CN104422628A - 基于维氏硬度的压痕图像识别方法及系统 - Google Patents

Abstract

本发明实施例提供了一种基于维氏硬度的压痕图像识别方法及系统，所述的方法包括：通过维氏硬度计在布氏硬度试块上压出压痕；通过相机获取与所述的压痕对应的压痕图像；对所述的压痕图像进行聚类粗定位，得到定位范围；在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘；根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线；根据所述的最佳拟合直线进行角点定位，得到最终角点。解决现有技术中识别得到的硬度值具有较大的误差，准确性较低的技术问题，实现了对压痕图像的准确测量。

Description

基于维氏硬度的压痕图像识别方法及系统

技术领域

本发明关于硬度的测量技术，特别是关于维氏硬度的测量技术，具体的讲是一种基于维氏硬度的压痕图像识别方法及系统。

背景技术

硬度测量广泛应用于工业生产、科学实验和国家建设领域。硬度是材料机械性能和产品质量的重要指标之一，是固体材料抵抗形变、破坏的能力。物质的硬度值的大小不仅取决于材料本身，而且更取决于测量方法和测量条件。常规的硬度测量方法按照施加负荷的情况可分为静负荷试验方法和动负荷试验方法二大类，其中静负荷试验方法是在静负荷作用下使压头压入材料来测定硬度，如布氏、维氏、洛氏、肖氏等硬度试验方法；动负荷试验方法是在动负荷作用下使压头冲击材料来测定硬度，如冲击布氏、冲击肖氏试验。

维氏硬度试验是由1925年英国人R.L.Smith和G.E.Standland发明，由Vickers公司首先制造。这种试验方法是利用夹角136°的正四棱锥金刚石压头在一定负荷作用下压入试件，通过测量菱形压痕对角线长度来表示硬度值。关于压痕的测量方式可以分为人工和半人工测量两种方式。人工测量采用目测与手动调节位移相结合的方法，借助显微目镜分划板移动试件，确定压痕上下、左右边缘的切线位置，分别读取移动的位移大小作为压痕宽度计算硬度。半人工测量则是明确压痕大致区域后利用图像处理对压痕进行垂直、水平轴向范围内的自动识别和测量。

上述传统的测量方式中造成误差的直接原因是由于人工视觉极易疲劳且受限于感观认识差异。随着工作时间的推移，工作效率渐低，误差也会逐步增大。因此，测量得到的硬度值具有较大的误差，准确性较低。

发明内容

为了解决现有技术中测量得到的硬度值具有较大的误差，准确性较低的技术问题，本发明实施例提供了一种基于维氏硬度的压痕图像识别方法及系统，通过维氏硬度计的光路系统以及相机分别对布氏硬度试块开展自动识别，通过粗定位将压痕从不同复杂背景中剥离出来，再进行边缘抑制提取，无效干扰的边缘信息得到抑制，从而将压痕轮廓边界的主干边缘保留下来，其后通过精细定位得到四边拟合直线，将当前测量的边界范围加上角点从新定位后即可实现对压痕图像的准确测量。

本发明的目的之一是，提供一种基于维氏硬度的压痕图像识别方法，所述的方法包括：通过维氏硬度计在布氏硬度试块上压出压痕；通过相机获取与所述的压痕对应的压痕图像；对所述的压痕图像进行聚类粗定位，得到定位范围；在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘；根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线；根据所述的最佳拟合直线进行角点定位，得到最终角点。

本发明的目的之一是，提供一种基于维氏硬度的压痕图像识别系统，所述的系统包括：维式硬度计，用于在布氏硬度试块上压出压痕；相机，用于获取与所述的压痕对应的压痕图像；聚类粗定位装置，用于对所述的压痕图像进行聚类粗定位，得到定位范围；抑制提取装置，用于在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘；四边拟合定位装置，用于根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线；角点定位装置，用于根据所述的最佳拟合直线进行角点定位，得到最终角点。

本发明的有益效果在于，提供了一种基于维氏硬度的压痕图像识别方法及系统，通过维氏硬度计的光路系统以及相机分别对布氏硬度试块开展自动识别，通过粗定位将压痕从不同复杂背景中剥离出来，再进行边缘抑制提取，无效干扰的边缘信息得到抑制，从而将压痕轮廓边界的主干边缘保留下来，其后通过精细定位得到四边拟合直线，将当前识别的边界范围加上角点从新定位后即可实现对压痕图像的准确测量，具有比较好的自适应能力和鲁棒性，解决了现有技术中测量得到的硬度值具有较大的误差，准确性较低的技术问题。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于维氏硬度的压痕图像识别方法的流程图；

图2为图1中的步骤S103的具体流程图；

图3为图2中的步骤S201的具体流程图；

图4为图2中的步骤S205的具体流程图；

图5为图1中的步骤S104的具体流程图；

图6为图5中的步骤S502的具体流程图；

图7为图1中的步骤S105的具体流程图；

图8为图1中的步骤S106的具体流程图；

图9为本发明实施例提供的一种基于维氏硬度的压痕图像识别系统的结构框图；图10为图9中的聚类粗定位装置300的结构框图；

图11为图10中的融合模块301的结构框图；

图12为图10中的邻近分析模块305的结构框图；

图13为图9中的抑制提取装置400的结构框图；

图14为图13中的直方统计模块402的结构框图；

图15为图9中的四边拟合定位装置500的结构框图；

图16为图9中的角点定位装置600的结构框图；

图17为TH700维氏硬度计的基本测量光路示意图；

图18为δ=2.5时的高斯核系数的曲线示意图；

图19为原始维氏压痕1的示意图；

图20为原始维氏压痕1抑制后的边缘示意图；

图21为原始维氏压痕2的示意图；

图22为原始维氏压痕2抑制后的边缘示意图；

图23为原始维氏压痕3的示意图；

图24为原始维氏压痕3抑制后的边缘示意图；

图25为直线截矩的几何示意图；

图26为压痕轮廓的4个角点的示意图；

图27为压痕轮廓的角点提取时的示意图；

图28为原始维氏压痕4的示意图；

图29为原始维氏压痕4识别后的示意图；

图30为原始维氏压痕5的示意图；

图31为原始维氏压痕5识别后的示意图；

图32为原始维氏压痕6的示意图；

图33为原始维氏压痕6识别后的示意图；

图34为原始维氏压痕7的示意图；

图35为原始维氏压痕7识别后的示意图；

图36为原始维氏压痕8的示意图；

图37为原始维氏压痕8识别后的示意图；

图38为α≥90°时直线截矩的几何示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一般来说，不同试件表面由于粗糙度、磨损程度的不同，压痕背景具有较大的不确定度。结合被测试件的压痕成像效果，本文提出了粗定位、边缘提取分析、四边拟合定位、角点精细定位的方法。

由于受不同金属反射率的不同，自动识别过程会面临如下几种情况：

（1）、根据应用场合不同，外部光强度有较大差异，压痕中心区域会出现反光的亮斑，且亮斑位置范围不确定。压痕与试件表面的对比度也或强或弱，这都给自动识别定位带来了困难。

（2）、不同材质物体表面的粗糙度、光洁度、反射率不同，因此成像效果本身就带有极大不确定性。受各种条件影响，金属表面甚至还会出现锈斑和不规则的纹理，基于简单的分割剥离、边缘提取是远远不能满足精细处理的要求。

综合上面的分析，本发明在测量方式上提出如下假设：

（1）、测量压痕的中心应大致靠近于图像的正中位置。

（2）、压痕应是当前视场内图像的主体，压痕占全图的面积大致比例为：20%-85%。

（3）、通过同轴光源的照射后，压痕的成像效果应当与周围不仅有所区别，而且也具有一定的聚合度和刚性。

（4）、出于功能的考虑，压痕的大致中心位置预先由人工设定。

本发明实施例通过维氏硬度计的光路系统以及相机分别对布氏硬度试块开展自动识别，通过粗定位将压痕从不同复杂背景中剥离出来，再进行边缘抑制提取，无效干扰的边缘信息得到抑制，从而将压痕轮廓边界的主干边缘保留下来，其后通过精细定位得到四边拟合直线，将当前测量的边界范围加上角点从新定位后即可实现对压痕图像的准确测量。图1为本发明实施例提供的一种基于维氏硬度的压痕图像识别方法的流程图，由图1可知，该方法具体包括：

S101：通过维氏硬度计在布氏硬度试块上压出压痕。在具体的实施方式中，维氏硬度计诸如为TH700，图17为其对应的基本测量光路示意图，由图17可知，TH700维氏硬度计的基本成像光路采用同轴光源，由光源101、直角棱镜102、放大物镜103组成。光源通过棱镜均匀投射到布氏硬度试块104的表面。

S102：通过相机获取与所述的压痕对应的压痕图像，在具体的实施方式中，相机可通过CMOS相机来实现，如图17中的工业CMOS相机。

S103：对所述的压痕图像进行聚类粗定位，得到定位范围。图2为步骤S103的具体流程图，本发明通过梯度融合与聚类相结合对压痕轮廓进行粗定位。

S104：在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘。图5为步骤S104的具体流程图。

S105：根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线。图7为步骤S105的具体流程图。

S106：根据所述的最佳拟合直线进行角点定位，得到最终角点。图8为步骤S106的具体流程图。下面逐一对各个步骤进行详细介绍。

图2为图1中的步骤S103的具体流程图，由图2可知，步骤S103具体包括：

S201：对所述的压痕图像进行融合，得到融合图像矩阵。图3为步骤S201的具体流程图，由图3可知，该步骤具体包括：

S301：确定所述压痕图像的水平方向梯度分量；

S302：确定所述压痕图像的垂直方向梯度分量；

设压痕图像为f(x，y)，则水平方向梯度分量为fx、垂直方向梯度分量为fy。

S303：根据所述的水平方向梯度分量以及所述垂直方向梯度分量确定与所述的压痕图像对应的梯度模矩阵f′(x，y)。

由水平方向梯度分量和垂直方向梯度分量可以计算当前梯度模矩阵，表达式如下：

$f^{\′}(x,y)=\sqrt{{f_x}^2+{f_y}^2}---\left(1\right)$

其中，梯度二者可以直接通过公式（2）的索贝尔Sobel算子卷积得到：

$\begin{array}{cc}{f}_x=f(x,y)*\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]& f_y=f(x,y)*\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]\end{array}$

S304：获取预先设定的权值系数。权值系数可预先设定，诸如设定ω=0.3。

S305：根据所述的权值系数将所述的梯度模矩阵与所述的压痕图像进行融合，得到融合图像矩阵f′′(x，y)。该步骤通过下述公式（3）实现。

f′′(x，y)=ωf(x，y)+(1-ω)f′(x，y)   （3）

由图2可知，步骤S103还包括：S202：对所述的融合图像矩阵进行分割，得到二值化图像。在具体的实施方式中，可计算f′′(x，y)的均值，并以为阈值对f′′(x，y)进行分割，进而得到二值化图像。

S203：对所述的二值化图像进行腐蚀剥离形态运算，得到待聚类样本图像矩阵f′′′(x，y)。在具体的实施方式中，可将二值化图像进行一次5×5小结构的腐蚀剥离形态运算，目的是在保持原有主体信息的原则上摒除一些过小的可以忽略的像素点。具体方法是：统计像素(x，y)9×9邻域范围内的有效点数量，大于某一阈值（诸如12）时，证明该点可能隶属于某一区域块则继续保留，否则给予摒除，这样就得到了待聚类样本图像矩阵f′′′(x，y)。

S204：根据试探聚类算法将所述的待聚类样本图像矩阵分为压痕以及无效点。在具体的实施方式中，可根据试探聚类算法的基本理论原则，将f′′′(x，y)视为一个空间样本集合F′′＝[f′′₁，f′′₂，……f′′_n]进行观察，将其分为ω₁、ω₂二类，ω₁代表压痕，ω₂代表压痕以外的无效点。

S205：对所述的压痕进行邻近分析，得到分析结果。图4为步骤S205的具体流程图，由图4可知，该步骤具体包括：

S401：获取预先设定的所述压痕的起始位置。ω₁的起始位置可以预先由人工设定。

S402：采用自适应法确定待聚类样本图像矩阵的起始距离；

S403：采用自适应法确定待聚类样本图像矩阵的步长值。聚类的起始距离和步长值均可采用自适应方式取得。具体方法是：设f′′′(x，y)是大小M×N的矩阵，即M行N列，且M≤N。当前f′′′(x，y)内的有效点数量占全图比率为η₁，则可令初始化聚类距离为 $D_0=\frac{{\mathrm{\η}}_1\×M}{8},$ 其对应的步长值： $\mathrm{step}=\frac{M}{9}.$

S404：确定所述待聚类样本图像矩阵中各个样本到所述压痕中心的欧氏距离。即计算f′′′(x，y)空间内各个样本f_i到ω₁中心的欧式距离即：D_ix=||f_i-ω₁||。

由图2可知，步骤S103还包括：

S206：根据所述的分析结果采用聚类补偿法对填充后的压痕进行聚类粗定位，得到定位范围。待上述准备工作结束后就可以正式开始对压痕本体的大致范围进行粗定位聚类了，处理步骤如下：

①、设当前搜索区间[D₀，D₀+240]；

②、当前类中心位置为(x_c，y_c)，在搜索区域内如果发现有效点则计数；

③、根据当前类内元素坐标范围的中心计算新的类中心坐标，即公式（4），使类中心坐标不断自适应更新调整：

$x_c=\frac{\mathrm{Max}\left(x_n\right)-\mathrm{Min}\left(x_n\right)}{2};y_c=\frac{\mathrm{Max}\left(y_n\right)-\mathrm{Min}\left(y_n\right)}{2}---\left(4\right)$

④、统计当前搜索范围内有效点的数量Num(new)与上一次数量Num(old)相比较。如果满足不等式（5）则可以停止聚类循环，否则利用步长值扩大搜索范围重复②③④步骤。

$\frac{\mathrm{ABS}(\mathrm{Num}\left(\mathrm{new}\right)-\mathrm{Num}\left(\mathrm{old}\right))}{\mathrm{Num}\left(\mathrm{old}\right)}\≤5.0\%---\left(5\right)$

聚类分析结束后利用水平垂直投影对有效点的覆盖范围进行确认，至此压痕的大致轮廓范围就从背景中被基本区分出来，粗定位环节结束。

粗定位结束后，在定位范围内需要进一步进行边缘的提取和抑制，以获取压痕轮廓边界以供拟合和精细处理。常规的边缘处理方法有很多，常用的如差分、罗伯特、索贝尔、Prewitt、坎尼、拉普拉斯等等。每一种方法都有其独立的特性。经典的边缘提取算法虽然能够获取到大量的边缘信息，但却无法达到抑制和同步比较的目的。本发明的研究对象仅仅是压痕，并希望在本环节中尽可能地获取压痕的本体边界信息。因此正是出于这样的考虑，本发明选择了在坎尼（Canny）经典思想基础上进行改进的模型。下面结合图5进行介绍。

图5为图1中的步骤S104的具体流程图，由图5可知，步骤S104具体包括：

S501：构造高斯一阶导核函数。构造一个方差为δ（在具体的实施方式中，维氏压痕可采用δ=2.5）的高斯一阶导核函数，为了简化求解方法，本发明中截取系数表达式在一定范围内较大值的数量。在x∈[1，30]定义域内查询满足不等式成立的有效数量为W。以自变量t定义高斯表达式：

其定义域t∈[-W，+W]   （6）

则高斯函数的一阶导形式为：

$\frac{\∂G}{\∂t}=\frac{-{\mathrm{te}}^{-\frac{t^2}{{2\mathrm{\δ}}^2}}}{{\mathrm{\δ}}^2}---\left(7\right)$

S502：根据所述的高斯一阶导函数进行直方统计。图6为步骤S502的具体流程图，由图6可知，该步骤具体包括：

S601：根据所述的高斯一阶导函数确定高斯核系数。利用上式（7）可逐一换算出本发明中所使用到的高斯核系数，图18为δ=2.5时的高斯核系数的曲线示意图。

S602：根据所述的高斯核系数在所述的定位范围内对所述的压痕图像做卷积，得到二维高斯梯度矩阵。该步骤可通过公式（8）、（9）来实现。借助高斯核系数对定位范围内的灰度图像做卷积运算，分别得到二维高斯梯度矩阵dx、dy。

$\mathrm{dx}=f(x,y)\⊗G\left(x\right)---\left(8\right)$

$\mathrm{dy}=f(x,y)\⊗G^T\left(x\right)---\left(9\right)$

S603：确定所述二维高斯梯度矩阵的梯度模矩阵df，该步骤可通过下述公式（10）来实现。

$\mathrm{df}=\sqrt{{\mathrm{dx}}^2+{\mathrm{dy}}^2}---\left(10\right)$

S604：确定所述二维高斯梯度矩阵的梯度角度矩阵angle，该步骤可通过下述公式(11)来实现。

$\mathrm{angle}=\mathrm{arctg}\left(\frac{\mathrm{dx}}{\mathrm{dy}}\right)---\left(11\right)$

S605：对所述的梯度角度矩阵进行方向标志划分。该步骤可依据公式(12)所示的分段函数形式对angle矩阵内的各个元素做方向标识划分。

S606：根据方向标志划分后的梯度角度矩阵对所述的二维高斯梯度矩阵进行直方统计。由上述处理结果汲取有效信息，对高斯梯度矩阵进行直方统计。将其梯度值从最小值至最大值之间划分256个等级。每个等级的出现概率P_i，（显然满足

由图5可知，步骤S104还包括：

S503：获取预先设定的抑制阈值。可预设抑制阈值high和low，恰好使得不等式成立，且low=high×25%。

S504：根据所述的抑制阈值进行梯度抑制遍历，得到初次抑制矩阵。在确定了抑制阈值high、low后，就可以开始逐点进行梯度抑制遍历了。根据方向标识dir，处理原则如下所示：

（1）、当为0时，如果和相邻的上、下点比较，该点梯度不是最大则剔除为0，否则给予保留；

（2）、当为1时，如果和相邻的前下、后上点比较，该点梯度不是最大则剔除为0，否则给予保留；

（3）、当为2时，如果和相邻的前、后点比较，该点梯度不是最大则剔除为0，否则给予保留；

（4）、当为3时，如果和相邻的前上、后下点比较，该点梯度不是最大则剔除为0，否则给予保留。

令初次抑制处理后的矩阵为F(x，y)，其中F(x，y)大于阈值high的分割二值矩阵为F₁，大于阈值low的分割二值矩阵为F₂。显见得一点如果在矩阵F₁中存在则该点必须被保留；一点如果在矩阵F₁、F₂中都存在也必须保留；但是一点的梯度如果仅仅在F₂中得以保留而F₁中不存在则就需要进一步观察其8邻域范围内点的梯度大小情况了。简言之：如果该点的8邻域范围内依旧存在有大于阈值high的值则该点也可以被保留。属于其他情况的点一律摒除。

经过上面一些方法处理过的边缘图像可能依旧存在较多的无效边缘信息，而真正有效的轮廓信息可能具有较好的连续性和指向性。故此按照这一逻辑仍旧需要进一步借助标识划分的方法对过小的边缘线条进行过滤。具体思想如下：

S505：对所述的初次抑制矩阵进行扫描标记。对于二值图像其有效点为“1”采用逐行扫描的办法进行标记操作，用标号1，2，3，4.....标识每个独立的子区域。定义数组lable(K)表示第K区域内部所包含的有效点个数，具体扫描步骤如下：

（1）、初始化∑lable(K)=0、K=0；

（2）、如果该点为有效点1或者该点的8邻域范围内存在有效点1，则进一步判断前上点是否为1，如果为1则该点的标识号等于前上点；lable(K)=lable(K)+1；否则继续检查；

（3）、判断上点是否为1，如果为1则该点的标识号等于上点；lable(K)=lable(K)+1；否则继续检查；

（4）、判断后上点是否为1，如果为1则该点的标识号等于后上点；lable(K)=lable(K)+1；否则继续检查；

（5）、上述的各个条件均不满足则K=K+1、lable(K)=lable(K)+1、该点的标识符号等于K。重复上述各步骤直至全图结束。

S506：对扫描标记后的初次抑制矩阵进行提取，得到提取的边缘。初步连通标识完成后检查一下有多少标识区域是有相互连接的，对于一个独立的连通标识区域如果所含有效点数量过小（诸如在本发明中的具体实施方式中，规定小于5）则可以忽略掉这个标识区域内的全部点。依此原则对全图的所有连通标识区域做一次过滤比较后会发现，过小的、过不合理的干扰边缘点基本被抑制掉了。而能够有效代表压痕轮廓边缘的主干则被较多地保留了下来。图19为原始维氏压痕1的示意图，图20为原始维氏压痕1抑制后的边缘示意图，图21为原始维氏压痕2的示意图，图22为原始维氏压痕2抑制后的边缘示意图。图23为原始维氏压痕3的示意图，图24为原始维氏压痕3抑制后的边缘示意图。由图19至图24可见，经过维氏压痕的边缘抑制提取，提取到了非常有价值的轮廓边界主干信息。

针对提取到的压痕边缘主干信息M×N矩阵，本发明进而搭建了直线边界拟合搜索的处理模型以更详细地定位压痕的轮廓边界。观察维氏压痕视图可知理想的维氏压痕成像效果是对角线水平垂直的正菱形四边形，但往往由于种种原因压痕的对角线会发生倾斜，即垂直方向上的、水平方向上的直线均不代表压痕的对角线。故此确定边界直线的斜率截矩并无规律可循。

经典直线变换方式基本是通过参数域的变换来达到拟合效果，而这样的方法直接应用效果一般难于保证，而且对满足直线的点集合条件要求比较苛刻，冗余显得尤为不足。如前面所示意抑制后的边缘效果，一般压痕边界的线性分布程度比较差也很不规则，这都给如何尽可能地保证直线拟合效果带来了难度。根据以上分析本发明提出了一种实现起来较为简单效果较为明显直线搜索方法来满足处理的需要。

图7为图1中的步骤S105的具体流程图，由图7可知，该步骤具体包括：

S701：根据所述的边缘构造所述压痕图像的四边对应的直线方程。对于一个标准的直线方程：y=kx+b（其中斜率角tg(α)=k）。显然可以根据边缘将压痕图像的四边拟合成四个直线方程。

S702：对所述的直线方程对应的斜率角度进行分类，得到斜率角度类别。将压痕图像的四边的拟合直线方程的斜率角度分为二类：一类斜率角α介于[5，85]区间范围内；另一类介于[95，175]区间范围内。相同区间内的二条直线斜率角度应保持大致接近平行。

S703：对所述的直线方程对应的截距进行分类，得到截距类别。图25为为α≤90°时直线截矩的几何示意图，图38为α≥90°时直线截矩的几何示意图，由图25、38可知，当斜率角α一定时，由tg(α)可以确定一个斜率K，且近似地K∈(0.08，15.6)。如果当前条件下该斜率的直线想要存在于图像中，则由K即可推导出截矩b的存在范围[0，KN+M]，即截矩需要扫描计算的分布范围。将该区间以（KN+M）/2等分为2部分：和同一个斜率角度区域内的2条近似平行的直线其截矩一定分别位于2个区间段内。

S704：根据所述的斜率角度类别、所述的截距类别确定所述压痕图像内的直线轨迹。根据步骤S702、S703分别对斜率和截矩值的类别变化进行分析，可以确定图像内的直线轨迹。

S705：逐一搜索所述的直线轨迹所覆盖的有效边缘点的数量；

S706：根据所述的有效边缘点的数量确定拟合直线。选择覆盖数量最大的直线即为拟合直线。设确定出的第一条拟合直线为Line1，根据第一条拟合直线Line1的搜索所确定的斜率在其邻近范围内再次搜索（在具体实施方式中，取K₂≈[K₁-1.25，K₁+1.25]）。另外根据Line1截矩b₁所处的范围判定Line2截矩b₂的搜索范围即；

如果 $\frac{K_{1}N+M}{2}\≤b_1\≤K_{1}N+M$ 满足，则仅在内搜索b₂；

如果 $0\≤b_1\≤\frac{K_{1}N+M}{2}$ 满足，则仅在内搜索b₂；

当第二条拟合直线Line2确定以后，转向在[95，175]区间内搜索另外的二条直线Line3、Line4。具体的方法步骤与确定Line1、Line2一致。

图8为图1中的步骤S106的具体流程图，由图8可知，该步骤具体包括：

S801：根据所述的最佳拟合直线确定所述压痕图像的初步角点。由Line1、Line2、Line3、Line4四条直线构成的压痕图像的轮廓四边形确定有4个角点。显然这4个初步角点的位置很可能还不是最理想的角点位置，但一定比较靠近理想角点位置，所以正是基于这样的假定规律设计增加了精细角点定位的处理环节。

S802：以所述的初步角点的坐标为中心扩展范围，得到所述初步角点的局部图像。图26为压痕轮廓的4个角点的示意图，如图26所示的上下左右角点的局部区域情况。以最上点为例，其下部多处于压痕内部。图27为压痕轮廓的角点提取时的示意图，如图27所示，如果采用合理分割、滤波方法后下部形似山峰状的角点则就显得尤为突出了。

以上角点为例，设当前压痕图像的粗定位范围为M×N，以直线最上角点的坐标为中心(xc，yc)扩展范围： 得到角点周边的局部图像sub(x，y)。

S803：对所述的局部图像进行均值统计，得到均值统计阈值。即对sub(x，y)进行均值统计，得到在具体的实施方式中，诸如以作为均值统计阈值。

S804：根据所述的均值统计阈值分割所述的局部图像，得到二值图。在具体的实施方式中，诸如以为均值统计阈值分割局部图像sub(x，y)，得到的二值图为sub′(x，y)。

S805：对所述的二值图进行滤除，得到滤除图像。即对sub′(x，y)做小块滤除。以直线最上角点为例，具体流程是检查每一个有效点，如果该点7×7范围内8邻域方向上有1个或1个以上的方向存在3个连续有效点则保留该点，否则剔除。

S806：统计所述的滤除图像的投影值；

S807：根据所述的投影值确定出最终角点。分割滤除完成后，以直线最上角点为例，从下至上的连续统计投影值。如果某个点具有最高的连续投影值，则认定该点就是最终角点。同最上点的统计完全类似，其余三个点采用一致的分割滤除步骤，只是根据压痕角点方向的不同，扫描连续投影的方向也就不同。重新定位出了4个最终角点后，更新压痕图像的边界直线，即可得到识别后的压痕图像，根据识别后的压痕图像进而确定出对应的硬度值。

以上即为本发明实施例提供了一种基于维氏硬度的压痕图像识别方法，通过维氏硬度计的光路系统以及相机分别对布氏硬度试块开展自动识别测量，通过粗定位将压痕从不同复杂背景中剥离出来，再进行边缘抑制提取，无效干扰的边缘信息得到抑制，从而将压痕轮廓边界的主干边缘保留下来，其后通过精细定位得到四边拟合直线，将当前测量的边界范围加上角点从新定位后即可实现对压痕图像的准确测量。

图9为本发明实施例提供的一种基于维氏硬度的压痕图像识别系统的结构框图，由图9可知，该系统具体包括：

维式硬度计100，用于在布氏硬度试块上压出压痕。在具体的实施方式中，维氏硬度计诸如为TH700，图17为其对应的基本测量光路示意图，由图17可知，TH700维氏硬度计的基本成像光路采用同轴光源，由光源101、直角棱镜102、放大物镜103组成。光源通过棱镜均匀投射到布氏硬度试块104的表面。

相机200，用于获取与所述的压痕对应的压痕图像，在具体的实施方式中，相机可通过CMOS相机来实现，如图17中的工业CMOS相机。

聚类粗定位装置300，用于对所述的压痕图像进行聚类粗定位，得到定位范围。图10为聚类粗定位装置300的结构框图，本发明通过梯度融合与聚类相结合对压痕轮廓进行粗定位。

抑制提取装置400，用于在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘。图13为抑制提取装置400的结构框图。

四边拟合定位装置500，用于根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线。图15为四边拟合定位装置500的结构框图。

角点定位装置600，用于根据所述的最佳拟合直线进行角点定位，得到最终角点。图16为角点定位装置600的结构框图。下面逐一对各个装置进行详细介绍。

图10为图9中的聚类粗定位装置300的结构框图，由图10可知，所述的聚类粗定位装置300具体包括：

融合模块301，用于对所述的压痕图像进行融合，得到融合图像矩阵；

分割模块302，用于对所述的融合图像矩阵进行分割，得到二值化图像。在具体的实施方式中，可计算f′′(x，y)的均值，并以为阈值对f′′(x，y)进行分割，进而得到二值化图像。

腐蚀剥离模块303，用于对所述的二值化图像进行腐蚀剥离形态运算，得到待聚类样本图像矩阵f′′′(x，y)。在具体的实施方式中，可将二值化图像进行一次5×5小结构的腐蚀剥离形态运算，目的是在保持原有主体信息的原则上摒除一些过小的可以忽略的像素点。具体方法是：统计像素(x，y)9×9邻域范围内的有效点数量，大于某一阈值（诸如12）时，证明该点可能隶属于某一区域块则继续保留，否则给予摒除，这样就得到了待聚类样本图像矩阵f′′′(x，y)。

分类模块304，用于根据试探聚类算法将所述的待聚类样本图像矩阵分为压痕以及无效点。在具体的实施方式中，可根据试探聚类算法的基本理论原则，将f′′′(x，y)视为一个空间样本集合F′′＝[f′′₁，f′′₂，……f′′_n]进行观察，将其分为ω₁、ω₂二类，ω₁代表压痕，ω₂代表压痕以外的无效点。

邻近分析模块305，用于对所述的压痕进行邻近分析，得到分析结果；

聚类粗定位模块306，用于根据所述的分析结果采用聚类补偿法对填充后的压痕进行聚类粗定位，得到定位范围。待上述准备工作结束后就可以正式开始对压痕本体的大致范围进行粗定位聚类了，处理流程为：

①、设当前搜索区间[D₀，D₀+240]；

②、当前类中心位置为(x_c，y_c)，在搜索区域内如果发现有效点则计数；

③、根据当前类内元素坐标范围的中心计算新的类中心坐标，即公式4，使类中心坐标不断自适应更新调整。

④、统计当前搜索范围内有效点的数量Num(new)与上一次数量Num(old)相比较。如果满足不等式5则可以停止聚类循环，否则利用步长值扩大搜索范围重复②③④步骤。

聚类分析结束后利用水平垂直投影对有效点的覆盖范围进行确认，至此压痕的大致轮廓范围就从背景中被基本区分出来，粗定位环节结束。

图11为图10中的融合模块301的结构框图，由图11可知，所述的融合模块301具体包括：

水平方向梯度分量确定单元3011，用于确定所述压痕图像的水平方向梯度分量；

垂直方向梯度分量确定单元3012，用于确定所述压痕图像的垂直方向梯度分量分量。设压痕图像为f(x，y)，则水平方向梯度分量为fx、垂直方向梯度分量为fy。其中，梯度二者可以直接通过公式（2）的索贝尔Sobel算子卷积得到。

梯度模矩阵确定单元3013，用于根据所述的水平方向梯度分量以及所述垂直方向梯度分量确定与所述的压痕图像对应的梯度模矩阵f′(x，y)。梯度模矩阵f′(x，y)可通过公式（1）确定。

权值系数获取单元3014，用于获取预先设定的权值系数。权值系数可预先设定，诸如设定ω=0.3。

融合单元3015，用于根据所述的权值系数将所述的梯度模矩阵与所述的压痕图像进行融合，得到融合图像矩阵f′′(x，y)。该步骤通过公式（3）实现。

图12为图10中的邻近分析模块305的结构框图，由图12可知，所述的邻近分析模块305具体包括：

起始位置获取单元3051，用于获取预先设定的所述压痕的起始位置。ω₁的起始位置可以预先由人工设定。

起始距离确定单元3052，用于采用自适应法确定待聚类样本图像矩阵的起始距离；

步长值确定单元3053，用于采用自适应法确定待聚类样本图像矩阵的步长值。聚类的起始距离和步长值均可采用自适应方式取得。具体方法是：设f′′′(x，y)是大小M×N的矩阵，即M行N列，且M≤N。当前f′′′(x，y)内的有效点数量占全图比率为η₁，则可令初始化聚类距离为其对应的步长值：

欧氏距离确定单元3054，用于确定所述待聚类样本图像矩阵中各个样本到所述压痕中心的欧氏距离。即计算f′′′(x，y)空间内各个样本f_i到ω₁中心的欧式距离即：D_ix=||f_i-ω₁||。

粗定位结束后，在定位范围内需要进一步进行边缘的提取和抑制，以获取压痕轮廓边界以供拟合和精细处理。常规的边缘处理方法有很多，常用的如差分、罗伯特、索贝尔、Prewitt、坎尼、拉普拉斯等等。每一种方法都有其独立的特性。经典的边缘提取算法虽然能够获取到大量的边缘信息，但却无法达到抑制和同步比较的目的。本发明的研究对象仅仅是压痕，并希望在本环节中尽可能地获取压痕的本体边界信息。因此正是出于这样的考虑，本发明选择了在坎尼（Canny）经典思想基础上进行改进的模型。下面结合图13进行介绍。

图13为图9中的抑制提取装置400的结构框图，由图13可知，所述的抑制提取装置400具体包括：

核函数构造模块401，用于构造高斯一阶导核函数。构造一个方差为δ（在具体的实施方式中，维氏压痕可采用δ=2.5）的高斯一阶导核函数，为了简化求解方法，本发明中截取系数表达式在一定范围内较大值的数量。在x∈[1，30]定义域内查询满足不等式成立的有效数量为W。以自变量t定义高斯表达式如公式（6）所示，则高斯函数的一阶导形式如公式（7）所示。

直方统计模块402，用于根据所述的高斯一阶导函数进行直方统计；

抑制阈值获取模块403，用于获取预先设定的抑制阈值。可预设抑制阈值high和low，恰好使得不等式成立，且low=high×25%。

梯度抑制遍历模块404，用于根据所述的抑制阈值进行梯度抑制遍历，得到初次抑制矩阵。在确定了抑制阈值high、low后，就可以开始逐点进行梯度抑制遍历了。根据方向标识dir，处理原则如下所示：

（1）、当为0时，如果和相邻的上、下点比较，该点梯度不是最大则剔除为0，否则给予保留；

（2）、当为1时，如果和相邻的前下、后上点比较，该点梯度不是最大则剔除为0，否则给予保留；

（3）、当为2时，如果和相邻的前、后点比较，该点梯度不是最大则剔除为0，否则给予保留；

（4）、当为3时，如果和相邻的前上、后下点比较，该点梯度不是最大则剔除为0，否则给予保留。

令初次抑制处理后的矩阵为F(x，y)，其中F(x，y)大于阈值high的分割二值矩阵为F₁，大于阈值low的分割二值矩阵为F₂。显见得一点如果在矩阵F₁中存在则该点必须被保留；一点如果在矩阵F₁、F₂中都存在也必须保留；但是一点的梯度如果仅仅在F₂中得以保留而F₁中不存在则就需要进一步观察其8邻域范围内点的梯度大小情况了。简言之：如果该点的8邻域范围内依旧存在有大于阈值high的值则该点也可以被保留。属于其他情况的点一律摒除。

经过上面一些方法处理过的边缘图像可能依旧存在较多的无效边缘信息，而真正有效的轮廓信息可能具有较好的连续性和指向性。故此按照这一逻辑仍旧需要进一步借助标识划分的方法对过小的边缘线条进行过滤。具体思想如下：

扫描标记模块405，用于对所述的初次抑制矩阵进行扫描标记。对于二值图像其有效点为“1”采用逐行扫描的办法进行标记操作，用标号1，2，3，4.....标识每个独立的子区域。定义数组lable(K)表示第K区域内部所包含的有效点个数，具体扫描步骤如下：

（1）、初始化∑lable(K)=0、K=0；

（2）、如果该点为有效点1或者该点的8邻域范围内存在有效点1，则进一步判断前上点是否为1，如果为1则该点的标识号等于前上点；lable(K)=lable(K)+1；否则继续检查；

（3）、判断上点是否为1，如果为1则该点的标识号等于上点；lable(K)=lable(K)+1；否则继续检查；

（4）、判断后上点是否为1，如果为1则该点的标识号等于后上点；lable(K)=lable(K)+1；否则继续检查；

（5）、上述的各个条件均不满足则K=K+1、lable(K)=lable(K)+1、该点的标识符号等于K。重复上述各步骤直至全图结束。

提取模块406，用于对扫描标记后的初次抑制矩阵进行提取，得到提取的边缘。。初步连通标识完成后检查一下有多少标识区域是有相互连接的，对于一个独立的连通标识区域如果所含有效点数量过小（诸如在本发明中的具体实施方式中，规定小于5）则可以忽略掉这个标识区域内的全部点。依此原则对全图的所有连通标识区域做一次过滤比较后会发现，过小的、过不合理的干扰边缘点基本被抑制掉了。而能够有效代表压痕轮廓边缘的主干则被较多地保留了下来。图19为原始维氏压痕1的示意图，图20为原始维氏压痕1抑制后的边缘示意图，图21为原始维氏压痕2的示意图，图22为原始维氏压痕2抑制后的边缘示意图。图23为原始维氏压痕3的示意图，图24为原始维氏压痕3抑制后的边缘示意图。由图19至图24可见，经过维氏压痕的边缘抑制提取，提取到了非常有价值的轮廓边界主干信息。

图14为图13中的直方统计模块402的结构框图，由图14可知，所述的直方统计模块402具体包括：

高斯核系数确定单元4021，用于根据所述的高斯一阶导函数确定高斯核系数。利用上式9可逐一换算出本发明中所使用到的高斯核系数，图18为δ=0.5时的高斯核系数的曲线示意图。

卷积单元4022，用于根据所述的高斯核系数在所述的定位范围内对所述的压痕图像做卷积，得到二维高斯梯度矩阵。该步骤可通过公式8、9来实现。借助高斯核系数对定位范围内的灰度图像做卷积运算，分别得到二维高斯梯度矩阵dx、dy。

梯度模矩阵确定单元4023，用于确定所述二维高斯梯度矩阵的梯度模矩阵df。该步骤可通过下述公式10来实现。

梯度角度矩阵确定单元4024，用于确定所述二维高斯梯度矩阵的梯度角度矩阵angle，该步骤可通过下述公式11来实现。

方向标志划分单元4025，用于对所述的梯度角度矩阵进行方向标志划分。该步骤可依据公式12所示的分段函数形式对angle矩阵内的各个元素做方向标识划分。

直方统计单元4026，用于根据方向标志划分后的梯度角度矩阵对所述的二维高斯梯度矩阵进行直方统计。由上述处理结果汲取有效信息，对高斯梯度矩阵进行直方统计。将其梯度值从最小值至最大值之间划分256个等级。每个等级的出现概率P_i，（显然满足 $\underset{i=1}{\overset{256}{\mathrm{\Σ}}}\mathrm{Pi}=1$ )。

针对提取到的压痕边缘主干信息M×N矩阵，本发明进而搭建了直线边界拟合搜索的处理模型以更详细地定位压痕的轮廓边界。观察维氏压痕视图可知理想的维氏压痕成像效果是对角线水平垂直的正菱形四边形，但往往由于种种原因压痕的对角线会发生倾斜，即垂直方向上的、水平方向上的直线均不代表压痕的对角线。故此确定边界直线的斜率截矩并无规律可循。

经典直线变换方式基本是通过参数域的变换来达到拟合效果，而这样的方法直接应用效果一般难于保证，而且对满足直线的点集合条件要求比较苛刻，冗余显得尤为不足。如前面所示意抑制后的边缘效果，一般压痕边界的线性分布程度比较差也很不规则，这都给如何尽可能地保证直线拟合效果带来了难度。根据以上分析本发明提出了一种实现起来较为简单效果较为明显直线搜索方法来满足处理的需要。

图15为图9中的四边拟合定位装置500的结构框图，由图15可知，四边拟合定位装置500具体包括：

直线方程构造模块501，用于根据所述的边缘构造所述压痕图像的四边对应的直线方程。对于一个标准的直线方程：y=kx+b（其中斜率角tg(α)=k）。显然可以根据边缘将压痕图像的四边拟合成四个直线方程。

斜率角度分类模块502，用于对所述的直线方程对应的斜率角度进行分类，得到斜率角度类别。将压痕图像的四边的拟合直线方程的斜率角度分为二类：一类斜率角α介于[5，85]区间范围内；另一类介于[95，175]区间范围内。相同区间内的二条直线斜率角度应保持大致接近平行。

截距分类模块503，用于对所述的直线方程对应的截距进行分类，得到截距类别。图25为α≤90°时直线截矩的几何示意图，图38为α≥90°时直线截矩的几何示意图，由图25、38可知，当斜率角α一定时，由tg(α)可以确定一个斜率K，且近似地K∈(0.08，15.6)。如果当前条件下该斜率的直线想要存在于图像中，则由K即可推导出截矩b的存在范围[0，KN+M]，即截矩需要扫描计算的分布范围。将该区间以（KN+M）/2等分为2部分：和同一个斜率角度区域内的2条近似平行的直线其截矩一定分别位于2个区间段内。

直线轨迹确定模块504，用于根据所述的斜率角度类别、所述的截距类别确定所述压痕图像内的直线轨迹。根据步骤斜率角度分类模块、截距分类模块分别对斜率和截矩值的类别变化进行分析，可以确定图像内的直线轨迹。

数量搜索模块505，用于逐一搜索所述的直线轨迹所覆盖的有效边缘点的数量；

拟合直线确定模块506，用于根据所述的有效边缘点的数量确定拟合直线。设确定出的第一条拟合直线为Line1，根据第一条拟合直线Line1的搜索所确定的斜率在其邻近范围内再次搜索（在具体实施方式中，取K₂≈[K₁-1.25，K₁+1.25]）。另外根据Line1截矩b₁所处的范围判定Line2截矩b₂的搜索范围即；

如果 $\frac{K_{1}N+M}{2}\≤b_1\≤K_{1}N+M$ 满足，则仅在内搜索b₂；

如果 $0\≤b_1\≤\frac{K_{1}N+M}{2}$ 满足，则仅在内搜索b₂；

当第二条拟合直线Line2确定以后，转向在[95， 75]区间内搜索另外的二条直线Line3、Line4。具体的方法步骤与确定Line1、Line2一致。

图16为图9中的角点定位装置600的结构框图，由图16可知，角点定位装置600具体包括：

初步角点确定模块601，用于根据所述的最佳拟合直线确定所述压痕图像的初步角点。由Line1、Line2、Line3、Line4四条直线构成的压痕图像的轮廓四边形确定有4个角点。显然这4个初步角点的位置很可能还不是最理想的角点位置，但一定比较靠近理想角点位置，所以正是基于这样的假定规律设计增加了精细角点定位的处理环节。

局部图像确定模块602，用于以所述的初步角点的坐标为中心扩展范围，得到所述初步角点的局部图像。图26为压痕轮廓的4个角点的示意图，如图26所示的上下左右角点的局部区域情况。以最上点为例，其下部多处于压痕内部。图27为压痕轮廓的角点提取时的示意图，如图27所示，如果采用合理分割、滤波方法后下部形似山峰状的角点则就显得尤为突出了。

以上角点为例，设当前压痕图像的粗定位范围为M×N，以直线最上角点的坐标为中心(xc，yc)扩展范围： 得到角点周边的局部图像sub(x，y)。

均值统计模块603，用于对所述的局部图像进行均值统计，得到均值统计阈值。即对sub(x，y)进行均值统计，得到在具体的实施方式中，诸如以作为均值统计阈值。

分割模块604，用于根据所述的均值统计阈值分割所述的局部图像，得到二值图。在具体的实施方式中，诸如以为均值统计阈值分割局部图像sub(x，y)，得到的二值图为sub′(x，y)。

滤除模块605，用于对所述的二值图进行滤除，得到滤除图像。即对sub′(x，y)做小块滤除。以直线最上角点为例，具体流程是检查每一个有效点，如果该点7×7范围内8邻域方向上有1个或1个以上的方向存在3个连续有效点则保留该点，否则剔除。

投影值统计模块606，用于统计所述的滤除图像的投影值；

最终角点确定模块607，用于根据所述的投影值确定出最终角点。分割滤除完成后，以直线最上角点为例，从下至上的连续统计投影值。如果某个点具有最高的连续投影值，则认定该点就是最终角点。同最上点的统计完全类似，其余三个点采用一致的分割滤除步骤，只是根据压痕角点方向的不同，扫描连续投影的方向也就不同。重新定位出4个最终角点后，更新压痕图像的边界直线，即可得到识别后的压痕图像，根据识别后的压痕图像进而确定出对应的硬度值。

以上即为本发明实施例提供了一种基于维氏硬度的压痕图像识别系统，通过维氏硬度计的光路系统以及相机分别对布氏硬度试块开展自动识别测量，通过粗定位将压痕从不同复杂背景中剥离出来，再进行边缘抑制提取，无效干扰的边缘信息得到抑制，从而将压痕轮廓边界的主干边缘保留下来，其后通过精细定位得到四边拟合直线，将当前测量的边界范围加上角点从新定位后即可实现对压痕图像的准确测量。

下面结合具体的实施例，验证本发明提供的一种基于维氏硬度的压痕图像识别方法及系统的性能。在本实施例中，选取TH700光路下成像的一系列布氏压痕进行了效果检验。其中一部分实验结果如下图所列举。选取5帧原始维氏压痕图像，经过本发明的方案识别后，得到各自对应的识别图像。图26为压痕轮廓的4个角点的示意图，图27为压痕轮廓的角点提取时的示意图；图28为原始维氏压痕4的示意图，图29为原始维氏压痕4识别后的示意图；图30为原始维氏压痕5的示意图，图31为原始维氏压痕5识别后的示意图；图32为原始维氏压痕6的示意图，图33为原始维氏压痕6识别后的示意图；图34为原始维氏压痕7的示意图，图35为原始维氏压痕7识别后的示意图；图36为原始维氏压痕8的示意图，图37为原始维氏压痕8识别后的示意图。由上述附图26至图37可知，本发明所提出的维氏硬度压痕自动识别测量方法具有比较好的自适应能力和鲁棒性。通过粗定位将压痕从不同复杂背景中剥离出来，再进行边缘抑制提取，无效干扰的边缘信息得到抑制，从而将压痕轮廓边界的主干边缘保留下来，其后通过精细定位得到四边拟合直线，将当前测量的边界范围加上角点从新定位后即可实现对压痕图像的准确测量，不仅测量简单、快捷，而且提升了用户的使用感受。

综上所述，本发明的有益成果是：提供了一种基于维氏硬度的压痕图像识别方法及系统，实现了对压痕图像的准确识别，具有比较好的自适应能力和鲁棒性，解决了现有技术中测量得到的硬度值具有较大的误差，准确性较低的技术问题。

本发明是参照根据本发明实施例的方法、装置（装置）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理装置的处理器以产生一个机器，使得通过计算机或其他可编程数据处理装置的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理装置上，使得在计算机或其他可编程装置上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程装置上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (16)

1.一种基于维氏硬度的压痕图像识别方法，其特征是，所述的方法包括：

通过维氏硬度计在布氏硬度试块上压出压痕；

通过相机获取与所述的压痕对应的压痕图像；

对所述的压痕图像进行聚类粗定位，得到定位范围；

在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘；

根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线；

根据所述的最佳拟合直线进行角点定位，得到最终角点。

2.根据权利要求1所述的方法，其特征是，对所述的压痕图像进行聚类粗定位，得到定位范围包括：

对所述的压痕图像进行融合，得到融合图像矩阵；

对所述的融合图像矩阵进行分割，得到二值化图像；

对所述的二值化图像进行腐蚀剥离形态运算，得到待聚类样本图像矩阵；

根据试探聚类算法将所述的待聚类样本图像矩阵分为压痕以及无效点；

对所述的压痕进行邻近分析，得到分析结果；

根据所述的分析结果采用聚类补偿法对填充后的压痕进行聚类粗定位，得到定位范围。

3.根据权利要求2所述的方法，其特征是，对所述的压痕图像进行融合，得到融合图像矩阵包括：

确定所述压痕图像的水平方向梯度分量；

确定所述压痕图像的垂直方向梯度分量；

根据所述的水平方向梯度分量以及所述垂直方向梯度分量确定与所述的压痕图像对应的梯度模矩阵；

获取预先设定的权值系数；

根据所述的权值系数将所述的梯度模矩阵与所述的压痕图像进行融合，得到融合图像矩阵。

4.根据权利要求3所述的方法，其特征是，对所述的压痕进行邻近分析包括：

获取预先设定的所述压痕的起始位置；

采用自适应法确定待聚类样本图像矩阵的起始距离；

采用自适应法确定待聚类样本图像矩阵的步长值；

确定所述待聚类样本图像矩阵中各个样本到所述压痕中心的欧氏距离。

5.根据权利要求1或4所述的方法，其特征是，在所述的定位范围内对所述的压痕图像进行边缘抑制提取包括：

构造高斯一阶导核函数；

根据所述的高斯一阶导函数进行直方统计；

获取预先设定的抑制阈值；

根据所述的抑制阈值进行梯度抑制遍历，得到初次抑制矩阵；

对所述的初次抑制矩阵进行扫描标记；

对扫描标记后的初次抑制矩阵进行提取，得到提取的边缘。

6.根据权利要求5所述的方法，其特征是，根据所述的高斯一阶导函数进行直方统计具体包括：

根据所述的高斯一阶导函数确定高斯核系数；

根据所述的高斯核系数在所述的定位范围内对所述的压痕图像做卷积，得到二维高斯梯度矩阵；

确定所述二维高斯梯度矩阵的梯度模矩阵；

确定所述二维高斯梯度矩阵的梯度角度矩阵；

对所述的梯度角度矩阵进行方向标志划分；

根据方向标志划分后的梯度角度矩阵对所述的二维高斯梯度矩阵进行直方统计。

7.根据权利要求1或6所述的方法，其特征是，根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线具体包括：

根据所述的边缘构造所述压痕图像的四边对应的直线方程；

对所述的直线方程对应的斜率角度进行分类，得到斜率角度类别；

对所述的直线方程对应的截距进行分类，得到截距类别；

根据所述的斜率角度类别、所述的截距类别确定所述压痕图像内的直线轨迹；

逐一搜索所述的直线轨迹所覆盖的有效边缘点的数量；

根据所述的有效边缘点的数量确定拟合直线。

8.根据权利要求7所述的方法，其特征是，根据所述的最佳拟合直线进行角点定位具体包括：

根据所述的最佳拟合直线确定所述压痕图像的初步角点；

以所述的初步角点的坐标为中心扩展范围，得到所述初步角点的局部图像；

对所述的局部图像进行均值统计，得到均值统计阈值；

根据所述的均值统计阈值分割所述的局部图像，得到二值图；

对所述的二值图进行滤除，得到滤除图像；

统计所述的滤除图像的投影值；

根据所述的投影值确定出最终角点。

9.一种基于维氏硬度的压痕图像识别系统，其特征是，所述的系统包括：

维式硬度计，用于在布氏硬度试块上压出压痕；

相机，用于获取与所述的压痕对应的压痕图像；

聚类粗定位装置，用于对所述的压痕图像进行聚类粗定位，得到定位范围；

抑制提取装置，用于在所述的定位范围内对所述的压痕图像进行边缘抑制提取，得到提取的边缘；

四边拟合定位装置，用于根据所述的边缘对所述的压痕图像进行四边拟合定位，得到所述压痕图像的最佳拟合直线；

角点定位装置，用于根据所述的最佳拟合直线进行角点定位，得到最终角点。

10.根据权利要求9所述的系统，其特征是，所述的聚类粗定位装置具体包括：

融合模块，用于对所述的压痕图像进行融合，得到融合图像矩阵；

分割模块，用于对所述的融合图像矩阵进行分割，得到二值化图像；

腐蚀剥离模块，用于对所述的二值化图像进行腐蚀剥离形态运算，得到待聚类样本图像矩阵；

分类模块，用于根据试探聚类算法将所述的待聚类样本图像矩阵分为压痕以及无效点；

邻近分析模块，用于对所述的压痕进行邻近分析，得到分析结果；

中心填充模块，用于根据所述的分析结果采用聚类补偿法对所述压痕的中心进行填充；

聚类粗定位模块，用于根据所述的分析结果采用聚类补偿法对填充后的压痕进行聚类粗定位，得到定位范围。

11.根据权利要求10所述的系统，其特征是，所述的融合模块具体包括：

水平方向梯度分量确定单元，用于确定所述压痕图像的水平方向梯度分量；

垂直方向梯度分量确定单元，用于确定所述压痕图像的垂直方向梯度分量；

梯度模矩阵确定单元，用于根据所述的水平方向梯度分量以及所述垂直方向梯度分量确定与所述的压痕图像对应的梯度模矩阵；

权值系数获取单元，用于获取预先设定的权值系数；

融合单元，用于根据所述的权值系数将所述的梯度模矩阵与所述的压痕图像进行融合，得到融合图像矩阵。

12.根据权利要求11所述的系统，其特征是，所述的邻近分析模块具体包括：

起始位置获取单元，用于获取预先设定的所述压痕的起始位置；

起始距离确定单元，用于采用自适应法确定待聚类样本图像矩阵的起始距离；

步长值确定单元，用于采用自适应法确定待聚类样本图像矩阵的步长值；

欧氏距离确定单元，用于确定所述待聚类样本图像矩阵中各个样本到所述压痕中心的欧氏距离。

13.根据权利要求9或12所述的系统，其特征是，所述的抑制提取装置具体包括：

核函数构造模块，用于构造高斯一阶导核函数；

直方统计模块，用于根据所述的高斯一阶导函数进行直方统计；

抑制阈值获取模块，用于获取预先设定的抑制阈值；

梯度抑制遍历模块，用于根据所述的抑制阈值进行梯度抑制遍历，得到初次抑制矩阵；

扫描标记模块，用于对所述的初次抑制矩阵进行扫描标记；

提取模块，用于对扫描标记后的初次抑制矩阵进行提取，得到提取的边缘。

14.根据权利要求13所述的系统，其特征是，所述的直方统计模块具体包括：

高斯核系数确定单元，用于根据所述的高斯一阶导函数确定高斯核系数；

卷积单元，用于根据所述的高斯核系数在所述的定位范围内对所述的压痕图像做卷积，得到二维高斯梯度矩阵；

梯度模矩阵确定单元，用于确定所述二维高斯梯度矩阵的梯度模矩阵；

梯度角度矩阵确定单元，用于确定所述二维高斯梯度矩阵的梯度角度矩阵；

方向标志划分单元，用于对所述的梯度角度矩阵进行方向标志划分；

直方统计单元，用于根据方向标志划分后的梯度角度矩阵对所述的二维高斯梯度矩阵进行直方统计。

15.根据权利要求9或14所述的系统，其特征是，所述的四边拟合定位装置具体包括：

直线方程构造模块，用于根据所述的边缘构造所述压痕图像的四边对应的直线方程；

斜率角度分类模块，用于对所述的直线方程对应的斜率角度进行分类，得到斜率角度类别；

截距分类模块，用于对所述的直线方程对应的截距进行分类，得到截距类别；

直线轨迹确定模块，用于根据所述的斜率角度类别、所述的截距类别确定所述压痕图像内的直线轨迹；

数量搜索模块，用于逐一搜索所述的直线轨迹所覆盖的有效边缘点的数量；

拟合直线确定模块，用于根据所述的有效边缘点的数量确定拟合直线。

16.根据权利要求15所述的系统，其特征是，所述的角点定位装置具体包括：

初步角点确定模块，用于根据所述的最佳拟合直线确定所述压痕图像的初步角点；

局部图像确定模块，用于以所述的初步角点的坐标为中心扩展范围，得到所述初步角点的局部图像；

均值统计模块，用于对所述的局部图像进行均值统计，得到均值统计阈值；

分割模块，用于根据所述的均值统计阈值分割所述的局部图像，得到二值图；

滤除模块，用于对所述的二值图进行滤除，得到滤除图像；

投影值统计模块，用于统计所述的滤除图像的投影值；

最终角点确定模块，用于根据所述的投影值确定出最终角点。