CN108921864B - 一种光条中心提取方法及装置 - Google Patents

一种光条中心提取方法及装置 Download PDF

Info

Publication number
CN108921864B
CN108921864B CN201810654432.2A CN201810654432A CN108921864B CN 108921864 B CN108921864 B CN 108921864B CN 201810654432 A CN201810654432 A CN 201810654432A CN 108921864 B CN108921864 B CN 108921864B
Authority
CN
China
Prior art keywords
point
pixel
edge detection
value
gray
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
CN201810654432.2A
Other languages
English (en)
Other versions
CN108921864A (zh
Inventor
汪南辉
张平
张志明
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810654432.2A priority Critical patent/CN108921864B/zh
Publication of CN108921864A publication Critical patent/CN108921864A/zh
Application granted granted Critical
Publication of CN108921864B publication Critical patent/CN108921864B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种光条中心提取方法及装置。本发明中进行边缘轮廓提取时，在第一水平边缘检测模板和第一竖直边缘检测模板的基础上增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，通过四个边缘检测模板遍历待处理图像综合计算待处理图像中各个像素点的实际梯度值，减小光条边缘梯度方向不确定性的影响，再选择合适的预置梯度阈值准确提取光条边缘轮廓，解决了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。

Description

一种光条中心提取方法及装置
技术领域
本发明涉及激光扫描技术领域，尤其涉及一种光条中心提取方法及装置。
背景技术
在经济全球化、科技水平快速发展的现代社会，各行各业在市场上的竞争越来越大，在工业测量领域，对产品的质量、测量速度和精度的要求不断提高。传统的人工在线检测和机器接触式测量已经无法满足工业街的需求，非接触测量由于其良好的测量精度和实时性，已经成为了工业测量领域关注的热点，光电检测是非接触测量的一种主要方法，如三维激光扫描。
起初三维激光扫描技术是基于一般的测绘技术发展而来，但是测绘手段不同于传统的测绘技术，传统的测绘技术借助三坐标测量仪和经纬仪等对指定目标中的某一点位进行精确而确定的三维坐标数据测量，进而得到一些离散的点坐标数据，而三维激光扫描仪则是对确定目标在某一方向进行完整的扫描测量，扫描的频率同步于物体的步进距离，从而可以得到物体表面均匀的位置信息，进而实现目标的三维测量。
在三维激光扫描技术的图像处理中关键的一步是精确获取激光光条的边缘轮廓，进而提取激光光条的光条中心线。但是由于光条边缘梯度方向存在不确定性，当前的轮廓提取方法难以准确提取光条的边缘轮廓，进而影响提取激光光条的光条中心线的准确性。
因此，导致了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。
发明内容
本发明提供了一种光条中心提取方法及装置，解决了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。
本发明提供了一种光条中心提取方法，包括：
S1：将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
S2：将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像；
S3：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；
S4：将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
S5：将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
优选地，步骤S1之前还包括：步骤S0；
S0：通过加权中值滤波算法对含有光条的待处理图像进行滤波，得到滤波后的待处理图像。
优选地，步骤S4具体包括：将近似中心点和其对应的拟合点的像素坐标和灰度值通过高斯曲线拟合法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点。
优选地，步骤S3具体包括：
S31：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点；
S32：分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点。
优选地，预置角度为四十五度。
本发明提供了一种光条中心提取装置，包括：
梯度计算单元，用于将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
边缘检测单元，用于将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像；
近似中心单元，用于采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；
拟合中心单元，用于将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
曲线连接单元，用于将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
优选地，还包括：中值滤波单元；
中值滤波单元，用于通过加权中值滤波算法对含有光条的待处理图像进行滤波，得到滤波后的待处理图像。
优选地，拟合中心单元，具体用于将近似中心点和其对应的拟合点的像素坐标和灰度值通过高斯曲线拟合法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点。
优选地，近似中心单元具体包括：
灰度子单元，用于采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点；
选点子单元，用于分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点。
优选地，预置角度为四十五度。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供了一种光条中心提取方法，包括：S1：将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；S2：将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像；S3：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；S4：将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；S5：将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
本发明中进行边缘轮廓提取时，在第一水平边缘检测模板和第一竖直边缘检测模板的基础上增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，通过四个边缘检测模板遍历待处理图像综合计算待处理图像中各个像素点的实际梯度值，减小光条边缘梯度方向不确定性的影响，再选择合适的预置梯度阈值准确提取光条边缘轮廓，解决了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种光条中心提取方法的一个实施例的流程示意图；
图2为本发明实施例提供的一种光条中心提取方法的另一个实施例的流程示意图；
图3为本发明实施例提供的一种光条中心提取装置的一个实施例的结构示意图；
图4为本发明实施例提供的一种激光标定系统的结构图。
具体实施方式
本发明实施例提供了一种光条中心提取方法及装置，解决了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种光条中心提取方法的一个实施例，包括：
步骤101：将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
需要说明的是，现有的轮廓提取算法大多只通过水平边缘检测模板和竖直边缘检测模板计算图像的梯度值，这种轮廓提取能够较好得区分图像的水平边缘和竖直边缘。
但是光条边缘梯度方向具有不确定性，仅仅从竖直方向和水平方向进行边缘检测仍然可能一些不连续的虚假边缘，为了保留较为丰富的边缘信息，本实施例的提取方法将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，用四个角度的边缘检测模板遍历待处理图像计算各个像素点的候选梯度值，从而减小光条边缘梯度方向不确定性的影响。
每个像素点都可以计算得到四个候选梯度值，选择其中最大的候选梯度值作为实际梯度值。
步骤102：将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像；
需要说明的是，图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程，在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。
计算了各个像素点的实际梯度值之后，可通过合适的预置梯度阈值对图像进行筛选检测，实际梯度值小于预置梯度阈值的像素点可视为是独立的噪点，将其的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，将待处理图像二值化凸显光条的轮廓。
步骤103：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；
需要说明的是，经过边缘检测模板筛选后可以准确获取激光光条的轮廓，将非光条部分的灰度值都清零去除，提高拟合光条中心曲线的准确性。
然后可以用光条中心提取模板遍历边缘检测后的图像计算每一个像素，分别对每一个像素的灰度值进行卷积运算得到新的灰度值。
之后每一行的灰度值最大的像素点作为近似中心点，其中，因为行列关系只是相对而言，因此也可以视为选择每一列的灰度值最大的像素点作为近似中心点。
近似中心点的坐标是像素级别的，为了进一步精确定位光条中心，需要求取亚像素级别的光条中心坐标，因此可分别在各个近似中心点的邻域内选取预置数量的拟合点，每一个近似中心点都有对应的预置数量的拟合点。
步骤104：将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
需要说明的是，得到每一个近似中心点和其对应的预置数量的拟合点之后，因为已知近似中心点和拟合点的坐标和灰度值，可以选择曲线拟合算法对近似中心点和拟合点的坐标和灰度值，得到灰度变化曲线。
灰度变化曲线存在灰度值的极大值点，灰度值的极大值点即是这一个近似中心点对应的光条中心亚像素坐标点，灰度值的极大值点的坐标就是光条中心的亚像素坐标。
步骤105：将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
需要说明的是，分别对各个近似中心点执行步骤104之后可以得到各个近似中心点对应的光条中心亚像素坐标点，之后将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
本实施例中进行边缘轮廓提取时，在第一水平边缘检测模板和第一竖直边缘检测模板的基础上增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，通过四个边缘检测模板遍历待处理图像综合计算待处理图像中各个像素点的实际梯度值，减小光条边缘梯度方向不确定性的影响，再选择合适的预置梯度阈值准确提取光条边缘轮廓，解决了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。
以上为本发明实施例提供的一种光条中心提取方法的一个实施例，以下为本发明实施例提供的一种光条中心提取方法的另一个实施例。
请参阅图2和图4，本发明实施例提供了一种光条中心提取方法的另一个实施例，包括：
步骤201：通过加权中值滤波算法对含有光条的待处理图像进行滤波，得到滤波后的待处理图像；
需要说明的是，提取含有激光光条的图像中的光条中心线可应用在三维激光扫描技术各个环节，例如图4中的一种激光标定系统，该系统用于进行激光扫描前对激光发射器1和图形采集相机2的位置进行标定，进行激光标定的过程中激光发射器1会发射线状的激光线条至标定块3，图像采集相机2拍摄标定块3获取含有激光光条的待处理图像，旋转运动平台4旋转一定角度，重复上述步骤可以得到多幅含有激光光条的待处理图像，将这些待处理图像进行处理计算光条中心线即可进行激光标定，而图像处理中提取光条中心线的关键步骤是精确获取激光光条的边缘轮廓，进而才能准确提取激光光条的光条中心线。
当获取到含有激光光条的待处理图像时，为了保持光条两边较好的细节，同时尽可能的抑制椒盐噪声，可以对含有光条的待处理图像进行滤波。
中值滤波法是一种非线性平滑技术，在一般中值滤波的基础上，可以结合均值的思想，设置一种权重系数内中值为0.45，均值为0.6的加权中值滤波算法，计算公式为：
Figure BDA0001705104790000081
其中，a为均值，取0.6；b为中值，取0.45；f(x，y)为待处理图像中像素点的灰度值；g(x，y)为滤波后的待处理图像中像素点的灰度值；m和n为滤波模板的尺寸；(i，j)为滤波模板的中心点坐标。
步骤202：将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
需要说明的是，现有的轮廓提取算法大多只通过水平边缘检测模板和竖直边缘检测模板计算图像的梯度值，这种轮廓提取能够较好得区分图像的水平边缘和竖直边缘。
但是光条边缘梯度方向具有不确定性，利用Sobel微分算子等边缘检测模板进行检测时仅仅从竖直方向和水平方向进行边缘检测仍然可能一些不连续的虚假边缘，为了保留较为丰富的边缘信息，本实施例的提取方法将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，例如第一水平边缘检测模板和第一竖直边缘检测模板可假设为：
Figure BDA0001705104790000082
Figure BDA0001705104790000083
将预置角度设为45度，则第二水平边缘检测模板和第二竖直边缘检测模板可表示为：
Figure BDA0001705104790000091
Figure BDA0001705104790000092
用四个角度的边缘检测模板遍历待处理图像计算各个像素点的候选梯度值，从而较小光条边缘梯度方向不确定性的影响。
每个像素点都可以计算得到四个候选梯度值，选择其中最大的候选梯度值作为实际梯度值。
步骤203：将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像；
需要说明的是，图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程，在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。
计算了各个像素点的实际梯度值之后，可通过合适的预置梯度阈值对图像进行筛选检测，实际梯度值小于预置梯度阈值的像素点可视为是独立的噪点，将其的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，将待处理图像二值化凸显光条的轮廓。
光条跟背景间的预置梯度阈值可以通过最大类间方差法求得。
步骤204：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点；
需要说明的是，经过边缘检测模板筛选后可以准确获取激光光条的轮廓，将非光条部分的灰度值都清零去除，提高拟合光条中心曲线的准确性。
然后可以用光条中心提取模板遍历边缘检测后的图像计算每一个像素，分别对每一个像素的灰度值进行卷积运算得到新的灰度值。
光条中心提取模板可以根据具体情况选取3*3或5*5的模板。
之后每一行的灰度值最大的像素点作为近似中心点，其中，因为行列关系只是相对而言，因此也可以视为选择每一列的灰度值最大的像素点作为近似中心点。
步骤205：分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点；
需要说明的是，近似中心点的坐标是像素级别的，为了进一步精确定位光条中心，需要求取亚像素级别的光条中心坐标，因此可分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点，每一个近似中心点都有对应的预置数量的拟合点。
具体取点的规则可以根据实际需要进行制定，可以对称取点也可以不对称取点，可以在同一行列取点也可以在非同一行列取点，常规可以选择在近似中心点左邻域选取K个拟合点，在近似中心点的右邻域内选取K个拟合点，K为正整数。
每一个近似中心点和拟合点在待处理图像中的像素级坐标和灰度都已经求得，因为本实施例限定是在左右邻域选取预置数量的像素点作为拟合点或者上下邻域选取预置数量的像素点作为拟合点进行取点，所以选取的拟合点和近似中心点位于同一行或者同一列，其中一维坐标相等，则在后续曲线拟合的过程中，可以简化拟合过程，不用考虑相等的纵坐标或者横坐标，只需要采用一维曲线模型进行拟合即可，不需要采用二维曲线模型进行拟合，提高计算速度。
步骤206：将近似中心点和其对应的拟合点的像素坐标和灰度值通过高斯曲线拟合法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
需要说明的是，得到每一个近似中心点和其对应的预置数量的拟合点之后，因为已知近似中心点和拟合点的坐标和灰度值，可以选择高斯曲线拟合法对近似中心点和拟合点的坐标和灰度值，得到灰度变化曲线。
灰度变化曲线存在灰度值的极大值点，灰度值的极大值点即是这一个近似中心点对应的光条中心亚像素坐标点，灰度值的极大值点的坐标就是光条中心的亚像素坐标。
使用高斯曲线拟合法来进行拟合，优点在于计算积分十分简单快捷，并且高斯曲线模型与光条中心分布特征的近似度较高。
例如上述所言，在近似中心点左邻域选取K个拟合点，在近似中心点的右邻域内选取K个拟合点，则每个近似中心点都可以选取2K个拟合点，加上近似中心点本身总共2K+1个点进行曲线拟合。
选取高斯曲线模型进行曲线拟合，拟合曲线的最大值点为光条中心点，因为是在近似中心点的左右邻域进行选取拟合点，所以近似中心点和拟合点都在同一行，纵坐标相等，可以不考虑纵坐标，采用一维高斯曲线模型进行拟合即可，一维高斯曲线模型的表达式为：
Figure BDA0001705104790000111
其中，A为光条中心的灰度值，xb为光条中心的亚像素坐标，λ为光条的的宽度，A、xb和λ都是待计算的值。
对式(2)的左右两边取对数可得：
Figure BDA0001705104790000112
同时，令：
F(x)＝Inf(x) (4)
Figure BDA0001705104790000113
Figure BDA0001705104790000114
Figure BDA0001705104790000115
则式(2)可表示为：
F(x)＝k3x2+k2x+k1 (8)
即二次函数模型，则函数F(x)对应的极值点在-k2/2k3处，当x变化时，利用上述2K+1个点的横坐标和灰度值(xk，F(xk))，可建立在最小二乘法下的目标函数：
Figure BDA0001705104790000121
当目标函数有最小值时，令
Figure BDA0001705104790000122
可得矩阵方程组：
Figure BDA0001705104790000123
将用于曲线拟合的2K+1个点横坐标和灰度值(xk，F(xk))代入可以求得k1、k2和k3的取值，从而求得极值点的坐标，即光条中心的亚像素坐标xb，由于纵坐标y不变，得到光条中心亚像素坐标点的坐标为(xb，y)。
步骤207：将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
需要说明的是，分别对各个近似中心点执行步骤206之后可以得到各个近似中心点对应的光条中心亚像素坐标点，之后将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
进一步地，预置角度为四十五度。
需要说明的是，预置角度可以根据需要进行选择，如二十度、三十度、四十度等，其中本实施例中因为采用四个边缘检测模板，因此预置角度优选为四十五度。
实际上还可以使用更多边缘检测模板，如使用八个边缘检测模板，则此时预置角度优选为22.5度。
但是随着模板的增多计算难度和复杂度也会随之增大，四个边缘检测模板已经能够达到很好的效果。
本实施例中进行边缘轮廓提取时，先采用加权中值滤波算法对含有光条的待处理图像进行滤波，可以有效抑制椒盐噪声，保持光条两边较好的细节。
进行边缘检测时，在第一水平边缘检测模板和第一竖直边缘检测模板的基础上增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，通过四个边缘检测模板遍历待处理图像综合计算待处理图像中各个像素点的实际梯度值，减小光条边缘梯度方向不确定性的影响，再选择合适的预置梯度阈值准确提取光条边缘轮廓，提高了提取光条边缘轮廓的准确性。
在进行光条中心亚像素坐标点的曲线拟合前，在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点，可以简化拟合过程，不用考虑相等的纵坐标或者横坐标，只需要采用一维曲线模型进行拟合即可，不需要采用二维曲线模型进行拟合，提高计算速度。
采用高斯曲线拟合法进行曲线拟合，高斯曲线模型与光条分布特征匹配性高，可以提高拟合曲线的相似性，进而提高求得的光条中心亚像素坐标点的准确性，之后将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
综上所述，本实施例中的光条中心提取方法解决了当前的轮廓提取方法难以准确提取光条的边缘轮廓，提取激光光条的中心线的准确性低的技术问题。
以上为本发明实施例提供的一种光条中心提取方法的另一个实施例，以下为本发明实施例提供的一种光条中心提取装置的一个实施例。
请参阅图3，本发明实施例提供了一种光条中心提取装置的一个实施例，包括：
梯度计算单元301，用于将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
边缘检测单元302，用于将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像；
近似中心单元303，用于采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；
拟合中心单元304，用于将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
曲线连接单元305，用于将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
进一步地，还包括：中值滤波单元300；
中值滤波单元300，用于通过加权中值滤波算法对含有光条的待处理图像进行滤波，得到滤波后的待处理图像。
进一步地，拟合中心单元304，具体用于将近似中心点和其对应的拟合点的像素坐标和灰度值通过高斯曲线拟合法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点。
进一步地，近似中心单元303具体包括：
灰度子单元3031，用于采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点；
选点子单元3032，用于分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点。
进一步地，预置角度为四十五度。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的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)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-OnlyMemory)、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，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种光条中心提取方法，其特征在于，包括：
S1：将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
S2：将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像，所述预置梯度阈值是通过最大类间方差法求得的；
S3：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；
S4：将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
S5：将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
2.根据权利要求1所述的一种光条中心提取方法，其特征在于，步骤S1之前还包括：步骤S0；
S0：通过加权中值滤波算法对含有光条的待处理图像进行滤波，得到滤波后的待处理图像。
3.根据权利要求1所述的一种光条中心提取方法，其特征在于，步骤S4具体包括：将近似中心点和其对应的拟合点的像素坐标和灰度值通过高斯曲线拟合法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点。
4.根据权利要求1所述的一种光条中心提取方法，其特征在于，步骤S3具体包括：
S31：采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点；
S32：分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点。
5.根据权利要求1所述的一种光条中心提取方法，其特征在于，预置角度为四十五度。
6.一种光条中心提取装置，其特征在于，包括：
梯度计算单元，用于将第一水平边缘检测模板和第一竖直边缘检测模板增加预置角度得到第二水平边缘检测模板和第二竖直边缘检测模板，分别使用四个边缘检测模板遍历待处理图像计算待处理图像中各个像素点的候选梯度值，各个像素点选择其对应的四个候选梯度值中的最大值作为实际梯度值；
边缘检测单元，用于将实际梯度值小于预置梯度阈值的像素点的灰度值清零，将实际梯度值大于或等于预置梯度阈值的像素点的灰度值设为255，得到边缘检测后的图像，所述预置梯度阈值是通过最大类间方差法求得的；
近似中心单元，用于采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点，分别在各个近似中心点的邻域内选取预置数量的拟合点；
拟合中心单元，用于将近似中心点和其对应的拟合点的像素坐标和灰度值通过曲线拟合算法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点；
曲线连接单元，用于将各个光条中心亚像素坐标点以平滑曲线连接得到光条中心曲线。
7.根据权利要求6所述的一种光条中心提取装置，其特征在于，还包括：中值滤波单元；
中值滤波单元，用于通过加权中值滤波算法对含有光条的待处理图像进行滤波，得到滤波后的待处理图像。
8.根据权利要求6所述的一种光条中心提取装置，其特征在于，拟合中心单元，具体用于将近似中心点和其对应的拟合点的像素坐标和灰度值通过高斯曲线拟合法进行拟合得到灰度变化曲线，以灰度变化曲线的灰度值极大值点作为该近似中心点对应的光条中心亚像素坐标点。
9.根据权利要求6所述的一种光条中心提取装置，其特征在于，近似中心单元具体包括：
灰度子单元，用于采用光条中心提取模板遍历边缘检测后的图像计算每一个像素点新的灰度值，选取每一行的灰度值最大的像素点作为近似中心点；
选点子单元，用于分别在各个近似中心点的左右邻域或上下邻域内选取预置数量的像素点作为拟合点。
10.根据权利要求6所述的一种光条中心提取装置，其特征在于，预置角度为四十五度。
CN201810654432.2A 2018-06-22 2018-06-22 一种光条中心提取方法及装置 Expired - Fee Related CN108921864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810654432.2A CN108921864B (zh) 2018-06-22 2018-06-22 一种光条中心提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810654432.2A CN108921864B (zh) 2018-06-22 2018-06-22 一种光条中心提取方法及装置

Publications (2)

Publication Number Publication Date
CN108921864A CN108921864A (zh) 2018-11-30
CN108921864B true CN108921864B (zh) 2022-02-15

Family

ID=64421902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810654432.2A Expired - Fee Related CN108921864B (zh) 2018-06-22 2018-06-22 一种光条中心提取方法及装置

Country Status (1)

Country Link
CN (1) CN108921864B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110288576B (zh) * 2019-06-20 2022-03-22 河北科技大学 光条中心提取方法、终端设备及存储介质
CN110599539B (zh) * 2019-09-17 2022-05-17 广东奥普特科技股份有限公司 一种结构光条纹图像的条纹中心提取方法
CN111079772B (zh) * 2019-12-18 2024-01-26 深圳科瑞技术股份有限公司 图像边缘提取处理方法、装置及存储介质
CN111476779B (zh) * 2020-04-07 2023-09-12 中国林业科学研究院木材工业研究所 一种锯材表面缺陷位置定位方法及系统
CN112200735A (zh) * 2020-09-18 2021-01-08 安徽理工大学 一种基于火焰图像的温度识别方法以及低浓度瓦斯燃烧系统的控制方法
CN112906095B (zh) * 2020-12-20 2022-04-08 重庆交通大学 基于激光条纹中心追踪的桥梁模态识别方法及其系统
CN113418926B (zh) * 2021-06-02 2022-02-18 南京航空航天大学 基于激光条中心线定位提取算法的轮对踏面损伤检测方法
CN115049654B (zh) * 2022-08-15 2022-12-06 成都唐源电气股份有限公司 一种钢轨反光光条的提取方法
CN116664613B (zh) * 2023-07-24 2023-10-31 合肥埃科光电科技股份有限公司 一种基于fpga的像素边缘位置检测方法、系统及存储介质
CN117237434B (zh) * 2023-11-15 2024-02-09 太原理工大学 一种h型钢尺寸测量方法及装置
CN117906633B (zh) * 2024-03-19 2024-05-28 水利部交通运输部国家能源局南京水利科学研究院 一种适用于升船机试验的非接触式船舶运动和位移监测装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160682A (zh) * 2015-09-11 2015-12-16 四川华雁信息产业股份有限公司 图像边缘检测方法及装置
CN105931232A (zh) * 2016-04-18 2016-09-07 南京航空航天大学 结构光光条中心高精度亚像素提取方法
CN107203973A (zh) * 2016-09-18 2017-09-26 江苏科技大学 一种三维激光扫描系统中线激光中心的亚像素定位方法
CN107464245A (zh) * 2017-06-29 2017-12-12 北京捷通华声科技股份有限公司 一种图像结构边缘的定位方法及装置
CN108256374A (zh) * 2016-12-28 2018-07-06 福建新大陆自动识别技术有限公司 一种Maxicode条码的快速定位方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8064675B2 (en) * 2008-01-30 2011-11-22 Carestream Health, Inc. Computer-aided tubing detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160682A (zh) * 2015-09-11 2015-12-16 四川华雁信息产业股份有限公司 图像边缘检测方法及装置
CN105931232A (zh) * 2016-04-18 2016-09-07 南京航空航天大学 结构光光条中心高精度亚像素提取方法
CN107203973A (zh) * 2016-09-18 2017-09-26 江苏科技大学 一种三维激光扫描系统中线激光中心的亚像素定位方法
CN108256374A (zh) * 2016-12-28 2018-07-06 福建新大陆自动识别技术有限公司 一种Maxicode条码的快速定位方法和系统
CN107464245A (zh) * 2017-06-29 2017-12-12 北京捷通华声科技股份有限公司 一种图像结构边缘的定位方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Canny算子的图像边缘检测方法改进研究;冯永亮;《计算机与数字工程》;20161231;第44卷(第8期);第1567-1570页 *

Also Published As

Publication number Publication date
CN108921864A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921864B (zh) 一种光条中心提取方法及装置
CN110866924B (zh) 一种线结构光中心线提取方法及存储介质
CN108629775B (zh) 一种热态高速线材表面图像处理方法
CN113077467B (zh) 一种目标物体的边缘缺陷检测方法及装置、存储介质
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN109190628A (zh) 一种基于机器视觉的板材镰刀弯检测方法
CN108470354A (zh) 视频目标跟踪方法、装置和实现装置
CN111412842B (zh) 墙面的截面尺寸的测量方法及装置、系统
CN115330958B (zh) 基于激光雷达的实时三维重建方法及装置
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN110544233B (zh) 基于人脸识别应用的深度图像质量评价方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN109640066B (zh) 高精度稠密深度图像的生成方法和装置
CN109190434B (zh) 一种基于亚像素级角点检测的条码识别算法
US20180268522A1 (en) Electronic device with an upscaling processor and associated method
Flesia et al. Sub-pixel straight lines detection for measuring through machine vision
CN111476812A (zh) 地图分割方法、装置、位姿估计方法和设备终端
CN112085675A (zh) 深度图像去噪方法、前景分割方法及人体运动监测方法
CN112669379A (zh) 一种基于辅助标记点的图像特征快速提取方法
CN116681753A (zh) 基于空间灰度重心推进的线结构光中心提取方法及系统
CN111523341B (zh) 二维码图像的二值化方法及设备
CN114332079A (zh) 基于图像处理的塑料餐盒裂缝检测方法、装置及介质
CN108921170A (zh) 一种有效的图像噪声检测和去噪方法及系统
CN111311497A (zh) 一种条形码图像角度校正方法和装置
CN114155236A (zh) 一种适用于动态测量环境的激光条纹中心线提取方法

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

Granted publication date: 20220215

CF01 Termination of patent right due to non-payment of annual fee