CN106296587A - 轮胎模具图像的拼接方法 - Google Patents

Abstract

本发明公开了一种轮胎模具图像的拼接方法，包括：依次对待检测轮胎模具进行扫描并进行预处理生成多幅ROI图像；通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域；当重叠区域的差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像；在第一图像上的预设坐标取预设尺寸的第一图像块，在第二图像上以预设尺寸搜索第二图像块，当第一图像块和第二图像块的相似度符合预设条件时，获取第二图像块的目的坐标；根据预设坐标和目标坐标，重新定义第一图像和第二图像的重叠区域；根据重新定义的重叠区域，对第一图像和第二图像进行拼接。本发明有利于兼顾搜索速度的同时保证重叠区域的判断精度，鲁棒性好。

Description

轮胎模具图像的拼接方法

技术领域

本发明涉及图像处理领域，尤其涉及一种轮胎模具图像的拼接方法。

背景技术

随着科学技术的发展，图像拼接已成为图像信息处理领域中一项非常重要的技术，并广泛应用于数字视频、运动分析、虚拟现实技术、医学图像分析及遥感图像处理等领域。图像拼接技术是根据图像重叠部分，将多张顺序相邻的图像拼接合成一张高分辨率的全景图。

目前基于体征点拼接的技术比较成熟，适用于特征点较多的图像，算法计算量较小、配准精度高，但是往往要借助人工选取初始匹配点，这样大大降低了算法的速度和适用范围。基于相位相关的拼接算法也是一种较常用的方法，具有配准精度高，速度快等优点，但是不适用于存在旋转关系的拼接。对于轮胎模具图像，由于本身所具有的一些特点，导致配准难：有的图片重叠区域只有斜纹没有文字，有的图片重叠区域线条很简单，造成特征点匹配难或者特征点不足；图像光照不均匀也加大预处理的难度。传统的拼接算法一般只针对两幅或者几幅图像，对于30到40幅图像，拼接效果并不理想。此外，由于工业生产对速度的要求，以及拍摄不可避免遇到的图像畸变问题，使得传统算法不适用于轮胎模具图像的拼接。因此，在工程应用上，针对轮胎模具图像的拼接算法很少。

现有的轮胎模具图像的拼接方法需要对原始图像进行预处理得到ROI(Region OfInterest，感兴趣区域)图像，预处理过程包括将原始图像进行拟合圆与平直化处理，由于拟合圆的过程存在误差，导致极坐标变换后的图像存在形变，而相位相关法对于旋转和细微的畸变十分敏感，在图像拼接过程，容易出现配准误差过大，造成严重的虚影，可靠性差。

发明内容

本发明实施例提供一种轮胎模具图像的拼接方法，以解决现有的拼接方法误差大、可靠性差的问题。

本发明实施例提供了一种轮胎模具图像的拼接方法，包括：

依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并对原始图像进行预处理生成多幅ROI图像；

通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域；

当所述重叠区域的差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像；

在所述第一图像上的预设坐标取预设尺寸的第一图像块，在所述第二图像上以所述预设尺寸搜索第二图像块，当所述第一图像块和第二图像块的相似度符合预设条件时，获取所述第二图像块的目的坐标；

根据所述预设坐标和所述目标坐标，重新定义第一图像和第二图像的重叠区域；

根据所述重新定义的重叠区域，对所述第一图像和第二图像进行拼接。

进一步，所述依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并对原始图像进行预处理生成多幅待测ROI图像的步骤，包括：

根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并分别对所采集的每张原始图像进行处理后获得轮胎外侧圆弧形轮廓；

拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对所述平直型待测图像进行阈值分割后，定位轮胎模具图像区域，生成多幅待测ROI图像。

进一步，所述通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域的步骤，包括：

获取顺序相邻的每两幅ROI图像的梯度图像；

通过计算所述梯度图像的归一化互功率谱，确定顺序相邻的每两幅ROI图像的位移量；

根据所述位移量，确定顺序相邻的每两幅ROI图像的重叠区域。

进一步，所述获取顺序相邻的每两幅ROI图像的梯度图像的步骤，具体为：

根据以下公式确定顺序相邻的每两幅ROI图像的梯度图像：

$\left\{\begin{array}{c}mag1(d,\mathrm{\&phi;})=\sqrt{{\left(f\right(d+1,\mathrm{\&phi;})-f(d,\mathrm{\&phi;}\left)\right)}^2+{\left(f\right(d,\mathrm{\&phi;}+1)-f(d,\mathrm{\&phi;}\left)\right)}^2}1\&le;d<m,1\&le;\mathrm{\&phi;}<n\\ mag2(d,\mathrm{\&phi;})=\sqrt{{\left(g\right(d+1,\mathrm{\&phi;})-g(d,\mathrm{\&phi;}\left)\right)}^2+{\left(g\right(d,\mathrm{\&phi;}+1)-g(d,\mathrm{\&phi;}\left)\right)}^2}1\&le;d<m,1\&le;\mathrm{\&phi;}<n\end{array}\right.$

其中，f是一幅图像，为图像f的灰度值，g是与f顺序相邻的另一幅图像，是图像g的灰度值，m是ROI图像的像素行数，n是ROI图像的像素列数，mag1(d,φ)是图像f的梯度图像，mag2(d,φ)是图像g的梯度图像；

所述通过计算所述梯度图像的归一化互功率谱，确定顺序相邻的每两幅ROI图像的位移量的步骤，包括：

根据以下公式对mag1(d,φ)和mag2(d,φ)进行二维傅里叶变换：

$\left\{\begin{array}{c}F(u,v)=\underset{d=1}{\overset{m-1}{\&Sigma;}}\underset{\mathrm{\&phi;}=1}{\overset{n-1}{\&Sigma;}}f(d,\mathrm{\&phi;})\exp \&lsqb;-j2\mathrm{\&phi;}(\frac{d}{m-1}u+\frac{\mathrm{\&phi;}}{n-1}v)\&rsqb;\\ G(u,v)=\underset{d=1}{\overset{m-1}{\&Sigma;}}\underset{\mathrm{\&phi;}=1}{\overset{n-1}{\&Sigma;}}g(d,\mathrm{\&phi;})\exp \&lsqb;-j2\mathrm{\&pi;}(\frac{d}{m-1}u+\frac{\mathrm{\&phi;}}{n-1}v)\&rsqb;\end{array}\right.$

根据以下公式获取梯度图像的归一化互功率谱：

$S(u,v)=\frac{G(u,v)\&CenterDot;F^{*}(u,v)}{|G(u,v)\&CenterDot;F^{*}(u,v)|}$

对S(u,v)进行傅里叶逆变换，求出使得逆变化值最大的坐标(p,x*)，确定N＝(p,x*)为所述位移量；

所述根据所述位移量，确定顺序相邻的每两幅ROI图像的重叠区域的步骤，具体为：

根据以下公式获取确定重叠区域的宽度q：

q＝n-x^*。

进一步，所述当所述重叠区域的差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像的步骤，包括：

获取图像f和图像g被重叠区域覆盖的图像块，并根据以下公式获取图像f和图像g的差异度：

$Si=\frac{h_f{h}_g}{\left|\right|h_f\left|\right|\left|\right|h_g\left|\right|}$

其中，h_f为图像f被重叠区域覆盖的图像块的HOG(Histogram of OrientedGradient方向梯度直方图)特征，h_g为图像g被重叠区域覆盖的图像块的HOG特征；

判断当所述差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像。

进一步，所述在所述第一图像上的预设坐标取预设尺寸的第一图像块，在所述第二图像上以所述预设尺寸搜索第二图像块，当所述第一图像块和第二图像块的相似度符合预设条件时，获取所述第二图像块的目的坐标的步骤，包括：

在所述第一图像上取尺寸为m_p×n_p的第一图像块，在所述第二图像上以尺寸为m_p×n_p建立搜索模板，取所述搜索模板内的图像块为第二图像块；

提取第一图像块的HOG特征向量h_t，在所述第二图像上移动所述搜索模板，并提取搜索模板对应的第二图像块HOG特征向量h_x,t；

根据以下公式计算h_x,t和h_t的相似度：

$Sim\left(x\right)=\frac{h_t{h}_{x,t}}{\left|\right|h_t\left|\right|\left|\right|h_{x,t}\left|\right|}$

其中，x为所述搜索模板左上角的水平坐标；

根据以下公式获取x的最佳取值：

$x^{*}=\arg \left\{\underset{1\&le;x\&le;n_p,}{\max }\right\{Sim\left(x\right)\left\}\right\}.$

进一步，所述根据所述预设坐标和所述目标坐标，重新定义第一图像和第二图像的重叠区域的步骤，具体为：

根据以下公式获取第一图像和第二图像的重叠区域的宽度

q＝x^*+n_p。

进一步，所述根据所述重新定义的重叠区域，对所述第一图像和第二图像进行拼接的步骤，具体为：

使用加权渐变的融合方法对第一图像和第二图像的重叠区域进行拼接。

进一步，所述使用加权渐变的融合方法对第一图像和第二图像的重叠区域进行拼接的步骤，包括：

使用以下公式获取第一图像和第二图像融合后的灰度：

$Z(d,\mathrm{\&phi;})=\left\{\begin{array}{cc}{I}_t(d,\mathrm{\&phi;})& 1\&le;\mathrm{\&phi;}<n-q\\ I_t(d,\mathrm{\&phi;})W+I_{t+1}(d,\mathrm{\&phi;}-q+n)(1-W)& n-q\&le;\mathrm{\&phi;}<n\\ I_{t+1}(d,\mathrm{\&phi;}-q+n)& n\&le;\mathrm{\&phi;}\&le;2n-q\end{array}\right.$

其中，I_t为第一图像的灰度值，I_t+1是第二图像的灰度值，W是权重， $W=\frac{\mathrm{\&phi;}}{q};$

根据第一图像和第二图像融合后的灰度，获取第一图像和第二图像拼接后的图像。

进一步，所述m_p取值为m；所述n_p取值为n/4。

本发明实施例的有益效果是：本发明通过在由相位相关法获取ROI图像的重叠区域后，通过判断重叠区域的差异度，当差异度大于预设阈值时，进行二次配准，提高配准精度，避免虚影，也发挥了相位相关配准速度快的优点。同时，通过在第一图像上选取预设尺寸的第一图像块，并在第二图像上搜索与第一图像块相似的第二图像块，根据第一图像块和第二图像块的位置关系，重新定义第一图像和第二图像的重叠区域。第一图像块的可以选取较为合适的尺寸，有利于兼顾搜索速度的同时保证重叠区域的判断精度，能较好适应图像细微的几何形变和不同的光照，鲁棒性好。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，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为本发明第一实施例的轮胎模具图像的拼接方法的流程图；

图2为本发明第二实施例的顺序相邻的两幅图像及其重叠区域的位置关系示意图；

图3为本发明第二实施例的轮胎模具图像的拼接方法的流程图。

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作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。

第一实施例

参照图1，是本发明的轮胎模具图像的拼接方法的第一实施例的流程图，该方法包括：

步骤101，依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并对原始图像进行预处理生成多幅ROI图像。

在本实施例中，上述原始图像具有顺序关系，顺序邻接的原始图像包含对轮胎模具的重复采集区域，各原始图像可生成一幅或多幅ROI图像，示例性的，ROI图像可以对应轮胎模具的图案和文字部分的图像。

步骤102，通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域。

在本步骤中，需要对所有顺序相邻的两幅ROI图像的重叠区域进行获取。

步骤103，当所述重叠区域的差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像。

本步骤中判断任意相邻两幅ROI图像在重叠区域内的差异度，当差异度大于预设阈值时，判断该两幅ROI图像的重叠区域确定不准确，需要重新进行确定。

定义上述两幅ROI图像为第一图像和第二图像，第一图像和第二图像可以是竖直方向顺序排布的，也可以是水平方向顺序排布的。

需要说明的是，当顺序相邻的两幅图像的差异度小于预设阈值时，判断重叠区域的确定准确，直接执行图像拼接的操作。

步骤104，在所述第一图像上的预设坐标取预设尺寸的第一图像块，在所述第二图像上以所述预设尺寸搜索第二图像块，当所述第一图像块和第二图像块的相似度符合预设条件时，获取所述第二图像块的目的坐标。

在本实施例中，“第一”、“第二”等序数词仅代表区分之意，不作为图像块的先后顺序。上述预设坐标可以取在第一图像中对应的重叠区域，在本步骤中，由于重叠区域并未准确确定，可以通过先验知识或预设条件进行大致获取。上述预设尺寸与第一图像和第二图像的重叠区域的大小相关，作为一种优选方案，预设尺寸不大于大致获取的重叠区域。

步骤105，根据所述预设坐标和所述目标坐标，重新定义第一图像和第二图像的重叠区域。

在本实施例中，第一图像和第二图像的重叠区域主要通过第一图像和第二图像重新确定的位移量来量化。

步骤106，根据所述重新定义的重叠区域，对所述第一图像和第二图像进行拼接。

本发明实施例的有益效果是：本发明通过在由相位相关法获取ROI图像的重叠区域后，通过判断重叠区域的差异度，当差异度大于预设阈值时，进行二次配准，提高配准精度，避免虚影，也发挥了相位相关配准速度快的优点。同时，通过在第一图像上选取预设尺寸的第一图像块，并在第二图像上搜索与第一图像块相似的第二图像块，根据第一图像块和第二图像块的位置关系，重新定义第一图像和第二图像的重叠区域。第一图像块的可以选取较为合适的尺寸，有利于兼顾搜索速度的同时保证重叠区域的判断精度，能较好适应图像细微的几何形变和不同的光照，鲁棒性好。

第二实施例

参照图2，是本发明的轮胎模具图像的拼接方法第二实施例的流程图，该方法包括：

步骤201，根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并分别对所采集的每张原始图像进行处理后获得轮胎外侧圆弧形轮廓。

本步骤作为原始图像的一种具体实施方式而非限定，具体的，获取轮胎外侧圆弧形轮廓的方式包括：依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并分别对所采集的每张原始图像进行图像去噪和阈值分割处理后，得到轮胎模具轮廓，进而根据轮廓曲率断开轮廓，从而根据每段轮廓的方向、长度以及曲率，获得轮胎外侧圆弧形轮廓。

步骤202，拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对所述平直型待测图像进行阈值分割后，定位轮胎模具图像区域，生成多幅待测的ROI图像。

上述待测ROI图像可以对应轮胎模具的图案和文字部分的图像。

步骤203，获取顺序相邻的每两幅ROI图像的梯度图像。

在本步骤中，相邻的ROI图像是水平顺序排布的，定义顺序相邻的一幅图像为f，另一幅图像为g，如图2所示，图像f在图像g的左侧，则本步骤具体为：

根据以下公式确定顺序相邻的每两幅ROI图像的梯度图像：

$\left\{\begin{array}{c}mag1(d,\mathrm{\&phi;})=\sqrt{{\left(f\right(d+1,\mathrm{\&phi;})-f(d,\mathrm{\&phi;}\left)\right)}^2+{\left(f\right(d,\mathrm{\&phi;}+1)-f(d,\mathrm{\&phi;}\left)\right)}^2}1\&le;d<m,1\&le;\mathrm{\&phi;}<n\\ mag2(d,\mathrm{\&phi;})=\sqrt{{\left(g\right(d+1,\mathrm{\&phi;})-g(d,\mathrm{\&phi;}\left)\right)}^2+{\left(g\right(d,\mathrm{\&phi;}+1)-g(d,\mathrm{\&phi;}\left)\right)}^2}1\&le;d<m,1\&le;\mathrm{\&phi;}<n\end{array}\right.$

其中，为图像f的灰度值，是图像g的灰度值，m是ROI图像的像素行数，n是ROI图像的像素列数，mag1(d,φ)是图像f的梯度图像，mag2(d,φ)是图像g的梯度图像。需要说明的是，在本实施例中，除特别说明外，公式中相同数学符号所代表的定义也是相同的，对于下述公式重复出现的数学符号，不再进行解释。

步骤204，通过计算所述梯度图像的归一化互功率谱，确定顺序相邻的每两幅ROI图像的位移量。

本步骤具体包括：

根据以下公式对mag1(d,φ)和mag2(d,φ)进行二维傅里叶变换：

$\left\{\begin{array}{c}F(u,v)=\underset{d=1}{\overset{m-1}{\&Sigma;}}\underset{\mathrm{\&phi;}=1}{\overset{n-1}{\&Sigma;}}f(d,\mathrm{\&phi;})\exp \&lsqb;-j2\mathrm{\&pi;}(\frac{d}{m-1}u+\frac{\mathrm{\&phi;}}{n-1}v)\&rsqb;\\ G(u,v)=\underset{d=1}{\overset{m-1}{\&Sigma;}}\underset{\mathrm{\&phi;}=1}{\overset{n-1}{\&Sigma;}}g(d,\mathrm{\&phi;})\exp \&lsqb;-j2\mathrm{\&pi;}(\frac{d}{m-1}u+\frac{\mathrm{\&phi;}}{n-1}v)\&rsqb;\end{array}\right.$

根据以下公式获取梯度图像的归一化互功率谱：

$S(u,v)=\frac{G(u,v)\&CenterDot;F^{*}(u,v)}{|G(u,v).F^{*}(u,v)|}$

对S(u,v)进行傅里叶逆变换，求出使得逆变化值最大的坐标(p,x*)，确定N＝(p,x*)为所述位移量。

步骤205，根据所述位移量，确定顺序相邻的每两幅ROI图像的重叠区域。

根据以下公式获取确定重叠区域的宽度q：

q＝n-x^*。

步骤206，获取图像f和图像g被重叠区域覆盖的图像块，并根据以下公式获取图像f和图像g的差异度：

$Si=\frac{h_f{h}_g}{\left|\right|h_f\left|\right|\left|\right|h_g\left|\right|}$

其中，h_f为图像f被重叠区域覆盖的图像块的HOG特征，h_g为图像g被重叠区域覆盖的图像块的HOG特征。

步骤207，判断当所述差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像。

本步骤中判断图像f和图像g在重叠区域内的差异度，当差异度大于预设阈值时，判断该两幅ROI图像的重叠区域确定不准确，需要重新进行确定。

需要说明的是，当顺序相邻的两幅图像的差异度小于预设阈值时，判断重叠区域的确定准确，直接执行步骤213。

步骤208，在所述第一图像上取尺寸为m_p×n_p的第一图像块，在所述第二图像上以尺寸为m_p×n_p建立搜索模板，取所述搜索模板内的图像块为第二图像块。

在本实施例中，第二图像中的搜索模板的位置是变化的，搜索模板可以移动至第二图像的任意位置，以使第二图像块涵盖第二图像所有区域。在本步骤中，所述m_p取值为m；所述n_p取值为n/4。

步骤209，提取第一图像块的HOG特征向量h_t，在所述第二图像上移动所述搜索模板，并提取搜索模板对应的第二图像块HOG特征向量h_x,t。

步骤210，根据以下公式计算h_x,t和h_t的相似度：

$Sim\left(x\right)=\frac{h_t{h}_{x,t}}{\left|\right|h_t\left|\right|\left|\right|h_{x,t}\left|\right|}$

其中，x为所述搜索模板左上角的水平坐标。

步骤211，根据以下公式获取x的最佳取值。

在本步骤中，x^*为相对于步骤205重新获取的x的最佳取值。

步骤212，根据以下公式获取第一图像和第二图像的重叠区域的宽度。

q＝x^*+n_p。在本步骤中，x^*为相对于步骤205重新获取的重叠区域的宽度。

步骤213，使用加权渐变的融合方法对第一图像和第二图像的重叠区域进行拼接。

具体的，本步骤包括：

使用以下公式获取第一图像和第二图像融合后的灰度：

$Z(d,\mathrm{\&phi;})=\left\{\begin{array}{cc}{I}_t(d,\mathrm{\&phi;})& 1\&le;\mathrm{\&phi;}<n-q\\ I_t(d,\mathrm{\&phi;})W+I_{t+1}(d,\mathrm{\&phi;}-q+n)(1-W)& n-q\&le;\mathrm{\&phi;}<n\\ I_{t+1}(d,\mathrm{\&phi;}-q+n)& n\&le;\mathrm{\&phi;}\&le;2n-q\end{array}\right.$

其中，I_t为第一图像的灰度值，I_t+1是第二图像的灰度值，W是权重， $W=\frac{\mathrm{\&phi;}}{q};$

根据第一图像和第二图像融合后的灰度，获取第一图像和第二图像拼接后的图像。

上述拼接后的图像可以是平直型图像，也可以对平直型图像进行极坐标反变换，将平直型图像还原成圆，实现轮胎模具图像的拼接。

本发明实施例中，通过利用重叠区域HOG特征相似度高的特点，判断第一次配准过程中是否存在较大误差，避免了拼接后的图像严重虚影的情况发生，同时，由于HOG特征能较好适应图像细微的几何形变和不同的光照，克服了相位相关法获取重叠区域对于旋转和细微的畸变十分敏感的不足，具有鲁棒性好的优点。

在本申请所提供的几个实施例中，应该理解到，在本发明各个实施例中各步骤可以通过对应的虚拟功能单元实现。各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种轮胎模具图像的拼接方法，其特征在于，包括：

依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并对原始图像进行预处理生成多幅ROI图像；

通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域；

当所述重叠区域的差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像；

在所述第一图像上的预设坐标取预设尺寸的第一图像块，在所述第二图像上以所述预设尺寸搜索第二图像块，当所述第一图像块和第二图像块的相似度符合预设条件时，获取所述第二图像块的目的坐标；

根据所述预设坐标和所述目标坐标，重新定义第一图像和第二图像的重叠区域；

根据所述重新定义的重叠区域，对所述第一图像和第二图像进行拼接。

2.根据权利要求1所述的方法，其特征在于，所述依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并对原始图像进行预处理生成多幅ROI图像的步骤，包括：

根据预设旋转角度依次对待检测轮胎模具进行扫描并采集获得多幅原始图像，并分别对所采集的每张原始图像进行处理后获得轮胎外侧圆弧形轮廓；

拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对所述平直型待测图像进行阈值分割后，定位轮胎模具图像区域，生成多幅待测的ROI图像。

3.根据权利要求2所述的方法，其特征在于，所述通过相位相关法获取顺序相邻的每两幅ROI图像的重叠区域的步骤，包括：

获取顺序相邻的每两幅ROI图像的梯度图像；

通过计算所述梯度图像的归一化互功率谱，确定顺序相邻的每两幅ROI图像的位移量；

根据所述位移量，确定顺序相邻的每两幅ROI图像的重叠区域。

4.根据权利要求3所述的方法，其特征在于，所述获取顺序相邻的每两幅ROI图像的梯度图像的步骤，具体为：

根据以下公式确定顺序相邻的每两幅ROI图像的梯度图像：

$\left\{\begin{array}{c}mag1(d,\mathrm{\&phi;})=\sqrt{{\left(f\right(d+1,\mathrm{\&phi;})-f(d,\mathrm{\&phi;}\left)\right)}^2+{\left(f\right(d,\mathrm{\&phi;}+1)-f(d,\mathrm{\&phi;}\left)\right)}^2}1\&le;d<m,1\&le;\mathrm{\&phi;}<n\\ mag2(d,\mathrm{\&phi;})=\sqrt{{\left(g\right(d+1,\mathrm{\&phi;})-g(d,\mathrm{\&phi;}\left)\right)}^2+{\left(g\right(d,\mathrm{\&phi;}+1)-g(d,\mathrm{\&phi;}\left)\right)}^2}1\&le;d<m,1\&le;\mathrm{\&phi;}<n\end{array}\right.$

其中，f是一幅图像，为图像f的灰度值，g是与f顺序相邻的另一幅图像，是图像g的灰度值，m是ROI图像的像素行数，n是ROI图像的像素列数，mag1(d,φ)是图像f的梯度图像，mag2(d,φ)是图像g的梯度图像；

所述通过计算所述梯度图像的归一化互功率谱，确定顺序相邻的每两幅ROI图像的位移量的步骤，包括：

根据以下公式对mag1(d,φ)和mag2(d,φ)进行二维傅里叶变换：

$\left\{\begin{array}{c}F\left(u,v\right)=\underset{d=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&phi;}=1}{\overset{n-1}{\mathrm{\&Sigma;}}}f\left(d,\mathrm{\&phi;}\right)\exp \&lsqb;-j2\mathrm{\&pi;}\left(\frac{d}{m-1}u+\frac{\mathrm{\&phi;}}{n-1}v\right)\&rsqb;\\ G\left(u,v\right)=\underset{d=1}{\overset{m-1}{\mathrm{\&Sigma;}}}\underset{\mathrm{\&phi;}=1}{\overset{n-1}{\mathrm{\&Sigma;}}}g\left(d,\mathrm{\&phi;}\right)\exp \&lsqb;-j2\mathrm{\&pi;}\left(\frac{d}{m-1}u+\frac{\mathrm{\&phi;}}{n-1}v\right)\&rsqb;\end{array}\right.$

根据以下公式获取梯度图像的归一化互功率谱：

$S(u,v)=\frac{G(u,v)\&CenterDot;F^{*}(u,v)}{|G(u,v)\&CenterDot;F^{*}(u,v)|}$

对S(u,v)进行傅里叶逆变换，求出使得逆变化值最大的坐标(p,x*)，确定N＝(p,x*)为所述位移量；

所述根据所述位移量，确定顺序相邻的每两幅ROI图像的重叠区域的步骤，具体为：

根据以下公式获取确定重叠区域的宽度q：

q＝n-x^*。

5.根据权利要求4所述的方法，其特征在于，所述当所述重叠区域的差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像的步骤，包括：

获取图像f和图像g被重叠区域覆盖的图像块，并根据以下公式获取图像f和图像g的差异度：

$Si=\frac{h_f{h}_g}{\left|\right|h_f\left|\right|\left|\right|h_g\left|\right|}$

其中，h_f为图像f被重叠区域覆盖的图像块的HOG特征，h_g为图像g被重叠区域覆盖的图像块的HOG特征；

判断当所述差异度大于预设阈值时，获取对应的两幅ROI图像，定义为第一图像和第二图像。

6.根据权利要求5所述的方法，其特征在于，所述在所述第一图像上的预设坐标取预设尺寸的第一图像块，在所述第二图像上以所述预设尺寸搜索第二图像块，当所述第一图像块和第二图像块的相似度符合预设条件时，获取所述第二图像块的目的坐标的步骤，包括：

在所述第一图像上取尺寸为m_p×n_p的第一图像块，在所述第二图像上以尺寸为m_p×n_p建立搜索模板，取所述搜索模板内的图像块为第二图像块；

提取第一图像块的HOG特征向量h_t，在所述第二图像上移动所述搜索模板，并提取搜索模板对应的第二图像块HOG特征向量h_x,t；

根据以下公式计算h_x,t和h_t的相似度：

$Sim\left(x\right)=\frac{h_t{h}_{x,t}}{\left|\right|h_t\left|\right|\left|\right|h_{x,t}\left|\right|}$

其中，x为所述搜索模板左上角的水平坐标；

根据以下公式获取x的最佳取值：

$x^{*}=\arg \left\{\underset{1\&le;x\&le;n_p,}{max}\right\{Sim\left(x\right)\left\}\right\}.$

7.根据权利要求6所述的方法，其特征在于，所述根据所述预设坐标和所述目标坐标，重新定义第一图像和第二图像的重叠区域的步骤，具体为：

根据以下公式获取第一图像和第二图像的重叠区域的宽度

q＝x^*+n_p。

8.根据权利要求7所述的方法，其特征在于，所述根据所述重新定义的重叠区域，对所述第一图像和第二图像进行拼接的步骤，具体为：

使用加权渐变的融合方法对第一图像和第二图像的重叠区域进行拼接。

9.根据权利要求8所述的方法，其特征在于，所述使用加权渐变的融合方法对第一图像和第二图像的重叠区域进行拼接的步骤，包括：

使用以下公式获取第一图像和第二图像融合后的灰度：

$Z\left(d,\mathrm{\&phi;}\right)=\left\{\begin{array}{cc}{I}_t\left(d,\mathrm{\&phi;}\right)& 1\&le;\mathrm{\&phi;}<n-q\\ I_t\left(d,\mathrm{\&phi;}\right)W+I_{t+1}\left(d,\mathrm{\&phi;}-q+n\right)\left(1-W\right)& n-q\&le;\mathrm{\&phi;}<n\\ I_{t+1}\left(d,\mathrm{\&phi;}-q+n\right)& n\&le;\mathrm{\&phi;}\&le;2n-q\end{array}\right.$

其中，I_t为第一图像的灰度值，I_t+1是第二图像的灰度值，W是权重，

$W=\frac{\mathrm{\&phi;}}{q};$

根据第一图像和第二图像融合后的灰度，获取第一图像和第二图像拼接后的图像。

10.根据权利要求6所述的方法，其特征在于，所述m_p取值为m；所述n_p取值为n/4。