CN104021558A - 一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法 - Google Patents

Abstract

一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，本发明涉及液晶仪表图案视觉检测方法。本发明是要解决图像误检测率较高、灵活性差以及图像的旋转及缩放的问题，而提出的一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法。该方法是通过1、获得待检测图像和模板图像；2、生成平移待检测图像和平移模板图像；3、计算平移待检图像和平移模板图像的Zernike矩；4、生成尺度归一化矩Z_nm；5、构造矩向量Z_src和Z_tem；6、构造判定特征向量J；7、得到灰度匹配度；8、得到更新后的判定特征向量J'；9、得到相似度的百分比；10、得到检测结果等步骤实现的。本发明应用于液晶仪表图案视觉检测领域。

Description

一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法

技术领域

本发明涉及基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法。

背景技术

随着液晶仪表的广泛应用及大批量自动化生产，出厂前对其进行质量检测已成为关键的一个生产环节。质量检测的重点在于仪表液晶屏的图案检测，即在给定输入信号下，检测液晶屏显示图案信息是否正确。基于机器视觉的液晶仪表图案检测可以在很大程度上代替传统的人工检测，这就需要针对液晶屏图案和视觉检测系统的特点，提出一种通用、高效、准确的检测方法。

目前对液晶仪表图案的检测大多采用基于灰度的模板匹配法，即预先存储正确显示的模板图像，将采集到的图像与模板图像进行灰度匹配，基本思想为：以统计的观点将图像视为二维信号，采用统计相关的方法寻找信号间的相关匹配，利用两个信号的相关函数评价它们的相似性，根据匹配度(百分比)来判断显示图像的正确与否。这种方法最接近人眼检测的方法，易于理解，但灰度匹配存在的问题也较明显：(1)过于依赖精确的图像坐标，即如果被检图像有轻微的旋转和缩放，即使人眼判断无差别，但计算得到的相关匹配度也会有较大的变化，从而导致误检测率较高；(2)灵活性差，传统灰度匹配算法较为固定，实际应用中可做出的调整单一，对多变的实际情况适应性差。而实际检测环境下，被检测仪表的机械装夹误差必然导致图像的旋转及缩放，这就需要一种准确、鲁棒性强的检测方法，同时，实际检测环境的多变要求算法具有足够的灵活性，即对不同的跨行业的视觉检测环境都具有良好的适应能力。

发明内容

本发明的目的是为了解决图像灰度匹配存在的问题中误检测率较高、灵活性差以及实际检测环境中被检测仪表的机械装夹误差导致图像的旋转及缩放的问题，而提出了一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、从相机采集待检测整体图像，根据待检测整体图像信息设定所需检测的图案，设定图像的ROI，截取所检测区域的子图像，并将子图像灰度化，作为待检测图像；从数据库中读取相应的模板图像；

步骤二、将待检测图像和模板图像填充成正方图像，并将检测图像和模板图像的重心平移到正方图像的中心，进行平移归一化生成平移待检测图像和平移模板图像；

步骤三、采用快速算法计算平移待检图像和平移模板图像的Zernike矩；

步骤四、对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm；

步骤五、根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem，其中Z_src为待检测图像向量，Z_tem为模板灰度化图像向量；

步骤六、针对矩向量Z_src和Z_tem中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造判定特征向量J；

步骤七、采用归一化相关系数匹配法计算待检图像与模板图像的灰度匹配度，并转化成百分比即得到灰度匹配度；

步骤八、将灰度匹配度match作为新元素赋值给判定特征向量J,得到更新后的判定特征向量J'；

步骤九、计算判定特征向量J'中各元素的加权算术平均值，得到相似度的百分比Match_result；

步骤十、比较Match_result与设定阈值Threshold，得到检测结果；若Match_result的值大于设定阈值Threshold即认为检测合格；即完成了一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法。

发明效果：

本发明利用图像的归一化Zernike矩进行视觉检测。本发明的难点主要包括Zernike矩的快速算法，阶次的选取，评价特征向量及评价标准的构造，具有以下几方面优点：

1.本发明不依赖精确图像坐标：检测方法以图像的矩特征为主，归一Zernike矩的旋转、平移和尺度不变性保证了算法的稳定性，即使检测系统的机械装卡有一定的误差，采集的图像有一定偏移时也可以稳定地计算各阶矩值。

2.准确率高：Zernike矩本身对噪声保持低敏感性，且冗余信息少，图像描述能力强，对于图像显示中的缺陷(如显示缺项)具有优异的检测识别能力。同时，本发明将图像的不变特征信息与灰度匹配相结合，保证了在错误图像与模板图像特征相近(如八段码的横和竖)情况下检测的准确性，如表1和表2。

3.灵活：只需要调整权重就可以改变检测算法的侧重，只设置灰度匹配的权重时，检测算法等同于传统的模板匹配算法；当图像偏移过大，将灰度匹配的权重设为零即可完全消除机械装卡误差带来的影响。方法的灵活性保证了视觉检测系统的更新及维护的便利。

附图说明

图1是具体实施方式一提出的一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法流程图；

图2是具体实施方式一提出的相机采集待检测整体图像示意图；

图3是具体实施方式一提出的平移归一化生成平移待检测图像示意图；

图4是具体实施方式一提出的Zernike矩的快速算法流程图；

图5是具体实施方式一提出的构造判定特征向量J的流程图；

图6是实施例一提出的表1所对应的待检测图像示意图；

图7是实施例一提出的表1所对应的模板图像示意图；

图8是实施例二提出的表2所对应的待检测图像示意图；

图9是实施例二提出的表2所对应的模板图像示意图；

图10是实施例二提出的相机采集的待检测图像示意图；

图11是实施例一提出的检测算法整体流程图；

图12是具体实施方式一提出的平移归一化生成平移模板图像示意图。

具体实施方式

具体实施方式一：本实施方式的一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，具体是按照以下步骤制备的：

步骤一、从相机采集待检测整体图像如图2，根据待检测整体图像信息设定所需检测的图案，设定图像的ROI，截取所检测区域的子图像，并将子图像灰度化，作为待检测图像(src_GrayImage)；从数据库中读取相应的模板图像(templ_GrayImage)；

步骤二、将待检测图像和模板图像填充成正方图像(Zernike矩要求图像为正方图像)，并将检测图像和模板图像的重心平移到正方图像的中心，进行平移归一化生成平移待检测图像如图3和平移模板图像如图12；

步骤三、采用Mukundan快速算法计算平移待检图像和平移模板图像的Zernike矩；

步骤四、对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm，保证矩的缩放不变性，如图4；

步骤五、根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem，其中Z_src为待检测图像向量，Z_tem为模板灰度化图像向量如图5；

步骤六、针对矩向量Z_src和Z_tem中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造判定特征向量J；

步骤七、基于灰度的相关性匹配，采用归一化相关系数匹配法计算待检图像(src_GrayImage)与模板图像(templ_GrayImage)的灰度匹配度，并转化成百分比即得到灰度匹配度(match(％))；

步骤八、将灰度匹配度match作为新元素赋值给判定特征向量J,得到更新后的判定特征向量J'；

步骤九、计算判定特征向量J'中各元素的加权算术平均值，得到相似度的百分比Match_result；

步骤十、比较Match_result与设定阈值Threshold，得到检测结果即产品是否合格；Match_result的值越大，表明待测图像与模板图像越接近，若Match_result的值大于设定阈值Threshold即认为检测合格，否则检测不合格；如图1即完成了一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法。

本实施方式效果：

本实施方式利用图像的归一化Zernike矩进行视觉检测。本实施方式的难点主要包括Zernike矩的快速算法，阶次的选取，评价特征向量及评价标准的构造，并且本实施方式具有以下几方面优点：

1、本实施方式不依赖精确图像坐标：检测方法以图像的矩特征为主，归一Zernike矩的旋转、平移和尺度不变性保证了算法的稳定性，即使检测系统的机械装卡有一定的误差，采集的图像有一定偏移时也可以稳定地计算各阶矩值。

2、准确率高：Zernike矩本身对噪声保持低敏感性，且冗余信息少，图像描述能力强，对于图像显示中的缺陷(如显示缺项)具有优异的检测识别能力。同时，本实施方式将图像的不变特征信息与灰度匹配相结合，保证了在错误图像与模板图像特征相近(如八段码的横和竖)情况下检测的准确性，如表1和表2。

3、灵活：只需要调整权重就可以改变检测算法的侧重，只设置灰度匹配的权重时，检测算法等同于传统的模板匹配算法；当图像偏移过大，将灰度匹配的权重设为零即可完全消除机械装卡误差带来的影响。方法的灵活性保证了视觉检测系统的更新及维护的便利。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤二中将待检测图像和模板图像填充成正方图像(Zernike矩要求图像为正方图像)，并将检测图像和模板图像的重心平移至正方图像中心，进行平移归一化生成平移待检测图像和平移模板图像的具体过程为：

(1)判断每幅图像自身的宽和高是否相等，若不相等，则对图像进行正方化：比较每幅图像宽和高，选择宽和高较大者作为正方图像的边长，并保证边长的长度为奇数，构造正方图像，并设置正方图像的像素为0，即正方图像为黑色；根据图像的大小将边长适当增加一些像素点，保证后续平移至正方形中心；

(2)根据几何矩计算待检测整体图像重心将正方图像中心移至原图像重心处，处理后图像如图3所示；这一步是平移归一化，保证了矩的平移不变性。其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤三中采用Mukundan快速算法计算待检图像和模板图像的Zernike矩具体过程为：

(1)、采用“方-圆变换”将正方形图像g(x,y)转换到极坐标f(r,ξ)下，r,ξ由下式得到：γ＝max{|x|,|y|}，若|x|＝γ，则若|y|＝γ，则像素(r,ξ)对应的归一化极坐标为：r＝2γ/N，θ＝πξ/4γ，其中N为正方图像的边长像素点的个数；

(2)、迭代法计算Zernike径向n阶m重多项式R_nm(r)；其中m≥0且n-k为偶数， $B_{\mathrm{nmk}}=\frac{{(-1)}^{(n-k)/2}\left(\frac{n+k}{2}\right)!}{\left(\frac{n-k}{2}\right)!\left(\frac{k+m}{2}\right)!\left(\frac{k-m}{2}\right)!};$ 迭代方法为：

B_nmk＝1， $B_{n(m-2)n}=B_{\mathrm{nmn}}\frac{(n+m)}{(n-m+2)},$ $B_{\mathrm{nm}(k-2)}=B_{\mathrm{nmk}}\frac{m^2-k^2}{(n+k)(n-k+2)}$

(3)、按下述公式计算n阶m重Zernike矩：

$Z_{\mathrm{nm}}^{\left(c\right)}=\frac{2p+2}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\cos \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

$Z_{\mathrm{nm}}^{\left(s\right)}=\frac{-(2p+2)}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\sin \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

其中，c为Zernike矩的实部，s为Zernike矩的虚部由此计算各阶Zernike矩。其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤四中对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm方法为：

计算图像的0阶几何矩m₀₀，记步骤三中计算得到Zernike矩为Z'_nm，则归一化矩为：

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤五中根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem方法为：

(1)计算尺度归一化Zernike矩Z_nm；

(2)根据尺度归一化Zernike矩实部与尺度归一化Zernike矩虚部值计算得尺度归一化Zernike矩模值，利用模值构造特征向量Z，分别构造待检图像和模板的特征向量Z_src和Z_tem。其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤六中针对矩向量Z_src和Z_tem中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造特征向量J的具体为：

对于i＝1，2......8，循环比较Z_src[i]与Z_tem[i]，若Z_src[i]>Z_tem[i]，则J[i]＝Z_tem[i]/Z_src[i]，若Z_src[i]≤Z_tem[i]，则J[i]＝Z_src[i]/Z_tem[i]。其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：步骤九中计算判定特征向量J'中各元素的加权算术平均值，得到相似度的百分比Match_result具体过程为：

归一化相关系数匹配法计算待检图像(src_GrayImage)与模板图像(templ_GrayImage)的灰度匹配度，并转化成百分比即得到灰度匹配度(match(％))，将match作为新元素加入到判定特征向量J中，得到更新后的判定特征向量J'，计算J'中各元素的加权算数平均值，得到相似度的百分比Match_result。其它步骤及参数与具体实施方式一至六之一相同。采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，具体是按照以下步骤制备的，如图11：

步骤一、从相机采集待检测整体图像如图2，根据待检测整体图像信息设定所需检测的图案，设定图像的ROI，截取所检测区域的子图像，并将子图像灰度化，作为待检测图像(src_GrayImage)；从数据库中读取相应的模板图像(templ_GrayImage)；

步骤二、将待检测图像和模板图像填充成正方图像(Zernike矩要求图像为正方图像)，并正方图像中心平移到检测图像的重心，进行平移归一化生成平移待检测图像和平移模板图像如图6；

(1)判断每幅图像自身的宽和高是否相等，若不相等，则对图像进行正方化：比较每幅图像宽和高，选择宽和高较大者作为正方图像的边长，并保证边长的长度为奇数，构造正方图像，并设置正方图像的像素为0，即正方图像为黑色；根据图像的大小将边长适当增加一些像素点，保证后续平移至正方形中心；

(2)根据几何矩计算待检测整体图像重心将正方图像中心移至原图像重心处，处理后图像如图6和7所示；这一步是平移归一化，保证了矩的平移不变性；

步骤三、采用Mukundan快速算法计算平移待检图像和平移模板图像的Zernike矩；

(1)、采用“方-圆变换”将正方形图像g(x,y)转换到极坐标f(r,ξ)下，r,ξ由下式得到：γ＝max{|x|,|y|}，若|x|＝γ，则若|y|＝γ，则像素(r,ξ)对应的归一化极坐标为：r＝2γ/N，θ＝πξ/4γ，其中N为正方图像的边长像素点的个数；

(2)、迭代法计算Zernike径向n阶m重多项式R_nm(r)；其中m≥0且n-k为偶数， $B_{\mathrm{nmk}}=\frac{{(-1)}^{(n-k)/2}\left(\frac{n+k}{2}\right)!}{\left(\frac{n-k}{2}\right)!\left(\frac{k+m}{2}\right)!\left(\frac{k-m}{2}\right)!};$ 迭代方法为：

B_nmk＝1， $B_{n(m-2)n}=B_{\mathrm{nmn}}\frac{(n+m)}{(n-m+2)},$ $B_{\mathrm{nm}(k-2)}=B_{\mathrm{nmk}}\frac{m^2-k^2}{(n+k)(n-k+2)}$

(3)、按下述公式计算n阶m重Zernike矩：

$Z_{\mathrm{nm}}^{\left(c\right)}=\frac{2p+2}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\cos \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

$Z_{\mathrm{nm}}^{\left(s\right)}=\frac{-(2p+2)}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\sin \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

其中，c为Zernike矩的实部，s为Zernike矩的虚部由此计算各阶Zernike矩，m，n的取值如表1所示；

步骤四、对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm，保证矩的缩放不变性；

计算图像的0阶几何矩m₀₀，记步骤三中计算得到Zernike矩为Z_nm’，则归一化矩为：

$Z_{\mathrm{nm}}=\frac{{Z_{\mathrm{nm}}}^{,}}{m_{00}};$

步骤五、根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem，其中Z_src为待检测图像向量，Z_tem为模板灰度化图像向量；

(1)根据尺度归一化Zernike矩，选取阶数为2,4,6,8,10阶，计算对应的尺度归一化Zernike矩；

(2)根据尺度归一化Zernike矩实部与尺度归一化Zernike矩虚部值计算得尺度归一化Zernike矩模值，利用模值构造特征向量Z＝{Z₂₂,Z₄₀,Z₄₂,Z₆₂,Z₆₄,Z₈₂,Z₈₆,Z₁₀,₈}，分别构造待检图像和模板的特征向量Z_src和Z_tem如表1所示；

步骤六、针对矩向量Z_src和Z_tem，中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造判定特征向量J，如表1；

对于i＝1，2......8，循环比较Z_src[i]与Z_tem[i]，若Z_src[i]>Z_tem[i]，则J[i]＝Z_tem[i]/Z_src[i]，若Z_src[i]≤Z_tem[i]，则J[i]＝Z_src[i]/Z_tem[i]；

步骤七、基于灰度的相关性匹配，采用归一化相关系数匹配法计算待检图像如图6(src_GrayImage)与模板图像如图7(templ_GrayImage)的灰度匹配度，并转化成百分比即得到匹配度百分比(match(％))；

步骤八、将灰度匹配度match作为新元素赋值给判定特征向量J,得到更新后的判定特征向量J'；

步骤九、计算判定特征向量J'中各元素的加权算术平均值，得到百分比的检测结果Match_result，如表1；

步骤十、比较Match_result与设定阈值Threshold，得到检测结果即产品是否合格；Match_result的值越大，表明待测图像与模板图像越接近，Match_result的值97.55％大于设定阈值Threshold95％即可认为检测合格，如表1所示；其中，设定阈值Threshold是根据用户实际需求设定的如下表：

表1合格产品检测数据示例表

图像的矩描述图像的全局形状特征，并可以提供大量关于该图像不同类型的几何特征信息，其中，Zernike矩是性能最优异的矩；Zernike矩是一组正交矩，描述图像特征的冗余度小，图像描述能力强，抗噪声干扰能力强；同时，Zernike矩具有旋转不变性，进行归一化处理后，还同时具有平移、旋转、缩放不变性，具有很强的鲁棒性；传统地，Zernike矩通常用来进行图像识别和模式分类，或应用在水印技术中；将Zernike矩应用到视觉检测质量控制中是本发明的创新点之一；并且本发明适用性广：核心思想是比较待检图像和模板图像的差异，改变模板图像，就可以检测应用于不同的液晶仪表中，跨平台适应性极强。

实施例二：

本实施例一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，具体是按照以下步骤制备的：

步骤一、从相机采集待检测整体图像如图10，根据待检测整体图像信息设定所需检测的图案，设定图像的ROI，截取所检测区域的子图像，并将子图像灰度化，作为待检测图像(src_GrayImage)；从数据库中读取相应的模板图像(templ_GrayImage)；

步骤二、将待检测图像和模板图像填充成正方图像(Zernike矩要求图像为正方图像)，并正方图像中心平移到检测图像的重心，进行平移归一化生成平移待检测图像和平移模板图像如图8和9；

(1)判断每幅图像自身的宽和高是否相等，若不相等，则对图像进行正方化：比较每幅图像宽和高，选择宽和高较大者作为正方图像的边长，并保证边长的长度为奇数，构造正方图像，并设置正方图像的像素为0，即正方图像为黑色；根据图像的大小将边长适当增加一些像素点，保证后续平移至正方形中心；

(2)根据几何矩计算待检测整体图像重心将正方图像中心移至原图像重心处，处理后图像如图8和9所示；这一步是平移归一化，保证了矩的平移不变性；

步骤三、采用Mukundan快速算法计算平移待检图像和平移模板图像的Zernike矩；

(1)、采用“方-圆变换”将正方形图像g(x,y)转换到极坐标f(r,ξ)下，r,ξ由下式得到：γ＝max{|x|,|y|}，若|x|＝γ，则若|y|＝γ，则像素(r,ξ)对应的归一化极坐标为：r＝2γ/N，θ＝πξ/4γ，其中N为正方图像的边长像素点的个数；

(2)、迭代法计算Zernike径向n阶m重多项式R_nm(r)；其中m≥0且n-k为偶数， $B_{\mathrm{nmk}}=\frac{{(-1)}^{(n-k)/2}\left(\frac{n+k}{2}\right)!}{\left(\frac{n-k}{2}\right)!\left(\frac{k+m}{2}\right)!\left(\frac{k-m}{2}\right)!};$ 迭代方法为：

B_nmk＝1， $B_{n(m-2)n}=B_{\mathrm{nmn}}\frac{(n+m)}{(n-m+2)},$ $B_{\mathrm{nm}(k-2)}=B_{\mathrm{nmk}}\frac{m^2-k^2}{(n+k)(n-k+2)}$

(3)、按下述公式计算n阶m重Zernike矩：

$Z_{\mathrm{nm}}^{\left(c\right)}=\frac{2p+2}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\cos \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

$Z_{\mathrm{nm}}^{\left(s\right)}=\frac{-(2p+2)}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\sin \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

其中，c为Zernike矩的实部，s为Zernike矩的虚部由此计算各阶Zernike矩；

步骤四、对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm，保证矩的缩放不变性；

计算图像的0阶几何矩m₀₀，记步骤三中计算得到Zernike矩为Z_nm’，则归一化矩为：

$Z_{\mathrm{nm}}=\frac{{Z_{\mathrm{nm}}}^{,}}{m_{00}};$

步骤五、根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem，其中Z_src为待检测图像向量，Z_tem为模板灰度化图像向量如表2；

(1)根据尺度归一化Zernike矩，选取阶数为2,4,6,8,10阶，计算对应的尺度归一化Zernike矩；

(2)根据尺度归一化Zernike矩实部与尺度归一化Zernike矩虚部值计算得尺度归一化Zernike矩模值，利用模值构造特征向量Z＝{Z₂₂,Z₄₀,Z₄₂,Z₆₂,Z₆₄,Z₈₂,Z₈₆,Z₁₀,₈}，分别构造待检图像和模板的特征向量Z_src和Z_tem，如表2：

步骤六、针对矩向量Z_src和Z_tem，中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造判定特征向量J如表2；

对于i＝1，2......8，循环比较Z_src[i]与Z_tem[i]，若Z_src[i]>Z_tem[i]，则J[i]＝Z_tem[i]/Z_src[i]，若Z_src[i]≤Z_tem[i]，则J[i]＝Z_src[i]/Z_tem[i]；

步骤七、基于灰度的相关性匹配，采用归一化相关系数匹配法计算待检图像(src_GrayImage)与模板图像(templ_GrayImage)的灰度匹配度，并转化成百分比即得到匹配度百分比(match(％))；

步骤八、将灰度匹配度match作为新元素赋值给判定特征向量J,得到更新后的判定特征向量J'；

步骤九、计算评判特征向量J'中各元素的加权算术平均值，得到百分比的检测结果Match_result，如表2；

步骤十、比较Match_result与设定阈值Threshold，得到检测结果即产品是否合格；Match_result的值越大，表明待测图像与模板图像越接近，Match_result的值91.25％≤设定阈值Threshold95％，即可认为检测产品不合格，如表2：

表2不合格产品检测数据示例表

图像的矩描述图像的全局形状特征，并可以提供大量关于该图像不同类型的几何特征信息，其中，Zernike矩是性能最优异的矩；Zernike矩是一组正交矩，描述图像特征的冗余度小，图像描述能力强，抗噪声干扰能力强；同时，Zernike矩具有旋转不变性，进行归一化处理后，还同时具有平移、旋转、缩放不变性，具有很强的鲁棒性；传统地，Zernike矩通常用来进行图像识别和模式分类，或应用在水印技术中；将Zernike矩应用到视觉检测质量控制中是本发明的创新点之一；并且本发明适用性广：核心思想是比较待检图像和模板图像的差异，改变模板图像，就可以检测应用于不同的液晶仪表中，跨平台适应性极强。

Claims (7)

1.一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法具体是按照以下步骤进行的：

步骤一、从相机采集待检测整体图像，根据待检测整体图像信息设定所需检测的图案，设定图像的ROI，截取所检测区域的子图像，并将子图像灰度化，作为待检测图像；从数据库中读取相应的模板图像；

步骤二、将待检测图像和模板图像填充成正方图像，并将检测图像和模板图像的重心平移到正方图像的中心，进行平移归一化生成平移待检测图像和平移模板图像；

步骤三、采用快速算法计算平移待检图像和平移模板图像的Zernike矩；

步骤四、对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm；

步骤五、根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem，其中Z_src为待检测图像向量，Z_tem为模板灰度化图像向量；

步骤六、针对矩向量Z_src和Z_tem中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造判定特征向量J；

步骤七、采用归一化相关系数匹配法计算待检图像与模板图像的灰度匹配度，并转化成百分比即得到灰度匹配度；

步骤八、将灰度匹配度match作为新元素赋值给判定特征向量J,得到更新后的判定特征向量J'；

步骤九、计算判定特征向量J'中各元素的加权算术平均值，得到相似度的百分比Match_result；

步骤十、比较Match_result与设定阈值Threshold，得到检测结果；若Match_result的值大于设定阈值Threshold即认为检测合格；即完成了一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法。

2.根据权利要求1所述一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：步骤二中将待检测图像和模板图像填充成正方图像，并将检测图像和模板图像的重心平移到正方图像的中心，进行平移归一化生成平移待检测图像和平移模板图像的具体过程为：

(1)判断每幅图像自身的宽和高是否相等，若不相等，则对图像进行正方化：比较每幅图像宽和高，选择宽和高较大者作为正方图像的边长，并保证边长的长度为奇数，构造正方图像，并设置正方图像的像素为0，即正方图像为黑色；

(2)根据几何矩计算待检测整体图像重心将正方图像中心移至原图像重心处。

3.根据权利要求1所述一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：步骤三中采用快速算法计算待检图像和模板图像的Zernike矩具体过程为：

(1)、采用“方-圆变换”将正方形图像g(x,y)转换到极坐标f(r,ξ)下，r,ξ由下式得到：γ＝max{|x|,|y|}，若|x|＝γ，则若|y|＝γ，则像素(r,ξ)对应的归一化极坐标为：r＝2γ/N，θ＝πξ/4γ，其中N为正方图像的边长像素点的个数；

(2)、迭代法计算Zernike径向n阶m重多项式R_nm(r)；其中m≥0且n-k为偶数， $B_{\mathrm{nmk}}=\frac{{(-1)}^{(n-k)/2}\left(\frac{n+k}{2}\right)!}{\left(\frac{n-k}{2}\right)!\left(\frac{k+m}{2}\right)!\left(\frac{k-m}{2}\right)!};$ 迭代方法为：

B_nmk＝1， $B_{n(m-2)n}=B_{\mathrm{nmn}}\frac{(n+m)}{(n-m+2)},$ $B_{\mathrm{nm}(k-2)}=B_{\mathrm{nmk}}\frac{m^2-k^2}{(n+k)(n-k+2)}$

(3)、按下述公式计算n阶m重Zernike矩：

$Z_{\mathrm{nm}}^{\left(c\right)}=\frac{2p+2}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\cos \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

$Z_{\mathrm{nm}}^{\left(s\right)}=\frac{-(2p+2)}{N^2}\underset{\mathrm{\γ}=1}{\overset{N/2}{\mathrm{\Σ}}}{R}_{\mathrm{nm}}\left(\frac{2\mathrm{\γ}}{N}\right)\underset{\mathrm{\ξ}=1}{\overset{8\mathrm{\γ}}{\mathrm{\Σ}}}\sin \left(\frac{\mathrm{\πq\ξ}}{4\mathrm{\γ}}\right)f(r,\mathrm{\θ})$

其中，c为Zernike矩的实部，s为Zernike矩的虚部由此计算各阶Zernike矩。

4.根据权利要求1所述一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：步骤四中对计算所得的平移待检图像和平移模板图像的Zernike矩进行尺度归一化生成尺度归一化矩Z_nm为：

计算图像的0阶几何矩m₀₀，记步骤三中计算得到Zernike矩为Z'_nm，则归一化矩为：

$Z_{\mathrm{nm}}=\frac{{Z_{\mathrm{nm}}}^{,}}{m_{00}}.$

5.根据权利要求1所述一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：步骤五中根据尺度归一化矩Z_nm构造矩向量Z_src和Z_tem方法为：

(1)计算尺度归一化Zernike矩Z_nm；

(2)根据尺度归一化Zernike矩实部与尺度归一化Zernike矩虚部值计算得尺度归一化Zernike矩模值，利用模值构造特征向量Z，分别构造待检图像和模板的特征向量Z_src和Z_tem。

6.根据权利要求1所述一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：步骤六中针对矩向量Z_src和Z_tem中的每一个元素，计算矩向量Z_src和Z_tem的相对匹配百分比，并将矩向量Z_src和Z_tem的相对匹配百分比存储在判定特征向量J中，构造特征向量J的具体为：

对于i＝1，2......8，比较Z_src[i]与Z_tem[i]，若Z_src[i]>Z_tem[i]，则J[i]＝Z_tem[i]/Z_src[i]，若Z_src[i]≤Z_tem[i]，则J[i]＝Z_src[i]/Z_tem[i]。

7.根据权利要求1所述一种基于归一Zernike矩和灰度匹配的液晶仪表图案视觉检测方法，其特征在于：步骤九中计算判定特征向量J'中各元素的加权算术平均值，得到相似度的百分比Match_result具体过程为：

归一化相关系数匹配法计算待检图像与模板图像的灰度匹配度，并转化成百分比即得到灰度匹配度，将match作为新元素加入到判定特征向量J中，得到更新后的判定特征向量J'，计算J'中各元素的加权算数平均值，得到相似度的百分比Match_result。