2.8令tx'=tx+a,ty'=ty+b,θ'=θ+β,将tx'作为最终的x方向的平移参数、ty'作为最终的y方向的平移参数,θ'作为最终的旋转角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310441845.XA CN103500448B (zh) | 2013-09-25 | 2013-09-25 | 高密度封装元器件的仿射变换模型参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310441845.XA CN103500448B (zh) | 2013-09-25 | 2013-09-25 | 高密度封装元器件的仿射变换模型参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500448A CN103500448A (zh) | 2014-01-08 |
CN103500448B true CN103500448B (zh) | 2018-04-13 |
Family
ID=49865651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310441845.XA Active CN103500448B (zh) | 2013-09-25 | 2013-09-25 | 高密度封装元器件的仿射变换模型参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500448B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069792B (zh) * | 2015-08-07 | 2018-01-26 | 中国科学院计算技术研究所 | 电子断层图像对位中的图像匹配及胶体金点链生成方法 |
CN112330678B (zh) * | 2021-01-07 | 2021-04-02 | 中科慧远视觉技术(北京)有限公司 | 产品边缘缺陷检测方法 |
CN113850807B (zh) * | 2021-11-30 | 2022-04-19 | 深圳市大族光电设备股份有限公司 | 图像亚像素匹配定位方法、系统、设备及介质 |
CN116843728B (zh) * | 2023-09-01 | 2023-11-14 | 山东科技大学 | 一种基于仿射变换的光学遥感图像配准方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN102661708A (zh) * | 2012-04-20 | 2012-09-12 | 华南理工大学 | 一种基于surf的高密度封装元器件定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7065258B2 (en) * | 2001-05-21 | 2006-06-20 | Mitutoyo Corporation | Systems and methods for reducing accumulated systematic errors in image correlation displacement sensing systems |
-
2013
- 2013-09-25 CN CN201310441845.XA patent/CN103500448B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN102661708A (zh) * | 2012-04-20 | 2012-09-12 | 华南理工大学 | 一种基于surf的高密度封装元器件定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103500448A (zh) | 2014-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510530B (zh) | 一种三维点云匹配方法及其系统 | |
He et al. | Sparse template-based 6-D pose estimation of metal parts using a monocular camera | |
CN103217438B (zh) | 一种基于图像特征的电路板元件精确定位与检测的方法 | |
CN110322513A (zh) | 一种相机外参标定方法、装置及电子设备 | |
CN107588721A (zh) | 一种基于双目视觉的零件多尺寸的测量方法及系统 | |
CN103500448B (zh) | 高密度封装元器件的仿射变换模型参数估计方法 | |
CN107044852B (zh) | 不平整状态下全站仪测量方法 | |
CN109579695B (zh) | 一种基于异构立体视觉的零件测量方法 | |
CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN103606170B (zh) | 基于彩色尺度不变的街景影像特征检测与匹配方法 | |
CN109472816B (zh) | 一种点云配准方法 | |
CN106991705B (zh) | 一种基于p3p算法的位置参数估计方法 | |
CN109785370B (zh) | 一种基于空间时间序列模型的弱纹理图像配准方法 | |
CN109099857B (zh) | 一种基于surf特征匹配的子孔径拼接方法 | |
CN106056121A (zh) | 基于sift图像特征匹配的卫星装配工件快速识别方法 | |
CN116309026A (zh) | 一种基于统计局部特征描述与匹配的点云配准方法及系统 | |
CN117670823B (zh) | 一种基于图像识别的pcba线路板元件检测及评价方法 | |
CN117197245A (zh) | 一种位姿修复方法及装置 | |
CN109902695B (zh) | 一种面向像对直线特征匹配的线特征矫正与提纯方法 | |
Zhang et al. | Research on chips’ defect extraction based on image-matching | |
CN112102415A (zh) | 基于标定球的深度相机外参数标定方法、装置及设备 | |
CN114877826B (zh) | 一种双目立体匹配三维测量方法、系统及存储介质 | |
CN109285210B (zh) | 结合拓扑关系和极线约束的管路三维重建方法 | |
CN102663756A (zh) | 印刷电路板中异型元件和高密度封装元器件的配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |