CN107784669A

CN107784669A - 一种光斑提取及其质心确定的方法

Info

Publication number: CN107784669A
Application number: CN201711024421.8A
Authority: CN
Inventors: 许轰烈; 徐平平; 高岩渊; 韩昀; 唐茗
Original assignee: Jiangsu Guangjing Xicheng Expressway Co Ltd; Southeast University
Current assignee: Jiangsu Guangjing Xicheng Expressway Co Ltd; Southeast University
Priority date: 2017-10-27
Filing date: 2017-10-27
Publication date: 2018-03-09

Abstract

本发明公开了一种光斑提取及其质心确定的方法，首先，对图像进行导入，根据RGB三原色对图像分量进行分解。通过计算图像彩色特征，来提取特征图像。采用分析最佳色彩的特征。在用阈值分割的方法分割图像，将图像消去彩色部分，编程灰白色。(采用最佳阈值分割算法)。最后根据二值化光斑，提取原始图像中激光斑块。就完成了对光斑的提取。求其质心则先利用一阶导数零交叉点定位光斑，然后再使用像素中心区域不饱和点灰度信息高斯拟合的方法来计算光斑中心坐标。这样，光斑的质心就被提取出来了。

Description

一种光斑提取及其质心确定的方法

技术领域

本发明涉及一种光斑提取及其质心确定的方法，属于激光提取和定位技术领域。

背景技术

国内外有不少对光斑提取的详细分析和讨论，但都大部分侧重于对其中某种误差的讨论。有的虽然分析了CCD噪声对光斑质心定位精度的影响，但却未提出具体的实现方法。在市场应用这一块还存在很大的缺陷，本发明提供一种光斑提取及其质心确定的方法，可以很好的解决这一问题，具有非常广阔的市场前景和实际意义。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供一种光斑提取及其质心确定的方法，针对外界输入的图像，进行一系列图像的分解和特征提取来提取激光斑块，在使用交叉点定位光斑和高斯拟合的方法来确定中心坐标，从而达到准确确定光斑质心的效果。

技术方案：一种光斑提取及其质心确定的方法，包括如下步骤：

第一步：导入图像，对图像进行预处理，包括基于去雾算法的处理、滤波处理、基于直方图增强算法的处理以及基于彩色特征提取算法的处理，以提高图像质量。

第二步：计算图像彩色特征，得到特征图像(这里分析最佳色彩特征)。

第三步：阈值分割特征图像，并得到分割二值化图像(采用最佳阈值分割算法)。

第四步：通过寻找一阶导数交叉点的方法确定光斑的质心所覆盖的基本像素区域。

第五步：使用像素中心区域不饱和点灰度信息高斯拟合来计算光斑中心坐标。

有益效果：与现有技术相比，本发明提出的光斑提取及其质心确定的方法，通过简单而有效的实验方法实现了光斑的提取和质心的确定，大大的提高了他的精确度，减少实际运用测量中的误差。

附图说明

图1为本发明方法实施例的整体工作流程图；

图2为去雾算法物理模型图；

图3为S的边界示意图，其中(a)为结构元素S，(b)为S_up，(c)为S_low，(d)为S_leftt，(e)为S_righ；

图4(a)为理想光斑的能量分布图；

图4(b)为理想光斑x方向的能量分布函数曲线；

图4(c)为一阶导数分布曲线；

图4(d)为实际获得的光斑图像；

图4(e)为光斑中心确定原理图；

图4(f)为光斑中心确定原理图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，光斑提取及其质心确定的方法，具体步骤如下：

第一步：对从CCD获取的彩色图像进行预处理，包括基于去雾算法的处理、滤波处理、基于直方图增强算法的处理以及基于彩色特征提取算法的处理，以提高图像质量。

我们从CCD中获取的为彩色图像。与灰色图像不同，彩色图像是一种多通道的图像信号，由多个颜色分量组成。图像的像素是多维矢量，矢量的大小和方向代表不同的颜色信息。在处理时既要考虑有效的抑制噪声，又要减少处理前后图像在颜色上的误差。因此，在这我们采用的是基于排序统计的矢量中值滤波法。

首先对于具有N个矢量的集合V＝{v₁,v₂,,…,v_N}，将其通过一个矢量中值滤波器后得到的输出中值为x_VM＝VM{v₁,v₂,,,,v_N}，其中VM{v₁,v₂,,,,v_N}表示获得的彩色图像矢量。算法如下：

(1)对于每个矢量计算它到其余矢量的距离之和即为矢量差值的二范数之和(i＝1，2，…，N)；

(2)对S_i进行排序，从中选出最小值，记为S_k；

(3)则满足的v_k即为输出的中值矢量

最后得到的滤波结果x_VM对高斯噪声的平滑和脉冲噪声的滤除以及图像边缘信息的保护都有较好的效果。但当在雾、霾等不佳天气条件下因大气中大量的悬浮颗粒会导致的图像退化，导致图像内容模糊或丢失。因此我们需要采用去雾算法来提高图像的质量。如图2所示，从图中可以看出进入摄像设备的光线主要有两部分组成(图中虚线表示的光线组和单点画线表示的光线组)，一部分是场景中的物体反射光直接传播到镜头中(单点画线表示的光线组)，这部分光强随着场景的深度增加而呈指数衰减；另一部分是由太阳光照射以及由大气中悬浮颗粒散射进入镜头的大气光，当大气中的悬浮颗粒浓度较高时，太阳光可忽略。用公式来表述该模型为：

I(x)＝J(x)·t(x)+A[1-t(x)]，t(x)＝exp[-βd] (1)

式(1)中I(x)是观测到的有雾图像，J(x)为待求的无雾图像，t(x)为大气透射率，A表示大气光，β为大气衰减系数，d为场景中物体到摄像位置的距离。

经去雾处理后的图像我们再利用直方图增强算法来放大图形所含的信息。步骤如下：

假设f(i,j)＝I＝{I(i,j)}代表一副数字图像，这里I(i,j)代表在(i,j)点处的图像灰度值。将图像亮度数字化，并分成诸如{I₀,I₁,I₂,...,I_L-1}的L个等级。显然假设n_k代表图像中灰度等级为I_k的像素总个数。使用单阈值T可以将输入图像I分割成二个子图像I_L、I_U：

I＝I_L∪I_U

其概率密度函数PDF可以由下式表示：

n_k代表子图像I_L、I_U中灰度等级为I_k的像素总个数。T代表阈值。N代表整幅图像的像素个数。从而，I_L、I_U的累积密度函数PDF可以定义为：

显然，传递函数可以定义为：

f_L(I_K)＝I₀+(T-I₀)c_L(I_K),(K＝0,1,、、、，T) (7)

f_u(I_K)＝I_T+1+(I_L-1-I_T+1)c_u(I_K),(K＝T+1,T+2,、、、，L-1) (8)

这样，我们就完成了图像的预处理，接下来就可以进行更精确的后续分析了。

第二步：对处理后的图像f(i，j，k)进行RGB分解得到三个颜色分量R分量r(i，j)、G分量g(i，j)和B分量b(i，j)。计算图像的彩色特征，同时分析最佳色彩特征。计算RGB颜色系统的r、g、b的均值标准偏差rstd、gstd、bstd，方差rvar、gvar、bvar及r、g、b相互间的相关系数rg、rb、gb。公式如下：

经上述(9)-(20)公式可计算得出特征图像。

第三步：对特征图像进行最佳阈值分割，得到二值化图像。我们采用基于Otsu's法阈值分割的单阀值分割方法，步骤如下：

(1)分割阈值选择

阈值分割实际上就是输入图像f到输出图像g的如下变换：

其中，T为阈值，范围0～255

对于目标的像素：

g(i,j)＝1

对于背景的像素：

g(i,j)＝0

Otsu's方法被广泛应用于自动将图像分割成两个部分：目标区域和背景区域。该方法假设被分割的图像包含两类像素，即前景和背景，那么最佳阈值就是使得他们的类间方差最大。

σ²(X_T)＝W_L(E(X_L)-E(X))²+W_U(E(X_U)-E(X))² (21)

E(X_L)和E(X_U)代表被阈值X_T分割成的两个子图像的亮度均值。E(X)是整幅图像的亮度均值。W_L和W_U代表着两个子图像中像素占整幅图像的权重。

(2)单独处理每一个子图像

式中，T是单阈值(范围：(0～255)，p_L、p_U是对应子图像I_L、I_U的概率密度函数。E(I_L)、E(I_U)为对应子图像I_L和I_U的亮度均值。E(I)是整幅图像的亮度均值。最后，输出图像表达式如下：

Y＝{Y(i,j)}＝Y_L∪Y_U＝f_L(I_L)∪f_U(I_U) (25)

这样我们得到的图像为二值化图像。

到此，我们所需的光斑区域就可以和其他区域很清晰区别开。

具体步骤如下：

一、利用边界像素检测进一步缩小质心所在位置

过程如下：

步骤1，利用边界检测找到整个像素的边界

假定P∈Rv×w和S∈Rm×n分别是二值化图像和结构元素，(x，y)表示一个像素.

假设S的左上角像素为(0，0)

步骤如下：

输入:任意形状的结构元素S；

步骤(1)选择S中一个未处理的列；

步骤(2)自上而下扫描当前列，如果相邻2个点的值发生了变化，例如(x，y－1)和(x,y)，记录下所有这样的相邻点；

步骤(3)如果(x，y)的值为1，那么(x，y)∈Sup；

步骤(4)如果(x，y－1)的值为1，那么(x，y－1)∈S_low；

步骤(5)如果S中还有未处理的列，执行步骤(1)；

步骤(6)结束.

输出:S_up和S_low.

类似地，如果对S逐行进行扫描，该算法可以同时检测出S_left和S_right.

S_up为像素上边界，S_low为像素下边界，S_left为像素左边界，S_right为像素右边界.效果如图3所示。

步骤2，将找到的边界像素赋值为0(因处理图像为二值化图像，假设质心所在区域像素为1)

步骤3，在循环执行步骤1和2，将像素范围缩小到9*9的范围。

二、再利用膨胀将边界到亚像素级别，从而进一步确定光斑质心所在区域范围；

步骤如下：

步骤1，计算出边界像素区域的中心位置

步骤2，以步骤1中计算得出的基准点进行步长为4的亚像素膨胀，进一步缩小质心所在区域范围。

首先，确定像素的中心点。由于小尺寸光斑目标图像的灰度分布为光学系统的点扩散函数，可以用二维高斯分布函数来近似表示：

其一阶导数公式：

式中：A为小尺寸光斑像点的总能量：(X,Y)为函数中心点位置坐标：σ²是高斯函数的方差，对应光斑弥散半径的大小；g(x)和g(y)分别为x和y方向的一维高斯分布函数。提取光斑中心实质上是求解公式(26)所示的二元函数的极大值点坐标。求解二维高斯函数每一行x方向一元函数像素极值点集合U(xi,yj)和光斑图像每一列y方向一元函数像素极值点集合U(xm,yn)，二者的交集即为二维高斯函数极值点(X,Y)，即(X,Y)＝U(xi,yj)∩U(X,yn)。图4(a)所示为理想光斑的能量分布图，以x方向为例，图4(b)所示为理想光斑x方向的能量分布函数曲线，其一阶导数分布曲线如图4(c)所示，可以看出，若点X为极大值点，则点X处的一阶导数为0，且一阶导数在该点X邻域内递减。

图4(d)所示为实际获得的光斑图像，其灰度值分布是离散的，由此求出的图像一阶导数也是离散的，如图4(e)和4(f)所示，对三个连续的像素点x_-1、x₀和x₁进行分析，可看出若光斑中心X落在点x₀坐标内，则点x₀为光斑像素级中心点坐标，其一阶导数值g_x(x₀)的绝对值在三点中最小，即|g_x(x₀)|<|g_x(x_-1)|，且|g_x(x₀)|<|g_x(x₁)|，又由于点x₀为一阶导数过零点，即g_x(x_-1)>0，且g_x(x₁)<0。同理若y方向上的像素点y₀为像素级中心点，则点y₀处的一阶导数值g_y(y₀)的绝对值在其邻域内最小，且g_y(y_-1)>0，g_y(y₁)<0，则可推导出像素级光斑中心判定方法，即若在点(x₀,y₀)处，在x方向上，|g_x(x₀)|<|g_x(x_-1)|，|g_x(x₀)|<|g_x(x₁)|，且g_x(x_-1)>0，g_x(x₁)<0，在y方向上，|g_y(y₀)|<|g_y(y_-1)|，|g_y(y₀)|<|g_y(y₁)|，且g_y(y_-1)>0，g_y(y₁)<0，则点(x₀,y₀)即为光斑的像素级中心点坐标，记为(x₀,y₀)。

其次，以求的(x₀,y₀)为基准点进行步长为4的亚像素膨胀；

膨胀运算定义为：其中A为待膨胀区域，B为膨胀的结构元素，则可得到一个4*4共16个亚像素点的膨胀区域，则质心必定存在于这个区域内。

第五步：利用像素中心领域内不饱和灰度信息进行高斯拟合(28)计算小尺寸光斑的亚像素中心坐标。再由一阶导数零交叉法准确定位光斑图像像素级中心位置(x₀,y₀)后，又进行了亚像素的膨胀，则质心必存在于那16个点的亚像素点内。由于光斑能量分布满足高斯分布函数，对公式(26)等式两边求对数，可得到(29)：

y＝a₁exp(-((x-b₁)/c₁)²) (28)

其中a₁、b₁、c₁为待定参数，分别表示的高斯曲线的峰高、峰位置和半宽度信息。

由于高斯函数具有可分离性，可在点(x₀,y₀)处分别在x和y方向对光斑图像进行高斯拟合处理。以x方向为例，令ln(C)＝ln(B)-(y-Y)²/2σ²，将公式(29)转化为公式(30)，则等式中包含C、x和σ三个未知数；

其中，x为横坐标、σ为标准差、C由ln(C)＝ln(B)-(y-Y)²/2σ²计算得出。

由公式(30)可知，光斑图像x方向上纵坐标相同的点所对应的C值是相同的。利用CCD采集光斑图像时，由于图像采集卡的有效位数通常为8位，当光强比较大或者CCD曝光时间过长时，容易导致数据饱和(灰度值超过255)，不能够反映出光斑的真实光强，如果把这些点也用于高斯拟合，则容易产生较大的误差，因此在进行高斯拟合的时候需要剔除这些饱和点。而光斑半径较小，有效点也较少，因此可利用x方向上从属于同一光斑的三个像素点的灰度值构成方程组求解X。假设三个点的横坐标为x₁、x₂和x₃，对应的灰度值为g(x₁)、g(x₂)和g(x₃)，则可得到：

同理，在点(x₀,y₀)的y方向上取从属于同一光斑的三个像素点3个点y₁、y₂和y₃也可构成与公式(37)相似的方程组，则X和Y的求解公式为：

到此我们就确定了它的质心(X,Y)。

Claims

1.一种光斑提取及其质心确定的方法，其特征在于，包括如下步骤：

第一步：导入图像，对图像进行预处理，包括基于去雾算法的处理、滤波处理、基于直方图增强算法的处理以及基于彩色特征提取算法的处理，以提高图像质量；

第二步：计算图像彩色特征，得到特征图像；

第三步：阈值分割特征图像，并得到分割二值化图像；

第四步：通过寻找一阶导数交叉点的方法确定光斑的质心所覆盖的基本像素区域；

2.如权利要求1所述的光斑提取及其质心确定的方法，其特征在于，采用基于排序统计的矢量中值滤波法对图像进行滤波处理：

首先对于具有N个矢量的集合V＝{v₁,v₂,,…,v_N}，将其通过一个矢量中值滤波器后得到的输出中值为x_VM＝VM{v₁,v₂,,,,v_N}，其中x_vm属于V；对于每个矢量计算它到其余矢量的距离之和即为矢量差值的二范数之和(i＝1，2，…，N)对S_i进行排序，从中选出最小值，记为S_k；则满足的v_k即为输出的中值矢量。

3.如权利要求1所述的光斑提取及其质心确定的方法，其特征在于，用公式来表述有雾图像模型为：

I(x)＝J(x)·t(x)+A[1-t(x)]，t(x)＝exp[-βd] (1)

4.如权利要求1所述的光斑提取及其质心确定的方法，其特征在于，经去雾处理后的图像再利用直方图增强算法来放大图形所含的信息；步骤如下：

假设f(i,j)＝I＝{I(i,j)}代表一副数字图像，这里I(i,j)代表在(i,j)点处的图像灰度值；将图像亮度数字化，并分成诸如{I₀,I₁,I₂,...,I_L-1}的L个等级；显然假设n_k代表图像中灰度等级为I_k的像素总个数；使用单阈值T可以将输入图像I分割成二个子图像I_L、I_U：

I＝I_L∪I_U

<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>I</mi> <mi>L</mi> </msub> <mo>=</mo> <mo>{</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&le;</mo> <msub> <mi>I</mi> <mi>T</mi> </msub> <mo>,</mo> <mo>&ForAll;</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>I</mi> <mi>u</mi> </msub> <mo>=</mo> <mo>{</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>></mo> <msub> <mi>I</mi> <mi>T</mi> </msub> <mo>,</mo> <mo>&ForAll;</mo> <mi>I</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其概率密度函数PDF可以由下式表示：

n_k代表子图像I_L、I_U中灰度等级为I_k的像素总个数。N代表整幅图像的像素个数；从而，I_L、I_U的累积密度函数PDF可以定义为：

<mrow> <msub> <mi>c</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>K</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>k</mi> </munderover> <msub> <mi>p</mi> <mi>L</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>=</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>,</mo> <mo>,</mo> <mo>,</mo> <mo>,</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>c</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>K</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mi>T</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>p</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

传递函数定义为：

f_L(I_K)＝I₀+(T-I₀)c_L(I_K),(K＝0,1,、、、，T) (7)

f_u(I_K)＝I_T+1+(I_L-1-I_T+1)c_u(I_K),(K＝T+1,T+2,、、、，L-1) (8)

这样，就完成了图像的预处理。

5.如权利要求1所述的光斑提取及其质心确定的方法，其特征在于，对预处理后的图像f(i，j，k)进行RGB分解得到三个颜色分量R分量r(i，j)、G分量g(i，j)和B分量b(i，j)；计算RGB颜色系统的r、g、b的均值标准偏差rstd、gstd、bstd，方差rvar、gvar、bvar及r、g、b相互间的相关系数rg、rb、gb，从而计算得出特征图像。

6.如权利要求1所述的光斑提取及其质心确定的方法，其特征在于，对特征图像进行最佳阈值分割，得到二值化图像；采用基于Otsu's法阈值分割的单阀值分割方法，步骤如下：

(1)分割阈值选择

阈值分割实际上就是输入图像f到输出图像g的如下变换：

<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&GreaterEqual;</mo> <mi>T</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo><</mo> <mi>T</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>

其中，T为阈值，范围0～255；

对于目标的像素：

g(i,j)＝1

对于背景的像素：

g(i,j)＝0

Otsu's方法被应用于自动将图像分割成两个部分：目标区域和背景区域。该方法假设被分割的图像包含两类像素，即前景和背景，那么最佳阈值就是使得他们的类间方差最大；

σ²(X_T)＝W_L(E(X_L)-E(X))²+W_U(E(X_U)-E(X))² (21)

E(X_L)和E(X_U)代表被阈值X_T分割成的两个子图像的亮度均值；E(X)是整幅图像的亮度均值；W_L和W_U代表着两个子图像中像素占整幅图像的权重；

(2)单独处理每一个子图像

假设f(i,j)＝I＝{I(i,j)}代表一副数字图像，这里I(i,j)代表在(i,j)点处的图像灰度值；N代表整幅图像的像素个数；将图像亮度数字化，并分成诸如{I₀,I₁,I₂,...,I_L-1}的L个等级；显然假设n_k代表图像中灰度等级为I_k的像素总个数；使用单阈值T可以将输入图像I分割成二个子图像I_L、I_U：

I＝I_L∪I_U

式中，p_L、p_U是对应子图像I_L、I_U的概率密度函数；E(I_L)、E(I_U)为对应子图像I_L和I_U的亮度均值；E(I)是整幅图像的亮度均值；最后，输出图像表达式如下：

Y＝{Y(i,j)}＝Y_L∪Y_U＝f_L(I_L)∪f_U(I_U) (25)

这样得到的图像为二值化图像。

7.如权利要求1所述的光斑提取及其质心确定的方法，其特征在于，利用像素中心领域内不饱和灰度信息进行高斯拟合计算小尺寸光斑的亚像素中心坐标；由一阶导数零交叉法准确定位光斑图像像素级中心位置(X₀,Y₀)后，即可在该像素邻域内确定光斑亚像素中心坐标(X,Y)。