CN104422629A - 基于布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布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轮廓拟合。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，实现了对压痕图像的准确识别。

Description

基于布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，特别是关于布氏硬度的测量技术，具体的讲是基于布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。

布氏硬度试验是1900年由瑞典工程师J.A.Brinell发明的。该试验方法是用一定直径的淬火钢球借助一定负荷压入试件表面，通过测量表面压痕的大小来表示布氏硬度值。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布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，实现了对压痕图像的准确识别。

本发明的目的之一是，提供一种基于布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轮廓拟合。

本发明的目的之一是，提供一种基于布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；轮廓拟合装置，用于根据所述的边缘对所述的压痕图像进行轮廓拟合。

本发明的有益效果在于，提供了一种基于布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，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。

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布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为本发明实施例提供的一种基于布氏硬度的压痕图像识别系统的结构框图；

图8为图7中的聚类粗定位装置300的结构框图；

图9为图8中的融合模块301的结构框图；

图10为图8中的邻近分析模块305的结构框图；

图11为图7中的抑制提取装置400的结构框图；

图12为图11中的直方统计模块402的结构框图；

图13为TH700维氏硬度计的基本测量光路示意图；

图14为δ=0.5时的高斯核系数的曲线示意图；

图15为原始布氏压痕1的示意图；

图16为原始布氏压痕1抑制后的边缘示意图；

图17为原始布氏压痕2的示意图；

图18为原始布氏压痕2抑制后的边缘示意图；

图19为原始布氏压痕3的示意图；

图20为原始布氏压痕3识别后的示意图；

图21为原始布氏压痕4的示意图；

图22为原始布氏压痕4识别后的示意图；

图23为原始布氏压痕5的示意图；

图24为原始布氏压痕5识别后的示意图；

图25为原始布氏压痕6的示意图；

图26为原始布氏压痕6识别后的示意图；

图27为原始布氏压痕7的示意图；

图28为原始布氏压痕7识别后的示意图；

图29为原始布氏压痕8的示意图；

图30为原始布氏压痕8识别后的示意图；

图31为原始布氏压痕9的示意图；

图32为原始布氏压痕9识别后的示意图。

图33为图1中的步骤S105的具体流程图；

图34为图7中的轮廓拟合装置500的结构框图。

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、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，实现了对压痕图像的准确识别。图1为本发明实施例提供的一种基于布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13为其对应的基本测量光路示意图，由图13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13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轮廓拟合。此处轮廓拟合后得到的图像即为本发明识别出的图像。图33为步骤S105的具体流程图。下面结合附图，对上述步骤做详细介绍。

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f_x、垂直方向梯度分量为f_y。

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：

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

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所述压痕的中心进行填充。通过观察布氏压痕成像状况可以发现：压痕的中心区域附近总是存在一个不规则的白斑，故先采用聚类补偿的方法将其填充，具体步骤如下：

①、设当前搜索增加范围的区间为[D₀,D₀+150]；

②、当前类中心位置为(x_c,y_c)，在类内搜索区域内如果发现有白的像点则计数并将其填充为1；

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、统计当前填充点的数量Num(new)与上一次填充数量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。

$\frac{\mathrm{ABS}(\mathrm{Num}\left(\mathrm{new}\right)-\mathrm{Num}\left(\mathrm{old}\right))}{\mathrm{Num}\left(\mathrm{old}\right)}\≤5.5\%---\left(5\right)$

S207：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。待上述填充步骤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，处理步骤基本与步骤S206基本类似。

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6，使类中心坐标不断自适应更新调整：

$x_c=\frac{\mathrm{Max}\left(x_n\right)-\mathrm{Min}\left(x_n\right)}{2};$ $y_c=\frac{\mathrm{Max}\left(y_n\right)-\mathrm{Min}\left(y_n\right)}{2}---\left(6\right)$

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7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。

$\frac{\mathrm{ABS}(\mathrm{Num}\left(\mathrm{new}\right)-\mathrm{Num}\left(\mathrm{old}\right))}{\mathrm{Num}\left(\mathrm{old}\right)}\≤5.0\%---\left(7\right)$

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，布氏压痕可采用δ=0.5）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：

$G=e^{-\frac{t^2}{2{\mathrm{\δ}}^2}},$ 其定义域t∈[-W,+W]    （8）

则高斯函数的一阶导形式为：

$\frac{\∂G}{\∂t}=\frac{-t{e}^{-\frac{t^2}{2{\mathrm{\δ}}^2}}}{{\mathrm{\δ}}^2}---\left(9\right)$

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9可逐一换算出本发明中所使用到的高斯核系数，图14为δ=0.5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（10）、（11）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。

$\mathrm{dx}=f(x,y)\⊗G\left(x\right)---\left(10\right)$

$\mathrm{dy}=f(x,y)\⊗G^T\left(x\right)---\left(11\right)$

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（12）来实现。

$\mathrm{df}=\sqrt{{\mathrm{dx}}^2+{\mathrm{dy}}^2}---\left(12\right)$

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（13）来实现。

$\mathrm{angle}=\mathrm{arctg}\left(\frac{\mathrm{dx}}{\mathrm{dy}}\right)---\left(13\right)$

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14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（本发明中规定小于10）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15为原始布氏压痕1的示意图，图16为原始布氏压痕1抑制后的边缘示意图，图17为原始布氏压痕2的示意图，图18为原始布氏压痕2抑制后的边缘示意图。由图15至图18可见，经过布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33为图1中的步骤S105的具体流程图，由图33可知，该步骤具体包括：

S701：根据所述的边缘拟合出椭圆轨迹。利用步骤S104提取的边缘开始近似拟合搜索出一个合理的椭圆轨迹来代表布氏压痕轮廓。

S702：确定所述椭圆轨迹的圆心坐标以及转向角。对于一个圆心坐标点为(x_c,y_c)的标准椭圆参数方程如公式15所示：

$\left\{\begin{array}{c}x=x_c+a\sin \left(\mathrm{\α}\right)\\ y=y_c+b\cos \left(\mathrm{\α}\right)\end{array}\right.---\left(15\right)$

其中，a、b代表长短轴，α代表区间[0，3 6 0]变化的转向角，(x,y)则是椭圆在当前坐标系下的坐标位置。

S703：根据所述的圆心坐标、所述的转向角确定出所述椭圆轨迹的轨迹坐标。以α为自变量可以确定一个椭圆的轨迹。由每一个圆心坐标又可以近似估算出当前该条椭圆的轨迹坐标。

S704：确定所述轨迹坐标所覆盖的边缘点数量；

S705：根据所述的边缘点数量确定出拟合轮廓。如果某一条轨迹坐标上所覆盖的边缘点数量最多，则显然可以近似地认为该椭圆即为拟合轮廓的曲线。

设边缘图像e(x,y)是M×N的二值图像矩阵，搜索的圆心(x_c,y_c)， 本发明的具体实施方式中中可设ω=10。这样由圆心坐标的定义域就构成了一个椭圆轨迹的集合。这个集合内的每个元素值则可以是轨迹所覆盖到的边缘点数量。而椭圆长短轴的变化也可由圆心值来确定，变化范围大致是：a∈[80% x_c,x_c]，b∈[80%y_c,y_c]。最终拟合轮廓曲线的长短轴之和就可以被认为是压痕对角线测量的结果。根据最终的拟合轮廓即可确定出识别的压痕图像，进而得出对应的硬度值。

以上即为本发明实施例提供了一种基于布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，实现了对压痕图像的准确识别。

图7为本发明实施例提供的一种基于布氏硬度的压痕图像识别系统的结构框图，由图7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13为其对应的基本测量光路示意图，由图13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13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8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11为抑制提取装置400的结构框图。

轮廓拟合装置500，用于根据所述的边缘对所述的压痕图像进行轮廓拟合。此处轮廓拟合后得到的图像即为本发明识别出的图像。图34为轮廓拟合装置500的结构框图。下面结合对应的附图，详细介绍各个装置。

图8为图7中的聚类粗定位装置300的结构框图，由图8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；

中心填充模块306，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。通过观察布氏压痕成像状况可以发现：压痕的中心区域附近总是存在一个不规则的白斑，故先采用聚类补偿的方法将其填充，具体步骤如下：

①、设当前搜索增加范围的区间为[D₀,D₀+150]；

②、当前类中心位置为(x_c,y_c)，在类内搜索区域内如果发现有白的像点则计数并将其填充为1；

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、统计当前填充点的数量Num(new)与上一次填充数量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。

聚类粗定位模块307，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。待上述填充步骤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，处理步骤基本与中心填充模块306基本类似。

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6，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7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9为图8中的融合模块301的结构框图，由图9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。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10为图8中的邻近分析模块305的结构框图，由图10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 $D_0=\frac{{\mathrm{\η}}_1\×M}{8},$ 其对应的步长值： $\mathrm{step}=\frac{M}{9}.$

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11进行介绍。

图11为图7中的抑制提取装置400的结构框图，由图11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，布氏压痕可采用δ=0.5）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8所示，则高斯函数的一阶导形式如公式9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（本发明中规定小于10）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15为原始布氏压痕1的示意图，图16为原始布氏压痕1抑制后的边缘示意图，图17为原始布氏压痕2的示意图，图18为原始布氏压痕2抑制后的边缘示意图。由图15至图18可见，经过布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12为图11中的直方统计模块402的结构框图，由图12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14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（10）、（11）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（12）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（13）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14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 $\underset{i=1}{\overset{256}{\mathrm{\Σ}}}\mathrm{Pi}=1$ ）。

图34为图7中的轮廓拟合装置500的结构框图，由图34可知，轮廓拟合装置500具体包括：

椭圆轨迹拟合模块501，用于根据所述的边缘拟合出椭圆轨迹。利用抑制提取装置400提取的边缘开始近似拟合搜索出一个合理的椭圆轨迹来代表布氏压痕轮廓。

确定模块502，用于确定所述椭圆轨迹的圆心坐标以及转向角。对于一个圆心坐标点为(x_c,y_c)的标准椭圆参数方程如公式15所示。其中，a、b代表长短轴，α代表区间[0，3 6 0]变化的转向角，(x,y)则是椭圆在当前坐标系下的坐标位置。

轨迹坐标确定模块503，用于根据所述的圆心坐标、所述的转向角确定出所述椭圆轨迹的轨迹坐标。以α为自变量可以确定一个椭圆的轨迹。由每一个圆心坐标又可以近似估算出当前该条椭圆的轨迹坐标。

边缘点数量确定模块504，用于确定所述轨迹坐标所覆盖的边缘点数量；

拟合轮廓确定模块505，用于根据所述的边缘点数量确定出拟合轮廓。如果某一条轨迹坐标上所覆盖的边缘点数量最多，则显然可以近似地认为该椭圆即为拟合轮廓的曲线。

设边缘图像e(x,y)是M×N的二值图像矩阵，搜索的圆心(x_c,y_c)， 本发明的具体实施方式中中可设ω=10。这样由圆心坐标的定义域就构成了一个椭圆轨迹的集合。这个集合内的每个元素值则可以是轨迹所覆盖到的边缘点数量。而椭圆长短轴的变化也可由圆心值来确定，变化范围大致是：a∈[80% x_c,x_c]，b∈[80% y_c,y_c]。最终拟合轮廓曲线的长短轴之和就可以被认为是压痕对角线测量的结果。根据最终的拟合轮廓即可确定出识别的压痕图像，进而得出对应的硬度值。

下面结合具体的实施例，验证本发明提供的一种基于布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7帧原始布氏压痕图像，经过本发明的方案识别后，得到各自对应的识别图像。图19为原始布氏压痕3的示意图，图20为原始布氏压痕3识别后的示意图；图21为原始布氏压痕4的示意图，图22为原始布氏压痕4识别后的示意图；图23为原始布氏压痕5的示意图，图24为原始布氏压痕5识别后的示意图；图25为原始布氏压痕6的示意图，图26为原始布氏压痕6识别后的示意图；图27为原始布氏压痕7的示意图，图28为原始布氏压痕7识别后的示意图；图29为原始布氏压痕8的示意图，图30为原始布氏压痕8识别后的示意图；图31为原始布氏压痕9的示意图，图32为原始布氏压痕9识别后的示意图。由上述附图19至图32可知，本发明所提出的布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。粗定位环节运行后系统均能将压痕从不同复杂背景中剥离出来。在边缘抑制提取阶段，无效干扰的边缘信息得到抑制，而最能够体现压痕轮廓边界的主干边缘又得以基本保留下来以为后续处理环节打下良好的基础。在精细定位阶段里系统搜索得到的拟合曲线又可以较好地代表出当前测量的边界范围，不仅识别简单、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：提供了一种基于布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 (14)

1.一种基于布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轮廓拟合。

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所述压痕的中心进行填充；

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轮廓拟合包括：

根据所述的边缘拟合出椭圆轨迹；

确定所述椭圆轨迹的圆心坐标以及转向角；

根据所述的圆心坐标、所述的转向角确定出所述椭圆轨迹的轨迹坐标；

确定所述轨迹坐标所覆盖的边缘点数量；

根据所述的边缘点数量确定出拟合轮廓。

8.一种基于布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；

轮廓拟合装置，用于根据所述的边缘对所述的压痕图像进行轮廓拟合。

9.根据权利要求8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。

10.根据权利要求9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。

11.根据权利要求10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。

12.根据权利要求8或11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。

13.根据权利要求12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。

14.根据权利要求8或13所述的系统，其特征是，所述的轮廓拟合装置包括：

椭圆轨迹拟合模块，用于根据所述的边缘拟合出椭圆轨迹；

确定模块，用于确定所述椭圆轨迹的圆心坐标以及转向角；

轨迹坐标确定模块，用于根据所述的圆心坐标、所述的转向角确定出所述椭圆轨迹的轨迹坐标；

边缘点数量确定模块，用于确定所述轨迹坐标所覆盖的边缘点数量；

拟合轮廓确定模块，用于根据所述的边缘点数量确定出拟合轮廓。