CN110533670B - 一种基于分区域K-means算法的光条分割方法 - Google Patents
一种基于分区域K-means算法的光条分割方法 Download PDFInfo
- Publication number
- CN110533670B CN110533670B CN201910756701.0A CN201910756701A CN110533670B CN 110533670 B CN110533670 B CN 110533670B CN 201910756701 A CN201910756701 A CN 201910756701A CN 110533670 B CN110533670 B CN 110533670B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- roi
- region
- data set
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000000638 solvent extraction Methods 0.000 abstract description 4
- 241000544061 Cuculus canorus Species 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明一种基于分区域K‑means算法的光条分割方法,属于视觉测量领域,涉及一种基于分区域K‑means算法的光条分割方法。该方法首先通过双目相机采集线激光条图像,粗提取感兴趣区域,并利用高斯滤波算子去除噪声。然后将图像进行分区,并对每个子区采用K‑means算法进行分割。最后。将所有子区重新拼接,获得整幅图像的分割结果,实现了非均匀光条特征的准确分割。该方法可有效解决因光条明暗不均、测量视场过大、现场环境复杂等因素,导致的阈值选取困难,光条特征分割不完整,分割结果不准确等问题。同时。能有效地降低外部干扰噪声对分割结果的影响,实现非均匀光条特征的准确分割,具有高精度、高效、高鲁棒性的特点。
Description
技术领域
本发明属于视觉测量领域,涉及一种基于分区域K-means算法的光条分割方法。
背景技术
视觉测量系统在现代自动化智能化工厂中应用广泛,其中,双目立体视觉技术凭借其高精度、实时在线、非接触等特点在工业加工过程监测、产品几何质量检测、装配校准等工程测量领域中起着至关重要的作用。双目立体视觉测量系统常采用线激光作为辅助特征进行测量激光光条在被测件上扫描,同时,双目相机连续同步采集测量图像,利用双目视差原理可从图像中提取被测件几何形貌信息的点云数据。然而,在工业的复杂环境下,因外界环境的多源干扰,双目相机采集的光条图像常存在局部高光、特征淹没、光条曲折、明暗不均等问题,为了能准确提取图像中光条蕴含的形貌信息,需将激光条与背景进行分割,分割结果的优劣直接影响着特征提取的结果,因此高鲁棒、高精度的激光光条分割对于精准获取被测件几何信息十分重要。
针对光条特征的分割,目前工业测量中多采用预设阈值,利用二值化将光条和背景分割的阈值分割法。但面向航空航天大型零件,由于图像采集视场较大,受现场光照环境、空间位置、被测物表面曲率的影响,激光光条易呈现出非均匀特征,导致阈值的选取困难、分割不准、鲁棒性差等问题。同时,图像噪声的干扰也极易导致光条特征的误分割。
西安邮电大学的张弘,在专利号:201611117568.7,专利《基于类间相对均匀性的图像自适应阈值化方法及装置》中基于待提取目标和背景的概率分布及计算得出的两者间的均匀性信息,建立了目标与背景间阈值选取的准则函数,进而实现图像的阈值分割。重庆邮电大学的仇国庆等人于2018年在《计算机科学》第45卷第8期发表了文章《一种改进的三维Otsu图像分割算法》,对Otsu分割算法进行了研究,提出一种利用一维Otsu算法来减小迭代空间和搜索空间,并用布谷鸟搜索算法进行寻优的算法。该算法首先通过一维Otsu算法计算出低灰度区域的平均灰度和高灰度区域的平均灰度,并以此为上下限来限定迭代空间和搜索空间,然后利用布谷鸟搜索算法进行寻优,进而分割图像;但是文中算法在运行效率上较传统的算法没有明显的提高,同时,面向带有椒盐噪声的图像仍存在错分问题。因此提供一种高鲁棒性、高准确性的激光光条分割方法十分必要。
发明内容
本发明针对激光光条的非均匀特征、图像噪声等因素,导致阈值选取困难、图像分割不准、算法鲁棒性差等问题,发明了一种基于分区域K-means算法的光条分割方法。该方法首先利用双目相机连续同步采集在被测件上扫描的线激光条的图像,再利用高斯滤波算子去除噪声,然后将图像进行分区,并对每个子区域分别采用K-means算法进行分割;最后将所有图像子区域按照原分区规则拼接,获得整幅图像的分割结果。该方法可有效解决因光条明暗不均、测量视场过大、现场环境复杂等因素导致的阈值选取困难,光条特征分割不完整,分割结果不准确等问题;同时能有效地降低外部干扰噪声对分割结果的影响,实现非均匀光条特征的准确分割。该方法在工程应用中具有较好的实用性,具有分割鲁棒、精准、高效的特点。
本发明采用的技术方案是一种基于分区域K-means算法的光条分割方法,其特征是,该方法首先通过双目相机采集线激光条图像,粗提取感兴趣区域,并利用高斯滤波算子去除噪声,然后将图像进行分区,并对每个子区采用K-means算法进行分割,最后将所有子区重新拼接,获得整幅图像的分割结果,实现了非均匀光条特征的准确分割;分割方法的具体步骤如下:
第一步、利用双目相机采集激光光条图像,粗提取感兴趣区域。
首先,搭建双目视觉测量系统,在零件5前架设顶部安装有转台2的三脚架8,将辅助激光器3安装在转台2上;同时,将左、右相机1、4安装在转台2两端的固定支架上,将辅助激光器3,左、右相机1、4与图像采集系统7相连,双目视觉测量系统搭建完成;
利用双目相机采集激光条图像,打开辅助激光器3,将激光条6投射到零件5上,用图像采集系统7控制左、右相机1、4同步采集图像,同时控制转台2带动辅助激光器3转动,使得激光条6在零件5上扫描,当激光条6从最左端扫描至最右端后,用图像采集系统7停止转台2的转动;同时,停止左、右相机1、4的图像采集扫描采集停止后,共获得2d张图像,粗提取包含了光条部分的区域,由于辅助激光器3与零件5的相对距离不变,故对双目相机采集的2d张图像的任意一张图像,均存在一个像素尺寸为u×v的感兴趣区域roiu,v,要从双目相机采集的图像中提取出零件5的几何形貌点云信息只需对感兴趣区域roiu,v进行处理即可;
第二步、利用高斯滤波算子去除噪声。
将感兴趣区域roiu,v看作列数为u,行数为v的矩阵Mu,v,矩阵中每个元素的值为图像对应位置的灰度值。利用式(1)计算大小为m×n的高斯滤波卷积模板矩阵Hm,n;
其中,h[a,b]为高斯卷积模板Hm,n第a行、第b列处元素的值,σ为高斯函数的均方差,控制平滑效果,σ的值越大,平滑效果越好,一般取σ=1~10;通过式(2)对感兴趣区域roiu,v进行滤波降噪;
其中,ROIu,v为处理后的感兴趣区域矩阵,Mu,v为处理前的感兴趣区域roiu,v对应的矩阵,u为感兴趣区域矩阵列数,v为感兴趣区域矩阵行数,Hm,n为高斯滤波卷积模板矩阵,m为感兴趣区域矩阵行数,n为感兴趣区域矩阵列数;
第三步、分区域分割图像,获得图像的分割结果。
将图像ROIu,v沿竖向均匀分为L块,每块图像记为ROIu,k,l,其大小为u×k,其中k=v/L,l=1,2,...,L;对每个图像块ROIu,k,l分别采用K-means算法进行分割;对于一个图像块ROIu,k,l,以其所有像素为数据集X={x1,x2,...,xN},N=u×k,设置聚类中心数目为2,初始聚类中心为C=[c1,c2],其值可由式(3)计算;
其中,xi∈X,i=1,2,...,N,min(xi)为数据集X={x1,x2,...,xN}中的灰度最小值,max(xi)为数据集X={x1,x2,...,xN}中的灰度最大值;对每一个样本xi,利用式(4)可计算该样本到2个聚类中心c1和c2的欧式距离并将其分到距离最小的聚类中心所对应的类中;
其中,c(i)为样本xi对应的类别,c(i)∈{1,2},cj为第j类对应的聚类中心,cj∈C,j∈{1,2};由此,数据集X={x1,x2,...,xN}被分为两类,类别1距离聚类中心c1更近,记为数据集X1;类别2距离聚类中心c2更近,记为数据集X2;根据聚类后得到的数据集X1、X2,利用式(5)可重新计算并更新聚类中心C=[c1,c2]的值;
其中,cj为新的聚类中心的值,j∈{1,2},ωi为求解聚类中心的分类系数,由式(6)确定;
更新聚类中心C=[c1,c2]的值后,再次利用式(4)计算数据集X={x1,x2,...,xN}中的样本到两个新的聚类中心c1和c2的欧式距离并将其分到距离最小的聚类中心所对应的类中;聚类后,再次用式(5)和式(6)更新聚类中心C=[c1,c2]的值,如此重复,直到聚类中心的位置不再变化时,聚类过程完成,此时数据集X={x1,x2,...,xN}中的所有样本被分为两类,即数据集X1、X2,其中一类为图像块ROIu,k,l的背景像素,另一类为光条像素,至此完成了图像块ROIu,k,l的分割;对每一个图像块ROIu,k,l进行分割后,将L块图像块ROIu,k,l按l=1,2,...,L的顺序拼接,即可获得整幅图像ROIu,v的分割结果。
本发明的有益效果是该方法可有效解决因光条明暗不均、测量视场过大、现场环境复杂等因素,导致的阈值选取困难,光条特征分割不完整,分割结果不准确等问题;同时能有效地降低外部干扰噪声对分割结果的影响,实现非均匀光条特征的准确分割,具有高精度、高效、高鲁棒性的特点。
附图说明
图1是基于分区域K-means算法的光条分割方法的流程图。
图2是激光辅助双目视觉测量系统示意图,其中,1-左相机,2-转台,3-辅助激光器,4-右相机,5-零件,6-激光条,7-图像采集系统,8-三脚架。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
本实施例选用的辅助激光发射器为Coherent公司生产的LasirisPowerLine激光发射器,双目视觉系统中相机为双目相机,采用Vieworks公司的高精度CMOS相机,分辨率为4096×3072,全画幅帧率,最高为64.3fps。镜头型号为EF16-35mmf/2.8LIIUSM,镜头焦距为f=16-35mm,,光圈为F2.8。拍摄条件如下:图片大小为4096×3072pixels,镜头焦距为35mm,工作距离1.5m,视场大小约为1000×1200mm。
本发明通过双目相机采集线激光条图像,先粗提取感兴趣区域,利用高斯滤波算子去除噪声,然后将图像进行分区,并对每个子区采用K-means算法进行分割,最后将所有子区重新拼接,获得整幅图像的分割结果。方法的具体步骤如下:
第一步、利用双目相机采集激光条图像,粗提取感兴趣区域。
搭建双目视觉测量系统,在零件5前架设顶部安装有转台2三脚架8,将辅助激光器3安装在转台2上;同时,将左、右相机1、4架设在转台2两端的固定支架上,将辅助激光器3,左、右相机1、4与图像采集系统7相连,双目视觉测量系统搭建完成。
利用双目相机采集激光条图像,打开辅助激光器3,将激光条6投射到零件5上,用图像采集系统7控制左、右相机1、4同步采集图像,同时控制转台2带动辅助激光器3缓慢转动,使得激光条6在零件5上缓慢扫描,当激光条6从最左端扫描至最右端后,用图像采集系统7停止转台2的转动;同时,停止左、右相机1、4的图像采集。扫描采集停止后,共获得556张图像,左、右相机1、4各拍摄278张,粗提取包含了光条部分的区域,其像素尺寸为254×2304pixels,即感兴趣区域roi254,2304,要从双目相机采集的图像中提取出零件5的几何形貌点云信息,只需对感兴趣区域roi254,2304进行处理即可。
第二步、利用高斯滤波算子去除噪声。
将感兴趣区域roi254,2304看作列数为254,行数为2304的矩阵M254,2304,矩阵中每个元素的值为对应位置的像素值。利用式(1)计算大小为5×5的高斯滤波卷积模板矩阵H5,5,取σ=1。
利用式(2)计算处理后的感兴趣区域ROI254,2304。
第三步、分区域分割图像,获得图像的分割结果。
将图像ROI254,2304沿竖向均匀分为18块,每块图像记为ROI254,128,l,其大小为254×128,l=1,2,...,18。对每个图像块ROI254,128,l分别采用K-means算法进行分割。对于每一个图像块ROI254,128,l,以其所有像素为数据集X={x1,x2,...,x32512},N=254×128=32512,设置聚类中心数目为2,由式(3)计算初始聚类中心C=[c1,c2]。利用式(4)可计算该样本到2个聚类中心c1和c2的欧式距离并将其分到距离最小的聚类中心所对应的类中。由此,数据集X={x1,x2,...,x32512}被分为两类,类别1距离聚类中心c1更近,记为数据集X1;类别2距离聚类中心c2更近,记为数据集X2。根据聚类后得到的数据集X1、X2,利用式(5)和式(6)可重新计算并更新聚类中心C=[c1,c2]的值。更新聚类中心C=[c1,c2]的值后,再次利用式(4)计算数据集X={x1,x2,...,x32512}中的样本到两个新的聚类中心c1和c2的欧式距离并将其分到距离最小的聚类中心所对应的类中。聚类后,再次用式(5)和式(6)更新聚类中心C=[c1,c2]的值。如此重复,直到聚类中心的位置不再变化的时候,聚类过程完成。此时数据集X={x1,x2,...,x32512}中的所有样本被分为两类,即数据集X1、X2。其中,一类为图像块ROI254,128,l的背景像素,另一类为光条像素,至此完成了图像块的分割。对每一个图像块l=1,2,...,18进行分割之后,将18块图像块ROI254,128,l按l=1,2,...,18的先后顺序拼接,即可获得整幅图像ROI254,2304的分割结果。
该方法利用双目相机连续拍摄采集在被测件上扫描的线激光条的形位图像,通过高斯滤波算子去除噪声,然后将图像分区,并对每个子区分别采用K-means算法进行分割,最后将所有图像子区域拼接,获得整幅图像的分割结果。该方法可有效解决因光条明暗不均、测量视场过大、现场环境复杂等因素,导致的阈值选取困难,光条特征分割不完整,分割结果不准确等问题;同时能有效地降低外部干扰噪声对分割结果的影响,实现非均匀光条特征的准确分割,具有高精度、高效、高鲁棒性的特点,是一种具有工程实际应用价值的分割方法。
Claims (1)
1.一种基于分区域K-means算法的光条分割方法,其特征是,该方法首先通过双目相机采集线激光条图像,粗提取感兴趣区域,并利用高斯滤波算子去除噪声,然后将图像进行分区,并对每个子区采用K-means算法进行分割,最后将所有子区重新拼接,获得整幅图像的分割结果,实现了非均匀光条特征的准确分割;分割方法的具体步骤如下:
第一步、利用双目相机采集激光光条图像,粗提取感兴趣区域;
搭建双目视觉测量系统,在零件(5)前架设顶部安装有转台(2)的三脚架(8),将辅助激光器(3)安装在转台(2)上,同时将左、右相机(1、4)安装在转台(2)两端的固定支架上,将辅助激光器(3)、左、右相机(1、4)与图像采集系统(7)相连,双目视觉测量系统搭建完成;
利用双目相机采集激光条图像,打开辅助激光器(3),将激光条(6)投射到零件(5)上,用图像采集系统(7)控制左、右相机(1、4)同步采集图像,同时控制转台(2)带动辅助激光器(3)转动,使得激光条(6)在零件(5)上扫描,当激光条(6)从最左端扫描至最右端后,用图像采集系统(7)停止转台(2)的转动;同时停止左、右相机(1、4)的图像采集,扫描采集停止后,共获得2d张图像,粗提取包含了光条部分的区域;由于辅助激光器(3)与零件(5)的相对距离不变,故对双目相机采集的2d张图像的任意一张图像,均存在一个像素尺寸为u×v的感兴趣区域roiu,v,要从双目相机采集的图像中提取出零件(5)的几何形貌点云信息,只需对感兴趣区域roiu,v进行处理即可;
第二步、利用高斯滤波算子去除噪声;
将感兴趣区域roiu,v看作列数为u,行数为v的矩阵Mu,v,矩阵中每个元素的值为图像对应位置的灰度值;利用式(1)计算大小为m×n的高斯滤波卷积模板矩阵Hm,n;
其中,h[a,b]为高斯卷积模板Hm,n第a行、第b列处元素的值,σ为高斯函数的均方差,控制平滑效果,σ的值越大,平滑效果越好,取σ=1~10;通过式(2)对感兴趣区域roiu,v进行滤波降噪;
其中,ROIu,v为处理后的感兴趣区域矩阵,Mu,v为处理前的感兴趣区域roiu,v对应的矩阵,u为感兴趣区域矩阵列数,v为感兴趣区域矩阵行数,Hm,n为高斯滤波卷积模板矩阵,m为感兴趣区域矩阵行数,n为感兴趣区域矩阵列数;
第三步、分区域分割图像,获得图像的分割结果;
将图像ROIu,v沿竖向均匀分为L块,每块图像记为ROIu,k,l,其大小为u×k,其中k=v/L,l=1,2,...,L;对每个图像块ROIu,k,l分别采用K-means算法进行分割;对于一个图像块ROIu,k,l,以其所有像素为数据集X={x1,x2,...,xN},N=u×k,设置聚类中心数目为2,初始聚类中心为C=[c1,c2],其值由式(3)计算;
其中,xi∈X,i=1,2,...,N,min(xi)为数据集X={x1,x2,...,xN}中的灰度最小值,max(xi)为数据集X={x1,x2,...,xN}中的灰度最大值;对每一个样本xi,利用式(4)计算该样本到2个聚类中心c1和c2的欧式距离并将其分到距离最小的聚类中心所对应的类中;
其中,c(i)为样本xi对应的类别,c(i)∈{1,2},cj为第j类对应的聚类中心,cj∈C,j∈{1,2};由此,数据集X={x1,x2,...,xN}被分为两类,类别1距离聚类中心c1更近,记为数据集X1;类别2距离聚类中心c2更近,记为数据集X2;根据聚类后得到的数据集X1、X2,利用式(5)重新计算,并更新聚类中心C=[c1,c2]的值;
其中,cj为新的聚类中心的值,j∈{1,2},ωi为求解聚类中心的分类系数,由式(6)确定;
更新聚类中心C=[c1,c2]的值后,再次利用式(4)计算数据集X={x1,x2,...,xN}中的样本到两个新的聚类中心c1和c2的欧式距离并将其分到距离最小的聚类中心所对应的类中,聚类后,再次用式(5)和式(6)更新聚类中心C=[c1,c2]的值,如此重复,直到聚类中心的位置不再变化时,聚类过程完成;此时数据集X={x1,x2,...,xN}中的所有样本被分为两类,即数据集X1、X2;其中,一类为图像块ROIu,k,l的背景像素,另一类为光条像素,至此完成了图像块ROIu,k,l的分割;对每一个图像块ROIu,k,l进行分割后,将L块图像块ROIu,k,l按l=1,2,...,L的顺序拼接,获得整幅图像ROIu,v的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910756701.0A CN110533670B (zh) | 2019-08-16 | 2019-08-16 | 一种基于分区域K-means算法的光条分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910756701.0A CN110533670B (zh) | 2019-08-16 | 2019-08-16 | 一种基于分区域K-means算法的光条分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533670A CN110533670A (zh) | 2019-12-03 |
CN110533670B true CN110533670B (zh) | 2021-05-11 |
Family
ID=68663361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910756701.0A Active CN110533670B (zh) | 2019-08-16 | 2019-08-16 | 一种基于分区域K-means算法的光条分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533670B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907457A (zh) * | 2019-12-19 | 2020-03-24 | 长安大学 | 基于3d点云数据的集料形态特征检测系统及检测方法 |
CN111612690B (zh) * | 2019-12-30 | 2023-04-07 | 苏州纽迈分析仪器股份有限公司 | 一种图像拼接方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957076A (zh) * | 2016-04-27 | 2016-09-21 | 武汉大学 | 一种基于聚类的点云分割方法及系统 |
CN107907048A (zh) * | 2017-06-30 | 2018-04-13 | 长沙湘计海盾科技有限公司 | 一种基于线结构光扫描的双目立体视觉三维测量方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5074673A (en) * | 1984-08-01 | 1991-12-24 | Westinghouse Electric Corp. | Laser-based target discriminator |
CN103426169B (zh) * | 2013-07-26 | 2016-12-28 | 西安华海盈泰医疗信息技术有限公司 | 一种医学图像的分割方法 |
CN108510544B (zh) * | 2018-03-30 | 2020-01-17 | 大连理工大学 | 一种基于特征聚类的光条定位方法 |
CN108550160B (zh) * | 2018-04-03 | 2020-04-07 | 大连理工大学 | 基于光强模板的非均匀光条特征区域提取方法 |
-
2019
- 2019-08-16 CN CN201910756701.0A patent/CN110533670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957076A (zh) * | 2016-04-27 | 2016-09-21 | 武汉大学 | 一种基于聚类的点云分割方法及系统 |
CN107907048A (zh) * | 2017-06-30 | 2018-04-13 | 长沙湘计海盾科技有限公司 | 一种基于线结构光扫描的双目立体视觉三维测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110533670A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103063159B (zh) | 一种基于ccd的零件尺寸测量方法 | |
CN109489566B (zh) | 锂电池隔膜材料分切宽度检测方法、检测系统及装置 | |
CN102589516B (zh) | 一种基于双目线扫描摄像机的动态距离测量系统 | |
CN110533670B (zh) | 一种基于分区域K-means算法的光条分割方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN108550160B (zh) | 基于光强模板的非均匀光条特征区域提取方法 | |
CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN108510544B (zh) | 一种基于特征聚类的光条定位方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
Zhao et al. | Recognition of flooding and sinking conditions in flotation process using soft measurement of froth surface level and QTA | |
CN101930606A (zh) | 一种图像边缘检测的景深扩展方法 | |
CN115760893A (zh) | 一种基于核相关滤波算法的单雾滴粒径和速度测量方法 | |
CN107563371B (zh) | 基于线激光光条的动态搜索感兴趣区域的方法 | |
CN110675442A (zh) | 一种结合目标识别技术的局部立体匹配方法及系统 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
CN115471537A (zh) | 一种基于单目摄像头的移动目标距离与高度的测量方法 | |
CN102967277A (zh) | 定向管平行度测量方法 | |
CN206583440U (zh) | 一种投影图像视距检测系统 | |
CN112037233B (zh) | 基于大津法与k均值聚类算法联合优化的图像二值化方法 | |
CN115294119A (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
CN108489469A (zh) | 一种单目测距装置及方法 | |
CN111242918B (zh) | 基于卡尔曼滤波和马尔可夫随机场的图像分割方法及系统 | |
CN110349169A (zh) | 一种直线测量方法 |
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 |