CN111062879B - 一种检测图像中渐开线的图像方法 - Google Patents
一种检测图像中渐开线的图像方法 Download PDFInfo
- Publication number
- CN111062879B CN111062879B CN201911105285.4A CN201911105285A CN111062879B CN 111062879 B CN111062879 B CN 111062879B CN 201911105285 A CN201911105285 A CN 201911105285A CN 111062879 B CN111062879 B CN 111062879B
- Authority
- CN
- China
- Prior art keywords
- image
- involute
- edge
- parameters
- coordinates
- 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
- 238000000034 method Methods 0.000 title claims description 17
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G06T5/80—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Abstract
本发明公开了一种检测图像中渐开线的图像算法，它包括如下步骤：步骤(1)将要处理的图像转变为灰度图像：步骤(2)对灰度图像进行边缘检测，步骤(3)计算每个边缘的像素点对应的所有渐开线的参数：步骤(4)筛选置信度最高的渐开线参数，以此为初值迭代出精确解。该算法对于处理包含渐开线物体的图像检测有重要的意义，可以有效寻找到目标物体的轮廓。
Description
技术领域
本发明属于图像算法中的图像处理和模式识别领域，具体涉及一种检测图像中渐开线的图像方法，该方法是一种通过分析图像中的边缘像素，找出图像中所包含的渐开线的方法，主要用于寻找包含渐开线的物体的轮廓，可以运用在例如齿轮类零件的图像处理过程中。
背景技术
在图像处理的过程中，有价值的信息通常只包含在图像中的某一部分，如何有效的提取检测对象的边缘，确定检测的区域是图像处理过程中比较重要的一个环节。同时物体的边缘通常包含了很多重要的信息，对于后续的测量和缺陷检测有显著的影响。利用通用的处理手段，如分析像素灰度变化难以给出准确的边缘信息，且给出的都是图像结果，无法表示出边缘中包含的曲线类型及其参数，需要后续继续的处理。
目前通过对图像做霍夫变换，可以检测到图像中所包含的圆、直线这两类基本曲线，但对于其它曲线，如渐开线就无法检测。齿轮零件图像的边缘中包含的多数是渐开线，本文在进行齿轮零件图像的处理过程中，提出了一种检测图像中渐开线的图像方法，它能精确的得到齿轮零件的边缘，且算法鲁棒性好，易于实现。
通常情况下，想要检测图像中齿轮的轮廓存在如下的不足之处：
(1)对经过消除畸变和滤波的图像进行边缘检测，再对得到的边缘图像做形态学操作，将得到的结果直接作为齿轮的轮廓，因为图像中噪音的存在，得到的结果会引入较多的误差。
(2)利用已知的齿轮参数，得到理论的齿轮轮廓曲线，将其与边缘图像进行拟合，得到拟合误差最小的情况，但是需要提前知道齿轮的参数，且拟合过程需要非线性的优化过程，计算强度大。
发明内容
本发明的目的主要是公开一种检测图像中渐开线的图像方法，它能检测图像中存在的渐开线，并给出该渐开线的基本参数，如基圆半径rb、基圆圆心坐标(x0，y0)、渐开线旋转角度θ，由此给出该渐开线在图像中的精确数学表达式，为后续的图像检测步骤提供测量及检测的依据。
为了实现上述的目标，同时克服其它方法的不足，本发明通过一下的步骤实现：
一种检测图像中渐开线的图像方法，其特征在于包含以下步骤：
步骤(1)将要处理的图像转变为灰度图像步骤对原始图像进行畸变修正，修正相机系统带来的图像畸变，如果图像是彩色图像，则需要将其转化为灰度图像；
步骤(2)对灰度图像进行边缘检测步骤用得到的灰度图像进行边缘检测，使用canny算子得到边缘图像，同时得到边缘图像中每个像素的梯度值记(x，y)是每个像素点的图像坐标，φ(x，y)是该像素点的梯度方向，由公式计算出梯度方向φ(x，y)，步骤
步骤(3)计算每个边缘的像素点对应的所有渐开线的参数步骤结合每个边缘像素点的坐标(x，y)和梯度方向φ(x，y)计算出满足条件的渐开线参数基圆半径rb和基圆圆心坐标(x0，y0)；
步骤(4)筛选置信度最高的渐开线参数，以此为初值迭代出精确解步骤计数函数中的最高值或局部最高值max(C(α))对应的α，就是置信度最高的渐开线参数，利用这个参数排除那些不在渐开线上的像素点，则剩下的边缘像素都处于同一或多条渐开线上，假定存在m条渐开线，每条渐开线上有nm个像素点，对下面的公式步骤步骤用Levenberg-Marquardt算法，以步骤(3)中求得的解为初始值，求解使公式得到最小值的参数，其中Pij为第i条渐开线上的第j个像素点的实际图像坐标，/>为以第i条渐开线参数/>为参考计算出来的理论图像坐标，最终求得每条渐开线参数的精确解/>
所述步骤(3)具体包括以下步骤：
步骤(3-1)假设图像中的渐开线与它的标准形式之间存在一个旋转变换R和一个平移变换τ，其中θ为旋转的角度，τ＝(x0，y0)′，及为基圆圆心的图像坐标；
步骤(3-2)对每个边缘像素点，计算步骤将每个像素点的图像坐标(x，y)，梯度方向φ(x，y)代入下面的方程步骤/>每相邻的两个像素点组成方程组，求解出方程组的解，记为α＝(rb，τ，θ)；
步骤(3-3)每出现相同的α，则计数函数C(α)增加一步骤C(α)＝C(α)+1。
本发明的有益效果是：
本发明公开了一种检测图像中渐开线的图像方法，它主要用于检测包含边缘信息的图像中是否存在渐开线，如果存在，则返回该渐开线的相关参数。该图像方法首先需要将用于检测的灰度图像通过边缘检测，利用合适的边缘算子转化为只包含边界的灰度图像；然后基于灰度图像中每个像素点的位置坐标以及它的梯度方向信息，代入算法中给定的计算公式计算出所有可能成立的渐开线参数，最后在可能存在的渐开线参数中找到可信度最高的一个返回结果，该算法对于处理包含渐开线物体的图像检测有重要的意义，可以有效寻找到目标物体的轮廓。
附图说明
图1是检测图像中渐开线的图像方法流程图。
图2是标准渐开线的示意图。
图3是任意标准渐开线方程在图像坐标系中的表示方式示意图。
具体实施方法
下面根据附图对本发明的具体实施方法进行详细的说明。
图1所示是检测图像中渐开线的图像方法的流程图。本发明主要利用边缘像素的图像坐标和梯度值计算出置信度最高的渐开线参数，然后返回该参数，以此表示图像中存在的渐开线。
步骤(1)将要处理的图像转变为灰度图像
对原始图像进行畸变修正，修正相机系统带来的图像畸变，如果图像是彩色图像，则需要将其转化为灰度图像。
步骤(2)对灰度图像进行边缘检测
用得到的灰度图像进行边缘检测，使用canny算子得到边缘图像，同时得到边缘图像中每个像素的梯度值记(x，y)是每个像素点的图像坐标，φ(x，y)是该像素点的梯度方向，由公式计算出梯度方向φ(x，y)，
图2所示是渐开线的基圆圆心处在图像坐标系原点时的标准情况，图3所示是渐开线处于图像坐标系任意位置的情况，结合图2和图3可以推导出渐开线在图像坐标系任意位置的数学表达式。
步骤(3)计算每个边缘的像素点对应的所有渐开线的参数
结合每个边缘像素点的坐标(x，y)和梯度方向φ(x，y)计算出满足条件的渐开线参数基圆半径rb和基圆圆心坐标(x0，y0)，其具体步骤如下
步骤(3-1)假设图像中的渐开线与它的标准形式之间存在一个旋转变换R和一个平移变换τ，其中θ为旋转的角度，τ＝(x0，y0)′，及为基圆圆心的图像坐标。
步骤(3-2)对每个边缘像素点，计算
将每个像素点的图像坐标(x，y)，梯度方向φ(x，y)代入下面的方程
每相邻的两个像素点组成方程组，求解出方程组的解，记为α＝(rb，τ，θ)。
步骤(3-3)每出现相同的α，则计数函数C(α)增加一
C(α)＝C(α)+1
步骤(4)筛选置信度最高的渐开线参数，以此为初值迭代出精确解
计数函数中的最高值或局部最高值max(C(α))对应的α，就是置信度最高的渐开线参数，利用这个参数排除那些不在渐开线上的像素点，则剩下的边缘像素都处于同一或多条渐开线上，假定存在m条渐开线，每条渐开线上有nm个像素点，对下面的公式
用Levenberg-Marquardt算法，以步骤(3)中求得的解为初始值，求解使公式得到最小值的参数，其中Pij为第i条渐开线上的第j个像素点的实际图像坐标，为以第i条渐开线参数/>为参考计算出来的理论图像坐标，最终求得每条渐开线参数的精确解/>对于精度要求不高的情况，如图像的缺陷检测时，可以直接使用步骤(3)中的解。
Claims (1)
1.一种检测图像中渐开线的图像方法，其特征在于包含以下步骤：
步骤(1)将要处理的图像转变为灰度图像步骤对原始图像进行畸变修正，修正相机系统带来的图像畸变，如果图像是彩色图像，则需要将其转化为灰度图像；
步骤(2)对灰度图像进行边缘检测步骤用得到的灰度图像进行边缘检测，使用canny算子得到边缘图像，同时得到边缘图像中每个像素的梯度值记(x，y)是每个像素点的图像坐标，φ(x，y)是该像素点的梯度方向，由公式计算出梯度方向φ(x，y)，步骤/>
步骤(3)计算每个边缘的像素点对应的所有渐开线的参数步骤结合每个边缘像素点的坐标(x，y)和梯度方向φ(x，y)计算出满足条件的渐开线参数基圆半径rb和基圆圆心坐标(x0，y0)；
步骤(4)筛选置信度最高的渐开线参数，以此为初值迭代出精确解步骤计数函数中的最高值或局部最高值max(C(α))对应的α，就是置信度最高的渐开线参数，利用这个参数排除那些不在渐开线上的像素点，则剩下的边缘像素都处于同一或多条渐开线上，假定存在m条渐开线，每条渐开线上有nm个像素点，对下面的公式步骤步骤用Levenberg-Marquardt算法，以步骤(3)中求得的解为初始值，求解使公式得到最小值的参数，其中Pij为第i条渐开线上的第j个像素点的实际图像坐标，/>为以第i条渐开线参数/>为参考计算出来的理论图像坐标，最终求得每条渐开线参数的精确解/>
所述步骤(3)具体包括以下步骤：
步骤(3-1)假设图像中的渐开线与它的标准形式之间存在一个旋转变换R和一个平移变换τ，其中θ为旋转的角度，τ＝(x0，y0)′，及为基圆圆心的图像坐标；
步骤(3-2)对每个边缘像素点，计算步骤将每个像素点的图像坐标(x，y)，梯度方向φ(x，y)代入下面的方程步骤/>每相邻的两个像素点组成方程组，求解出方程组的解，记为α＝(rb，τ，θ)；
步骤(3-3)每出现相同的α，则计数函数C(α)增加一步骤C(α)＝C(α)+1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911105285.4A CN111062879B (zh) | 2019-11-13 | 2019-11-13 | 一种检测图像中渐开线的图像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911105285.4A CN111062879B (zh) | 2019-11-13 | 2019-11-13 | 一种检测图像中渐开线的图像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062879A CN111062879A (zh) | 2020-04-24 |
| CN111062879B true CN111062879B (zh) | 2023-11-14 |
Family
ID=70297753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911105285.4A Active CN111062879B (zh) | 2019-11-13 | 2019-11-13 | 一种检测图像中渐开线的图像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062879B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2373304A (en) * | 2001-02-20 | 2002-09-18 | Bryan Nigel Victor Parsons | Tapered involute gear profile |
| CN106122430A (zh) * | 2016-08-11 | 2016-11-16 | 中国计量大学 | 一种基于特征图像的小模数齿轮边缘检测精度计算方法 |
| CN109870111A (zh) * | 2019-03-18 | 2019-06-11 | 吉林大学 | 基于机器视觉的渐开线圆柱齿轮齿距累积误差测量方法 |
-
2019
- 2019-11-13 CN CN201911105285.4A patent/CN111062879B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2373304A (en) * | 2001-02-20 | 2002-09-18 | Bryan Nigel Victor Parsons | Tapered involute gear profile |
| CN106122430A (zh) * | 2016-08-11 | 2016-11-16 | 中国计量大学 | 一种基于特征图像的小模数齿轮边缘检测精度计算方法 |
| CN109870111A (zh) * | 2019-03-18 | 2019-06-11 | 吉林大学 | 基于机器视觉的渐开线圆柱齿轮齿距累积误差测量方法 |
Non-Patent Citations (3)
| Title |
|---|
| Franklin G. Curtis et al..Deflection predictions of involute-shaped fuel plates using a fully-coupled numerical approach.《Annals of Nuclear Energy》.2019,第130卷第184-191页. * |
| 周泽恒等.一种小模数齿轮边缘检测效果评价.《中国计量大学学报》.2017,第28卷(第1期),第29-33页. * |
| 寇莹.圆柱齿轮渐开线的图像测量技术研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2015,(第4期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062879A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
| US20190171862A1 (en) | Method of extracting image of port wharf through multispectral interpretation | |
| CN102034101B (zh) | 一种pcb视觉检测中快速圆形标志定位方法 | |
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN108918526B (zh) | 一种柔性ic封装基板线路的缺口缺陷检测方法 | |
| CN110675376A (zh) | 一种基于模板匹配的pcb缺陷检测方法 | |
| CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
| CN111862037A (zh) | 基于机器视觉的精密孔类零件几何特征检测方法及系统 | |
| CN102799867A (zh) | 基于图像处理的仪表指针转角识别方法 | |
| CN103292701A (zh) | 基于机器视觉的精密器件在线尺寸测量方法 | |
| CN109558871B (zh) | 一种指针式仪表读数识别方法及装置 | |
| CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
| CN110378957B (zh) | 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统 | |
| CN104075659A (zh) | 一种基于rgb结构光源的三维成像识别方法 | |
| CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
| JP4003465B2 (ja) | 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置 | |
| CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
| CN103337080A (zh) | 基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术 | |
| CN111062879B (zh) | 一种检测图像中渐开线的图像方法 | |
| CN116612461A (zh) | 一种基于目标检测的指针式仪表全过程自动读数方法 | |
| CN108428250B (zh) | 一种应用于视觉定位和标定的x角点检测方法 | |
| CN115424009A (zh) | 一种基于Yolact网络的指针式仪表数据自动读取方法 | |
| CN102637094A (zh) | 应用于光学式触控装置的校正信息计算方法及系统 | |
| CN110298799B (zh) | 一种pcb图像定位校正方法 |
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 |