CN106251327A - 一种用于刀具测量的亚像素边界快速检测方法 - Google Patents
一种用于刀具测量的亚像素边界快速检测方法 Download PDFInfo
- Publication number
- CN106251327A CN106251327A CN201610543974.3A CN201610543974A CN106251327A CN 106251327 A CN106251327 A CN 106251327A CN 201610543974 A CN201610543974 A CN 201610543974A CN 106251327 A CN106251327 A CN 106251327A
- Authority
- CN
- China
- Prior art keywords
- border
- sub
- quadrant
- pix
- cutting tools
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明公布了一种用于刀具测量的亚像素边界快速检测方法。该方法包括图像预处理、图像二值化、像素边界定位以及亚像素边界优化四步。图像二值化采用OTSU方法自动计算图像的阈值,使得该发明能够自适应环境亮度的变化;基于连通性聚类得到图像的像素级别的边界,为了减少噪声影响,对于长度小于平均边界长度的边界进行滤除;亚像素边界优化采用双线性插值的方法,以二值化方法中的阈值作为参考值,分别在x和y两个方向进行插值,得到亚像素精度的边界。由于采用OTSU自动阈值计算方法与双线性插值方法,该发明无需人工交互与参数设置,计算简单,鲁棒性强,能够自适应环境亮度的变化,在不增加硬件成本的前提下,可以大大提高刀具测量中的测量精度。
Description
技术领域
本发明属于工业视觉领域,具体涉及刀具的测量与检测。
背景技术
现代数控机床对装刀的精度要求较高,尤其是在精密加工领域,刀具自身参数测量的精度直接影响到加工的精度。另一方面,刀具生产厂家为了检测产品的质量,需要检测刀具各个参数是否符合设计的精度要求,也需要对刀具进行测量。
目前刀具测量通常基于机器视觉的原理,通过光学成像,得到刀具在成像平面的投影,刀具的各个参数则通过对图像的边界进行测量得到。然而,现有的测量方法中,有的是通过手动将影像的边界对齐到给定的标尺,然后通过人眼读数的方式得到。这种通过人眼判断是否对齐的方式,大大降低了测量的精度。另外一类方法则是通过计算机自动识别边界,自动计算出边界的参数,这类方法自动化程度高,减少了人工交互的工作,一定程度上提高了边界识别的精度。然而,该方法通常只定位到以像素为单位的图像边界,而由于相机的分辨率有限,再加上镜头放大倍数的影响,通常一个像素的实际物理距离达到10um以上,难以满足精密加工与测量领域对精度要求在um级别的需求。在机器视觉领域虽然提出过一些亚像素边界检测方法,但这些方法往往计算复杂,鲁棒性不够,并且难以达到实时检测的目的。
本发明针对传统边界检测方法中只能达到像素级别的精度,或者计算复杂,难以达到实时的不足,基于双线性插值的思想,提出了一种亚像素精度的边界检测方法。该方法在不增加硬件成本的情况下(提高相机的分辨率),可以提高边界检测的精度。该方法无需人工交互与参数设置,使用简单,可普适于精密测量领域。
发明内容
针对传统边界检测方法只能达到像素级别的精度,或者计算复杂,难以达到实时响应的不足,本发明提出了一种亚像素精度的快速边界检测方法。该方法在不增加硬件成本的情况下,可以提高边界检测的精度,并且能达到实时响应的目的。
本发明为实现上述目标所采用的技术方案为:
亚像素精度的快速检测方法主要包括四个步骤:图像预处理、图像二值化、像素级别边界提取以及亚像素边界优化。
1.图像预处理
图像预处理主要解决图像获取过程中的噪音问题以及对边界进行增强。首先,基于中值滤波算法,滤除图像中的椒盐噪声。为了增强边界效果,本发明采用LoG算子,即对图像高斯滤波后,计算Laplace边界响应值,通过将Laplace边界响应值叠加到原始图像可得到边界增强后的图像。为了加快计算速度,LoG算子边界增强的计算采用如图(1)所示的离散后的5*5模板进行计算。
2.图像二值化
为了减少环境亮度对于边界检测的影响,图像二值化采用动态阈值的方法。本发明利用OTSU算法,实时计算图像的二值化阈值。其主要思想为:遍历所有可能的阈值(对于灰度图像而言为0~255),找到能够最大化类间距离,最小化类内距离的阈值。类间距离可以用两类的均值之差进行度量,而类内距离则使用每个类的方差进行度量。记阈值为t时,给定图像的前景和背景的均值分别为m1和m2,前景和背景的方差分别为var1和var2,则阈值的计算可表示为:
3.像素级边界提取
图像二值化后,图像的边界由邻近像素中具有不同颜色值的像素基于连通性准则聚类得到。由于噪声的存在,聚类得到的边界可能存在一些短小的噪声边界,这些边界长度通常小于平均边界长度。因此,本发明利用边界长度对这些噪声边界进行滤除,即若边界长度小于平均长度,则滤除这些噪声边界,否则保留。
4.亚像素边界优化
上述步骤中得到的是像素级别的图像边界,为进一步提高测量精度,需对边界进行进一步优化,得到亚像素级别的图像边界。亚像素边界优化主要基于双线性插值的原理。若二值化过程中的阈值为T,对于待优化的边界点,首先根据其上下左右的四个邻近点的颜色值,确定实际的边界点所处的象限。由图2所示,象限判断准则为:
(1)若(Pi,j-T)(Pi+1,j-T)<0,并且若(Pi,j-T)(Pi,j-1-T)<0,则实际的边界点位于第1象限,若(Pi,j-T)(Pi,j+1-T)<0,则位于第4象限;
(2)若(Pi,j-T)(Pi11,j-T)<0,并且若(Pi,j-T)(Pi,j-1-T)<0,则实际的边界点位于第2象限,若(Pi,j-T)(Pi,j+1-T)<0,则位于第3象限。
而后,根据实际边界点所处的象限,对边界点坐标进行优化。记优化后的边界点坐标为(x,y),优化准则为:
(3)若实际边界点位于第1象限,则x=i+(T-Pi,j)/(Pi+1,j-Pi,j),y=j-(T-Pi,j)/(Pi,j-1-Pi,j);
(4)若实际边界点位于第2象限,则x=i-(T-Pi,j)/(Pi-1,j-Pi,j),y=j-(T-Pi,j)/(Pi,j-1-Pi,j);
(5)若实际边界点位于第3象限,则x=i-(T-Pi,j)/(Pi-1,j-Pi,j),y=j+(T-Pi,j)/(Pi,j+1-Pi,j);
(6)若实际边界点位于第4象限,则x=i+(T-Pi,j)/(Pi+1,j-Pi,j),y=j+(T-Pi,j)/(Pi,j+1-Pi,j);
有益效果
本发明的用于刀具测量的亚像素边界快速检测方法,能够在不增加硬件成本的情况下(提高相机的分辨率),提高边界检测的精度,满足精密加工与检测的需求。该方法无需人工交互与参数设置,使用与实现简单,可达到实时检测的目的。因此,该方法可普适于精密测量领域。
附图说明
图1为5*5的离散Log边界增强算子模板,可简化图像预处理中的计算量。
图2为亚像素优化过程中使用的象限判断准则的示意图。
图3为用于刀具测量的亚像素边界快速检测方法的流程图。
具体实施方式
下面结合附图对本发明进一步说明。
如图3所示,用于刀具测量的亚像素边界检测方法,主要包括四个步骤:图像预处理,图像二值化,像素级边界提取以及亚像素边界优化。
输入一幅待测量的刀具图片,首先利用中值滤波算法滤除图像中的椒盐噪声,而后利用图1所示的5*5的离散Log边界增强算子模板对待测图像进行边界增强。
经过预处理后的图片,基于OTSU算法动态确定图像二值化的阈值T。若图像的灰度值大于T,则为255,否则为0。
基于连通性准则聚类得到图像中的所有边界。为了消除由于噪声产生的短小边界,利用边界长度是否小于所有边界的平均长度这一准则对噪声边界进行过滤。
对于检测得到到像素级边界进行优化。优化过程主要基于双线性插值的思想,首先判断真实边界像素点可能存在的象限,而后分别针对不同象限利用线性插值的原理,分别在x,y方向插值,从而得到亚像素的边界点。
Claims (7)
1.一种用于刀具测量的亚像素边界快速检测方法,其特征在于,包括以下几个步骤:
步骤1、对输入的待测图像进行预处理,包括中值滤波与边界增强;
步骤2、对预处理后的图像进行二值化;
步骤3、基于连通性准则,对二值化后的图像进行聚类,得到像素级别的边界;
步骤4、基于双线性插值的方法,对边界像素进行优化,得到亚像素级别的边界。
2.根据权利要求1中所述的用于刀具测量的亚像素边界快速检测方法,其特征在于,
步骤1中的边界增强采用离散LOG算子按照模板计算得到。
3.根据权利要求1中所述的用于刀具测量的亚像素边界快速检测方法,其特征在于,
步骤2中的图像二值化的阈值由动态计算得到,以减少环境亮度对边界检测的影响,本发明中使用OTSU算法计算二值化的阈值。
4.根据权利要求1中所述的用于刀具测量的亚像素边界快速检测方法,其特征在于,
步骤3中像素级别的边界检测,为了减少噪声的影响,利用边界长度是否小于平均边界长度过滤噪声边界。
5.根据权利要求1中所述的用于刀具测量的亚像素边界快速检测方法,其特征在于,
步骤4中亚像素边界优化,包括两个步骤:
步骤4.1、通过边界点的上下左右4个邻近点,判断真实边界点所在的象限;
步骤4.2、利用双线性插值方法,分别在x、y两个方向插值得到优化后的亚像素边界。
6.根据权利要求4中所述的用于刀具测量的亚像素边界快速检测方法,其特征在于,
步骤4.1中的判断真实边界点所在象限的准则为:
(1)若(Pi,j-T)(Pi+1,j-T)<0,并且若(Pi,j-T)(Pi-1,j-T)<0,则实际的边界点位于第1象限,若(Pi,j-T)(Pi,j+1-T)<0,则位于第4象限;
(2)若(Pi,j-T)(Pi-1,j-T)<0,并且若(Pi,j-T)(Pi,j-1-T)<0,则实际的边界点位于第2象限,若(Pi,j-T)(Pi,j+1-T)<0,则位于第3象限。
7.根据权利要求4中所述的用于刀具测量的亚像素边界快速检测方法,其特征在于,
步骤4.2中亚像素边界的优化方法为:
若实际边界点位于第1象限,则;x=i+(T-Pi,j)/(Pi+1,j-Pi,j),y=j-(T-Pi,j)/(Pi,,j-1-Pi,j);
若实际边界点位于第2象限,则;x=i-(T-Pi,j)/(Pi-1,j-Pi,j),y=j-(T-Pi,j)/(Pi,,j-1-Pi,j);
若实际边界点位于第3象限,则;x=i-(T-Pi,j)/(Pi-1,j-Pi,j),y=j+(T-Pi,j)/(Pi,,j+1-Pi,j);
若实际边界点位于第4象限,则;x=i+(T-Pi,j)/(Pi+1,j-Pi,j),y=j+(T-Pi,j)/(Pi,,j+1-Pi,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543974.3A CN106251327A (zh) | 2016-07-12 | 2016-07-12 | 一种用于刀具测量的亚像素边界快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543974.3A CN106251327A (zh) | 2016-07-12 | 2016-07-12 | 一种用于刀具测量的亚像素边界快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106251327A true CN106251327A (zh) | 2016-12-21 |
Family
ID=57613749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610543974.3A Pending CN106251327A (zh) | 2016-07-12 | 2016-07-12 | 一种用于刀具测量的亚像素边界快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251327A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112545566A (zh) * | 2020-12-07 | 2021-03-26 | 武汉中旗生物医疗电子有限公司 | 一种胎儿颈部透明层测量方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1680072A (zh) * | 2004-04-08 | 2005-10-12 | 电子科技大学 | 一种静态刀具图像的精密测量方法 |
KR20100034177A (ko) * | 2008-09-23 | 2010-04-01 | 신진 엠.티.테크 주식회사 | 절삭공구의 길이 및 직경 측정방법과 절삭공구의 길이 및 직경 측정장치. |
CN103024247A (zh) * | 2011-09-28 | 2013-04-03 | 中国航天科工集团第二研究院二〇七所 | 一种基于改进块匹配的电子稳像方法 |
CN103177426A (zh) * | 2013-02-27 | 2013-06-26 | 中南大学 | 一种基于形态学的强干扰激光边缘图像修复方法 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
-
2016
- 2016-07-12 CN CN201610543974.3A patent/CN106251327A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1680072A (zh) * | 2004-04-08 | 2005-10-12 | 电子科技大学 | 一种静态刀具图像的精密测量方法 |
KR20100034177A (ko) * | 2008-09-23 | 2010-04-01 | 신진 엠.티.테크 주식회사 | 절삭공구의 길이 및 직경 측정방법과 절삭공구의 길이 및 직경 측정장치. |
CN103024247A (zh) * | 2011-09-28 | 2013-04-03 | 中国航天科工集团第二研究院二〇七所 | 一种基于改进块匹配的电子稳像方法 |
CN103177426A (zh) * | 2013-02-27 | 2013-06-26 | 中南大学 | 一种基于形态学的强干扰激光边缘图像修复方法 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
Non-Patent Citations (3)
Title |
---|
夏德深等: "《计算机图像处理及应用》", 29 February 2004, 东南大学出版社 * |
张三喜等: "《弹道特征参数摄像测量》", 31 March 2014, 国防工业出版社 * |
谭延凯: "基于计算机视觉的刀具磨损检测技术的研究", 《中国优秀硕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 |
---|---|---|---|---|
CN112545566A (zh) * | 2020-12-07 | 2021-03-26 | 武汉中旗生物医疗电子有限公司 | 一种胎儿颈部透明层测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
JP5699788B2 (ja) | スクリーン領域検知方法及びシステム | |
US9454821B2 (en) | One method of depth perception based on binary laser speckle images | |
CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN102455171B (zh) | 一种激光拼焊焊缝背面几何形貌检测方法 | |
CN105835507B (zh) | 一种手机盖板玻璃和液晶屏的贴合方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN108573221A (zh) | 一种基于视觉的机器人目标零件显著性检测方法 | |
JP6899189B2 (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN107424144A (zh) | 基于激光视觉的焊缝跟踪图像处理算法 | |
CN106951905A (zh) | 一种基于tof相机的树上苹果识别与定位方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN103424409A (zh) | 一种基于dsp的视觉检测系统 | |
CN105627939A (zh) | 一种基于工业设备的微小间隙检测装置、方法及系统 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN111257329A (zh) | 一种智能手机摄像头缺陷检测方法以及检测系统 | |
CN111401449A (zh) | 一种基于机器视觉的图像匹配方法 | |
CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
Jiang et al. | Lane line detection optimization algorithm based on improved Hough transform and R-least squares with dual removal | |
CN115063579A (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN105184792A (zh) | 一种圆锯片磨损量在线测量方法 | |
CN106251327A (zh) | 一种用于刀具测量的亚像素边界快速检测方法 | |
JPH10124676A (ja) | 形状追跡方法および装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161221 |