CN109242916B - 一种基于回归算法自动标定图像的方法 - Google Patents

一种基于回归算法自动标定图像的方法 Download PDF

Info

Publication number
CN109242916B
CN109242916B CN201811187482.0A CN201811187482A CN109242916B CN 109242916 B CN109242916 B CN 109242916B CN 201811187482 A CN201811187482 A CN 201811187482A CN 109242916 B CN109242916 B CN 109242916B
Authority
CN
China
Prior art keywords
value
ratio
actual physical
physical length
height
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.)
Active
Application number
CN201811187482.0A
Other languages
English (en)
Other versions
CN109242916A (zh
Inventor
周勇
熊联军
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.)
Kunshan Boze Intelligent Technology Co ltd
Original Assignee
Kunshan Boze Intelligent Technology Co ltd
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 Kunshan Boze Intelligent Technology Co ltd filed Critical Kunshan Boze Intelligent Technology Co ltd
Priority to CN201811187482.0A priority Critical patent/CN109242916B/zh
Publication of CN109242916A publication Critical patent/CN109242916A/zh
Application granted granted Critical
Publication of CN109242916B publication Critical patent/CN109242916B/zh
Active 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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于回归算法自动标定图像的方法，包括采集若干样本数据，每个样本数据包括相机高度值、光源高度值以及像素灰度值与实际物理长度的比率值；以相机高度和光源高度作为自变量，以像素灰度值与实际物理长度的比率作为因变量，构建回归方程；将样本数据带入回归方程，求解出回归方程的回归系数和常数项；在测量时，将当前相机高度值和光源高度值带入回归方程，得到当前像素灰度值与实际物理长度的比率值ratio；利用当前像素灰度值与实际物理长度的比率值ratio，计算当前图像中物体的实际物理长度。本发明通过样本数据构建回归方程，利用回归方程可直接获取当前像素灰度值与实际物理长度的比率值，不需要查找配置列表。

Description

一种基于回归算法自动标定图像的方法
技术领域
本发明涉及一种基于回归算法自动标定图像的方法，属于图像处理技术领域。
背景技术
铸造完成的铸件物体需要取图分析，在分析后需要根据图像获取铸件物体的实际物理长度，但是由于每次拍摄时，平板相机和x射线光源的高度位置不同，所以每次采集的图像，每个像素灰度值对应到实际物理长度是不同的。因此需要逐点进行标定，即分别在平板相机和x射线光源不同的高度，计算获取当前像素灰度值与实际物理长度的比率，并将比率写到配置列表中，在实际测量中，根据当前平板相机和x射线光的高度在配置列表中找出最接近的那组值，进行计算。此操作步骤繁琐，检索列表时耗时长且容易出错。
发明内容
本发明提供了一种基于回归算法自动标定图像的方法，解决传统方法耗时长且容易出错的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种基于回归算法自动标定图像的方法，包括以下步骤，
采集若干样本数据，每个样本数据包括相机高度值、光源高度值以及像素灰度值与实际物理长度的比率值；
以相机高度和光源高度作为自变量，以像素灰度值与实际物理长度的比率作为因变量，构建回归方程；
将样本数据带入回归方程，求解出回归方程的回归系数和常数项；
在测量时，将当前相机高度值和光源高度值带入回归方程，得到当前像素灰度值与实际物理长度的比率值ratio；
利用当前像素灰度值与实际物理长度的比率值ratio，计算当前图像中物体的实际物理长度。
构建的回归方程为三元一次回归方程。
回归方程为，
Y＝a+b1X1+b2X2
其中，Y为因变量，即像素灰度值与实际物理长度的比率，X1和X2为自变量，分别为相机高度和光源高度，a为常数项，b1和b2为回归系数。
回归系数的计算公式为，
b1∑X1 2+b2∑X1X2＝∑X1Y；
b1∑X1X2+b2∑X2 2＝∑X2Y；
其中，
Figure BDA0001826618590000021
Figure BDA0001826618590000022
Figure BDA0001826618590000023
Figure BDA0001826618590000024
Figure BDA0001826618590000025
x1为相机高度值；
Figure BDA0001826618590000026
为样本数据中所有相机高度值的平均值；x2为光源高度值；
Figure BDA0001826618590000027
为样本数据中所有光源高度值的平均值；y为像素灰度值与实际物理长度的比率值，
Figure BDA0001826618590000028
为样本数据中所有像素灰度值与实际物理长度的比率值的平均值。
常数项的计算公式为
Figure BDA0001826618590000031
最少采集20组样本数据。
本发明所达到的有益效果：本发明通过样本数据构建回归方程，利用回归方程可直接获取当前像素灰度值与实际物理长度的比率值，不需要查找配置列表，效率高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于回归算法自动标定图像的方法，包括以下步骤：
步骤1，采集若干样本数据。
每个样本数据包括相机高度值、光源高度值以及像素灰度值与实际物理长度的比率值；一般最少采集20组样本数据，当然采集的样本数据越多，后续计算越精确。
步骤2，以相机高度和光源高度作为自变量，以像素灰度值与实际物理长度的比率作为因变量，构建回归方程。
通过对样本数据进行分析后发现，相机高度、光源高度以及像素灰度值与实际物理长度的比率具有强相关性，拟合效果好，并且呈现三元一次的函数关系，因此构建的回归方程为三元一次回归方程，具体公式如下：
Y＝a+b1X1+b2X2
其中，Y为因变量，即像素灰度值与实际物理长度的比率，X1和X2为自变量，分别为相机高度和光源高度，a为常数项，b1和b2为回归系数。
步骤3，将样本数据带入回归方程，求解出回归方程的回归系数和常数项。
回归系数的计算公式为：
b1∑X1 2+b2∑X1X2＝∑X1Y；
b1∑X1X2+b2∑X2 2＝∑X2Y；
其中，
Figure BDA0001826618590000041
Figure BDA0001826618590000042
Figure BDA0001826618590000043
Figure BDA0001826618590000044
Figure BDA0001826618590000045
x1为相机高度值；
Figure BDA0001826618590000046
为样本数据中所有相机高度值的平均值；x2为光源高度值；
Figure BDA0001826618590000047
为样本数据中所有光源高度值的平均值；y为像素灰度值与实际物理长度的比率值，
Figure BDA0001826618590000048
为样本数据中所有像素灰度值与实际物理长度的比率值的平均值。
常数项的计算公式为
Figure BDA0001826618590000049
步骤4，在测量时，将当前相机高度值和光源高度值带入回归方程，得到当前像素灰度值与实际物理长度的比率值ratio。
步骤5，利用当前像素灰度值与实际物理长度的比率值ratio，计算当前图像中物体的实际物理长度。
上述方法通过样本数据构建回归方程，利用回归方程可直接获取当前像素灰度值与实际物理长度的比率值，不需要查找配置列表，效率高。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (3)

1.一种基于回归算法自动标定图像的方法，其特征在于：包括以下步骤，
采集若干样本数据，每个样本数据包括相机高度值、光源高度值以及像素灰度值与实际物理长度的比率值；
以相机高度和光源高度作为自变量，以像素灰度值与实际物理长度的比率作为因变量，构建回归方程，其中，回归方程为三元一次回归方程，
Y＝a+b1X1+b2X2
其中，Y为因变量，即像素灰度值与实际物理长度的比率，X1和X2为自变量，分别为相机高度和光源高度，a为常数项，b1和b2为回归系数，
回归系数的计算公式为，
b1∑X1 2+b2∑X1X2＝∑X1Y；
b1∑X1X2+b2∑X2 2＝∑X2Y；
其中，
Figure FDA0003219967620000011
Figure FDA0003219967620000012
Figure FDA0003219967620000013
Figure FDA0003219967620000014
Figure FDA0003219967620000015
x1为相机高度值；
Figure FDA0003219967620000016
为样本数据中所有相机高度值的平均值；x2为光源高度值；
Figure FDA0003219967620000017
为样本数据中所有光源高度值的平均值；y为像素灰度值与实际物理长度的比率值，
Figure FDA0003219967620000018
为样本数据中所有像素灰度值与实际物理长度的比率值的平均值；
将样本数据带入回归方程，求解出回归方程的回归系数和常数项；
在测量时，将当前相机高度值和光源高度值带入回归方程，得到当前像素灰度值与实际物理长度的比率值ratio；
利用当前像素灰度值与实际物理长度的比率值ratio，计算当前图像中物体的实际物理长度。
2.根据权利要求1所述的一种基于回归算法自动标定图像的方法，其特征在于：常数项的计算公式为
Figure FDA0003219967620000021
3.根据权利要求1所述的一种基于回归算法自动标定图像的方法，其特征在于：最少采集20组样本数据。
CN201811187482.0A 2018-10-12 2018-10-12 一种基于回归算法自动标定图像的方法 Active CN109242916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811187482.0A CN109242916B (zh) 2018-10-12 2018-10-12 一种基于回归算法自动标定图像的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811187482.0A CN109242916B (zh) 2018-10-12 2018-10-12 一种基于回归算法自动标定图像的方法

Publications (2)

Publication Number Publication Date
CN109242916A CN109242916A (zh) 2019-01-18
CN109242916B true CN109242916B (zh) 2022-01-07

Family

ID=65052356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811187482.0A Active CN109242916B (zh) 2018-10-12 2018-10-12 一种基于回归算法自动标定图像的方法

Country Status (1)

Country Link
CN (1) CN109242916B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107063424A (zh) * 2017-04-30 2017-08-18 南京理工大学 基于多元线性回归模型的皮带秤主要误差因素分析的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650774A (zh) * 2016-10-11 2017-05-10 国云科技股份有限公司 一种数据分析中获取因变量与自变量回归关系的方法
CN108184122B (zh) * 2018-01-11 2020-11-13 马睿和 基于多元线性回归的图像可逆信息隐藏方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107063424A (zh) * 2017-04-30 2017-08-18 南京理工大学 基于多元线性回归模型的皮带秤主要误差因素分析的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的机械零件自动精密测量;高飞等;《试验技术与试验机》;20060630;第1-4页 *

Also Published As

Publication number Publication date
CN109242916A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN107578390B (zh) 一种使用神经网络进行图像白平衡校正的方法及装置
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN108122236B (zh) 基于距离调制损失的迭代式眼底图像血管分割方法
CN105261013B (zh) 一种扫描图像质量综合评价方法及评价系统
CN108550159B (zh) 一种基于图像三色分割的烟气浓度标识方法
CN101049011A (zh) 镜头滑移校正方法和设备
CN107562791B (zh) 一种基于大数据统计的遥感卫星相对辐射定标处理方法
CN104200457A (zh) 基于广角摄像的离散型冠层叶面积指数检测系统和方法
WO2019010932A1 (zh) 一种利于模糊核估计的图像区域选择方法和系统
CN112465895A (zh) 一种基于计算机视觉的气密性检测中气泡体积计算方法
CN110996096A (zh) 一种基于结构相似性差异度的色调映射图像质量评价方法
CN111145205B (zh) 基于红外图像的多猪只场景下猪体温检测方法
CN114663392A (zh) 一种基于知识蒸馏的工业图像缺陷检测方法
WO2021051382A1 (zh) 白平衡处理方法和设备、可移动平台、相机
CN116228780A (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN109242916B (zh) 一种基于回归算法自动标定图像的方法
CN117541582A (zh) 一种高频变频器igbt绝缘质量检测方法
CN115830514B (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN116051421A (zh) 基于多维度的内窥镜图像质量评价方法、装置、设备及介质
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN114550069B (zh) 一种基于深度学习的仔猪乳头计数方法
CN105389775B (zh) 融合图像灰度特征与结构化表示的图像群组配准方法
CN113888563A (zh) 基于紫外成像的光斑区域分割方法、系统和计算机设备
CN112565637B (zh) 一种单色sCMOS摄像机中低照度下条带噪声的去除方法

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