CN107516324A - 一种基于光条几何特征突变的目标边界提取方法 - Google Patents
一种基于光条几何特征突变的目标边界提取方法 Download PDFInfo
- Publication number
- CN107516324A CN107516324A CN201710593197.8A CN201710593197A CN107516324A CN 107516324 A CN107516324 A CN 107516324A CN 201710593197 A CN201710593197 A CN 201710593197A CN 107516324 A CN107516324 A CN 107516324A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- boundary
- striation
- mfrac
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明一种基于光条几何特征突变的目标边界提取方法属于视觉测量领域,涉及一种基于光条几何特征突变的目标边界提取方法。该方法首先采用激光结合双目视觉的方式获得获取激光光条图像,根据实际测量过程中存在的边界光条情况,建立三类边界模型。利用差分运算对边界特征向量进行求导,得到粗提取的目标边界特征点坐标;再根据矩不变原理,得到精提取的目标边界特征点坐标,实现目标边界的快速、高精度的提取。该方法克服了现有边界提取过程中光条两端边界处会产生很多噪点,由于空间位置关系的影响,激光光条呈现弯折、错位或断开不连续等现象;光条呈现的灰度分布水平和宽度也不一样等问题,实现目标边界的快速、高精度的提取。
Description
技术领域
本发明属于视觉测量领域,涉及一种基于光条几何特征突变的目标边界提取方法。
背景技术
针对装配过程中大型航空构件(例如飞机平、垂尾部件等)的三维测量,其边界轮廓信息是其测量的重要指标之一,是指导装配过程是否会出现间隙过大或结构发生干涉的重要依据。在激光测量系统数据采集过程中,理论上,线激光光束沿截面方向呈高斯分布,沿光条方向在一定范围内光强分布均匀且具有宽度一致性。然而,实际测量过程中主要存在的五种边界光条情况为:光条弯折、光条错位、光条断开、光条灰度突变以及光条宽度突变。
由于测量现场环境复杂,待测零构件边界制造质量不高,在光条提取时,光条两端边界处会产生很多噪点。另外,在被测物边界位置,由于空间位置关系的影响,激光光条呈现弯折、错位或断开不连续等现象;而由于不同材料物体表面其反射率不同,其光条呈现的灰度分布水平和宽度也不一样。为避免上述问题,本发明提出了一种基于激光光条几何特征突变的边界提取方法,以实现这类零部构件的高精度轮廓边界提取。
针对目标边界的提取方法,长沙大学的刘钢钦等人,在《计算机工程与应用》26期,《一种基于目标边界的不变特征提取方法》一文中提出了一种利用边界矩构造不变特征的方法,该方法计算的是经典的边界矩的精确值,在整个不变特征的计算过程中,只需要对形状的角点坐标进行简单的代数运算,避免了求积分运算。但该方法只能够针对连续、闭合的目标边界进行提取,无法对弯折、错位或断开不连续等边界特征进行提取,具有很大的局限性。
海南大学的龙翔等人,在专利号:201210011706.9,专利《一种基于边界提取的运动分割的边界连接方法》中提出了一种基于边界提取的运动分割的边界连接方法。它是根据我们所设置的阈值将运动分割结果中的被断开的边界,沿着Canny边界路径连接起来的方法。该方法能够使分割出来的分段的、不连续的物体边界连接成为一个整体,并且不会有很大的计算量。但该方法提取精度不高,很难直接提取到准确的目标边界。
发明内容
本发明为了解决现有大视场下,装配过程中大型航空构件边界轮廓信息测量过程中的局限性,发明了一种基于激光光条几何特征突变的边界提取方法。其目的是针对测量现场环境复杂,待测零构件边界制造质量不高,在光条提取时,光条两端边界处会产生很多噪点;另外,在被测物边界位置,由于空间位置关系的影响,激光光条呈现弯折、错位或断开不连续等现象;而由于不同材料物体表面其反射率不同,其光条呈现的灰度分布水平和宽度也不一样等问题,通过对获取的激光光条图像建立三类边界模型,之后,基于有限差分方法对激光光条进行边界粗提取,最后,基于矩方法完成激光光条边界的精提取,实现目标边界的快速、高精度的提取。克服了现有边界提取过程中光条两端边界处会产生很多噪点;由于空间位置关系的影响,激光光条呈现弯折、错位或断开不连续等现象;光条呈现的灰度分布水平和宽度也不一样等问题,具有广泛的应用前景。
本发明采用的技术方案是一种基于激光光条几何特征突变的边界提取方法,其特征是,该方法首先通过激光结合双目视觉的方式,利用左、右摄像机1、2拍摄激光发射器3在被测物5上形成的辅助激光条纹6,获取激光光条6图像;其次根据实际测量过程中主要存在的边界光条情况,建立三类边界模型;之后,利用差分运算对边界特征向量h进行求导,得到粗提取的目标边界特征点坐标;最后根据矩不变原理,得到精提取的目标边界特征点坐标;方法的具体步骤如下:
第一步,采集激光光条图像
安装测量设备,打开辅助激光发射器3并照射被测物5,在开始采集之后,打开转台4带动激光发射器3转动,使激光扫描被测物5。然后,整体平移左右摄像机1、2的位置,进行多次拍摄,保证被测物5形面信息的完整性。通过信息采集系统采集到辅助激光光条6图像之后,需要对激光光条6的边界进行提取。
第二步,建立三类边界模型
A.弯折型边界模型:
由于被测目标与背景物体相接且成一定夹角,光条在目标边界处连续但经不同表面调制发生弯折现象,从而导致光条中心线在边界处产生曲率突变。因此,定义此类边界特征模型为斜坡型,根据光条中心位置建立理想边界模型如下:
其中,x为图像中的行坐标;f(x)为对应行坐标x的光条中心列坐标;p1,b1和p2,b2分别为光条投射在被测表面和背景物体表面的光条中心线方程参数;x0为光条中心线曲率突变的位置,将其定义为该光条所在位置的被测物理想边界特征点。
B.错位型边界模型:
由于被测目标与背景物体重叠且被测表面与背景表面存在一定空间距离或被测物存在一定的厚度,使得光条在目标边界处连续但经不同表面调制在图像中发生错位的现象,从而导致光条中心线在边界处产生位置突变。因此,定义此类边界特征模型为阶跃型,根据光条中心位置建立理想边界模型如下:
f(x)=(b2-b1)U(x-x0)+p1x+b1 (2)
其中,x为图像中的行坐标;f(x)为对应行坐标x的光条中心列坐标;p1,b1和p1,b2分别为光条投射在被测表面和背景物体表面的光条中心线方程参数;U(x)为理想一维阶跃方程;x0为光条中心线位置突变处,将其定义为该光条所在位置的被测物理想边界特征点。
C.宽度变化型边界模型:
光条在被测物边界处连续但无明显位置和曲率变化,但是由于被测目标与背景物体表面由于材料反射率不同,光条在图像中呈现不同的宽度分布,在被测物边界处发生宽度突变现象。因此,以光条宽度为特征,定义此类边界模型为阶跃型,建立理想边界模型如下:
d(x)=(d2-d1)U(x-x0)+d1 (3)
其中,x为图像中的行坐标;d(x)为对应行坐标x的光条截面宽度值;d1和d2分别为光条投射在被测表面和背景物体表面的光条截面宽度值;U(x)为理想一维阶跃方程;x0为光条截面宽度突变位置,将其定义为该光条所在位置的被测物理想边界特征点。
综合以上边界模型的分析可以发现,除了弯折型边界特征外其余边界特征均服从阶跃型边界模型。而至于弯折型边界特征,其理想的一阶导数曲线同样符合阶跃特征。因此,针对弯折型边界特征作一阶离散求导处理,结合其余两种边界特征,即可将上述三种边界模型统一归类为阶跃型边界模型:
其中,ρ(x)为图像中行坐标x对应的光条中心线曲率值。
第三步,基于有限差分方法的边界粗提取
由于边界特征向量H的获取受环境噪声以及感光元件性能的影响,其分布并不完全符合理想阶跃模型。因此首先采用一维高斯函数对特征向量H作卷积处理进行平滑滤波,得到的边界特征向量h。对得到的边界特征向量h进行如下求导计算:
根据边界模型定义,边界特征向量h一阶导数最大值所对应的行坐标v0即为目标边界行坐标,定义其对应的光条中心列坐标f(v0)为目标边界列坐标。因此,得到目标边界特征点坐标为(v0,f(v0))。由于对边界特征向量h的求导是利用差分运算代替的,所以其提取精度只能达到像素级。
第四步,基于矩方法的边界精提取
设u(x)为理想阶跃函数,则一维理想边界函数E(x)可表示为:
E(x)=(h2-h1)u(x-k)+h1 (6)
其中,k表示理想边缘位置;设P1、P2分别表示特征值h1与h2的特征点所占的比例,且有P1+P2=1,因此有一维理想边缘模型的前三阶特征矩为:
经过第二步提取后得到初始边界特征点(v0,f(v0)),在v0的α邻域内选取2α+1个特征点进行,作为特征矩计算的输入序列h(j){j=1,2,…,n;n=2α+1},因此边界实际特征矩为:
根据矩不变原理,即假设实际边界分布与理想阶跃边界模型的特征矩保持不变,联立式(7)和式(8)可以得到
通过前三阶特征矩建立方程组解得三个未知数h1,h2,P1分别为
其中:P2=1-P1,因此可以得到边界亚像素位置为
l=nP1 (13)
根据以上计算,得到图像中精确的边界行坐标位置l,相应的列坐标f(l)可以通过相邻的光条中心点坐标进行插值得到:
其中,[l]为取整函数,代表边界行坐标l的整数部分。因此,精确提取的在光条所在位置的目标边界特征点坐标为(l,f(l));这样就完成了光条目标边界的提取。
本发明的有益效果是采用激光结合双目视觉的方式获得获取激光光条图像;根据实际测量过程中边界光条情况,建立三类边界模型;利用差分运算对边界特征向量进行求导,得到粗提取的目标边界特征点坐标;在根据矩不变原理,得到精提取的目标边界特征点坐标。克服了现有边界提取过程中光条两端边界处会产生很多噪点;由于空间位置关系的影响,激光光条呈现弯折、错位或断开不连续等现象;光条呈现的灰度分布水平和宽度也不一样等问题,实现目标边界的快速、高精度的提取,具有广泛的应用前景。
附图说明
图1是点云数据的获取示意图,其中,1‐左摄像机,2‐右摄像机,3‐激光发射器,4‐转台,5‐被测物,6‐激光光条。
图2是目标边界特征提取流程图
具体实施方式
以下结合技术方法和附图详细叙述本发明的具体实施方式。
首先通过激光结合双目视觉的方式,利用左、右摄像机1、2拍摄激光发射器3在被测物5上形成的辅助激光条纹6,获取激光光条6图像;其次根据实际测量过程中主要存在的边界光条情况,建立三类边界模型;之后,利用差分运算对边界特征向量h进行求导,得到粗提取的目标边界特征点坐标;最后根据矩不变原理,得到精提取的目标边界特征点坐标;方法的具体步骤如下:
第一步,获取点云数据
本次测量选取韩国Vieworks公司生产的VC‐12MC‐M/C 65型号工业相机,此相机为逐行扫描式面扫描工业相机,本文选用的是激光发射器为Coherent公司生产的LasirisPowerLine激光发射器,本次测量采用深圳科创公司定制的平面铝合金板标准件(以下简称标准件)进行了边界提取精度验证实验,该标准件尺寸约为600×800mm。图像采集时相机选用35mm焦距,工作距离1.5m,视场大小约为1000×1200mm。安装实验设备后,打开激光发射器3并照射被测物5,在开始采集之后,打开转台4带动激光发射器3转动,使激光扫描被测物5。然后,变换左右摄像机1、2的位置,进行多次拍摄,保证被测物5形面信息的完整性。通过信息采集系统采集辅助激光光条6的图像。
第二步,建立三类边界模型
分别按公式(1)、公式(2)、公式(3)根据图像中光条中心位置建立弯折型边界模型、错位型边界模型和宽度变化型边界模型,再将上述三种边界模型统一归类为阶跃型边界模型,按公式(4)建模。
第三步,基于有限差分方法的边界粗提取
首先采用一维高斯函数对特征向量作卷积处理进行平滑滤波,得到的边界特征向量。对得到的边界特征向量按公式(5)进行求导计算,得到目标边界特征点坐标为(v0,f(v0))。
第四步,基于矩方法的边界精提取
根据计算公式(7)—(13),得到图像中精确的边界行坐标位置l,相应的列坐标f(l)可以通过相邻的光条中心点坐标进行插值得到,因此,精确提取的在光条所在位置的目标边界特征点坐标为(l,f(l))。
将所有提取的上、下边界特征点进行匹配和重建,并采用最小二乘法进行空间直线拟合,得到准确的上、下边界线空间位置,重复6次测量实验,利用三坐标测量机校准标准件的宽度尺寸。
表1
6次测量取平均得到精确的零件宽度为599.2768mm作为参考值,由表1可以看出,三坐标测量结果其最大相对误差为0.056%,计算平均误差为0.028%。这样就完成了光条目标边界的提取。
本发明在矩方法的基础上,应用激光结合双目视觉的测量方法,改进了现有光条几何特征突变情况下边界提取方法的局限性,实现了目标边界的快速、高精度的提取。
Claims (1)
1.一种基于激光光条几何特征突变的边界提取方法,其特征是,该方法首先通过激光结合双目视觉的方式,利用左、右摄像机(1、2)拍摄激光发射器(3)在被测物(5)上形成的辅助激光条纹(6),获取激光光条(6)图像;其次根据实际测量过程中主要存在的边界光条情况,建立三类边界模型;之后,利用差分运算对边界特征向量进行求导,得到粗提取的目标边界特征点坐标;最后根据矩不变原理,得到精提取的目标边界特征点坐标;方法的具体步骤如下:
第一步,采集激光光条图像
安装测量设备,打开辅助激光发射器(3)并照射被测物(5),在开始采集之后,打开转台(4)带动激光发射器3转动,使激光扫描被测物(5);然后,整体平移左右摄像机(1、2)的位置,进行多次拍摄,保证被测物(5)形面信息的完整性;通过信息采集系统采集到辅助激光光条(6)图像之后,需要对激光光条(6)的边界进行提取;
第二步,建立三类边界模型
A.弯折型边界模型:
由于被测目标与背景物体相接且成一定夹角,光条在目标边界处连续但经不同表面调制发生弯折现象,从而导致光条中心线在边界处产生曲率突变;因此,定义此类边界特征模型为斜坡型,根据光条中心位置建立理想边界模型如下:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<mi>x</mi>
<mo>&le;</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo><</mo>
<mi>x</mi>
<mo>&le;</mo>
<mi>H</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,x为图像中的行坐标;f(x)为对应行坐标x的光条中心列坐标;p1,b1和p2,b2分别为光条投射在被测表面和背景物体表面的光条中心线方程参数;x0为光条中心线曲率突变的位置,将其定义为该光条所在位置的被测物理想边界特征点;
B.错位型边界模型:
由于被测目标与背景物体重叠且被测表面与背景表面存在一定空间距离或被测物存在一定的厚度,使得光条在目标边界处连续但经不同表面调制在图像中发生错位的现象,从而导致光条中心线在边界处产生位置突变;因此,定义此类边界特征模型为阶跃型,根据光条中心位置建立理想边界模型如下:
f(x)=(b2-b1)U(x-x0)+p1x+b1 (2)
其中,x为图像中的行坐标;f(x)为对应行坐标x的光条中心列坐标;p1,b1和p1,b2分别为光条投射在被测表面和背景物体表面的光条中心线方程参数;U(x)为理想一维阶跃方程;x0为光条中心线位置突变处,将其定义为该光条所在位置的被测物理想边界特征点;
C.宽度变化型边界模型:
光条在被测物边界处连续但无明显位置和曲率变化,但是由于被测目标与背景物体表面由于材料反射率不同,光条在图像中呈现不同的宽度分布,在被测物边界处发生宽度突变现象;因此,以光条宽度为特征,定义此类边界模型为阶跃型,建立理想边界模型如下:
d(x)=(d2-d1)U(x-x0)+d1 (3)
其中,x为图像中的行坐标;d(x)为对应行坐标x的光条截面宽度值;d1和d2分别为光条投射在被测表面和背景物体表面的光条截面宽度值;U(x)为理想一维阶跃方程;x0为光条截面宽度突变位置,将其定义为该光条所在位置的被测物理想边界特征点;
综合以上边界模型的分析发现,除了弯折型边界特征外其余边界特征均服从阶跃型边界模型;而至于弯折型边界特征,其理想的一阶导数曲线同样符合阶跃特征;因此,针对弯折型边界特征作一阶离散求导处理,结合其余两种边界特征,即将上述三种边界模型统一归类为阶跃型边界模型:
<mrow>
<mi>H</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,ρ(x)为图像中行坐标x对应的光条中心线曲率值;
第三步,基于有限差分方法的边界粗提取
由于边界特征向量H的获取受环境噪声以及感光元件性能的影响,其分布并不完全符合理想阶跃模型;首先采用一维高斯函数对特征向量H作卷积处理进行平滑滤波,得到的边界特征向量h;对得到的边界特征向量h进行如下求导计算:
<mrow>
<mo>&dtri;</mo>
<mi>h</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>h</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>v</mi>
</mrow>
</mfrac>
<mo>&ap;</mo>
<mfrac>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>k</mi>
</mfrac>
<mo>,</mo>
<mo>{</mo>
<mi>i</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mo>+</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
根据边界模型定义,边界特征向量h一阶导数最大值所对应的行坐标v0即为目标边界行坐标,定义其对应的光条中心列坐标f(v0)为目标边界列坐标;得到目标边界特征点坐标为(v0,f(v0));由于对边界特征向量h的求导是利用差分运算代替的,所以其提取精度只能达到像素级;
第四步,基于矩方法的边界精提取
设u(x)为理想阶跃函数,则一维理想边界函数E(x)表示为:
E(x)=(h2-h1)u(x-k)+h1 (6)
其中,k表示理想边缘位置;设P1、P2分别表示特征值h1与h2的特征点所占的比例,且有P1+P2=1,因此有一维理想边缘模型的前三阶特征矩为:
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mo>{</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
经过第二步提取后得到初始边界特征点(v0,f(v0)),在v0的α邻域内选取2α+1个特征点进行,作为特征矩计算的输入序列h(j){j=1,2,…,n;n=2α+1},因此边界实际特征矩为:
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>h</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>{</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
根据矩不变原理,即假设实际边界分布与理想阶跃边界模型的特征矩保持不变,联立式(7)和式(8)可以得到
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mi>h</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</munderover>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>h</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mo>{</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
通过前三阶特征矩建立方程组解得三个未知数h1,h2,P1分别为
<mrow>
<msub>
<mi>h</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>&sigma;</mi>
<msqrt>
<mfrac>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>m</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mi>&sigma;</mi>
<msqrt>
<mfrac>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<msub>
<mi>P</mi>
<mn>2</mn>
</msub>
</mfrac>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&lambda;</mi>
<msqrt>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<mo>+</mo>
<msup>
<mi>&lambda;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</msqrt>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:P2=1-P1,因此得到边界亚像素位置为
l=nP1 (13)
根据以上计算,得到图像中精确的边界行坐标位置l,相应的列坐标f(l)通过相邻的光条中心点坐标进行插值得到:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mi>l</mi>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mi>l</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mo>&lsqb;</mo>
<mi>l</mi>
<mo>&rsqb;</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mo>&lsqb;</mo>
<mi>l</mi>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,[l]为取整函数,代表边界行坐标l的整数部分;因此,精确提取在光条所在位置的目标边界特征点坐标为(l,f(l));这样就完成了光条目标边界的提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593197.8A CN107516324B (zh) | 2017-07-20 | 2017-07-20 | 一种基于光条几何特征突变的目标边界提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710593197.8A CN107516324B (zh) | 2017-07-20 | 2017-07-20 | 一种基于光条几何特征突变的目标边界提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107516324A true CN107516324A (zh) | 2017-12-26 |
CN107516324B CN107516324B (zh) | 2019-12-17 |
Family
ID=60721633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710593197.8A Active CN107516324B (zh) | 2017-07-20 | 2017-07-20 | 一种基于光条几何特征突变的目标边界提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107516324B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510544A (zh) * | 2018-03-30 | 2018-09-07 | 大连理工大学 | 一种基于特征聚类的光条定位方法 |
CN108917721A (zh) * | 2018-04-19 | 2018-11-30 | 北京控制工程研究所 | 一种失稳卫星星箭对接环双目测量方法 |
CN109855604A (zh) * | 2019-03-14 | 2019-06-07 | 大连民族大学 | 刚性部件尺寸-距离插值模型 |
CN110097588A (zh) * | 2019-04-22 | 2019-08-06 | 西安交通大学 | 一种航发叶片陶瓷型芯点云模型的修型边缘提取方法 |
CN110111349A (zh) * | 2019-04-22 | 2019-08-09 | 西安交通大学 | 一种基于点云的非刚体复杂构件高精度边缘提取方法 |
CN113537237A (zh) * | 2021-06-25 | 2021-10-22 | 西安交通大学 | 一种多特征零件质量信息智能感知方法、系统及装置 |
CN117073534A (zh) * | 2023-10-16 | 2023-11-17 | 宁德时代新能源科技股份有限公司 | 涂胶检测方法及极片涂胶系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020196415A1 (en) * | 2001-06-26 | 2002-12-26 | Olympus Optical Co., Ltd. | Three-dimensional information acquisition apparatus, projection pattern in three-dimensional information acquisition, and three-dimensional information acquisition method |
US20030112449A1 (en) * | 2001-12-19 | 2003-06-19 | General Electric Company | Method for the extraction of image features caused by structure light using image reconstruction |
CN101667303A (zh) * | 2009-09-29 | 2010-03-10 | 浙江工业大学 | 一种基于编码结构光的三维重建方法 |
CN104616325A (zh) * | 2015-01-21 | 2015-05-13 | 大连理工大学 | 一种快速高精度的大型表面光条中心提取方法 |
CN104930985A (zh) * | 2015-06-16 | 2015-09-23 | 大连理工大学 | 基于时空约束的双目视觉三维形貌测量方法 |
CN105300316A (zh) * | 2015-09-22 | 2016-02-03 | 大连理工大学 | 基于灰度重心法的光条中心快速提取方法 |
CN105716539A (zh) * | 2016-01-26 | 2016-06-29 | 大连理工大学 | 一种快速高精度的三维形面测量方法 |
CN106846340A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 一种基于非固定特征点的光条边界提取方法 |
-
2017
- 2017-07-20 CN CN201710593197.8A patent/CN107516324B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020196415A1 (en) * | 2001-06-26 | 2002-12-26 | Olympus Optical Co., Ltd. | Three-dimensional information acquisition apparatus, projection pattern in three-dimensional information acquisition, and three-dimensional information acquisition method |
US20030112449A1 (en) * | 2001-12-19 | 2003-06-19 | General Electric Company | Method for the extraction of image features caused by structure light using image reconstruction |
CN101667303A (zh) * | 2009-09-29 | 2010-03-10 | 浙江工业大学 | 一种基于编码结构光的三维重建方法 |
CN104616325A (zh) * | 2015-01-21 | 2015-05-13 | 大连理工大学 | 一种快速高精度的大型表面光条中心提取方法 |
CN104930985A (zh) * | 2015-06-16 | 2015-09-23 | 大连理工大学 | 基于时空约束的双目视觉三维形貌测量方法 |
CN105300316A (zh) * | 2015-09-22 | 2016-02-03 | 大连理工大学 | 基于灰度重心法的光条中心快速提取方法 |
CN105716539A (zh) * | 2016-01-26 | 2016-06-29 | 大连理工大学 | 一种快速高精度的三维形面测量方法 |
CN106846340A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 一种基于非固定特征点的光条边界提取方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510544A (zh) * | 2018-03-30 | 2018-09-07 | 大连理工大学 | 一种基于特征聚类的光条定位方法 |
CN108917721A (zh) * | 2018-04-19 | 2018-11-30 | 北京控制工程研究所 | 一种失稳卫星星箭对接环双目测量方法 |
CN108917721B (zh) * | 2018-04-19 | 2021-06-11 | 北京控制工程研究所 | 一种失稳卫星星箭对接环双目测量方法 |
CN109855604A (zh) * | 2019-03-14 | 2019-06-07 | 大连民族大学 | 刚性部件尺寸-距离插值模型 |
CN110097588A (zh) * | 2019-04-22 | 2019-08-06 | 西安交通大学 | 一种航发叶片陶瓷型芯点云模型的修型边缘提取方法 |
CN110111349A (zh) * | 2019-04-22 | 2019-08-09 | 西安交通大学 | 一种基于点云的非刚体复杂构件高精度边缘提取方法 |
CN113537237A (zh) * | 2021-06-25 | 2021-10-22 | 西安交通大学 | 一种多特征零件质量信息智能感知方法、系统及装置 |
CN113537237B (zh) * | 2021-06-25 | 2024-01-16 | 西安交通大学 | 一种多特征零件质量信息智能感知方法、系统及装置 |
CN117073534A (zh) * | 2023-10-16 | 2023-11-17 | 宁德时代新能源科技股份有限公司 | 涂胶检测方法及极片涂胶系统 |
CN117073534B (zh) * | 2023-10-16 | 2024-04-02 | 宁德时代新能源科技股份有限公司 | 涂胶检测方法及极片涂胶系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107516324B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516324A (zh) | 一种基于光条几何特征突变的目标边界提取方法 | |
CN107687816B (zh) | 一种基于点云局部特征提取的装配间隙的测量方法 | |
CN104966308B (zh) | 一种计算激光光束光斑大小的方法 | |
Lu et al. | Motion induced error reduction methods for phase shifting profilometry: A review | |
Xu et al. | Real-time 3D shape inspection system of automotive parts based on structured light pattern | |
Zhou et al. | Rail profile measurement based on line-structured light vision | |
Xu et al. | Line structured light calibration method and centerline extraction: A review | |
CN104567727B (zh) | 利用立体靶标对线结构光轮廓传感器的全局统一校准方法 | |
CN103438826B (zh) | 激光与视觉相结合的钢板的三维测量系统及方法 | |
Yang et al. | Three-dimensional measurement of precise shaft parts based on line structured light and deep learning | |
CN104359403A (zh) | 基于亚像素边缘算法的平面零件尺寸测量方法 | |
CN104930985A (zh) | 基于时空约束的双目视觉三维形貌测量方法 | |
CN103292733B (zh) | 一种基于相移和三视张量的对应点查找方法 | |
Zhang et al. | Three-dimensional shape measurement for an underwater object based on two-dimensional grating pattern projection | |
Zhang et al. | Accuracy improvement in laser stripe extraction for large-scale triangulation scanning measurement system | |
Lu et al. | Accurate and robust calibration method based on pattern geometric constraints for fringe projection profilometry | |
CN103191958B (zh) | 一种板料成形回弹的光学检测方法 | |
Liu et al. | Real-time 3D surface measurement in additive manufacturing using deep learning | |
CN110135011B (zh) | 一种基于视觉的柔性板振动形态可视化方法 | |
Lyu et al. | Structured light-based underwater 3-D reconstruction techniques: A comparative study | |
Zhang et al. | Enhancement of measurement accuracy of discontinuous specular objects with stereo vision deflectometer | |
CN102679937A (zh) | 基于多目视觉的船舶钢板动态三维测量方法 | |
Shan et al. | Stereovision-based surface deformation detection of offshore wind turbine model under ship impact | |
Munoz-Rodriguez et al. | Direct object shape detection based on skeleton extraction of a light line | |
Wang et al. | A direct calibration method for line structured light measurement system based on parallel lines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |