CN103530630B - 基于区域移动的批量群圆矢量亚像素快速识别方法 - Google Patents

Abstract

本发明提供一种基于区域移动的批量群圆矢量亚像素快速识别方法，对采集的群圆图像进行二值化预处理，在连通分割所形成的各个连通区域内依次建立数据采集窗口，通过在连通区域内移动数据采集窗口进行多次数据收集和圆拟合，在圆拟合结果的基础上并结合识别精度确定对应连通区域内最优的圆识别位置，在最优的圆识别位置进行精确圆拟合，本发明对图像要求低，处理方便，快速，适合生产线上群圆工件的快速精密检测与分析，可以满足精细电路板加工中大量密集圆要素的快速精密检测与分析的需求，而且对于其它类似图像处理需求也有很好的推广应用价值，具有非常好的推广应用前景。

Description

基于区域移动的批量群圆矢量亚像素快速识别方法

技术领域

本发明涉及一种图像识别方法，具体涉及一种批量群圆矢量亚像素识别方法。

背景技术

在微小印制电路板的精密设计与批量制造过程中，相关几何要素的制造精度至关重要。印制电路板的检测目前多以视频图像分析为主。

Hough变换是目前群圆自动图像识别领域最常用的算法。Hough变换的基本原理在于，利用点与线的对偶性，将原始的图像空间给定的曲线根据曲线表达形式，转变为参数空间的一个点。这样就把原始图像中给定曲线的检测问题转化为将与图像空间内具有一定关系的参数空间的像元进行聚类，以寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点，换句话说，也就是寻找参数空间中的峰值问题。

平面中任意一条直线可以用极坐标方程来表示，即可以用ρ和θ两个参数确定下来，对于图像空间任意点(x,y)，其函数关系为：

ρ=xcosθ+ysinθ (1)

其中ρ为原点到直线的距离(即原点到直线的垂直线的长度)，θ确定了直线的方向(即原点到直线的垂直线与x轴方向的夹角)。数字图像处理中图像空间(x,y)和Hough空间H(ρ,θ)处理的都是离散量。每个像素点都能投影到图像空间中的一些点上。如果对于同一直线l上的n个点进行上述变换，则原图像空间n个点在参数空间中对应地得到n条正弦曲线，并且这些曲线相交于同一点。因此图像空间中共线的点与参数空间中共点的线存在对应关系，只要找出参数空间中共点的曲线，就能确定图像空间中的曲线。

Hough变换最早应用在直线检测上，大量试验表明其对各种噪声、形变、边缘断续甚至区域残缺都具有很好的鲁棒性和适应性。直线的Hough变换是一个两参数的参数空间，推而广之，其它常见曲线也存在对应的参数空间。在坐标平面上确定一个圆需要三个参数——圆的半径、圆心的x轴坐标和y轴坐标，因此圆的Hough变换是一个以圆的半径和圆心坐标为参数的三维空间。

已知圆的一般方程为：

(x-a)²+(y-b)²=r² （2）

式中：(a,b)—圆心，r—圆的半径。

如果将式（2）的未知数反转，x-y是常量，而a-b-r变作未知数，那么显然式(2)就是一个圆锥的方程。换句话说，x-y平面上的任一圆对应由a-b-r确定的参数空间中的一个点。这样，检测x-y平面上的圆的问题就转换到检测由a-b-r确定的参数空间中点的聚集程度的问题。

但该方法在圆检测过程中存在以下缺点：

1、圆检测过程中，参数由直线的两个参数，即截距和斜率，上升到三个，即圆心坐标和半径，是一到多映射，因而计算量大；

2、需占用大量内存空间，耗时久、实时性差；

3、现实中的图像一般都受到外界噪声的干扰，信噪比较低，此时常规Hough变换的性能将急剧下降，进行参数空间极大值的搜索时由于合适的阈值难以确定，往往出现“虚峰”和“漏检”的问题。

发明内容

本发明的目的在于提供一种基于区域移动的批量群圆矢量亚像素快速识别方法。

为达到上述目的，本发明采用了以下技术方案。

对采集的群圆图像进行二值化预处理，然后对图像进行连通分割，在连通分割所形成的各个连通区域内依次建立数据采集窗口，通过在连通区域内移动数据采集窗口进行多次数据收集和圆拟合，在圆拟合结果的基础上并结合识别精度确定对应连通区域内最优的圆识别位置，在最优的圆识别位置进行精确圆拟合，得到圆要素。

所述二值化预处理的具体步骤为：采用Sobel梯度计算模型对采集的群圆图像进行处理，并采用梯度均值作为图像二值化处理阈值。

所述数据采集窗口是一个以预设值为半径、以连通区域的边沿数据中的一点为中心的圆区域，该圆区域包含边沿点所对应的目标圆的弧长不少于目标圆周长的1/6。

对参与完成目标圆计算的数据采集窗口内的边沿点进行标记，避免数据采集窗口在不同的位置上重复利用相同的边沿点计算目标圆。

在圆拟合结果的基础上并结合识别精度确定对应连通区域内最优的圆识别位置的具体步骤为：

1）根据数据采集窗口收集到的边沿点进行圆拟合；

2）以圆拟合得到的圆为基础，根据圆拟合得到的圆的圆心以及预设的识别精度，建立新的边沿数据的识别范围，若新的边沿数据的识别范围内边沿点分布均匀，则记录该新的边沿数据的识别范围内的边沿点数量和分布情况；

3）将数据采集窗口进行移动，并在每次移动后重复步骤1）-2）；

4）经过步骤3）后，选择记录边沿点数量最多的数据采集窗口的位置为最优的圆识别位置。

所述精确圆拟合的具体步骤为：对边沿点数据采用上至下、左至右、西北至东南以及东北至西南四个方向进行灰度梯度统计计算，计算出灰度梯度最大的方向设置为该点亚像素分析矢量计算方向，然后借助细分插值数学方法，得到精确的边沿数据，进一步进行圆拟合即得到圆要素，将圆要素进行输出。

本发明的有益效果：

本发明对图像要求低，处理方便，快速，适合生产线上群圆工件的快速精密检测与分析，可以满足精细电路板加工中大量密集圆要素的快速精密检测与分析的需求，而且对于其它类似图像处理需求也有很好的推广应用价值，具有非常好的推广应用前景。

附图说明

图1为Hough转换处理中图像空间和参数空间的转换示意图，其中图像空间（a）中圆A、B、C、D、E分别对应参数空间（b）中的点A、B、C、D、E。

图2为本发明的流程图。

图3为采集的包含大量群圆的待处理图像。

图4为对图像进行二值化处理后的图像。

图5为移动数据采集窗口及根据移动数据采集窗口进行第一次圆拟合后的图像（a为移动数据采集窗口，b为第一次圆拟合得到的圆）。

图6为新的数据识别范围内的边沿点集合。

图7为群圆经过精确圆拟合后得到的圆。

图8为输出的精确集合要素和原始图像的对比。

具体实施方式

下面结合附图对本发明进行详细的说明。

参见图2，一种基于区域移动的批量群圆矢量亚像素快速识别方法，具体步骤如下：

第一步，采集群圆图像数据，得到待处理的原始图像，如图3所示。

第二步，采用Sobel梯度计算模型对原始图像进行处理，并采用梯度均值作为图像二值化处理阈值，实现图像的二值化处理（效果如图4），得到群圆的边沿数据（即边沿点数据）。

第三步，对群圆的边沿数据进行连通分割，得到连通区域。

第四步，选择第i个连通区域的边沿数据中一点P_i，以点P_i为中心，以预设半径值建立移动数据采集窗口（如图5所示），对移动数据采集窗口内的边沿点进行收集，通过圆拟合得到目标圆。预设半径要求保证移动数据采集窗口包含边沿点所对应的目标圆的弧长不少于目标圆周长的1/6，如不满足，则根据计算得到的目标圆半径调整该移动数据采集窗口预设半径值。

第五步，经过第四步后，对移动数据采集窗口内的边沿点进行收集，收集完成后对移动数据采集窗口内的边沿点进行标记，避免其重复参与计算，然后根据移动数据收集窗口收集到的边沿点进行第一次圆拟合。

第六步，以第一次圆拟合得到的圆为基础，根据第一次圆拟合得到的圆的圆心以及预设的识别精度R，建立新的边沿数据的识别范围（该范围为一圆环，圆环中两圆半径差为预设识别精度R)，若新的边沿数据的识别范围内边沿点分布均匀（以圆环圆心为原点建立平面坐标系，若四个象限内均有边沿点分布，则认为分布均匀），则记录该新的边沿数据的识别范围内的边沿点数量和分布情况（如图6所示）。

第七步，判断第i个连通区域内的边沿点是否全部被标记，若未全部被标记，则将移动数据采集窗口进行移动，然后转第五步。经过多轮迭代后，若第i个连通区域内的边沿点全部被标记，则进行第八步处理。

第八步，选择第六步中记录边沿点数量最多的移动数据采集窗口的位置为最优的圆识别位置。

第九步，以最优的圆识别位置为基础，通过第六步记录的对应的边沿点数据进行精确圆拟合。精确圆拟合的步骤包括：对边沿点数据采用上至下、左至右、西北至东南以及东北至西南四个方向进行灰度梯度统计计算（如表1以及表2所示），计算出灰度梯度最大的方向设置为该点亚像素分析矢量计算方向，然后借助细分插值数学方法，得到精确的边沿数据，进一步进行圆拟合即得到准确圆要素（图7为本发明方法处理后最终得到的群圆的准确圆要素），将准确圆要素进行输出。

表1边沿点数据

x-1，y-1	x，y-1	x+1，y-1
			x-1，y	x，y	x+1，y
x-1，y+1	x，y+1	x+1，y+1

表2灰度梯度统计计算方向

上至下：	(x，y-1)→(x，y)→(x，y+1)
		左至右：	(x-1，y)→(x，y)→(x+1，y)
西北至东南：	(x-1，y-1)→(x，y)→(x+1，y+1)
		东北至西南：	(x+1，y-1)→(x，y)→(x-1，y+1)

第十步，判断图像内所有连通区域是否识别完成，若未识别完成，则进入未进行识别的连通区域，并转第四步处理。经过多轮迭代以后，若图像内所有连通区域均识别完成，则表示完成群圆的自动检测，图8为输出的精确几何要素和原始图像的对比，未处理之前群圆图像中部分圆为非精确圆要素，通过该方法处理以后得到精确的圆要素。

该方法在群圆识别过程中，不需要进行两个空间之间的转换，因而保证了群圆的识别速度，通过预处理、连通分割以及移动窗口的方式提高了该方法的抗干扰能力。

Claims (5)

1.一种基于区域移动的批量群圆矢量亚像素快速识别方法，其特征在于，包括以下步骤：对采集的群圆图像进行二值化预处理，然后对图像进行连通分割，在连通分割所形成的各个连通区域内依次建立数据采集窗口，通过在连通区域内移动数据采集窗口进行多次数据收集和圆拟合，在圆拟合结果的基础上并结合识别精度确定对应连通区域内最优的圆识别位置，在最优的圆识别位置进行精确圆拟合，得到圆要素；

在圆拟合结果的基础上并结合识别精度确定对应连通区域内最优的圆识别位置的具体步骤为：

1)根据数据采集窗口收集到的边沿点进行圆拟合；

2)以圆拟合得到的圆为基础，根据圆拟合得到的圆的圆心以及预设的识别精度，建立新的边沿数据的识别范围，若新的边沿数据的识别范围内边沿点分布均匀，则记录该新的边沿数据的识别范围内的边沿点数量和分布情况；

3)将数据采集窗口进行移动，并在每次移动后重复步骤1)-2)；

4)经过步骤3)后，选择记录边沿点数量最多的数据采集窗口的位置为最优的圆识别位置。

2.如权利要求1所述一种基于区域移动的批量群圆矢量亚像素快速识别方法，其特征在于，所述二值化预处理的具体步骤为：采用Sobel梯度计算模型对采集的群圆图像进行处理，并采用梯度均值作为图像二值化处理阈值。

3.如权利要求1所述一种基于区域移动的批量群圆矢量亚像素快速识别方法，其特征在于，所述数据采集窗口是一个以预设值为半径、以连通区域的边沿数据中的一点为中心的圆区域，该圆区域包含边沿点所对应的目标圆的弧长不少于目标圆周长的1/6。

4.如权利要求3所述一种基于区域移动的批量群圆矢量亚像素快速识别方法，其特征在于，对参与完成目标圆计算的数据采集窗口内的边沿点进行标记，避免数据采集窗口在不同的位置上重复利用相同的边沿点计算目标圆。

5.如权利要求1所述一种基于区域移动的批量群圆矢量亚像素快速识别方法，其特征在于，所述精确圆拟合的具体步骤为：对边沿点数据采用上至下、左至右、西北至东南以及东北至西南四个方向进行灰度梯度统计计算，计算出灰度梯度最大的方向设置为该点亚像素分析矢量计算方向，然后借助细分插值数学方法，得到精确的边沿数据，进一步进行圆拟合即得到圆要素，将圆要素进行输出。