CN105590105A - 一种快速反应的横向限位和纠偏装置 - Google Patents
一种快速反应的横向限位和纠偏装置 Download PDFInfo
- Publication number
- CN105590105A CN105590105A CN201610009441.7A CN201610009441A CN105590105A CN 105590105 A CN105590105 A CN 105590105A CN 201610009441 A CN201610009441 A CN 201610009441A CN 105590105 A CN105590105 A CN 105590105A
- Authority
- CN
- China
- Prior art keywords
- curvature
- point
- characteristic
- noise
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,识别装置包括建模模块、分段模块、合并模块和滤波模块。本发明通过在横向限位和纠偏装置上加装目标识别装置,能够有效增强横向限位和纠偏装置的自适应能力,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,从而对目标做出正确识别,根据目标位置和形状进行限位和纠偏。
Description
技术领域
本发明涉及横向限位和纠偏领域,具体涉及一种快速反应的横向限位和纠偏装置。
背景技术
近年来,越来越多的横向限位和纠偏装置被制造出来,随着社会和科学技术的进步,横向限位和纠偏装置的应用对人们的生活的各个方面产生了巨大的影响。然而,目前的横向限位和纠偏装置被动性强,不能对目标进行有效识别,对横向限位和纠偏装置的应用产生了限制。
目标轮廓识别作为目标识别的重要手段,由于实际应用中受到噪声、量化误差等因素的影响,目标轮廓不可避免地会产生失真,为了准确描述轮廓特征,目标轮廓的滤波平滑处理是十分必要的。目前,学者们提出了许多含噪轮廓的滤波平滑算法,但是普遍存在计算量庞大、降噪效果不理想、容易发生过度滤波导致目标失真等问题。
发明内容
针对上述问题,本发明提供一种快速反应的横向限位和纠偏装置。
本发明的目的采用以下技术方案来实现:
一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);选宽度宽度为D的窗函数W(n),对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1进行比较,根据比较结果决定含噪轮廓曲率k′N(t),即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1。
合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μO+1或S×μO-1时停止,其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域;
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,为了提高抑制噪声的效果,令 其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
本发明通过在横向限位和纠偏装置上加装目标识别装置,能够有效增强横向限位和纠偏装置的自适应能力,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,从而对目标做出正确识别,根据目标位置和形状进行限位和纠偏。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的快速反应的横向限位和纠偏装置的结构框图。
具体实施方式
结合以下实施例对本发明作进一步描述。
图1是本发明的结构框图,其包括:建模模块、分段模块、合并模块、滤波模块。
实施例1:一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);由于受到噪声的影响,含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息,为了得到准确的曲率,选宽度为D∈{7,9}的窗函数W(n),对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1=0.24进行比较,根据比较结果决定含噪轮廓曲率k′N(t),即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1;
分类后所得到的特征点和非特征点的分布并不连续,无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果,有必要对同类型的轮廓点进行合并处理。
合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,在此实施例中,S=17,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,曲率大的地方需要的长度小些,曲率小的地方需要的长度大些,这样能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μO+1或S×μO-1时停止,其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域。
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,关注抑制噪声的效果,令其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中,S=17,阈值T1=0.24,窗函数宽度D∈{7,9},对噪声强度I∈{10dB,20dB}的含噪图像有较好的平滑效果,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,能够根据目标大小合理限位并自适应地纠正偏差。
实施例2:一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);由于受到噪声的影响,含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息,为了得到准确的曲率,选宽度为D∈{10,12}的窗函数W(n),对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1=0.24进行比较,根据比较结果决定含噪轮廓曲率k′N(t),即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1;
分类后所得到的特征点和非特征点的分布并不连续,无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果,有必要对同类型的轮廓点进行合并处理。
合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,在此实施例中S=19,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,曲率大的地方需要的长度小些,曲率小的地方需要的长度大些,这样能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μO+1或S×μO-1时停止,其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域。
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,关注抑制噪声的效果,令其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中,S=19,阈值T1=0.24,窗函数宽度D∈{10,12},对噪声强度I∈{20dB,30dB}的含噪图像有较好的平滑效果,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,能够根据目标大小合理限位并自适应地纠正偏差。
实施例3:一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);由于受到噪声的影响,含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息,为了得到准确的曲率,选宽度为D∈{13,14}的窗函数W(n),对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1=0.26进行比较,根据比较结果决定含噪轮廓曲率k′N(t),即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1;
分类后所得到的特征点和非特征点的分布并不连续,无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果,有必要对同类型的轮廓点进行合并处理。
合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,在此实施例中S=21,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,曲率大的地方需要的长度小些,曲率小的地方需要的长度大些,这样能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μO+1或S×μO-1时停止,其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域。
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,关注抑制噪声的效果,令其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中,S=21,阈值T1=0.26,窗函数宽度D∈{13,14},对噪声强度I∈{30dB,40dB}的含噪图像有较好的平滑效果,计算量和细节信息保留情况均在可接受区间内且取得较佳的平衡,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,能够根据目标大小合理限位并自适应地纠正偏差。
实施例4:一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);由于受到噪声的影响,含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息,为了得到准确的曲率,选宽度为D∈{15,17}的窗函数W(n),对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1=0.28进行比较,根据比较结果决定含噪轮廓曲率k′N(t),即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1;
分类后所得到的特征点和非特征点的分布并不连续,无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果,有必要对同类型的轮廓点进行合并处理。
合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,在此实施例中S=23,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,曲率大的地方需要的长度小些,曲率小的地方需要的长度大些,这样能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μO+1或S×μO-1时停止,其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域。
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,关注抑制噪声的效果,令其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中,S=23,阈值T1=0.28,窗函数宽度D∈{15,17},对噪声强度I∈{40dB,50dB}的含噪图像虽然增加了部分计算量,但是对此区间的图像有优异的平滑效果,且细节信息保留情况较好,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,能够根据目标大小合理限位并自适应地纠正偏差。
实施例5:一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);由于受到噪声的影响,含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准确表示轮廓信息,为了得到准确的曲率,选宽度为D∈{17,19}的窗函数W(n),对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1=0.26进行比较,根据比较结果决定含噪轮廓曲率k′N(t),即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1;
分类后所得到的特征点和非特征点的分布并不连续,无法选取滤波器对其进行有效的轮廓平滑。为了得到较好的轮廓平滑效果,有必要对同类型的轮廓点进行合并处理。
合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,在此实施例中S=25,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,曲率大的地方需要的长度小些,曲率小的地方需要的长度大些,这样能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μO+1或S×μO-1时停止,其中μO+1和μO-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域。
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,关注抑制噪声的效果,令其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
在此实施例中,S=25,阈值T1=0.26,窗函数宽度D∈{17,19},对噪声强度I∈{50dB,60dB}的含噪图像有较佳的平滑效果,且细节信息保留情况较好,横向限位和纠偏装置通过目标轮廓识别目标,识别过程中能有效滤除目标轮廓噪声,能够根据目标大小合理限位并自适应地纠正偏差。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
数据仿真
本横向限位和纠偏装置的有益效果为:针对噪声种类的多样性和目前去噪方法的单一性,采用一种新型的多次滤波装置,并提出了新的轮廓分段、合并手段和滤波函数;计算量相对并不复杂,同时考虑了全局特征和局部特征的因素且平滑除噪效果好;考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象。
通过仿真,采用该装置在噪声强度N下进行试验,对目标的识别率如下表:
Claims (2)
1.一种快速反应的横向限位和纠偏装置,包括普通横向限位和纠偏装置和安装在横向限位和纠偏装置上的目标识别装置,该横向限位和纠偏装置具有很强的自适应能力,目标识别装置能够根据目标轮廓对目标进行识别,其特征是,包括建模模块、分段模块、合并模块和滤波模块;其中,
建模模块,用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t),其弧长参数化方程表示为G(t)=(x(t),y(t)),其中x(t)和y(t)分别表示轮廓点的坐标,t表示轮廓曲线方程的参数,且t∈[0,1];
含噪轮廓的弧长参数化方程表示为:GN(t)=G(t)+N1(t)+N2(t)G(t),其中加性噪声部分N1(t)=N1(x1(t),y1(t)),乘性噪声部分N2(t)=N2(x2(t),y2(t));
分段模块,用于对轮廓的分段:目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别为k(t)和kN(t);选宽度为D的窗函数W(n),D∈{7,9},对曲率kN(t)进行邻域平均,得到平均曲率k1N(t),同时对窗口内的曲率值排序,选定中值曲率k2N(t),将平均曲率k1N(t)和中值曲率k2N(t)差的绝对值与选定的阈值T1进行比较,根据比较结果决定含噪轮廓曲率k′N(t),T1=0.2,即:
当|k1N(t)-k2N(t)|>T1时,k′N(t)=k1N(t)
否则,k′N(t)=k2N(t);
由于曲率值较大的轮廓点通常反映了目标的显著特征,根据k′N(t)将轮廓中所有轮廓点划分为特征点或非特征点,设定可变权值TK,通过判断目标轮廓特征多少,自适应的决定TK,
当|k′N(t)|<TK*max|k′N(t)|时,特征函数f(t)=0
否则,特征函数f(t)=1。
2.根据权利要求1所述的横向限位和纠偏装置,其特征还在于,合并模块:用于剔除由于噪声干扰产生的伪特征点,以及对无法形成连续区域的特征点和非特征点进行合并操作,从而得到有效的特征区域与非特征区域:选定一个起始点O,轮廓起始点向两侧延伸合并相邻的点,以该起始点类型作为该区域预设类型,向两侧延伸各S×μ0时停止,其中S为预设的最小长度,设S=15,为O点处的实时曲率修正系数,代表O点的曲率半径,代表由上述窗函数得到的O点的平均曲率半径,实时曲率修正系数μ0用于根据不同点的曲率不同,自动修正延伸长度,能有效减小合并后的失真现象;分别计算两侧区域内相异点的个数N+1和N-1,若相异点的个数小于设定的该类型相异点最小个数,则该区域与预设类型相同,否则,与预设类型相反;再以两个停止点O+1和点O-1作为起始点重新开始计算,向外侧延伸S×μ0+1或S×μ0-1时停止,其中μ0+1和μ0-1分别代表点O+1和点O-1处的实时曲率修正系数,O+1两侧区域内相异点个数为N+2,O-1两侧区域内相异点个数为N-2,根据上述判定条件,依次确定各段轮廓类型,长度不足S的部分根据其与S的比例计算相异点个数,计入相应的特征区域;对相邻的同类型区域进行合并,得到连续的特征区域和非特征区域;
滤波模块:乘性噪声由于和图像信号是相关的,随图像信号的变化而变化,采用维纳滤波来进行一级滤除,此时图像信息还包含有残余的乘性噪音,通过F滤波器F(x,y)=q×exp(-(x2+y2)/β2进行二级滤除,其中q是将函数归一化的系数,即:∫∫q×exp(-(x2+y2)/β2)dxdy=1,β为图像模板参数;
乘性噪声滤除后,含噪目标轮廓的弧长参数化方程表示为GN(t)’=G(t)+N1(t);假设加性噪声为高斯白噪声:xN(t)’=x(t)+g1(t,σ2),yN(t)’=y(t)+g2(t,σ2),其中xN(t)’和yN(t)’分别表示去除乘性噪声后含噪轮廓上各点坐标,g1(t,σ2)和g2(t,σ2)分别是均值为零、方差为σ2的高斯白噪声,用于模拟含噪目标轮廓中的加性噪声;
采用函数对含噪轮廓进行平滑,命名为K滤波器,经过轮廓点分类和区域划分,含噪轮廓GN(t)’表示为不同类型轮廓分段的组合:其中表示包含特征区域的轮廓分段,表示包含非特征区域的轮廓分段,根据轮廓特征分布选取K滤波器的参数,同时考虑全局特征和局部特征因素,在特征区域,为了保留细节信息,令在非特征区域,为了提高抑制噪声的效果,令 其中σ′为先验估算得到的全局方差,σ1为所选特征区域的先验估算方差,σ0为所选非特征区域的先验估算方差,为所选特征区域的平均实时曲率修正系数,为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果,选取每种类型区域最小长度S的一半作为K滤波器85%置信区间的长度,从而根据两类区域的长度自适应不同参数的K滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610009441.7A CN105590105A (zh) | 2016-01-07 | 2016-01-07 | 一种快速反应的横向限位和纠偏装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610009441.7A CN105590105A (zh) | 2016-01-07 | 2016-01-07 | 一种快速反应的横向限位和纠偏装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105590105A true CN105590105A (zh) | 2016-05-18 |
Family
ID=55929675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610009441.7A Pending CN105590105A (zh) | 2016-01-07 | 2016-01-07 | 一种快速反应的横向限位和纠偏装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105590105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341385A (zh) * | 2017-06-15 | 2017-11-10 | 珠海格力电器股份有限公司 | 一种移动终端解锁方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030156762A1 (en) * | 2001-10-15 | 2003-08-21 | Jonas August | Volterra filters for enhancement of contours in images |
CN1919144A (zh) * | 2005-08-26 | 2007-02-28 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN101430788A (zh) * | 2008-11-19 | 2009-05-13 | 西安电子科技大学 | 基于第二代Curvelet变换的弧形窗局部Wiener滤波方法 |
CN201681669U (zh) * | 2010-01-22 | 2010-12-22 | 任志鸿 | 柔性扁平电缆加工设备 |
US20150227776A1 (en) * | 2013-09-30 | 2015-08-13 | Huazhong University Of Science And Technology | Aircraft-based infrared image recognition device for ground moving target |
-
2016
- 2016-01-07 CN CN201610009441.7A patent/CN105590105A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030156762A1 (en) * | 2001-10-15 | 2003-08-21 | Jonas August | Volterra filters for enhancement of contours in images |
CN1919144A (zh) * | 2005-08-26 | 2007-02-28 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN101430788A (zh) * | 2008-11-19 | 2009-05-13 | 西安电子科技大学 | 基于第二代Curvelet变换的弧形窗局部Wiener滤波方法 |
CN201681669U (zh) * | 2010-01-22 | 2010-12-22 | 任志鸿 | 柔性扁平电缆加工设备 |
US20150227776A1 (en) * | 2013-09-30 | 2015-08-13 | Huazhong University Of Science And Technology | Aircraft-based infrared image recognition device for ground moving target |
Non-Patent Citations (1)
Title |
---|
史思琦: ""基于轮廓特征的目标识别研究"", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341385A (zh) * | 2017-06-15 | 2017-11-10 | 珠海格力电器股份有限公司 | 一种移动终端解锁方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
CN105678262A (zh) | 一种能够自主作业的隧道地质监控装置 | |
CN104835127B (zh) | 一种自适应平滑滤波方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN102298773A (zh) | 一种形状自适应的非局部均值去噪方法 | |
CN113643201A (zh) | 一种自适应非局部均值的图像去噪方法 | |
CN110349094A (zh) | 基于统计离群和自适应双边混合滤波的3d点云去噪方法 | |
CN105414774A (zh) | 一种能够自主切割的激光切割装置 | |
CN105528590A (zh) | 一种快速报警的报警装置 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN104331683A (zh) | 一种具有噪声鲁棒性的人脸表情识别方法 | |
CN105976394B (zh) | 一种自适应调整胎儿三维超声数据的裁剪方法 | |
CN108805826B (zh) | 改善去雾效果的方法 | |
CN109636822B (zh) | 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法 | |
CN105590105A (zh) | 一种快速反应的横向限位和纠偏装置 | |
CN105913391A (zh) | 一种基于形状可变形态学重构的去雾方法 | |
CN105678770A (zh) | 一种轮廓识别滤波性能良好的墙体裂缝检测装置 | |
CN105447485A (zh) | 一种快速检测的景观造型检测工具 | |
CN111639556A (zh) | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 | |
CN115116050B (zh) | 用于增材制造设备的制造件外观在线识别方法 | |
CN105598745A (zh) | 一种能够自主作业的数控机床 | |
CN105678841A (zh) | 一种快速建模的立体地图获取装置 | |
CN105488514A (zh) | 一种具有自主焊接功能的焊接装置 | |
CN105677986A (zh) | 一种轮廓识别滤波性能良好的冲压模具 | |
CN105677984A (zh) | 一种轮廓识别滤波性能良好的桥梁施工装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160518 |