CN110470219A - 基于边缘频谱保留的散焦图像测距方法及装置 - Google Patents

基于边缘频谱保留的散焦图像测距方法及装置 Download PDF

Info

Publication number
CN110470219A
CN110470219A CN201910756101.4A CN201910756101A CN110470219A CN 110470219 A CN110470219 A CN 110470219A CN 201910756101 A CN201910756101 A CN 201910756101A CN 110470219 A CN110470219 A CN 110470219A
Authority
CN
China
Prior art keywords
image
measuring method
spectrum
distance measuring
camera
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.)
Pending
Application number
CN201910756101.4A
Other languages
English (en)
Inventor
介邓飞
蒋兴宇
王福杰
周万怀
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.)
Fujian Agriculture and Forestry University
Original Assignee
Fujian Agriculture and Forestry University
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 Fujian Agriculture and Forestry University filed Critical Fujian Agriculture and Forestry University
Priority to CN201910756101.4A priority Critical patent/CN110470219A/zh
Publication of CN110470219A publication Critical patent/CN110470219A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/20024—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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于边缘频谱保留的散焦图像测距方法及装置，包括以下步骤：步骤S1：获取两幅同一弱或无表面纹理样品不同散焦程度的图像；步骤S2：对步骤S1获取的图像进行降噪的预处理并根据边缘分离单个目标样品图像，对单个目标样品图像提取中心及最小矩形包络；步骤S3：通过基于频谱的清晰度评价函数选择表征目标样品图像边缘变化的频谱范围；步骤S4：采用Subbarao散焦测距方法，代入步骤S3选择的频谱范围，计算物距。其能够有效分割弱或无表面纹理特征目标，并高效准确地实现目标物深度计算，从而能够有效提高弱或无表面纹理特征物体的识别定位与自动拾取的自动化水平。

Description

基于边缘频谱保留的散焦图像测距方法及装置
技术领域
本发明涉及机器视觉和图像处理领域，尤其涉及一种基于边缘频谱保留的散焦图像测距方法及装置。
背景技术
鸭蛋作为主要禽蛋之一，主要用于加工生产，是皮蛋、咸蛋以及其他蛋类产品的主要原材料。无论是为了提高鸭蛋鲜蛋销售，还是进行咸蛋、皮蛋等蛋类产品的加工生产，如果要实现规模化、自动化，都必须实现对鸭蛋的识别定位与自动拾取。
通过激光测距等能主动识别定位的方法，主要存在设备装置复杂，成本高的缺陷。而多目视觉与移动视觉测距的方案则存在低精度、高工作环境要求、具有不稳定性等缺点。
在机器视觉领域，考虑散焦图像测距方法可能作为可行的识别定位解决方案之一，但该方法对于弱或无表面纹理特征目标处理能力不佳。
发明内容
本发明针对现有技术存在的缺陷和不足，提出了改进型的边缘频谱散焦图像测距方案，该方案能够有效分割弱或无表面纹理特征目标，并高效准确地实现目标物深度计算，从而能够有效提高弱或无表面纹理特征物体的识别定位与自动拾取的自动化水平。
通过本发明可以利用工业相机获取鸭蛋样本不同散焦程度的图像，对图像进行降噪、分割单个鸭蛋及标记鸭蛋中心的处理，选择鸭蛋边缘频谱范围，并对其图像进行景深估计和位置计算，基于边缘频谱保留的散焦图像测距算法实现鸭蛋空间位置估计。
本发明具体采用以下技术方案：
一种基于边缘频谱保留的散焦图像测距方法，其特征在于，包括以下步骤：
步骤S1：获取两幅同一弱或无表面纹理样品不同散焦程度的图像；
步骤S2：对步骤S1获取的图像进行降噪的预处理并根据边缘分离单个目标样品图像，对单个目标样品图像提取中心及最小矩形包络；
步骤S3：通过基于频谱的清晰度评价函数选择表征目标样品图像边缘变化的频谱范围；
步骤S4：采用Subbarao散焦测距方法，代入步骤S3选择的频谱范围，计算物距。
优选地，在步骤S1实施之前，对相机聚焦成像时的实际物距与像距进行标定：固定相机焦距f，拍摄聚焦图像，标定实际像距S及物距误差（u 0 -u）；在步骤S1中，调节光圈值至F 1 、F 2 ，以获取同一弱或无表面纹理样品散焦程度不同的两幅图像，分别记作I1，I2，对应的相机镜头参数分别为[s1，D1，f1]和[s2，D2，f2]。
优选地，对相机聚焦成像时的实际物距与像距进行标定的具体方法为：
在黑白方格标定板距相机外镜头u 0 位置固定相机，然后调节焦距至f，固定焦距后调节物距大小，拍摄最清晰图像；读取黑白方格标定板上一定的方格数量及对应像素点数，根据公式（1）求解实际物距u与像距s：
（1）；
其中N bw 、N pixel 表示对应的黑白方格数及像素点个数，d bw 、u分别表示单个方格及单个像素点的实际长度。
优选地，在步骤S2中，采用中值滤波法进行降噪的预处理。
优选地，在步骤S2中，采用分水岭算法对多个目标样品图像进行分割。
优选地，在步骤S3中，通过过滤高频噪声并屏蔽低频直流部分，对中间部分的频谱采用傅里叶逆变换，计算表征目标样品图像边缘变化的频谱，两幅不同散焦程度的图像的功率谱分别为P 1 （ω，ν）、P 2 （ω，ν），其中，ω，ν表示空间频率；对应点扩散函数的模糊参数分别为σ 1 、σ 2 。
优选地，在步骤S4中，具体包括以下步骤：
（2）
取自然对数：
（3）
通过求取（ω，ν）的功率谱密度值估计σ 1 2 -σ 2 2 的值，为减小误差，通过以下公式求平均值，即：
（4）
其中，R为步骤S3选取的频谱范围，A为步骤S3选取的频谱范围的面积，C为σ 1 2 -σ 2 2 的平均估计值，即：
（5）
已知：
（6）
其中，
D为相机透镜直径，k为相机单位距离的感光单元数；
可得σ1、σ2的关系表达式:
（7）
其中，
；
联立各式可得:
（8）
求出一元二次方程的解σ 2 后代入式中，求得物距：
（9）。
优选地，所述弱或无表面纹理样品为鸭蛋。
以上方法基于以下测距装置，其特征在于，包括：纯色背景板、升降台、可调节光源、工业相机和上位机；所述纯色背景板的颜色与弱或无表面纹理样品不同，固定在升降台顶部；所述可调节光源设置在纯色背景板的周部；所述工业相机垂直设置于纯色背景板的上方，并连接上位机。
优选地，所述工业相机的型号为德国Baumer TXG50c，最大分辨率为2448×2050，有效像素为500万，传感器件为CMOS，像元尺寸为0.00345mm/pixel，焦距为25mm，焦点为25mm固定，光圈F1.4-F22可调。
本发明及其优选方案具有以下有益效果：
①采用机器视觉技术进行散焦测距，成本低廉，工作效率高；
②经图像预处理和清晰度评价函数的选取，通过过滤高频噪声、屏蔽低频直流部分的频率、傅里叶逆变换，从而对Subbarao散焦测距法进行改进。能够提高散焦测距的效率和精度，有效的降低误差；
③改进了散焦图像测距方法，选取边缘部分的频率段作为清晰度评价函数的作用主体，克服了散焦测距方法在表面弱或无纹理特征的目标的处理中效果不佳的缺陷。
采用本发明方案，采集鸭蛋样品图像，可以有效的获取目标距离与定位，提高鸭蛋拾取工作效率；该测距方法准确率高，可有效的进行鸭蛋测距，并利用于自动拾取设备，进而提高禽蛋行业自动化水平。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1是本发明实施例采用装置结构示意图；
图2是本发明实施例整体流程示意图；
图3是本发明实施例鸭蛋样本清晰图像示意图；
图4是本发明实施例鸭蛋样本清晰图像对应频谱示意图；
图5是本发明实施例鸭蛋样本模糊图像示意图；
图6是本发明实施例鸭蛋样本模糊图像对应频谱示意图；
图7是本发明实施例鸭蛋样本清晰图像选取频谱范围后示意图；
图8是本发明实施例鸭蛋样本清晰图像选取频谱范围后时域图像示意图；
图9是本发明实施例鸭蛋样本模糊图像选取频谱范围后示意图；
图10是本发明实施例鸭蛋样本模糊图像选取频谱范围后时域图像示意图；
图11是本发明实施例整体算法流程示意图；
图中：
1-黑色金属板；2-手动升降台；3-可调节光源；4-工业相机；5-激光测距仪；6-电脑；7-鸭蛋样品。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举基于鸭蛋样品的基于实验室环境的实施例，并配合附图，作详细说明如下：
如图1所示，本实施例采用的弱或无表面纹理样品具体为鸭蛋样品7；
具体装置包括：黑色金属板1、光学用手动升降台2、可调节光源3、工业相机4、作为校验用的激光测距仪5、作为上位机的电脑6；其位置和连接关系是：
在鸭蛋样品7的底部设置有黑色金属板1，黑色金属板1底部设置有光学手动升降台2；在鸭蛋样品7的周围设置有可调节照明装置3；在鸭蛋样品7的顶部有工业相机4和激光测距仪5；工业相机4与电脑6相连接。
上述的各功能部件均为通用件。
其工作机理是：打开电脑6和工业相机4、激光测距仪5，接通可调节照明装置3并使光强适当；利用工业相机4在黑色金属板1拍照进行像距标定，拍摄最清晰图像；控制鸭蛋样品7到相机镜头的距离不变，对于每个鸭蛋样品7，改变镜头参数拍摄两幅散焦程度不同的图像；光学手动升降台2用于调节鸭蛋样品7与工业相机4的距离；激光测距仪5用于检验测距效果。
如图2所示，本实施例提供的方法包括以下步骤：
步骤S1：获取两幅同一弱或无表面纹理样品不同散焦程度的图像；
步骤S2：对步骤S1获取的图像进行降噪的预处理并根据边缘分离单个目标样品图像，对单个目标样品图像提取中心及最小矩形包络；
步骤S3：通过基于频谱的清晰度评价函数选择表征目标样品图像边缘变化的频谱范围；
步骤S4：采用Subbarao散焦测距方法，代入步骤S3选择的频谱范围，计算物距。
在步骤S1中，为获取鸭蛋不同散焦程度的图像，根据图像要求，选择工业相机型号为德国Baumer TXG50c，最大分辨率（dpi）为2448×2050，有效像素500万，传感器件CMOS，像元尺寸为0.00345mm/pixel，焦距为25 mm，焦点为25 mm固定，光圈F1.4-F22可调。采用双向标定法对相机聚焦成像时的实际物距与像距进行标定。为标定试验相机真实物距及像距，本实施例根据相机成像理论设计了一种聚焦成像黑白方格标定方法，即：先在黑白方格标定板距相机外镜头u 0 位置固定相机，然后调节焦距至f，固定焦距后调节物距大小，拍摄最清晰图像。读取标定板上一定的方格数量及对应像素点数，根据公式（1）求解实际物距u与像距s：当焦距f取25 mm，u 0 取200 mm时，N bw =3×3时，对应的N pixel =1570，d bw =15 mm，μ=0.00345 mm；计算可得物距u为232.63 mm，相距s为28.01 mm，本实施例固定以上相机参数，仅改变光圈大小来控制图像模糊程度，用于算法求解与验证。
（1）
其中N bw 、N pixel 表示对应黑白方格数及像素点个数，d bw 、u分别表示单个方格及单个像素点的实际长度。
标定实际像距S及物距误差（u 0 -u）并固定，调节光圈值至F 1 、F 2 ，以获取散焦程度不同的两幅图像，分别记为I1，I2，相机镜头参数分别为[s1，D1，f1]和[s2，D2，f2]。从而获得图3、图5所示的图片。
在步骤S2中，对获取的图像进行降噪、分割单个鸭蛋、提取鸭蛋中心及最小矩形包络。根据图像噪声类型与目标特点，选择中值滤波法进行降噪。中值滤波法对于极小极大噪声和椒盐噪声处理效果良好，且克服一般线性滤波对图像细节的模糊化，可以保护图像的边缘信息。
基于鸭蛋的形态学特征，采用分水岭算法实现分离。利用灰度直方图阈值法对灰度图像进行二值变换，并对原图中各鸭蛋进行分离。对分割后的各区域，进行最小矩形包络，并求出中心，实现单个鸭蛋最大限度提取。
在步骤S3当中，在如图4、图6所示的频谱图的基础上，通过基于频谱的清晰度评价函数实现选择鸭蛋图像边缘变化的频谱范围，通过过滤高频噪声、屏蔽低频直流部分的频率，截取中间差异明显的频率部分，获得如图7、图9所示的频谱图，再采用傅里叶逆变换，得到灵敏度更好的频率区间，进而计算散焦图像对应的频率谱，两幅图像的功率谱分别为P 1 （ω，ν）、P 2 （ω，ν），对应的模糊参数为σ 1 、σ 2 。
由于低频直流部分反应了图像的整体或平均灰度信息，高频部分反应了噪声信息，而次高频频谱区域则代表着图像细节信息。于是为了解决散焦测距理论的区域选择问题以及抑制频谱其他区域的影响，本实施例提高频谱信息对不同模糊图像的灵敏性和可区分性，提升测距精度，通过频谱清晰度评价函数选择鸭蛋图像边缘变化的频谱范围，以解决散焦测距法无法适用弱或无表面纹理特征对象的问题。如图3-图6所示，两幅清晰度不同的鸭蛋照片频谱图显示，次低频部分有明显差异，于是屏蔽低频直流分量和高频噪声分量，截取中间差异明显的频率部分。采用傅里叶逆变换得到原图，本实施例选取范围的频谱图（其中M×N表示截取鸭蛋图像的大小）反映边缘差异的频率分段，对应原图表现的边缘效果最佳，如图7-图10所示。
在步骤S4当中，根据清晰度评价函数效果择优选取Subbarao散焦测距方法，代入已选择的频谱范围，对分割后的鸭蛋图像进行景深估计与位置计算，其具体算法包括：
（2）
取自然对数：
（3）
通过求取（ω，ν）的功率谱密度值估计σ 1 2 -σ 2 2 的值，为减小误差，通过以下公式求平均值，即：
（4）
其中，R为步骤S3选取的频谱范围，A为步骤S3选取的频谱范围的面积，C为σ 1 2 -σ 2 2 的平均估计值，即：
（5）
已知：
（6）
其中，
D为相机透镜直径，k为相机单位距离的感光单元数；
可得σ1、σ2的关系表达式:
（7）
其中，
；
联立各式可得:
（8）
求出一元二次方程的解σ 2 后代入式中，求得物距：
（9）
根据Subbarao散焦测距方法，在计算σ 1 2 -σ 2 2 的平均估计值C的过程中，需要取特定的频率范围来求解，以降低拍摄过程中噪声等因素的影响。直接从图像中提取局部块带入公式求解在具有较强纹理细节的图像位置具有一定效果，当针对鸭蛋这类弱或无表面纹理的目标图像时，这一策略将不再适用。
为解决这一问题，本实施例通过上述的边缘信息保留策略选取最佳频域范围，最终实现鸭蛋目标的有效测距。
在本实施例中，对具有不同特征的鸭蛋，进行不同距离的试验求解。每个鸭蛋实际距离分别为250 mm，270 mm, ... ,430 mm依次增加20 mm，进行10次试验并作为一组数据。计算景深及目标相对于相机外镜头的位置。
测距结果最大误差16.99 mm，最大均方误差10.65 mm，最大相对误差6.58%。平均误差14.46 mm，平均均方误差8.64 mm，平均相对误差4.79%。试验结果表明，本实施例提供的方法可测定鸭蛋距离，且测距效果良好。
上述实施例以鸭蛋样本的图像为例，通过采集不同焦距和清晰度程度的图像，采用散焦测距方法，建立鸭蛋空间定位模型，并对模型测距精度进行分析，其整体算法流程最终如图11所示。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于边缘频谱保留的散焦图像测距方法及装置，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (10)

1.一种基于边缘频谱保留的散焦图像测距方法，其特征在于，包括以下步骤：
步骤S1：获取两幅同一弱或无表面纹理样品不同散焦程度的图像；
步骤S2：对步骤S1获取的图像进行降噪的预处理并根据边缘分离单个目标样品图像，对单个目标样品图像提取中心及最小矩形包络；
步骤S3：通过基于频谱的清晰度评价函数选择表征目标样品图像边缘变化的频谱范围；
步骤S4：采用Subbarao散焦测距方法，代入步骤S3选择的频谱范围，计算物距。
2.根据权利要求1所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：在步骤S1实施之前，对相机聚焦成像时的实际物距与像距进行标定：固定相机焦距f，拍摄聚焦图像，标定实际像距S及物距误差（u 0 -u）；在步骤S1中，调节光圈值至F 1 、F 2 ，以获取同一弱或无表面纹理样品散焦程度不同的两幅图像，分别记作I1，I2，对应的相机镜头参数分别为[s1，D1，f1]和[s2，D2，f2]。
3.根据权利要求1所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：对相机聚焦成像时的实际物距与像距进行标定的具体方法为：
在黑白方格标定板距相机外镜头u 0 位置固定相机，然后调节焦距至f，固定焦距后调节物距大小，拍摄最清晰图像；读取黑白方格标定板上一定的方格数量及对应像素点数，根据公式（1）求解实际物距u与像距s：
（1）；
其中N bw 、N pixel 表示对应的黑白方格数及像素点个数，d bw 、u分别表示单个方格及单个像素点的实际长度。
4.根据权利要求3所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：在步骤S2中，采用中值滤波法进行降噪的预处理。
5.根据权利要求4所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：在步骤S2中，采用分水岭算法对多个目标样品图像进行分割。
6.根据权利要求5所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：在步骤S3中，通过过滤高频噪声并屏蔽低频直流部分，对中间部分的频谱采用傅里叶逆变换，计算表征目标样品图像边缘变化的频谱，两幅不同散焦程度的图像的功率谱分别为P 1 （ω，ν）、P 2 （ω，ν），其中，ω，ν表示空间频率；对应点扩散函数的模糊参数分别为σ 1 、σ 2 。
7.根据权利要求6所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：在步骤S4中，具体包括以下步骤：
（2）
取自然对数：
（3）
通过求取（ω，ν）的功率谱密度值估计σ 1 2 -σ 2 2 的值，为减小误差，通过以下公式求平均值，即：
（4）
其中，R为步骤S3选取的频谱范围，A为步骤S3选取的频谱范围的面积，C为σ 1 2 -σ 2 2 的平均估计值，即：
（5）
已知：
（6）
其中，
D为相机透镜直径，k为相机单位距离的感光单元数；
可得σ1、σ2的关系表达式:
（7）
其中，
；
联立各式可得:
（8）
求出一元二次方程的解σ 2 后代入式中，求得物距：
（9）。
8.根据权利要求1所述的基于边缘频谱保留的散焦图像测距方法，其特征在于：所述弱或无表面纹理样品为鸭蛋。
9.根据权利要求1所述的基于边缘频谱保留的散焦图像测距方法的测距装置，其特征在于，包括：纯色背景板、升降台、可调节光源、工业相机和上位机；所述纯色背景板的颜色与弱或无表面纹理样品不同，固定在升降台顶部；所述可调节光源设置在纯色背景板的周部；所述工业相机垂直设置于纯色背景板的上方，并连接上位机。
10.根据权利要求9所述的基于边缘频谱保留的散焦图像测距方法的测距装置，其特征在于：所述工业相机的型号为德国Baumer TXG50c，最大分辨率为2448×2050，有效像素为500万，传感器件为CMOS，像元尺寸为0.00345mm/pixel，焦距为25mm，焦点为25mm固定，光圈F1.4-F22可调。
CN201910756101.4A 2019-08-16 2019-08-16 基于边缘频谱保留的散焦图像测距方法及装置 Pending CN110470219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910756101.4A CN110470219A (zh) 2019-08-16 2019-08-16 基于边缘频谱保留的散焦图像测距方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910756101.4A CN110470219A (zh) 2019-08-16 2019-08-16 基于边缘频谱保留的散焦图像测距方法及装置

Publications (1)

Publication Number Publication Date
CN110470219A true CN110470219A (zh) 2019-11-19

Family

ID=68510172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910756101.4A Pending CN110470219A (zh) 2019-08-16 2019-08-16 基于边缘频谱保留的散焦图像测距方法及装置

Country Status (1)

Country Link
CN (1) CN110470219A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838075A (zh) * 2020-06-23 2021-12-24 南宁富桂精密工业有限公司 单目测距方法、装置及计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101364302A (zh) * 2008-09-28 2009-02-11 西安理工大学 一种散焦模糊图像的清晰化处理方法
CN101545774A (zh) * 2009-04-30 2009-09-30 上海交通大学 基于单图像的距离测定方法
CN103033166A (zh) * 2012-12-13 2013-04-10 南京航空航天大学 一种基于合成孔径聚焦图像的目标测距方法
CN103116739A (zh) * 2011-10-13 2013-05-22 通用电气公司 用于散焦测距成像的系统和方法
CN103440662A (zh) * 2013-09-04 2013-12-11 清华大学深圳研究生院 Kinect深度图像获取方法与装置
WO2014011182A1 (en) * 2012-07-12 2014-01-16 Calfornia Institute Of Technology Convergence/divergence based depth determination techniques and uses with defocusing imaging
CN104732501A (zh) * 2015-04-10 2015-06-24 四川理工学院 一种视频图像散焦恢复方法及系统
CN104897083A (zh) * 2015-06-11 2015-09-09 东南大学 一种基于投影仪散焦解相位的光栅投影三维快速测量方法
JP2016038292A (ja) * 2014-08-07 2016-03-22 キヤノン株式会社 計測装置及び製造方法
CN106231177A (zh) * 2016-07-20 2016-12-14 成都微晶景泰科技有限公司 场景深度测量方法、设备及成像装置
CN106895793A (zh) * 2015-12-21 2017-06-27 财团法人工业技术研究院 双模式深度测量的方法与装置
CN107564051A (zh) * 2017-09-05 2018-01-09 歌尔股份有限公司 一种深度信息采集方法及系统
CN108592824A (zh) * 2018-07-16 2018-09-28 清华大学 一种基于景深反馈的变频条纹投影结构光测量方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101364302A (zh) * 2008-09-28 2009-02-11 西安理工大学 一种散焦模糊图像的清晰化处理方法
CN101545774A (zh) * 2009-04-30 2009-09-30 上海交通大学 基于单图像的距离测定方法
CN103116739A (zh) * 2011-10-13 2013-05-22 通用电气公司 用于散焦测距成像的系统和方法
WO2014011182A1 (en) * 2012-07-12 2014-01-16 Calfornia Institute Of Technology Convergence/divergence based depth determination techniques and uses with defocusing imaging
CN103033166A (zh) * 2012-12-13 2013-04-10 南京航空航天大学 一种基于合成孔径聚焦图像的目标测距方法
CN103440662A (zh) * 2013-09-04 2013-12-11 清华大学深圳研究生院 Kinect深度图像获取方法与装置
JP2016038292A (ja) * 2014-08-07 2016-03-22 キヤノン株式会社 計測装置及び製造方法
CN104732501A (zh) * 2015-04-10 2015-06-24 四川理工学院 一种视频图像散焦恢复方法及系统
CN104897083A (zh) * 2015-06-11 2015-09-09 东南大学 一种基于投影仪散焦解相位的光栅投影三维快速测量方法
CN106895793A (zh) * 2015-12-21 2017-06-27 财团法人工业技术研究院 双模式深度测量的方法与装置
CN106231177A (zh) * 2016-07-20 2016-12-14 成都微晶景泰科技有限公司 场景深度测量方法、设备及成像装置
CN107564051A (zh) * 2017-09-05 2018-01-09 歌尔股份有限公司 一种深度信息采集方法及系统
CN108592824A (zh) * 2018-07-16 2018-09-28 清华大学 一种基于景深反馈的变频条纹投影结构光测量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董杰: "基于单目视觉的散焦测距算法的研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838075A (zh) * 2020-06-23 2021-12-24 南宁富桂精密工业有限公司 单目测距方法、装置及计算机可读存储介质
CN113838075B (zh) * 2020-06-23 2024-01-09 南宁富联富桂精密工业有限公司 单目测距方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107582085B (zh) 一种智能数字x线曝光控制的装置与方法
CN110274877B (zh) 一种基于散射介质的3d光谱成像系统及方法
Park et al. Line-scan hyperspectral imaging for real-time in-line poultry fecal detection
DE102015010097A1 (de) Einstellungen einer Digitalkamera zur Tiefenkarten-Verfeinerung
US9800866B2 (en) Method for providing an estimation of a point spread function indicative of intrinsic camera blur
JP2013089230A (ja) デプスフロムデフォーカス撮像用のシステムおよび方法
CN110520768B (zh) 高光谱光场成像方法和系统
KR102106537B1 (ko) 하이 다이나믹 레인지 영상 생성 방법 및, 그에 따른 장치, 그에 따른 시스템
JP5914688B2 (ja) デジタル画像に関する色解析
Mosleh et al. Camera intrinsic blur kernel estimation: A reliable framework
CN106716485A (zh) 用于产生结果图像的方法和光学器件
CN107529963A (zh) 图像处理装置、图像处理方法和图像处理程序
Fan et al. Application of blind deconvolution approach with image quality metric in underwater image restoration
JP6913953B2 (ja) 肉質等級の品質基準のデジタル化方法、それによる品質基準を利用した品質評価のデジタル処理方法、それらを利用した自動肉質評価装置、および、それに搭載されるソフトウェア
CN111798509A (zh) 一种基于半球图像法测量叶面积指数的方法
CN110470219A (zh) 基于边缘频谱保留的散焦图像测距方法及装置
JP6201507B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN113674402A (zh) 植物三维高光谱点云模型生成方法、校正方法及其装置
CN113298700A (zh) 一种在散射场景中的高分辨图像重构方法
EP3572860A1 (en) A method, an apparatus and a computer program product for focusing
CN112106346A (zh) 图像处理方法、设备、无人机、系统和存储介质
JPWO2016170655A1 (ja) 画像処理装置、画像処理方法および画像処理プログラム
Meißner Determination and improvement of spatial resolution obtained by optical remote sensing systems
WO2019161486A1 (en) Image processing system for inspecting object distance and dimensions using a hand-held camera with a collimated laser
Esin et al. Practical Focus Adjustment Method for Hyperspectral Cameras

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191119