CN107749063B - 一种基于边缘提取与傅里叶变换的零件快速定位方法 - Google Patents

一种基于边缘提取与傅里叶变换的零件快速定位方法 Download PDF

Info

Publication number
CN107749063B
CN107749063B CN201710961539.7A CN201710961539A CN107749063B CN 107749063 B CN107749063 B CN 107749063B CN 201710961539 A CN201710961539 A CN 201710961539A CN 107749063 B CN107749063 B CN 107749063B
Authority
CN
China
Prior art keywords
maximum
template image
full
edge extracting
fourier transformation
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.)
Expired - Fee Related
Application number
CN201710961539.7A
Other languages
English (en)
Other versions
CN107749063A (zh
Inventor
陈玉明
曾志强
田翠华
陈丹波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN201710961539.7A priority Critical patent/CN107749063B/zh
Publication of CN107749063A publication Critical patent/CN107749063A/zh
Application granted granted Critical
Publication of CN107749063B publication Critical patent/CN107749063B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于边缘提取与傅里叶变换的零件快速定位方法，运用Sobel算子进行边缘提取，减少图像处理的计算量，采用傅里叶变换得出零件全图和模板图的互功率谱，根据模板图像中零件的大小，构建模板窗，求取模板窗的极大值，得到众多极大值点坐标，采用参数法去除大量极大值点较小的坐标位置，对剩下的极大值点应用十字线法从X和Y轴方向检测是否为真极大值点，删去伪极大值点，最后得到的极大值点即为零件的准确位置。该方法可进行多目标的定位，而且定位精度达到像素级，抗噪能力强，具有准确性、快速性和鲁棒性的特点，满足了零件视觉检测与定位中的高精度和实时性的要求。

Description

一种基于边缘提取与傅里叶变换的零件快速定位方法
技术领域
本发明属于视觉检测领域，尤其涉及一种基于边缘提取与傅里叶变换的零件快速定位方法。
背景技术
在零件图像的视觉检测与匹配中，对其进行精确而快速的定位是生产和检测的关键技术之一，传统的零件图像视觉匹配方法有灰度匹配，特征匹配等。基于灰度相关的方法是一种以一个窗口的灰度信息作为参考性度量，典型的有平均绝对差，归一化互相关和序贯相似性等。基于灰度相关的方法在图像匹配中被广泛应用，具有对于旋转、噪音等影响不敏感，定位准确等特性。但该方法的缺点是耗时较多，对于大角度旋转、大程度缩放的图像进行匹配和目标物被非光线性光照照射或遮挡的情况，定位精度不高。基于特征的图像匹配方法主要有：基于角点，基于点、线、面、轮廓等特征的方法。典型的代表是SIFT算法，对于旋转与缩放具有很好的不变性，但是SIFT需要对特征维数为128的特征向量进行匹配，大大影响了计算时间，其实时性难以满足零件定位的工业应用要求。
发明内容
针对上述零件定位的视觉检测中传统匹配算法运算复杂、耗时高且定位精度不高的不足，本发明的目的是提供一种基于边缘提取与傅里叶变换的零件快速定位方法。为此，本发明采用的具体技术方案如下：
一种基于边缘提取与傅里叶变换的零件快速定位方法，可包括以下步骤：
步骤一，通过图像采集装置采集零件全图，所述零件全图中包括有多个相似的零件，从中截取一个零件作为零件模板图像，对该零件模板图像进行补零，使得零件模板图像与零件全图大小一样；
步骤二，对零件模板图像和零件全图，采用Sobel算子进行边缘提取，形成边缘提取后的零件模板图像和零件全图；
步骤三，假定经过边缘提取后的零件全图为R(x,y)，零件模板图像为T(x,y)，分别对其进行傅里叶变换，得到Rf(u,v)和Tf(u,v)；
步骤四，根据以下公式计算零件全图和零件模板图像的互功率谱，
其中Tf *(u,v)为Tf(u,v)的复共轭；
步骤五，对CC(u,v)进行傅里叶反变换，得到零件全图和零件模板图像的相关函数cc(x,y)，相关函数cc(x,y)的峰值对应于相似程度，如果有多个峰值，则对应有多个相似零件，其峰值坐标(x0,y0)为零件全图中的零件坐标相对于零件模板图像中的零件坐标的偏移量；
步骤六，根据零件模板图像中零件的大小，在零件全图中构建多个模板窗，分别将多个模板窗中的函数cc(x,y)的极大值找出来，并找出所有极大值中的最大值，设为v_max；
步骤七，定义一个参数q，保留极大值中大于v_max*q的极大值，其中，参数0<q<1；
步骤八，去除伪极大值点，分别以极大值点为中心构建新模板窗，测试该极大值点的值是否为新模板窗中的最大值，如果不是则去除该极大值点；
步骤九，经过删除伪极大值点后得到的多个极大值的位置坐标即为相似零件的位置坐标，并在该位置上进行标注。
进一步地，在步骤六中，假设零件全图的大小为a1*a2像素点，零件模板图像的大小为b1*b2像素点，则模板窗的数量等于ROUNDUP(a1/b1)*ROUNDUP(a2/b2)，ROUNDUP为向上取整。
进一步地，在步骤七中，参数q设置为0.5。
进一步地，在步骤九中，所述标注为十字线标注。
进一步地，所述图像采集装置可以是数码相机或数码摄像机等。
本发明采用上述技术方案，具有的有益效果是，本发明可进行多目标的定位，而且定位精度达到像素级，抗噪能力强，具有准确性、快速性和鲁棒性的特点，满足了零件视觉检测与定位中的高精度和实时性的要求。
附图说明
图1是本发明的流程图；
图2是一种汽车零件的零件全图；
图3是从图2的零件全图中截取的一个零件模板图像；
图4是对图3进行模板补零后的零件模板图像；
图5是采用Sobel算子进行边缘提取后的零件全图；
图6是采用Sobel算子进行边缘提取后的零件模板图像；
图7是经过傅里叶变换后的零件全图与零件模板图像的相似程度响应图；
图8是对零件进行定位标注的示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。本发明提供一种零件视觉检测中零件模板的快速定位方法，其是一种基于边缘提取与傅里叶变换的零件快速定位方法，实现的流程图参见图1，总体实现过程包括以下步骤：
S1，通过图像采集装置(例如数码相机或摄像机等)采集到零件(例如，汽车轮毂)的零件全图，如图2所示，一个零件全图一般包括多个相似的零件个体(例如，螺钉)。
在零件全图中截取一个零件作为零件模板图像，如图3所示，对零件的模板图像进行补零，使得零件模板图像与零件全图大小一样，如图4所示。
S2，对零件模板图像和零件全图，应用Sobel算子进行边缘提取，得到边缘提取后的模板图像和零件全图。边缘提取后的零件全图和零件模板图像分别如图5和图6所示。
S3，经过Sobel算子进行边缘提取后，得到零件全图image_frame；同样，经过Sobel算子进行边缘提取后，零件模板图像为templet_frame。
分别对零件全图和零件模板图像进行傅里叶变换，用matlab语言编程描述为F1＝fft2(double(image_frame))；F2＝fft2(double(templet_frame))。
S4，根据以下公式计算零件全图和零件模板图像的互功率谱。
计算公式为其中Rf(u,v)表示傅里叶变换后的零件全图，Tf(u,v)表示傅里叶变换后的零件模板图像，Tf *(u,v)为Tf(u,v)的复共轭。
用matlab语言编程，具体计算如下：
计算零件模板图像的复共轭，matlab语言编程为F2＝conj(F2)；
傅里叶变换后的零件全图与傅里叶变换后的零件模板图像复共轭进行点乘运算，matlab语言编程为FFTR＝F1.*F2；
计算其模，matlab语言编程为magFFTR＝abs(FFTR)；
进行点除运算，matlab语言编程为FFTRN＝(FFTR./magFFTR)。
S5，对CC(u,v)进行傅里叶反变换，matlab语言编程为result＝ifft2(double(FFTRN))，得到零件全图和零件模板图像的相关函数cc(x,y)，cc(x,y)为脉冲函数，其峰值对应于零件全图和零件模板图像的相似程度。如果有多个峰值，则对应有多个相似零件。图7是两张图像的相似程度响应图，其中，峰值对应于图7中最亮的点，峰值坐标(x0,y0)即为零件全图中零件的坐标相对于零件模板图像中零件坐标的偏移量。
S6，根据模板图像中零件的大小，构建模板窗。在此示例中，零件全图是2592*1944(长*宽)像素点，零件模板图像是168*169(长*宽)像素点，然后计算2592/168＝15.42，1944/169＝11.5，向上取整后得到16*12＝192个模板窗，因此可以在零件全图中分割出192个模板窗，并分别搜索模板窗中的相关函数cc(x,y)的极大值，得到192个极大值，如表1所示。
表1
S7，从这192个极大值中找出最大的一个，设为v_max，此例中v_max为1.059,将阈值参数q设置为0.5。在192个极大值中，将小于0.5*v_max的极大值删去，剩下16个极大值，如表2所示。
表2
序号 X轴坐标 Y轴坐标 极大值
25 330 1409 0.847
39 413 1050 0.926
41 339 1402 0.713
43 433 1767 0.656
53 671 771 0.793
69 679 765 0.645
77 702 2019 0.589
100 1029 667 0.548
109 1059 2114 0.558
133 1396 757 0.544
140 1423 2011 0.593
150 1661 1008 0.679
151 1661 1014 0.766
155 1683 1737 0.671
168 1772 1344 0.546
169 1768 1378 1.059
S8，分别以16个极值点为中心构建16个新模板窗，此示例中新模板窗的大小为168*169像素点。下面测试16个极大值点的值是否分别为新模板窗中的最大值。为了减少搜索的数据量，我们只要往x,y两个方向上搜索即可。以极大值点为中心，从x,y两个方向测试该极值点的值是否为新模板窗中x,y方向上的最大值，如果不是则去除该极值点。此例中删去了4个极大值点，剩下12个极大值点，如表3所示。
表3
序号 X轴坐标 Y轴坐标 极大值
25 330 1409 0.847
39 413 1050 0.926
43 433 1767 0.656
53 671 771 0.793
77 702 2019 0.589
100 1029 667 0.548
109 1059 2114 0.558
133 1396 757 0.544
140 1423 2011 0.593
151 1661 1014 0.766
155 1683 1737 0.671
169 1768 1378 1.059
S9，得到的12个极大值即为零件与模板的相似度，表示在零件全图中搜索到12个零件与模板图像相似，12个极大值的位置坐标即分别为12个零件的左上角位置坐标，即定位到了12个零件的位置，然后在零件的中心位置进行十字线标注(或其它形状的标注)，如图8所示。
本发明通过边缘提取和傅里叶变换，快速定位零件的位置，具有精度高、准确性、快速性和鲁棒性的特点，满足了零件视觉匹配中的高精度和实时性的要求。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (5)

1.一种基于边缘提取与傅里叶变换的零件快速定位方法，其特征在于，包括以下步骤：
步骤一，通过图像采集装置采集零件全图，所述零件全图中包括有多个相似的零件，从中截取一个零件作为零件模板图像，对该零件模板图像进行补零，使得零件模板图像与零件全图大小一样；
步骤二，对零件模板图像和零件全图，采用Sobel算子进行边缘提取，形成边缘提取后的零件模板图像和零件全图；
步骤三，假定经过边缘提取后的零件全图为R(x,y)，零件模板图像为T(x,y)，分别对其进行傅里叶变换，得到Rf(u,v)和Tf(u,v)；
步骤四，根据以下公式计算零件全图和零件模板图像的互功率谱，
其中Tf *(u,v)为Tf(u,v)的复共轭；
步骤五，对CC(u,v)进行傅里叶反变换，得到零件全图和零件模板图像的相关函数cc(x,y)，相关函数cc(x,y)的峰值对应于相似程度，如果有多个峰值，则对应有多个相似零件，其峰值坐标(x0,y0)为零件全图中的零件坐标相对于零件模板图像中的零件坐标的偏移量；
步骤六，根据零件模板图像中零件的大小，在零件全图中构建多个模板窗，分别将多个模板窗中的函数cc(x,y)的极大值找出来，并找出所有极大值中的最大值，设为v_max；
步骤七，定义一个阈值参数q，保留极大值中大于v_max*q的极大值，其中，参数0<q<1；
步骤八，去除伪极大值点，分别以极大值点为中心构建新模板窗，测试该极大值点的值是否为新模板窗中的最大值，如果不是则去除该极大值点；
步骤九，经过删除伪极大值点后得到的多个极大值的位置坐标即为相似零件的位置坐标，并在该位置上进行标注。
2.如权利要求1所述的基于边缘提取与傅里叶变换的零件快速定位方法，其特征在于，在步骤六中，假设零件全图的大小为a1*a2像素点，零件模板图像的大小为b1*b2像素点，则模板窗的数量等于ROUNDUP(a1/b1)*ROUNDUP(a2/b2)，ROUNDUP为向上取整。
3.如权利要求1所述的基于边缘提取与傅里叶变换的零件快速定位方法，其特征在于，在步骤七中，所述阈值参数q设置为0.5。
4.如权利要求1所述的基于边缘提取与傅里叶变换的零件快速定位方法，其特征在于，在步骤九中，所述标注为十字线标注。
5.如权利要求1所述的基于边缘提取与傅里叶变换的零件快速定位方法，其特征在于，所述图像采集装置为数码相机或摄像机。
CN201710961539.7A 2017-10-17 2017-10-17 一种基于边缘提取与傅里叶变换的零件快速定位方法 Expired - Fee Related CN107749063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710961539.7A CN107749063B (zh) 2017-10-17 2017-10-17 一种基于边缘提取与傅里叶变换的零件快速定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710961539.7A CN107749063B (zh) 2017-10-17 2017-10-17 一种基于边缘提取与傅里叶变换的零件快速定位方法

Publications (2)

Publication Number Publication Date
CN107749063A CN107749063A (zh) 2018-03-02
CN107749063B true CN107749063B (zh) 2019-09-24

Family

ID=61253817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710961539.7A Expired - Fee Related CN107749063B (zh) 2017-10-17 2017-10-17 一种基于边缘提取与傅里叶变换的零件快速定位方法

Country Status (1)

Country Link
CN (1) CN107749063B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254147A (zh) * 2011-04-18 2011-11-23 哈尔滨工业大学 一种基于星图匹配的远距离空间运动目标识别方法
CN105678814A (zh) * 2016-01-05 2016-06-15 武汉大学 一种结合相位相关分析的建筑物立面影像重复纹理检测方法
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN106767958A (zh) * 2016-12-13 2017-05-31 安徽大学 一种基于扩展相位相关算法的直线电机动子位置检测方法
CN106952257A (zh) * 2017-03-21 2017-07-14 南京大学 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2511744B (en) * 2013-03-11 2020-05-20 Reeves Wireline Tech Ltd Methods of and apparatuses for identifying geological characteristics in boreholes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254147A (zh) * 2011-04-18 2011-11-23 哈尔滨工业大学 一种基于星图匹配的远距离空间运动目标识别方法
CN105678814A (zh) * 2016-01-05 2016-06-15 武汉大学 一种结合相位相关分析的建筑物立面影像重复纹理检测方法
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN106767958A (zh) * 2016-12-13 2017-05-31 安徽大学 一种基于扩展相位相关算法的直线电机动子位置检测方法
CN106952257A (zh) * 2017-03-21 2017-07-14 南京大学 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法

Also Published As

Publication number Publication date
CN107749063A (zh) 2018-03-02

Similar Documents

Publication Publication Date Title
US8331650B2 (en) Methods, systems and apparatus for defect detection
CN110332887B (zh) 一种基于特征光标点的单目视觉位姿测量系统及方法
CN107609557B (zh) 一种指针式仪表读数识别方法
CN107063228B (zh) 基于双目视觉的目标姿态解算方法
CN109883533B (zh) 基于机器视觉的低频振动测量方法
CN101408985B (zh) 一种圆形光斑亚像素中心提取方法及装置
CN104123542B (zh) 一种轮毂工件定位的装置及其方法
CN106548462B (zh) 基于薄板样条插值的非线性sar图像几何校正方法
CN105335973B (zh) 运用于带钢加工生产线的视觉处理方法
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN107292869B (zh) 基于各向异性高斯核和梯度搜索的图像斑点检测方法
CN104657711B (zh) 一种鲁棒的指针式仪表读数自动识别方法
CN110906875B (zh) 一种孔径测量的视觉处理方法
CN106991690A (zh) 一种基于运动目标时序信息的视频序列同步方法
CN103295014B (zh) 基于像素位置排列直方图的图像局部特征描述方法
CN108416787A (zh) 应用于机器视觉检测的工件直线边缘定位方法
CN109146918A (zh) 一种基于分块的自适应相关目标定位方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN106682679A (zh) 一种基于水平集超像素和贝叶斯框架的显著性检测方法
CN106296587A (zh) 轮胎模具图像的拼接方法
CN102096920B (zh) 基于标靶图像的亚像素配准方法
CN105303566B (zh) 一种基于目标轮廓裁剪的sar图像目标方位角估计方法
CN103971362B (zh) 基于直方图和精英遗传聚类算法的sar图像变化检测
CN108615041B (zh) 一种角点检测方法
CN112819009A (zh) 一种基于Harris角点检测与NCC匹配的目标识别定位方法

Legal Events

Date Code Title Description
PB01 Publication
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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190924

Termination date: 20211017