CN103544694A - 基于高清晰测量灰度图像的零件表面三维形貌评价方法 - Google Patents

Abstract

本发明提供一种基于高清晰测量灰度图像的复杂零件表面三维形貌评价方法，包括步骤：首先，采用三维高分辨率表面形貌测量技术对复杂零件表面进行测量，并将测量的三维高密度点云数据转换为灰度图像。然后计算灰度共生矩阵，排除零件外部边界及内部孔洞的像素，得到有效灰度共生矩阵。最后，通过有效灰度共生矩阵计算特征值熵和对比度，分别用于评价复杂零件三维形貌的随机性和三维形貌局部误差的大小。本发明能够对包含孔洞的大尺寸复杂零件表面的三维形貌进行评价，改进了二维形貌评价方法容易产生“漏检”的缺陷和三维微观形貌方法无法直接计算复杂零件表面不连续数据的不足，补充了产品几何特征中有关零件表面形貌的评价体系。

Description

基于高清晰测量灰度图像的零件表面三维形貌评价方法

技术领域

本发明属于零件表面形貌检测和图像处理技术领域，具体涉及一种基于高清晰测量灰度图像的复杂零件表面三维形貌评价方法，尤其是通过计算高清晰测量灰度图像的灰度共生矩阵，挖掘测量数据中蕴含的高度信息和空间信息，实现复杂零件表面三维形貌的定量评价。

背景技术

汽车发动机制造需要精密检测技术，以准确判断发动机质量指标及工艺参数是否达到设计要求。由于发动机缸体、缸盖结合面的三维形貌直接影响发动机燃烧室的密封性及可靠性，因此零件表面三维形貌质量已逐渐成为制造业关注热点。对零件表面三维形貌进行测量、评价，一方面可以及时检测并发现表面缺陷，从而大幅度地减少废品，降低生产成本；二是可以诊断出缺陷的内在原因，识别、监控表面形貌的形成工艺过程，使得工程师可以快速调整工艺过程。专利公开号为WO2008070746、名称为“SYSTEM AND METHOD FOR SHIFTING PHASE IN AMULTI-WAVELENGTH INTERFEROMETRIC IMAGING SYSTEM”的美国PCT专利，提出的三维高清晰测量技术，能够对边长数百毫米的复杂零件表面的三维形貌进行整体检测，生成三维高密度点云数据。但是基于三维高清晰测量技术的复杂零件表面的三维形貌评方法还尚属空白。

传统的表面形貌主要由粗糙度和波纹度两类二维形貌参数进行表征。刘斌等在论文“表面粗糙度测量方法综述”（《光学仪器》2004年第26卷第5期，54-58页）中提到的粗糙度测量方法均基于二维轮廓测量，需要用预先设定的检测点或走轨迹的方法对表面形貌检测，无法反映零件表面三维形貌，容易产生“漏检”问题。另一方面，国际标准“ISO25178GEOMETRICAL PRODUCT SPECIFICATION(GPS)-SURFACE TEXTURE AREAL”给出了新的三维微观形貌评价指标体系，但大多数的三维微观形貌评价方法无法直接用于评价复杂零件的三维形貌，其原因是三维微观形貌只能评价零件局部形状规则的表面，例如边长几毫米的正方形；而对数百平方毫米边长的复杂零件表面，由于包含众多孔洞（例如缸体上表面的缸孔、油孔、水孔等），使得测量数据不连续，同时考虑到测量定位的误差，使得点云数据并不成规则栅格排列，因此无法用三维微观形貌评价方法直接计算。

专利公开号为CN102592284A、名称为“零件表面形貌三维高密度点云数据转化为灰度图像的方法”的中国专利，提出了一种将三维高清晰测量技术获得的三维高密度点云数据，转化为灰度图像的方法，其中点云数据的高度信息转化为像素的灰度值，点云数据的空间信息转化为像素的位置值。通过将三维高密度点云数据转化为一张灰度图像，为本发明“基于高清晰测量灰度图像的复杂零件表面三维形貌评价方法”提供了基础。

发明内容

为了克服现有技术中的二维形貌评价方法和三维微观形貌评价方法，在评价边长数百毫米的复杂零件表面三维形貌方面的不足，本发明提出了一种基于高清晰测量灰度图像的复杂零件表面三维形貌评价方法。由于高清晰测量灰度图像能够保证表面形貌三维高密度点云数据的高度信息和空间信息，并且数据成规则栅格排列，因此可采用灰度共生矩阵的方法对该灰度图像进行分析，并通过排除零件外部边界及内部孔洞，得到有效灰度共生矩阵，计算有工程意义的特征参数，实现复杂零件表面三维形貌的评价。该三维形貌评价方法，可以作为二维形貌评价方法和三维微观形貌评价方法的补充，有效地描述复杂零件表面三维形貌蕴含的内在信息。

本发明是按照下述技术方案实现的。本发明提供的基于高清晰测量灰度图像的复杂零件表面三维形貌评价方法，包括如下步骤：

第一步：获得高清晰测量灰度图像；

对复杂零件表面进行测量，得到三维高密度点云数据，并将三维高密度点云数据转换为灰度图像I(x,y)，其中I为像素的灰度值，取值范围为I＝1,2,3,...,N_g，其中，N_g为灰度级数，对灰度图像通常取值256；x、y分别为像素在灰度图像中的横坐标和纵坐标，取值范围分别x＝1,2,3,...,M和y＝1,2,3,...,N，其中，M为横坐标的最大值，N为纵坐标的最大值；

第二步：计算灰度共生矩阵P(i,j,d,θ)；

将灰度图像I(x,y)读入，根据下式计算灰度共生矩阵P(i,j,d,θ)：

P(i,j,d,θ)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂＝x₁+dcosθ,y₂＝y₁+dsinθ}

其中像素对I(x₁,y₁)与I(x₂,y₂)的灰度值分别为i和j，像素对之间的距离为d，像素对I(x₁,y₁)、I(x₂,y₂)与坐标横轴的夹角为θ，#{}表示集合中满足I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂＝x₁+dcosθ,y₂＝y₁+dsinθ的像素对出现的次数；通过设定距离d和夹角θ，得到不同距离及角度的灰度共生矩阵P(i,j,d,θ)；

第三步：计算有效灰度共生矩阵P_e(i,j,d,θ)；

由于像素的灰度对应测点的高度，灰度为零表示测点高度为零；包含灰度为零的像素对I(x₁,y₁)＝i,I(x₂,y₂)＝j分为两种情况：像素对中的一个像素灰度为零，既i＝0,j≠0或j＝0,i≠0，这表示这个像素对包含零件表面的边界；像素对中两个像素的灰度都为零，既i＝0,j＝0，这表示这个像素对不属于零件表面；有效灰度共生矩阵P_e(i,j,d,θ)，通过添加边界条件i≠0,j≠0得到：P_e(i,j,d,θ)＝P(i,j,d,θ)，如果i≠0,j≠0；否则，P_e(i,j,d,θ)＝0；

第四步：计算归一化的有效灰度共生矩阵p_e(i,j,d,θ)；

将有效灰度共生矩阵P_e(i,j,d,θ)进行归一化，得到像素对出现频率p_e(i,j,d,θ)：

$p_e(i,j,d,\mathrm{\θ})=P_e(i,j,d,\mathrm{\θ})/\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{P}_e(i,j,d,\mathrm{\θ})$

第五步：计算归一化的有效灰度共生矩阵p_e(i,j,d,θ)的特征参数；

灰度共生矩阵提供了图像灰度方向、间隔和变化幅度的信息，根据共生矩阵来计算复杂零件三维形貌的特征值：熵（Entropy）和对比度（Contrast）；

$\mathrm{Entropy}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}_e(i,j)\log \left(p_e(i,j)\right)$

$\mathrm{Contrast}=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{|i-j|=n}{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}}{p}_e(i,j)\right\}$

其中，p_e(i,j)表示特定距离和角度的归一化有效灰度共生矩阵，N_R表示灰度图像的灰度级数；

熵表示复杂零件表面三维形貌的随机性；当零件表面各点高度随机性分布，灰度共生矩阵各处的元素几乎相等，对应熵较大；当零件表面各点高度分布集中时或有规律分布时，灰度共生矩阵中元素相对集中，对应熵较小；

对比度反映了复杂零件三维形貌局部误差的大小；当零件三维形貌局部误差越大纹理越深时，灰度公生矩阵中远离对角线的元素值越大，对比度越大；反之，当零件三维形貌局部误差越小纹理越小时，灰度公生矩阵中远离对角线的元素值越小，对比度越小。

优选地，在所述第一步中，三维高密度点云数据的点云数据空间方向分辨率均为150μm，高度方向测量精度为1μm；三维高密度点云数据转换的灰度图像，像素的灰度值表示点云数据的高度信息，像素位置值表示点云数据的空间信息。

优选地，在所述第二步中，使用MATLAB软件针对不同距离和角度进行计算灰度共生矩阵。

优选地，在所述第三步中，有效灰度共生矩阵通过排除零件外部边界及内部孔洞的像素获得。

优选地，在所述第四步中，归一化的有效灰度共生矩阵将像素对出现的次数转化为频率。

优选地，在第五步中，通过归一化的有效灰度共生矩阵计算出的熵和对比度来评价复杂零件表面的三维形貌特征。

与现有技术相比，本发明的有益效果为：

本发明通过计算高清晰测量灰度图像的有效灰度共生矩阵，排除了零件外部边界及内部孔洞的像素，进而通过计算基于灰度共生矩阵的特征参数，实现复杂零件表面三维形貌的评价，改进了传统二维形貌和三维微观形貌评价方法无法评价复杂零件表面三维形貌的缺点，补充了产品几何特征中有关零件表面形貌的评价体系。通过计算三维形貌中的熵和对比度等参数，一方面可以判断传统形貌参数相同的两个零件，其表面三维形貌的随机性和局部误差是否相同，及时检测并发现产品缺陷，另一方面有助于揭示表面形貌缺陷的内在原因，判断零件表面形貌的加工过程是否稳定，具有重要的工程实用价值。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是某型号发动机缸体顶面的高清晰测量灰度图像；

图2是本发明计算的图1所示零件d＝1、θ＝0°,45°,90°,135°的四个灰度共生矩阵图像；

图3、图4是本发明计算的两个平面度相近但熵不同的缸体顶面三维形貌图像；

图5、图6是本发明计算的两个平面度相近但对比度不同的缸体顶面三维形貌图像。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1、图2、图3、图4所示，本发明方法包括下述步骤：

第一步：获得高清晰测量灰度图像。

通过采用三维高清晰测量技术对发动机缸体顶面进行测量，得到三维高密度点云数据，其空间方向分辨率均为150μm，高度方向测量精度为1μm，测点总数可达80万点。将发动机缸体顶面的三维高密度点云数据转换为灰度图像I(x,y)，如图1所示。其中I为像素的灰度值，取值范围为I＝1,2,3,...,N_g，N_g＝256；x、y分别为灰度图像中像素的横坐标和纵坐标，取值范围分别x＝1,2,3,...,M(M＝870)，和y＝1,2,3,...,N(N＝1635)。

第二步：计算灰度共生矩阵P(i,j,d,θ)。

在计算机上利用MATLAB软件分别将灰度图像I(x,y)读入，计算灰度共生矩阵P(i,j,d,θ)：

P(i,j,d,θ)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂＝x₁+dcosθ,y₂＝y₁+dsinθ}

其中若像素对I(x₁,y₁)与I(x₂,y₂)的灰度值分别为i和j，像素对之间的距离为d，两者与坐标横轴的夹角为θ，那么#{}表示集合中满足上述关系的像素对的次数。通过设定距离d和夹角θ，可得到不同的间距及角度的灰度共生矩阵P(i,j,d,θ)。分别计算d＝1、θ＝0°,45°,90°,135°的四个灰度共生矩阵，计算公式分别为：

距离d＝1，夹角θ＝0°方向的灰度共生矩阵计算公式为：

P(i,j,d,0)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂-x₁＝0,y₂-y₁＝1}

距离d＝1，夹角θ＝45°方向的灰度共生矩阵计算公式为：

P(i,j,d,45)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂-x₁＝1,y₂-y₁＝-1}

距离d＝1，夹角θ＝90°方向的灰度共生矩阵计算公式为：

P(i,j,d,90)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂-x₁＝1,y₂-y₁＝0}

距离d＝1，夹角θ＝135°方向的灰度共生矩阵计算公式为：

P(i,j,d,135)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂-x₁＝1,y₂-y₁＝1}

第三步：计算有效灰度共生矩阵P_e(i,j,d,θ)。

由于三维高密度点云数据转换的灰度图像，包含零件外部边界及内部孔洞的像素，故应将上述像素排除，得到有效灰度共生矩阵P_e(i,j,d,θ)。由于像素的灰度对应测点的高度，灰度为零表示测点高度为零。包含灰度为零的像素对I(x₁,y₁)＝i,I(x₂,y₂)＝j分为两种情况：像素对中的一个像素灰度为零，既i＝0,j≠0或j＝0,i≠0，这表示这个像素对包含零件表面的边界；像素对中两个像素的灰度都为零，既i＝0,j＝0，这表示这个像素对不属于零件表面。有效灰度共生矩阵P_e(i,j,d,θ)，可通过添加边界条件i≠0,j≠0得到：P_e(i,j,d,θ)＝P(i,j,d,θ)，如果i≠0,j≠0；否则，P_e(i,j,d,θ)＝0。排除发动机缸体顶面外部边界和内部孔洞像素的，d＝1、θ＝0°,45°,90°,135°的有效灰度共生矩阵，如图2所示。

第四步：计算归一化的有效灰度共生矩阵p_e(i,j,d,θ)。

为了能够分析评价不同零件间的灰度共生矩阵，需要将有效灰度共生矩阵P_e(i,j,d,θ)进行归一化，得到像素对出现频率p_e(i,j,d,θ)：

$p_e(i,j,d,\mathrm{\θ})=P_e(i,j,d,\mathrm{\θ})/\underset{i=1}{\stackrel{256}{\mathrm{\Σ}}}\underset{j=1}{\overset{256}{\mathrm{\Σ}}}{P}_e(i,j,d,\mathrm{\θ})$

第五步：计算归一化的有效灰度共生矩阵p_e(i,j,d,θ)的特征参数。

灰度共生矩阵提供了图像灰度方向、间隔和变化幅度的信息，因此可根据共生矩阵来计算相应的特征值，来表征零件三维形貌信息。其中，具有工程意义的能够评价复杂零件三维形貌的特征值有熵Entropy和对比度Contrast。

$\mathrm{Entropy}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}_e(i,j)\log \left(p_e(i,j)\right)$

$\mathrm{Contrast}=\underset{n=0}{\overset{255}{\mathrm{\Σ}}}{n}^2\left\{\underset{|i-j|=n}{\underset{i=1}{\overset{256}{\mathrm{\Σ}}}\underset{j=1}{\overset{256}{\mathrm{\Σ}}}}{p}_e(i,j)\right\}$

其中，p_e(i,j)表示表示特定距离和角度的归一化有效灰度共生矩阵。

熵表示复杂零件表面三维形貌的随机性。当缸体顶面各点高度随机性分布，灰度共生矩阵各处的元素几乎相等，对应熵较大，如图3所示；当缸体顶面各点高度分布集中时或有规律分布时，灰度共生矩阵中元素相对集中，对应熵较小，如图4所示。在零件三维形貌完全成白噪声随机分布时，熵最大；在零件三维形貌完全分布在一个平面上时，熵为零。

对比度反映了复杂零件三维形貌局部误差的大小。当缸体顶面三维形貌局部误差越大，振纹越深时，灰度共生矩阵中远离对角线的元素值越大，对比度越大，如图5所示；反之，当零件三维形貌局部误差越小，振纹越浅时，灰度公生矩阵中远离对角线的元素值越小，对比度越小，如图6所示。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (7)

1.一种基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，包括如下步骤：

第一步：获得高清晰测量灰度图像；

对复杂零件表面进行测量，得到三维高密度点云数据，并将三维高密度点云数据转换为灰度图像I(x,y)，其中I为像素的灰度值，取值范围为I＝1,2,3,...,N_g，其中，N_g为灰度级数；x、y分别为像素在灰度图像中的横坐标和纵坐标，取值范围分别x＝1,2,3,...,M和y＝1,2,3,...,N，其中，M为横坐标的最大值，N为纵坐标的最大值；

第二步：计算灰度共生矩阵P(i,j,d,θ)；

将灰度图像I(x,y)读入，根据下式计算灰度共生矩阵P(i,j,d,θ)：

P(i,j,d,θ)＝#{I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂＝x₁+dcosθ,y₂＝y₁+dsinθ}

其中像素对I(x₁,y₁)与I(x₂,y₂)的灰度值分别为i和j，像素对之间的距离为d，像素对I(x₁,y₁)、I(x₂,y₂)与坐标横轴的夹角为θ，#{}表示集合中满足I(x₁,y₁)＝i,I(x₂,y₂)＝j,x₂＝x₁+dcosθ,y₂＝y₁+dsinθ的像素对出现的次数；通过设定距离d和夹角θ，得到不同距离及角度的灰度共生矩阵P(i,j,d,θ)；

第三步：计算有效灰度共生矩阵P_e(i,j,d,θ)；

由于像素的灰度对应测点的高度，灰度为零表示测点高度为零；包含灰度为零的像素对I(x₁,y₁)＝i,I(x₂,y₂)＝j分为两种情况：像素对中的一个像素灰度为零，既i＝0,j≠0或j＝0,i≠0，这表示这个像素对包含零件表面的边界；像素对中两个像素的灰度都为零，既i＝0,j＝0，这表示这个像素对不属于零件表面；有效灰度共生矩阵P_e(i,j,d,θ)，通过添加边界条件i≠0,j≠0得到：P_e(i,j,d,θ)＝P(i,j,d,θ)，如果i≠0,j≠0；否则，P_e(i,j,d,θ)＝0；

第四步：计算归一化的有效灰度共生矩阵p_e(i,j,d,θ)；

将有效灰度共生矩阵P_e(i,j,d,θ)进行归一化，得到像素对出现频率p_e(i,j,d,θ)：

$p_e(i,j,d,\mathrm{\θ})=P_e(i,j,d,\mathrm{\θ})/\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}{P}_e(i,j,d,\mathrm{\θ})$

第五步：计算归一化的有效灰度共生矩阵p_e(i,j,d,θ)的特征参数；

灰度共生矩阵提供了图像灰度方向、间隔和变化幅度的信息，根据共生矩阵来计算复杂零件三维形貌的特征值：熵（Entropy）和对比度（Contrast）；

$\mathrm{Entropy}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}_e(i,j)\log \left(p_e(i,j)\right)$

$\mathrm{Contrast}=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{|i-j|=n}{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}}{p}_e(i,j)\right\}$

其中，p_e(i,j)表示特定距离和角度的归一化有效灰度共生矩阵，N_R表示灰度图像的灰度级数；

熵表示复杂零件表面三维形貌的随机性；当零件表面各点高度随机性分布，灰度共生矩阵各处的元素几乎相等，对应熵较大；当零件表面各点高度分布集中时或有规律分布时，灰度共生矩阵中元素相对集中，对应熵较小；

对比度反映了复杂零件三维形貌局部误差的大小；当零件三维形貌局部误差越大纹理越深时，灰度公生矩阵中远离对角线的元素值越大，对比度越大；反之，当零件三维形貌局部误差越小纹理越小时，灰度公生矩阵中远离对角线的元素值越小，对比度越小。

2.根据权利要求1所述的基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，在所述第一步中，三维高密度点云数据的点云数据空间方向分辨率均为150μm，高度方向测量精度为1μm；三维高密度点云数据转换的灰度图像，像素的灰度值表示点云数据的高度信息，像素位置值表示点云数据的空间信息。

3.根据权利要求1所述的基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，在所述第二步中，使用MATLAB软件针对不同距离和角度进行计算灰度共生矩阵。

4.根据权利要求1所述的基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，在所述第三步中，有效灰度共生矩阵通过排除零件外部边界及内部孔洞的像素获得。

5.根据权利要求1所述的基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，在所述第四步中，归一化的有效灰度共生矩阵将像素对出现的次数转化为频率。

6.根据权利要求1所述的基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，在第五步中，通过归一化的有效灰度共生矩阵计算出的熵和对比度来评价复杂零件表面的三维形貌特征。

7.根据权利要求1所述的基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，对灰度图像，灰度级数N_g取值256。

Images