CN110288576A - 光条中心提取方法、终端设备及存储介质 - Google Patents
光条中心提取方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110288576A CN110288576A CN201910537172.5A CN201910537172A CN110288576A CN 110288576 A CN110288576 A CN 110288576A CN 201910537172 A CN201910537172 A CN 201910537172A CN 110288576 A CN110288576 A CN 110288576A
- Authority
- CN
- China
- Prior art keywords
- striation
- optical losses
- test
- gradation value
- preset model
- 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
- G06T7/0002—Inspection of images, e.g. flaw 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于数字图像处理技术领域,提供了一种光条中心提取方法、终端设备及存储介质,其中,上述方法包括:获取包含光条的原始图像;提取所述原始图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定光条中心初始坐标;根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量;根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标。本申请实施例提供的光条中心提取方法、终端设备及存储介质,能够在提高检测精度的同时,缩短检测时间,解决了目前在提取光条中心坐标时存在的检测效率和检测精度无法兼顾的问题。
Description
技术领域
本申请属于数字图像处理技术领域,尤其涉及一种光条中心提取方法、终端设备及存储介质。
背景技术
在使用光传感器,例如线结构光传感器进行测量和检测时,需要准确提取光传感器对应的光条的中心坐标。但实际应用中,光条图像质量会随被测对象面型、材质及所处环境的不同而改变,给光条中心坐标的提取带来困难。目前,在提取光条中心坐标方面,存在检测效率和检测精度无法兼顾的问题,在一定程度上阻碍了数字图像的实时精确测量。
发明内容
有鉴于此,本申请实施例提供了一种光条中心提取方法、终端设备及存储介质,以解决目前在提取光条中心坐标时存在的检测效率和检测精度无法兼顾的问题。
根据第一方面,本申请实施例提供了一种光条中心提取方法,包括:获取包含光条的原始图像;提取所述原始图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定光条中心初始坐标;根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量;根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标。
结合第一方面,在本申请的一些实施例中,在所述根据预设的模型计算所述原始图像中所述光条中心初始坐标的偏移量之前,所述光条中心提取方法还包括:获取所述预设模型。
结合第一方面,在本申请的一些实施例中,所述获取所述预设模型,包括:为所述预设模型的各个参数设置初始值;获取用于训练所述预设模型的样本;每个所述样本的输入包括任一测试光条每个截面区域像素的灰度值,每个所述样本的输出包括相应测试光条对应的光条中心实际坐标;根据所述样本对所述预设模型进行训练,直至训练后预设模型的输出误差小于预设的误差阈值,或者,直至训练次数达到预设的最大训练次数;保存训练结束时对应的预设模型。
结合第一方面,在本申请的一些实施例中,所述获取用于训练所述预设模型的样本,包括:提取包括任一测试光条的测试图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定所述任一测试光条对应的光条中心初始坐标;将所述任一测试光条每个截面区域像素的灰度值,作为所述任一测试光条对应的样本的输入;根据Steger算法提取所述任一测试光条对应的光条中心实际坐标;将所述任一测试光条对应的光条中心实际坐标,作为所述任一测试光条对应的样本的输出。
结合第一方面,在本申请的一些实施例中,在所述根据Steger算法提取所述任一测试光条对应的光条中心实际坐标之后,所述获取用于训练所述预设模型的样本,还包括:根据移动最小二乘算法对根据Steger算法提取得到的所述任一测试光条对应的光条中心实际坐标进行优化;相应的,所述将所述任一测试光条对应的光条中心实际坐标作为所述任一测试光条对应的样本的输出为:将优化后的所述任一测试光条对应的光条中心实际坐标,作为所述任一测试光条对应的样本的输出。
结合第一方面,在本申请的一些实施例中,所述样本的输入还包括包含相应测试光条的测试图像;在所述获取用于训练所述预设模型的样本之后,以及所述根据所述样本对所述预设模型进行训练之前,所述获取所述预设模型还包括:根据所述测试图像中每行的最大灰度值和每行的最小灰度值,对所述测试图像进行初始化;或者,根据所述测试图像中每列的最大灰度值和每列的最小灰度值,对所述测试图像进行初始化。
结合第一方面,在本申请的一些实施例中,其特征在于,所述预设模型为BP神经网络模型。
根据第二方面,本申请实施例提供了一种终端设备,包括:输入单元,用于获取包含光条的原始图像,并提取所述原始图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定光条中心初始坐标;计算单元,用于根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量,并根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标。
根据第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述方法的步骤。
本申请实施例提供的光条中心提取方法,利用提前训练好的预设模型计算原始图像的光条中心,由于避免了在每次计算光条中心之前均对模型进行训练,能够在保证提取精度的同时,大幅减小运算量,从而提高对光条中心的提取效率。经试验,利用本申请实施例提供的光条中心提取方法提取光条中心的耗时,仅为现有典型算法的0.27%,并且光条中心提取误差的均方根值减少了18%,均值减少了17%,各中心点到拟合直线的最大偏差减少了48%。可见,本申请实施例提供的光条中心提取方法能够在提高检测精度的同时,缩短检测时间,解决了目前在提取光条中心坐标时存在的检测效率和检测精度无法兼顾的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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他的附图。
图1是本申请实施例提供的光条中心提取方法的一个具体示例的流程图;
图2是本申请实施例提供的光条中心提取方法的另一个具体示例的流程图;
图3是本申请实施例提供的光条中心提取方法的第三个具体示例的流程图;
图4是对不同曝光质量的光条进行光条中心提取的结果;
图5是本申请实施例提供的终端设备的一个具体示例的结构示意图;
图6是本申请实施例提供的终端设备的另一个具体示例的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
本申请实施例提供了一种光条中心提取方法,如图1所示,该光条中心提取方法可以包括以下步骤:
步骤S101:获取包含光条的原始图像。在实际应用中,可以采用激光三角原理固定激光器和相机位置并启动激光器和相机,调整激光亮度和相机参数,从而得到一幅清晰的光条图像,将该光条图像作为原始图像,通过后续步骤的处理,可以精确提取上述激光器所输出的激光对应的光条中心。
步骤S102:提取原始图像中每行的最大灰度值或每列的最大灰度值,根据最大灰度值确定光条中心初始坐标。
在一具体实施方式中,可以按列寻找每个光条截面的最大灰度值点Vq,其对应坐标即为光条中心初始坐标(Umax q,Vmax q)。
在另一具体实施方式中,可以按行寻找每个光条截面的最大灰度值点V’q,其对应坐标即为光条中心初始坐标(U’max q,V’max q)。
步骤S103:根据预设模型计算原始图像中光条中心初始坐标的偏移量。
在实际应用中,可以向训练完成的预设模型输入原始图像,从而利用预设模型计算得到原始图像中光条中心初始坐标的偏移量。或者,向训练完成的预设模型输入原始图像以及原始图像中光条中心初始坐标,从而利用预设模型计算得到原始图像中光条中心初始坐标的偏移量。
在一具体实施方式中,为了滤除原始图像中的无关背景以及噪声,可以提取的原始图像中的目标,即光条区域。具体的,可以利用5×5像素的窗口选取光条区域,并对光条区域进行中值滤波处理,最后,将经中值滤波后的光条区域输入训练完成的预设模型,从而计算得到原始图像中光条中心初始坐标的偏移量。
当通过5×5像素的窗口选取原始图像中的光条截面区域时,可以以步骤S102计算得到的光条截面中心初始坐标(Umax q,Vmax q)或(U’max q,V’max q)为参考点,从原始图像中选取第Umax q-5行至第Umax q+5行的区域作为光条区域,或者从原始图像中选取第U’max q-5列至第U’max q+5列的区域作为光条截面区域。
步骤S104:根据偏移量和光条中心初始坐标计算原始图像中光条中心实际坐标。根据光条中心初始坐标和相对于光条中心初始坐标的偏移量大小,得到每列光条截面的光条中心实际坐标,或者得到每行光条截面的光条中心实际坐标,从而实现图像中光条中心的提取。
可选的,可以在实际应用中提前获取预设模型,从而在计算原始图像中光条中心实际坐标之前,提前训练好预设模型。在一具体实施方式中,可以选用BP神经网络模型作为预设模型。BP神经网络模型等计算模型的训练过程相对缓慢,但在本申请实施例中,只需要选取样本对BP神经网络模型等计算模型进行一次训练过程即可,训练得到的参数权值保存后,可以直接用于原始图像中光条中心实际坐标的计算,有利于减小运算量,增大中心坐标的提取效率。
具体的,如图2所示,可以在步骤S103根据预设模型计算原始图像中光条中心初始坐标的偏移量之前,增设以下步骤:
步骤S105:获取预设模型。
在一具体实施方式中,如图3所示,可以通过以下几个子步骤实现步骤S105的过程:
步骤S1051:为预设模型的各个参数设置初始值。
步骤S1052:获取用于训练预设模型的样本。每个样本的输入包括任一测试光条对应的光条每个截面区域像素的灰度值,每个样本的输出包括相应测试光条对应的光条中心实际坐标。其中,每个样本的输出,即相应测试光条对应的光条中心实际坐标,可以作为利用该样本训练预设模型时对应的理想输出。
具体的,可以通过提取包括任一测试光条的测试图像中每行的最大灰度值或每列的最大灰度值,并根据最大灰度值确定该测试光条对应的光条中心初始坐标;最后,根据该测试光条对应的光条每个截面中心初始坐标,确定每个截面区域所对应的像素坐标,并将每个像素的灰度值作为该测试光条截面的样本的输入。例如,可以按列寻找该测试光条中每个光条截面的最大灰度值点Vq,其对应坐标即为该测试光条的光条中心初始坐标(Umax q,Vmax q);或者,按行寻找该测试光条中每个光条截面的最大灰度值点V’q,其对应坐标即为该测试光条的光条中心初始坐标(U’max q,V’max q)。
进一步的,可以根据Steger算法提取该测试光条对应的光条中心实际坐标,并将该测试光条对应的光条中心实际坐标。
Steger法是目前应用最广泛的光条中心提取方法,其根据Hessian矩阵计算得到光条中心的法向量,进而根据泰勒展开得到亚像素中心坐标。
可选的,为了进一步提高各个样本对应的输出的精度,从而提高预设模型的训练效果,还可以在据Steger算法提取该测试光条对应的光条中心实际坐标后,根据移动最小二乘算法对根据Steger算法提取得到的测试光条对应的光条中心实际坐标进行优化,并且将优化后的该测试光条对应的光条中心实际坐标,作为该测试光条对应的样本的输出。
步骤S1053:根据样本对预设模型进行训练。
步骤S1054:计算本次训练后预设模型的输出误差,并统计本次训练后的训练次数。
在一具体实施方式中,可以通过公式(1)计算预设模型的输出误差:
其中,为预设模型的输出误差,即预设模型的实际输出与理想输出之间误差的均方根值;为预设模型检测光条第q个截面时的实际输出,为预设模型第q个截面的理想输出;U为光条截面的总个数。
步骤S1055:判断本次训练后预设模型的输出误差是否小于预设的误差阈值。当本次训练后预设模型的输出误差小于预设的误差阈值时,执行步骤S1057;当本次训练后预设模型的输出误差大于或等于预设的误差阈值时,执行步骤S1056。
步骤S1056:判断本次训练后的训练次数是否达到预设的最大训练次数。当本次训练后的训练次数达到预设的最大训练次数时,执行步骤S1057;当本次训练后的训练次数未达到预设的最大训练次数时,返回步骤S1053,从而更换样本并重新对预设模型进行训练。
步骤S1057:结束对预设模型的训练并保存训练结束时对应的预设模型。
作为例子,当选用BP神经网络模型作为预设模型时,可以分步求取隐含层、输出层神经元的输入、输出。BP神经网络模型中输入层的激励函数为fa(x)=x,其输出向量与训练样本相等,即A=X。BP神经网络模型中隐含层神经元的输入为B'=WA,W为输入层到隐含层间的权值;隐含层神经元的输出为B=1/(1+exp(-B')),隐含层激励函数采用Sigmoid函数。BP神经网络模型中输出层神经元的输入为Vq'=GB,G为隐含层到输出层间的权值;输出层神经元的输出为Vq=1/(1+exp(-Vq')),输出层激励函数采用Sigmoid函数。
当使用某一样本对BP神经网络模型进行训练后,预设模型的输出误差大于或等于预设的误差阈值,且训练次数未达到预设的最大训练次数,则可以根据负梯度下降法反向调整BP神经网络模型中各个参数的权值,其步骤如下:
a)调整隐含层到输出层间的权值:
其中η为学习效率因子,且η∈[0,1];
b)调整输入层到隐含层间的权值
其中η为学习效率因子,且η∈[0,1];
c)各层间调整后的权值
在本次训练完成后,可以检验均方根误差和训练次数。当均方根误差小于给定误差值或者训练次数已经达到最大训练次数时,停止训练,导出当前BP神经网络模型中各个参数的权值,并保存当前BP神经网络模型。在需要提取某一原始图像中光条中心坐标时,可以使用保存的BP神经网络模型进行计算。
为了进一步提高训练的可靠性,还可以在样本的输入中增加包含相应测试光条的测试图像,并在步骤S1053根据样本对预设模型进行训练之前,增设以下步骤:
步骤S1058:根据测试图像中每行的最大灰度值和每行的最小灰度值,对所述测试图像进行初始化。
或者增设步骤S1058’:根据测试图像中每列的最大灰度值和每列的最小灰度值,对测试图像进行初始化。
具体的,可以根据公式(2)对样本中的测试图像进行初始化:
X’i=(Xi-Xmin i)/(Xmax i-Xmin i) (2)
其中,X’i为初始化处理后得到的每行或每列的灰度值;Xi为初始化处理前每行或每列的灰度值;Xmax i为测试图像中每行的最大灰度值,Xmin i为测试图像中每行的最小灰度值;或者,Xmax i为测试图像中每列的最大灰度值,Xmin i为测试图像中每列的最小灰度值。
为验证本申请实施例提供的光条中心提取方法的有益效果,作为例子,选用深圳PointVision公司生产的陶瓷标定靶标的背面作为参考平面,其平面度可达5μm。移动陶瓷靶标,使激光平面与陶瓷表面相交于三个不同的位置,得到三条线结构光直线光条。不同直线光条间分别运用Steger算法和本申请实施例提供的光条中心提取方法提取光条中心,对应的精度测量结果如表1所示。
表1不同方法下光条中心提取精度比较(pixel)
与Steger算法相比,本申请实施例提供的光条中心提取方法对于光条中心提取误差的均方根值减少了18%,均值减少了17%,各中心点到拟合直线的最大偏差减少了48%,表明本申请实施例提供的光条中心提取方法具有良好的测量精度。
选取相机分别拍摄三张大小为1280×960pixels的不同形状的光条图像,分别运用Steger算法和本申请实施例提供的光条中心提取方法进行中心提取,所耗时间如表2所示。本申请实施例提供的光条中心提取方法所用时间仅为Steger算法的0.27%,表明本申请实施例提供的光条中心提取方法计算效率较高,满足光条中心实时提取要求。
表2不同方法下光条中心提取所需时间比较(s)
方法 | 图1 | 图2 | 图3 |
Steger | 15.2944 | 15.0972 | 15.1043 |
本申请实施例 | 0.0397 | 0.0408 | 0.0402 |
在实际测量中,光条形状较为复杂,光条上各处质量也各不相同,存在欠曝光或过曝光现象。对不同曝光质量的光条(a)、光条(b)和光条(c),分别采用Steger算法和本申请实施例提供的光条中心提取方法进行中心提取。其中,光条(a)存在欠曝光缺陷,光条(b)是曝光较为理想的光条图像,光条(c)存在过曝光缺陷。不同曝光质量的光条(a)、光条(b)和光条(c)对应的中心提取结果的局部放大图,如图4所示。图4中,圆点表示采用Steger算法提取的光条中心,方框表示采用本申请实施例提供的光条中心提取方法提取的光条中心。
可以看出当光条处于欠曝光状态时,Steger算法对于光条中心的提取效果较差,造成很多有用信息的丢失;当光条处于较为理想状态时,Steger算法对于光条中心的提取效果较好;当光条处于过曝光状态时,Steger算法对于光条中心提取的截面出现多个中心点,难以确定实际光条中心点的准确位置。可见,Steger算法对于光条中心的提取受曝光时间影响较大。而本申请实施例提供的光条中心提取方法对于光条中心的提取,在任何曝光时间下,都能够精确的提取光条中心,提取结果连续光滑,避免了有效信息的丢失以及冗余中心点的问题,适用性强。
本申请实施例提供的光条中心提取方法,利用提前训练好的预设模型计算原始图像的光条中心,由于避免了在每次计算光条中心之前均对模型进行训练,能够在保证提取精度的同时,大幅减小运算量,从而提高对光条中心的提取效率。经试验,利用本申请实施例提供的光条中心提取方法提取光条中心的耗时,仅为现有典型算法的0.27%,并且光条中心提取误差的均方根值减少了18%,均值减少了17%,各中心点到拟合直线的最大偏差减少了48%。可见,本申请实施例提供的光条中心提取方法能够在提高检测精度的同时,缩短检测时间,解决了目前在提取光条中心坐标时存在的检测效率和检测精度无法兼顾的问题。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备,如图5所示,该终端设备可以包括:输入单元501和计算单元502。
其中,输入单元501用于获取包含光条的原始图像,并提取原始图像中每行的最大灰度值或每列的最大灰度值,根据最大灰度值确定光条中心初始坐标;其对应的工作过程可参见上述方法实施例中步骤S102至步骤S102所示。
计算单元502用于根据预设模型计算原始图像中光条中心初始坐标的偏移量,并根据偏移量和光条中心初始坐标计算原始图像中光条中心实际坐标;其对应的工作过程可参见上述方法实施例中步骤S103至步骤S104所示。
可选的,输入单元501还可以用于获取预设模型,其对应的工作过程可参见上述方法实施例中步骤S105所示。
图6是本申请一实施例提供的另一终端设备的示意图。如图6所示,该实施例的终端设备600包括:处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603,例如光条中心提取程序。所述处理器601执行所述计算机程序603时实现上述各个光条中心提取方法实施例中的步骤,例如图1所示的步骤S101至步骤S104。或者,所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能,例如图5所示输入单元501和计算单元502的功能。
所述计算机程序603可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器602中,并由所述处理器601执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述终端设备600中的执行过程。例如,所述计算机程序603可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)。
所述终端设备600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器601、存储器602。本领域技术人员可以理解,图6仅仅是终端设备600的示例,并不构成对终端设备600的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述终端设备600的内部存储单元,例如终端设备600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备,例如所述终端设备600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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,在本申请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。
所述集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种光条中心提取方法,其特征在于,包括:
获取包含光条的原始图像;
提取所述原始图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定光条中心初始坐标;
根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量;
根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标。
2.如权利要求1所述的光条中心提取方法,其特征在于,在所述根据预设的模型计算所述原始图像中所述光条中心初始坐标的偏移量之前,所述光条中心提取方法还包括:
获取所述预设模型。
3.如权利要求2所述的光条中心提取方法,其特征在于,所述获取所述预设模型,包括:
为所述预设模型的各个参数设置初始值;
获取用于训练所述预设模型的样本;每个所述样本的输入包括任一测试光条中每个光条截面像素的灰度值,每个所述样本的输出包括相应测试光条对应的光条中心实际坐标;
根据所述样本对所述预设模型进行训练,直至训练后预设模型的输出误差小于预设的误差阈值,或者,直至训练次数达到预设的最大训练次数;
保存训练结束时对应的预设模型。
4.如权利要求3所述的光条中心提取方法,其特征在于,所述获取用于训练所述预设模型的样本,包括:
提取包括任一测试光条的测试图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定所述任一测试光条对应的光条中心初始坐标;
将所述任一测试光条对应的光条中心初始坐标,或者所述任一测试光条中每个光条截面像素的灰度值作为所述任一测试光条对应的样本的输入;
根据Steger算法提取所述任一测试光条对应的光条中心实际坐标;
将所述任一测试光条对应的光条中心实际坐标,作为所述任一测试光条对应的样本的输出。
5.如权利要求4所述的光条中心提取方法,其特征在于,在所述根据Steger算法提取所述任一测试光条对应的光条中心实际坐标之后,所述获取用于训练所述预设模型的样本,还包括:
根据移动最小二乘算法对根据Steger算法提取得到的所述任一测试光条对应的光条中心实际坐标进行优化;
相应的,所述将所述任一测试光条对应的光条中心实际坐标作为所述任一测试光条对应的样本的输出为:
将优化后的所述任一测试光条对应的光条中心实际坐标,作为所述任一测试光条对应的样本的输出。
6.如权利要求3所述的光条中心提取方法,其特征在于,所述样本的输入还包括包含相应测试光条的测试图像;
在所述获取用于训练所述预设模型的样本之后,以及所述根据所述样本对所述预设模型进行训练之前,所述获取所述预设模型还包括:
根据所述测试图像中每行的最大灰度值和每行的最小灰度值,对所述测试图像进行初始化;
或者,根据所述测试图像中每列的最大灰度值和每列的最小灰度值,对所述测试图像进行初始化。
7.如权利要求3至6中任一项所述的光条中心提取方法,其特征在于,所述预设模型为BP神经网络模型。
8.一种终端设备,其特征在于,包括:
输入单元,用于获取包含光条的原始图像,并提取所述原始图像中每行的最大灰度值或每列的最大灰度值,根据所述最大灰度值确定光条中心初始坐标;
计算单元,用于根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量,并根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537172.5A CN110288576B (zh) | 2019-06-20 | 2019-06-20 | 光条中心提取方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537172.5A CN110288576B (zh) | 2019-06-20 | 2019-06-20 | 光条中心提取方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288576A true CN110288576A (zh) | 2019-09-27 |
CN110288576B CN110288576B (zh) | 2022-03-22 |
Family
ID=68004813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910537172.5A Active CN110288576B (zh) | 2019-06-20 | 2019-06-20 | 光条中心提取方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288576B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991202A (zh) * | 2021-03-01 | 2021-06-18 | 歌尔科技有限公司 | 光心位置的校准方法、终端设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108564621A (zh) * | 2018-04-28 | 2018-09-21 | 中国科学院电子学研究所 | 用于车辙检测的结构光光条中心提取方法及装置 |
CN108921864A (zh) * | 2018-06-22 | 2018-11-30 | 广东工业大学 | 一种光条中心提取方法及装置 |
CN109389639A (zh) * | 2018-07-16 | 2019-02-26 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 动态行车环境下钢轨轮廓激光条纹中心提取方法及装置 |
-
2019
- 2019-06-20 CN CN201910537172.5A patent/CN110288576B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108564621A (zh) * | 2018-04-28 | 2018-09-21 | 中国科学院电子学研究所 | 用于车辙检测的结构光光条中心提取方法及装置 |
CN108921864A (zh) * | 2018-06-22 | 2018-11-30 | 广东工业大学 | 一种光条中心提取方法及装置 |
CN109389639A (zh) * | 2018-07-16 | 2019-02-26 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 动态行车环境下钢轨轮廓激光条纹中心提取方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991202A (zh) * | 2021-03-01 | 2021-06-18 | 歌尔科技有限公司 | 光心位置的校准方法、终端设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110288576B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764048B (zh) | 人脸关键点检测方法及装置 | |
WO2021082635A1 (zh) | 一种关注区域检测方法、装置、可读存储介质及终端设备 | |
US8254723B2 (en) | System and method for extracting boundary elements of an object | |
CN111882579A (zh) | 基于深度学习和目标跟踪的大输液异物检测方法、系统、介质及设备 | |
CN110675487A (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
CN109272546B (zh) | 一种鱼苗长度测量方法及系统 | |
CN109272016A (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN109348731A (zh) | 一种图像匹配的方法及装置 | |
CN107895377A (zh) | 一种前景目标提取方法、装置、设备及存储介质 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN106548478B (zh) | 基于局部拟合图像的活动轮廓图像分割方法 | |
CN109949306A (zh) | 反射面角度偏差检测方法、终端设备及存储介质 | |
CN107256421B (zh) | 一种稻麦籽粒快速计数方法 | |
CN109816634A (zh) | 检测方法、模型训练方法、装置及设备 | |
CN117333928A (zh) | 一种人脸特征点检测方法、装置、电子设备及存储介质 | |
CN113628170B (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN110288576A (zh) | 光条中心提取方法、终端设备及存储介质 | |
CN116596935B (zh) | 形变检测方法、装置、计算机设备及计算机可读存储介质 | |
CN111281355B (zh) | 一种用于确定脉搏采集位置的方法与设备 | |
CN108549899A (zh) | 一种图像识别方法及装置 | |
CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
CN107958236A (zh) | 人脸识别样本图像的生成方法及终端 | |
CN112329845A (zh) | 更换纸币的方法、装置、终端设备及计算机可读存储介质 |
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 |