CN105844655B - 一种激光线条纹边缘提取方法 - Google Patents

Abstract

本发明公开了一种激光线条纹边缘提取方法，通过求增强后图像中每一列掩模所对应位置的较大值，定位每一列的上下边缘。本发明所达到的有益效果：通过求增强后图像中每一列掩模所对应位置的较大值，来可以定位每一列的上下边缘，提高了算法的运算效率，减轻了提取过程中的繁琐计算过程。

Description

一种激光线条纹边缘提取方法

技术领域

本发明涉及一种激光线条纹边缘提取方法，属于数字图像处理技术领域。

背景技术

图像中灰度值或者结构等信息的突变点称之为边缘。边缘是图像中一块区域的结束，也是另一个区域的开始，是分割图像的必要条件。

传统的边缘检测方法利用边缘处的灰度值特点，通过在各像素点上求一阶微分或者二阶微分来定位边缘。可以根据边缘处灰度值变化的情况，将边缘分为阶梯状边缘、屋顶状边缘、脉冲状边缘。常见的边缘检测算法中，有Roberts算子、Sobel算子、Prewitt算子和Canny算子。

现有边缘检测算法中，要提取激光线条纹的中间线，首先要提取它的上下边缘点。边缘是图像中灰度值变化很快的区域，包含了丰富的信息，对于图像的分割、物体的识别起着关键作用。边缘主要分为三类：斜坡型边缘、台阶型边缘、屋顶型边缘。斜坡边缘是指前景与背景之间灰度级逐渐变化的边缘；台阶型边缘是一种理想的模型，是指在一个像素的距离上发生灰度级的突变；屋顶边缘是通过一个区域的“线”模型，其宽度由“线”的尖锐程度和宽度决定。在origin图像中激光线条纹具有一定的宽度，其上下边缘都是斜坡型边缘，越靠近激光线中间灰度值越大。

边缘点的灰度值在沿着边缘的方向缓慢变化，在垂直边缘的方向快速变化。边缘的属性可以用梯度来描述，梯度是一个矢量，梯度的大小表示灰度值变化的快慢，梯度的方向表示灰度值增长最快的方向。设图像为f(x,y)，梯度为梯度公式为：

梯度的大小为：

梯度方向与x轴的角度为：

为计算图像的梯度，通常是求沿图像x轴、y轴方向的偏导数。

可以使用3×3的核(每个位置具有不同的权重系数)与图像进行相关或者卷积计算以差分运算来近似计算偏导数。

分别使用Roberts算子、Prewitt算子、Sobel算子和Canny算子对origin灰度图像进行处理，以提取激光区域的边缘。

图1(a)是Roberts算子检测出的边缘(阈值为0.15)，图中存在许多假边缘，且真正的边缘断裂成几段；图1(b)和1(c)分别是Prewitt算子和Sobel算子检测出的边缘(阈值都为0.15)，图中干扰边缘较少，但检测出的边缘并不是单像素的，且不少边缘处都发生了中断。图1(d)是Canny算法检测出的边缘(高斯滤波器的方差为尺寸为16×16，阈值为[0.05，0.3])，图像中有些许假边缘，大部分边缘是单像素的，但存在一些毛刺。以上四种边缘提取方法中canny算子的处理效果最好，但不能保证图像的每一列只提取上边缘点与下边缘点。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种激光线条纹边缘提取方法，通过求增强后图像中每一列掩模所对应位置的较大值，来可以定位每一列的上下边缘，提高了算法的运算效率，减轻了提取过程中的繁琐计算过程。

为了实现上述目标，本发明采用如下的技术方案：

一种激光线条纹边缘提取方法，其特征是，包括如下步骤：

1)对待检测图像img进行预处理：采用高斯滤波对图像做平滑处理，分别在水平方向和垂直方向用一维高斯矩阵对图像进行卷积，得到梯度模值图像mag；

2)设待检测图像img生成的灰度图像origin的宽度与高度分别为row、col，变量uploc、downloc分别为col×2的向量，所述变量uploc每行分别存储上边缘点的x轴、y轴坐标，变量downloc每行分别存储下边缘点的x轴、y轴坐标；

3)采用线性组合法将待检测图像转换为单通道图像，并进行分段线性灰度级变换，将灰度值范围映射到[0,255]，得到灰度图像；对灰度图像进行分割，并进行形态学操作，得到激光线条纹掩模图像bmask；

利用激光线条纹掩模图像bmask提取边缘，步骤如下：

31)遍历激光线条纹掩模图像bmask的第i列：

若该列中存在非零像素，则跳转至步骤32)，否则跳转到步骤33)；

当i大于col时，跳转至步骤34)；

32)提取非零像素的坐标值，在梯度模值图像mag中对应位置像素点中找出梯度值最大和最小的像素点；

将梯度值最大的像素点坐标值存入uploc的第i行，将梯度值最小的像素点坐标值存入downloc的第i行，i加1，并转到步骤31)；

33)将uploc、downloc的第i行设置为(0,0)，i加1，并转到步骤31)；

34)得到激光线条纹的上下边缘坐标后，在待检测图像img中进行标注，坐标值为(0,0)的像素不标注；

4)对检测出的上下边缘点进行过滤，过滤条件如下：

I))上边缘点纵坐标大于等于下边缘纵坐标，或者下边缘纵坐标减去上边缘纵坐标大于等于阈值，所述阈值代表激光线条纹的最大宽度；

II)上边缘点或下边缘点任意一个位于阳光掩模图像sunmask所标注的强光区域内；

III)计算图像中每一列上下边缘点的坐标均值得到激光线条纹的中心线，根据中心线点的连通性对其进行分段，计算每段的长度，长度小于15个像素的段所对应的上下边缘点将被消除；

5)将相应的uploc、downloc的坐标置为(0,0)，并在img彩色图像中标注上下边缘点；

6)通过调整像素点的位置连接边缘点；

7)选择已提取的边缘点作为起点：已知A1点的坐标为(A1x,A1y)，B1点的坐标为(B1x,B1y)，A1x等于B1x，上下边缘的下一个边缘点分别记作A11、B11，边缘跟踪时向同一方向进行跟踪；边缘跟踪过程中，需满足以下3个条件：

i)下边缘点纵坐标与上边缘点纵坐标的差值需要大于等3，且小于等于5；

ii)A11与B11的中点取整后不能位于sunmask图像中的强光区域内；

iii)已知origin灰度图像激光线条纹的上下边缘点坐标，计算出平均灰度值linethresh，A11与B11的中点取整后在origin图中的灰度值应该大于等于linethresh；

当以上3个条件中任一个不满足时，停止搜索；否则把新搜索出的上下边缘点的坐标存入uploc与downloc中，并以这两个边缘点作为当前点继续搜索。

前述的一种激光线条纹边缘提取方法，其特征是，所述步骤1)的具体步骤为：

11)选取一维高斯矩阵长度filterLength＝5，使用高斯函数计算并归一化，得到1×5的高斯核Kernel；

12)对高斯核Kernel一阶差分，得到高斯差分核DerivKernel；

13)对高斯差分核DerivKernel的正数部分和负数部分分别归一化，得到归一化的高斯差分核NormalKernel；

14)依次使用核Kernel、核NormalKernel的转置对origin图像卷积，得到origin图像y轴方向的一阶导数Gy；依次使用核Kernel的转置、核NormalKernel对origin图像卷积，得到origin图像x轴方向的一阶导数Gx；

15)通过步骤14)得到激光线上下边缘点梯度方向示意图，其中，梯度方向由灰度值较低的区域指向灰度值较高的区域，确定上边缘和下边缘的梯度角；通过Gy的正负来判断某像素点属于上边缘还是下边缘，并将下边缘点的梯度模值乘以-1；设mag为梯度模值图像，像素点(i,j)处的梯度模值为：

前述的一种激光线条纹边缘提取方法，其特征是，所述步骤14)中利用|Gx|+|Gy|代替梯度模值公式。

前述的一种激光线条纹边缘提取方法，其特征是，所述步骤4)中阳光掩模图像sunmask由如下步骤得到：

41)对于img图像的每个像素点，将绿色通道灰度值加上蓝色通道灰度值，再减去红色通道灰度值，得到单通道图像sunimg；

42)设sunimg图像中像素灰度值均值和标准差分别为sunmean、sunstd，以sunmean+sunstd为阈值对单通道图像sunimg进行二值化；

43)依次采用不同尺寸的正方形结构元对二值图像进行膨胀与腐蚀操作，最后得到阳光掩模图像sunmask。

本发明所达到的有益效果：通过求增强后图像中每一列掩模所对应位置的较大值，来可以定位每一列的上下边缘，提高了算法的运算效率，减轻了提取过程中的繁琐计算过程。

附图说明

图1(a)(b)(c)(d)分别是使用Roberts算子、Prewitt算子、Sobel算子和Canny算子对origin灰度图像进行处理的效果示意图；

图2(a)(b)分别是数字图像的各个象限分布图、origin图像位于该坐标系的第一象限示意图；

图3(a)(b)(c)分别是三种边缘连接的示意图；

图4(a)(b)(c)分别是传统的边缘跟踪方法的局部点选择方法的示意图；

图5(a)(b)(c)分别是本方法的边缘跟踪方法的局部点选择方法的示意图；

图6是本方法的边缘跟踪示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

步骤一：对待检测图像img进行预处理。

图像在被拍摄、传输过程中，往往会受到外部干扰，被噪声所污染。常见的有高斯噪声，已知高斯噪声服从正态分布，所以可以使用高斯滤波对图像作平滑处理。因为高斯滤波是线性可分的，所以可以分别在水平方向和垂直方向用一维高斯矩阵对图像进行卷积，降低了计算的时间复杂度，有利于实时处理。

在本实施例中，经试验选取一维高斯矩阵长度filterLength＝5，

Kernel	0.1117	0.2365	0.3036	0.2365	0.1117
						DerivKernel	0.1248	0.0960	0	-0.0960	-0.1247
NormalKernel	0.5652	0.4348	0	-0.4348	-0.5652

表1高斯核、高斯差分核、归一化的高斯差分核(小数点后保留4位数字)

如表1，使用高斯函数计算并归一化，得到1×5的高斯核Kernel。

对高斯核Kernel一阶差分，得到高斯差分核DerivKernel。

对高斯差分核DerivKernel的正数部分和负数部分分别归一化，得到归一化的高斯差分核NormalKernel。

依次使用核Kernel、核NormalKernel的转置对origin图像卷积，得到origin图像y轴方向的一阶导数Gy；依次使用核Kernel的转置、核NormalKernel对origin图像卷积，得到origin图像x轴方向的一阶导数Gx。

在这里梯度模值公式计算太耗时，可以用|Gx|+|Gy|代替；梯度角θ＝arctan(Gy,Gx)，如图2(a)是数字图像的各个象限分布，图2(b)表示origin图像位于该坐标系的第一象限，两条弧线表示激光线条纹的上下边缘，射线描述激光线条纹上下边缘点的梯度方向。

梯度方向由灰度值较低的区域指向灰度值较高的区域，origin图中激光线条纹中间灰度值高，两侧灰度值低。因此上边缘的梯度方向是朝下的，梯度角的范围是[0,180]；下边缘的梯度方向是朝上的，梯度角的范围是[180,360]。

使用θ＝arctan(Gy,Gx)可以计算每个像素点的梯度角，但该函数太耗时，可以通过Gy的正负来判断某像素点属于上边缘还是下边缘，并将下边缘点的梯度模值乘以-1。

设mag为梯度模值图像，像素点(i,j)处的梯度模值为：

在origin图像中，激光线条纹具有一定的宽度，越靠近图像的中部宽度远大，激光线条纹的每一列都存在一个上边缘点和一个下边缘点。

设图像origin的宽度与高度分别为row、col，变量uploc、downloc是col×2的矩阵，变量uploc每行分别存储上边缘点的x轴、y轴坐标，变量downloc每行分别存储下边缘点的x轴、y轴坐标；

bmask激光线掩模图像中白色区域基本能够覆盖激光线条纹，利用bmask掩模图像提取边缘的算法步骤如下：

(1)遍历bmask图像的第i列，若该列中存在非零像素，则跳转至步骤(2)，否则跳转到步骤(3)，当i大于col时，整个算法结束。

(2)提取这些非零像素的坐标值，在梯度模值图像mag中对应位置像素点中找出梯度值最大和最小的像素点，然后将梯度值最大的像素点坐标值存入uploc的第i行，将梯度值最小的像素点坐标值存入downloc的第i行，i加1，并转到步骤(1)。

(3)将uploc、downloc的第i行置为(0,0)，i加1，并转到步骤(1)。

得到激光线条纹的上下边缘坐标后，可以在彩色图像img中进行标注，坐标值为(0,0)的像素不标注。如果强光区域处并没有激光线条纹，但是周围有一些很短的上下边缘，这是在bmask图像对应区域出现了连通域。

通常情况下，激光线条纹每一列上边缘点的纵坐标小于下边缘点的纵坐标，且两者差的绝对值位于固定的区间。但由于噪声干扰，下边缘点位于上边缘点的上方，或者上下边缘点的间距过大；当强光照射输送带表面时，强光区域上的激光线条纹会消失；强光区域周围会出现短的上下边缘点。因此要对检测出的上下边缘点进行过滤，上下边缘点满足以下任意一个条件：

(1)上边缘点纵坐标大于等于下边缘纵坐标，或者下边缘纵坐标减去上边缘纵坐标(激光线的宽度)大于等于阈值LASERWIDTH(该阈值代表激光线条纹的最大宽度，经试验设置为10)。

(2)上边缘点或下边缘点任意一个位于阳光掩模图像sunmask所标注的强光区域内。

(3)计算图像中每一列上下边缘点的坐标均值得到激光线条纹的中心线，根据中心线点的连通性对其进行分段，计算每段的长度，长度小于15个像素的段所对应的上下边缘点将被消除。

将相应的uploc、downloc的坐标置为(0,0)，并img彩色图像中标注上下边缘点。绿色点为上边缘点，蓝色点为下边缘点，一些较短的干扰边缘被消除，剩余的都是较长的激光线条纹的上下边缘点。

虽然假边缘点已经被消除，但是一些边缘点之间存在间隙，因此需要对边缘点进行连接。通常是在以边缘端点为中心的5×5或者更大的邻域内，搜索出其它边缘端点，通过在两个端点之间填充像素点，把它们连接起来。但是对于有许多边缘点的复杂情况，这种处理方法会过度分割图像。为了防止过度分割，只有当两个端点的梯度方向和梯度模值相近时，才能将两个端点连接。

图像中激光线条纹的每一列只有两个边缘点——上边缘点和下边缘点，传统的连接方法会增加边缘点。

而在本方法中对于边缘点之间小的缝隙，可以通过调整像素点的位置使得边缘连接起来。

如图3所示，点方块为边缘点，黑色圆点方块为调整后的边缘点，边缘在点C处发生了中断，点C所在列左右两侧边缘点A、B纵坐标的差各不相同。在图3(a)、(c)中，将边缘点C调整到图中黑色圆点方块，则边缘连续；在图3(b)中，可以将边缘点C调整到图中任一个黑色圆点方块，若点A、B、C是上边缘点时，选择靠近图像下方的黑色圆点方块，若点A、B、C是下边缘点时，否则选择靠近图像上方的黑色圆点方块，使调整后的边缘点更靠近激光线条纹中间。使用上述方法对边缘进行连接。

由于bmask掩模图像并没有完全覆盖激光线条纹区域，导致激光线条纹的一些边缘并没有被提取出来。可以选择已提取的边缘点作为起点，对边缘进行跟踪。边缘跟踪是从图像中目标区域的一个边缘点出发，搜索并连接边缘点进而逐步检测整个边缘。通常选择梯度模值最大的像素点作为起点，开始进行边缘跟踪；如果同时存在多个像素点具有最大的梯度模值，则任选其中一个点作为起始点。在以边缘起始点作为中心的3×3邻域内进行搜索，选择梯度模值最大的邻域点作为第2个边缘点；当两个邻域点具有同样的最大灰度值时，则任选其中一个点。在给定当前点和前一个边缘点基础上搜索下一个边缘点，然后更新当前点与前一个边缘点，直到满足一定的条件停止搜索。

设图像中不在图像边界处的像素的坐标为(x,y)，存在8个相邻的像素，它们分别位于以(x,y)为中心的8个方向的位置上，我们把这8个位置称为该像素的八邻域。从左上角像素开始，沿顺时针方向把八邻域标注为1、2、…7、8。与前一个边缘点相对的邻点和该邻点两侧的点作为下一个边缘点，传统的边缘跟踪方法如图4所示。

图4(a)表示当前点的八个邻域。图4(b)中点2、3、4中灰度级最高的那个点作为下一个边缘点；若点2和3或者点3和4或者点2、3、4具有同样最高灰度级，就选择点3作为下一个边缘点。在图4(c)中，点3、4、5中灰度级最高的那个点作为下一个边缘点；若点3和4或者点4和5或者点3、4、5具有同样最高灰度级，就选择点4作为下一个边缘点。

为了保证图像的每一列最多只有2个边缘点——一个上边缘点和一个下边缘点，本文提出的边缘跟踪方法的下一个边缘点只能是当前边缘点左侧或右侧相连接的3个点中一个，因此边缘的总体方向是向左或者向右。

图5(a)表示当前点的八个邻域。在图5(b)中，点3、4、5中灰度级最高的那个点作为下一个边缘点；若点3和4或者点4和5或者点3、4、5具有同样最高灰度级，就选择点4作为下一个边缘点。在图5(c)中，点1、7、8中灰度级最高的那个点作为下一个边缘点；若点1和8或者点7和8或者点1、7、8具有同样最高灰度级，就选择点8作为下一个边缘点。

本文提出的边缘跟踪方法将激光线条纹的上下边缘端点作为一对起始点，同时对上下边缘进行跟踪，如图6所示，矩形框代表图像的边界，虚线L平分图像，曲线EA2、A1C1、C2G代表激光区域的上边缘，FB2、B1D1、D2H代表激光区域的下边缘。

计算边缘端点到直线L的距离，从距离小的边缘点向距离大的边缘点跟踪。例如A1到直线L的距离小于A2到直线L的距离，因此以A1、B1点作为起始点同时向A2、B2点处跟踪。

已知A1点的坐标为(A1x,A1y)，B1点的坐标为(B1x,B1y)，A1x等于B1x，上下边缘的下一个边缘点分别记作A11、B11，需满足以下3个条件：

(1)激光线条纹具有一定的宽度，过大或过小的差值都是不正常的，下边缘点B11纵坐标与上边缘点A11纵坐标的差值需要大于等3小于等于5。

(2)强光区域中不存在激光线条纹，因此A11与B11的中点(取整后)不能位于sunmask图像中的强光区域内。

(3)当输送带表面有泥土或者摄像机镜头上有灰尘，彩色图像img中激光线条纹部分会消失。已知origin灰度图像激光线条纹的上下边缘点坐标，可以计算出它的平均灰度值linethresh。A11与B11的中点(取整后)在origin图中的灰度值应该大于等于linethresh。

当这3个条件中任一个不满足时，就停止搜索；否则把新搜索出的上下边缘点的坐标存入uploc与downloc中，并以这两个边缘点作为当前点继续向左边搜索。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种激光线条纹边缘提取方法，其特征是，包括如下步骤：

1)对待检测图像img进行预处理：采用高斯滤波对图像做平滑处理，分别在水平方向和垂直方向用一维高斯矩阵对图像进行卷积，得到梯度模值图像mag；

2)设待检测图像img生成的灰度图像origin的宽度与高度分别为row、col，变量uploc、downloc分别为col×2的向量，所述变量uploc每行分别存储上边缘点的x轴、y轴坐标，变量downloc每行分别存储下边缘点的x轴、y轴坐标；

3)采用线性组合法将待检测图像转换为单通道图像，并进行分段线性灰度级变换，将灰度值范围映射到[0,255]，得到灰度图像；对灰度图像进行分割，并进行形态学操作，得到激光线条纹掩膜图像bmask；

利用激光线条纹掩膜图像bmask提取边缘，步骤如下：

31)设i为激光线条纹掩模图像bmask的列数，当i大于col时，跳转至步骤34)；

遍历激光线条纹掩膜图像bmask的第i列：

若该列中存在非零像素，则跳转至步骤32)，否则跳转到步骤33)；

32)提取非零像素的坐标值，在梯度模值图像mag中对应位置像素点中找出梯度值最大和最小的像素点；

将梯度值最大的像素点坐标值存入uploc的第i行，将梯度值最小的像素点坐标值存入downloc的第i行，i加1，并转到步骤31)；

33)将uploc、downloc的第i行设置为(0,0)，i加1，并转到步骤31)；

34)得到激光线条纹的上下边缘坐标后，在待检测图像img中进行标注，坐标值为(0,0)的像素不标注；

4)对检测出的上下边缘点进行过滤，过滤条件如下：

I))上边缘点纵坐标大于等于下边缘纵坐标，或者下边缘纵坐标减去上边缘纵坐标大于等于阈值，所述阈值代表激光线条纹的最大宽度；

II)上边缘点或下边缘点任意一个位于阳光掩膜图像sunmask所标注的强光区域内；

III)计算图像中每一列上下边缘点的坐标均值得到激光线条纹的中心线，根据中心线点的连通性对其进行分段，计算每段的长度，长度小于15个像素的段所对应的上下边缘点将被消除；

5)将相应的uploc、downloc的坐标置为(0,0)，并在img彩色图像中标注上下边缘点；

6)通过调整像素点的位置连接边缘点；

7)选择已提取的边缘点作为起点：已知A1点的坐标为(A1x,A1y)，B1点的坐标为(B1x,B1y)，A1x等于B1x，上下边缘的下一个边缘点分别记作A11、B11，边缘跟踪时向同一方向进行跟踪；边缘跟踪过程中，需满足以下3个条件：

i)下边缘点纵坐标与上边缘点纵坐标的差值需要大于等3，且小于等于5；

ii)A11与B11的中点取整后不能位于sunmask图像中的强光区域内；

iii)已知origin灰度图像激光线条纹的上下边缘点坐标，计算出平均灰度值linethresh，A11与B11的中点取整后在origin图中的灰度值应该大于等于linethresh；

当以上3个条件中任一个不满足时，停止搜索；否则把新搜索出的上下边缘点的坐标存入uploc与downloc中，并以这两个边缘点作为当前点继续搜索。

2.根据权利要求1所述的一种激光线条纹边缘提取方法，其特征是，所述步骤1)的具体步骤为：

11)选取一维高斯矩阵长度filterLength＝5，使用高斯函数计算并归一化，得到1×5的高斯核Kernel；

12)对高斯核Kernel一阶差分，得到高斯差分核DerivKernel；

13)对高斯差分核DerivKernel的正数部分和负数部分分别归一化，得到归一化的高斯差分核NormalKernel；

14)依次使用核Kernel、核NormalKernel的转置对origin图像卷积，得到origin图像y轴方向的一阶导数Gy；依次使用核Kernel的转置、核NormalKernel对origin图像卷积，得到origin图像x轴方向的一阶导数Gx；

15)通过步骤14)得到激光线上下边缘点梯度方向示意图，其中，梯度方向由灰度值较低的区域指向灰度值较高的区域，确定上边缘和下边缘的梯度角；通过Gy的正负来判断某像素点属于上边缘还是下边缘，并将下边缘点的梯度模值乘以-1；设mag为梯度模值图像，像素点(i,j)处的梯度模值为：

3.根据权利要求2所述的一种激光线条纹边缘提取方法，其特征是，所述步骤15)中利用|Gx|+|Gy|代替梯度模值公式。

4.根据权利要求1所述的一种激光线条纹边缘提取方法，其特征是，所述步骤4)中阳光掩膜图像sunmask由如下步骤得到：

41)对于img图像的每个像素点，将绿色通道灰度值加上蓝色通道灰度值，再减去红色通道灰度值，得到单通道图像sunimg；

42)设sunimg图像中像素灰度值均值和标准差分别为sunmean、sunstd，以sunmean+sunstd为阈值对单通道图像sunimg进行二值化；

43)依次采用不同尺寸的正方形结构元对二值图像进行膨胀与腐蚀操作，最后得到阳光掩膜图像sunmask。