CN111369533A - 基于偏振图像融合的钢轨廓形检测方法及装置 - Google Patents
基于偏振图像融合的钢轨廓形检测方法及装置 Download PDFInfo
- Publication number
- CN111369533A CN111369533A CN202010147745.6A CN202010147745A CN111369533A CN 111369533 A CN111369533 A CN 111369533A CN 202010147745 A CN202010147745 A CN 202010147745A CN 111369533 A CN111369533 A CN 111369533A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- steel rail
- polarization
- fused
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 276
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 212
- 239000010959 steel Substances 0.000 title claims abstract description 212
- 230000004927 fusion Effects 0.000 title claims abstract description 99
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000007499 fusion processing Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims description 31
- 230000003287 optical effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011430 maximum method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000000712 assembly Effects 0.000 description 4
- 238000000429 assembly Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000002070 nanowire Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于偏振图像融合的钢轨廓形检测方法及装置,该方法包括:采集钢轨多个方向的光条偏振图像;根据钢轨多个方向的光条偏振图像,确定Stokes参量图像;根据Stokes参量图像,确定线偏振度图像和线偏振角度图像;从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像;根据融合图像,提取钢轨廓形数据。本发明能够提供成像对比度和光条中心置信度均比较高的高质量钢轨廓形光条图像,从而降低从钢轨廓形光条图像中提取光条中心的难度,提高钢轨廓形检测的准确度。
Description
技术领域
本发明涉及钢轨检测领域,尤其涉及一种基于偏振图像融合的钢轨廓形检测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
众所周知,钢轨廓形的变化,会直接影响到铁路轨道的安全运行。对钢轨廓形检测,是掌握钢轨的服役状态,进而指导钢轨打磨作业,是铁路运营维护的重要手段。
钢轨廓形检测是指将实测的钢轨廓形数据,与钢轨标准廓形数据对比,从而得到钢轨的垂直磨耗量、侧面磨耗量等参数。目前,钢轨廓形检测的手段主要有两种类型:一种是接触式检测,这种方式由于需要将探头与钢轨接触,存在检测效率低、人工成本高等缺点;另一种是非接触式检测,利用钢轨表面反射光的强度信息来提取钢轨廓形数据,以线结构光廓形检测技术为代表,该技术由激光器发射光刀平面垂直入射到钢轨表面,由相机以一定的角度拍摄钢轨,得到包含钢轨轮廓信息的钢轨廓形光条图像,进而通过提取光条中心来获得钢轨廓形数据,这种方式具有高速、高精度等优点,目前普遍应用于钢轨廓形的动态检测。
在铁路现场应用中,由于工况恶劣,钢轨在服役一段时间后,钢轨表面状态会发生改变,例如,表面不平顺、表面异物、钢轨光带、轨头生锈等。这些表面状态的改变会干扰钢轨表面反射光的能量分布,造成能量分布异常,例如,在轨头光带区域,表面较为光滑,镜面反射能力很强,而漫反射能力很弱,入射光大部分能量分布在镜面反射方向附近,只有少量漫反射光被相机采集。
由于传统线结构光钢轨廓形检测技术获取的是钢轨表面反射光的强度信息,在该过程中,漫反射光是测量信号,镜面反射光是干扰信号,因此,在光滑的钢轨光带区域,传统结构光钢轨廓形检测方法获取钢轨廓形光强度图像,会出现欠曝(即曝光不足)现象。在欠曝区域,光条能量较弱,对比度和光条中心的置信度均比较低,很难得到准确的钢轨廓形数据,甚至当光条能量很弱时,会出现检测不到光条,导致廓形数据部分缺失,大大降低了钢轨廓形检测的准确度。虽然可以通过增大曝光时间的方式,能够解决光带区域的欠曝问题,但同时会使得同一幅图像中正常区域的光条曝光过量,仍然会影响整体廓形的检测准确度。
图1示出了基于反射光强度信息的钢轨廓形检测方法获取的钢轨廓形光条图像,可以看出,在轨头光带区域和轨距点附近区域,由于表面较光滑和曲率的变化,进入相机的漫反射光较少,导致该区域的对比度较低,出现欠曝现象。
图2所示为采用极大值法、灰度重心法和Steger法,分别对图1所示的钢轨廓形光条图像中轨头区域的光条中心进行提取的结果。如图2所示,图标a所示为采用极大值法提取出的光条中心,图标b所示为采用灰度重心法提取出的光条中心,图标c所示为采用Steger法提取出的光条中心,图标d所示为通过Miniprof轨廓仪测量的钢轨廓形数据映射到图像坐标中的结果。由于Miniprof轨廓仪能够实现钢轨廓形的接触式测量,测量结果比较准确,因而,可以作为不同光条中心提取方法的参考基准。
对图2所示的提取结果进行分析可知,对于曝光不足(即欠暴)的区域,由于光条能量较弱,对比度低,三种光条中心提取算法提取出的光条中心,均会出现不同程度的中断现象。这些中断的光条中心会使得转换得到的钢轨廓形数据发生缺失,无法反映真实的钢轨廓形,增大了钢轨廓形检测的误差。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种基于偏振图像融合的钢轨廓形检测方法,用以解决现有技术通过采集钢轨廓形的光条图像来对钢轨廓形进行检测,由于轨头光带区域和轨距点附近区域的光条图像曝光不足,会导致光条图像中缺失部分钢轨廓形的数据,使得钢轨廓形检测精度较低的技术问题,该方法包括:采集钢轨多个方向的光条偏振图像;根据钢轨多个方向的光条偏振图像,确定Stokes参量图像;根据Stokes参量图像,确定线偏振度图像和线偏振角度图像;从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像;根据融合图像,提取钢轨廓形数据。
光条中心的准确提取是钢轨廓形检测的关键,因此,在钢轨廓形检测方面,国内外学者开展了大量的光条中心提取算法创新和改进工作。总的来说,光条中心提取算法主要有两大类:一类是几何中心提取法,另一类是能量中心提取法。几何中心提取法主要有利用边缘信息的提取方法、利用阈值信息的提取方法和利用细化技术的提取方法,这些方法适用于工况简单的环境以及对测量结果要求不高的情况。能量中心法是光条中心提取研究的热门方向,可以分为利用灰度重心的提取方法、利用方向模板的提取方法和利用极大值点的提取方法,这些方法适用于工况恶劣、物体形状复杂以及对测量精度要求较高的情况。对于钢轨廓形光条图像的欠曝区域,光条能量较弱,对比度和光条中心置信度较低,即使是准确度较高的光条中心提取方法,比如灰度重心法和Steger法,在欠曝区域也无法得到准确的钢轨廓形信息,甚至当光条能量很弱时检测不到光条,导致廓形数据部分缺失,降低了廓形检测的准确度。本发明实施例还提供一种基于偏振图像融合的钢轨廓形检测装置,用以解决现有技术通过采集钢轨廓形的光条图像来对钢轨廓形进行检测,由于轨头光带区域和轨距点附近区域的光条图像曝光不足,会导致光条图像中缺失部分钢轨廓形的数据,使得钢轨廓形检测精度较低的技术问题,该装置包括:偏振图像采集单元,用于采集钢轨多个方向的光条偏振图像;第一图像确定单元,用于根据钢轨多个方向的光条偏振图像,确定Stokes参量图像;第二图像确定单元,用于根据Stokes参量图像,确定线偏振度图像和线偏振角度图像;图像融合处理单元,用于从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像;钢轨廓形提取单元,用于根据融合图像,提取钢轨廓形数据。
本发明实施例还提供一种计算机设备,用以解决现有技术通过采集钢轨廓形的光条图像来对钢轨廓形进行检测,由于轨头光带区域和轨距点附近区域的光条图像曝光不足,会导致光条图像中缺失部分钢轨廓形的数据,使得钢轨廓形检测精度较低的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在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上述基于偏振图像融合的钢轨廓形检测方法。
本发明实施例还提供一种计算机可读存储介质,用以解决现有技术通过采集钢轨廓形的光条图像来对钢轨廓形进行检测,由于轨头光带区域和轨距点附近区域的光条图像曝光不足,会导致光条图像中缺失部分钢轨廓形的数据,使得钢轨廓形检测精度较低的技术问题,所述计算机可读存储介质存储有执行上述基于偏振图像融合的钢轨廓形检测方法的计算机程序。
本发明实施例中,通过采集钢轨多个方向的光条偏振图像,进而根据钢轨多个方向的光条偏振图像,获得Stokes参量图像、线偏振度图像和线偏振角度图像,以便从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取多幅偏振图像来进行图像融合处理,最后根据多幅偏振图像的融合图像,提取钢轨廓形数据。
通过本发明实施例,能够提供成像对比度和光条中心置信度均比较高的高质量钢轨廓形光条图像,从而降低从钢轨廓形光条图像中提取光条中心的难度,提高钢轨廓形检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为现有技术中提供的基于反射光强度信息的钢轨廓形检测方法获取的钢轨廓形光条图像示意图;
图2为现有技术中提供的采用多种光条中心提取算法从图1所示的钢轨廓形光条图像中对光条中心进行提取的结果示意图;
图3为本发明实施例中提供的一种基于偏振图像融合的钢轨廓形检测方法流程图;
图4为本发明实施例中提供的一种钢轨廓形检测组件示意图;
图5为本发明实施例中提供的一种钢轨廓形检测系统示意图;
图6为本发明实施例中提供的一种钢轨廓形检测流程图;
图7为本发明实施例中提供的一种图像融合算法示意图;
图8为本发明实施例中提供的一种偏振相机的偏振滤镜和像素分布示意图;
图9为本发明实施例中提供的0°方向采集的光条偏振图像示意图;
图10为本发明实施例中提供的45°方向采集的光条偏振图像示意图;
图11为本发明实施例中提供的90°方向采集的光条偏振图像示意图;
图12为本发明实施例中提供的135°方向采集的光条偏振图像示意图;
图13为本发明实施例中提供的Stokes参量中第一个参数对应的光条图像示意图;
图14为本发明实施例中提供的Stokes参量中第二个参数对应的光条图像示意图;
图15为本发明实施例中提供的Stokes参量中第三个参数对应的光条图像示意图;
图16为本发明实施例中提供的线偏振度图像示意图;
图17为本发明实施例中提供的线偏振角度图像示意图;
图18为本发明实施例中提供的一种融合图像示意图;
图19为本发明实施例中提供的一种融合图像的光条中心提取结果示意图;
图20为本发明实施例中提供的一种基于偏振图像融合的钢轨廓形检测装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
线结构光轮廓测量技术基于三角测量原理,可以实时获取被测物的轮廓信息,具有高速、高精度和非接触的特点,是钢轨廓形动态检测的主流方式。在铁路现场应用中,工况比较恶劣,钢轨服役一段时间后,其表面状态改变,如表面不平顺、表面异物、钢轨光带、轨头生锈等,这些表面状态的改变干扰了钢轨表面反射激光的能量分布,使得能量分布异常。例如,在轨头光带区域,表面较为光滑,镜面反射能力很强,而漫反射能力很弱,入射激光大部分能量被原路反射回去,只有很少部分能量进入相机,由于传统的线结构光钢轨廓形检测技术获取的是钢轨表面反射激光的强度信息,因此,传统强度相机容易造成钢轨廓形光条图像在光带区域欠曝的问题。
传统的线结构光钢轨廓形检测系统获取钢轨表面的光强度信息,检测组件在钢轨两侧各有一套廓形检测组件,分别采集钢轨左右侧半断面廓形数据,利用预先标定好的两个廓形检测组件的位置关系,拼接左右侧半断面廓形数据,即可得到较为完整的钢轨廓形。将测量廓形与钢轨标准廓形匹配,即可得到钢轨垂磨量和侧磨量。
在欠曝区域,光条能量较弱,对比度和光条中心置信度都较低,往往得不到准确的廓形信息,甚至当光条能量很弱时检测不到光条,导致廓形数据部分缺失,影响廓形检测精度。
本发明实施例中提供了一种基于偏振图像融合的钢轨廓形检测方法,图3为本发明实施例中基于偏振图像融合的钢轨廓形检测方法流程图,如图3所示,该方法可以包括如下步骤:
S301,采集钢轨多个方向的光条偏振图像。
作为一种可选的实施方式,上述S301可以通过偏振相机同时采集钢轨多个方向的光条偏振图像。例如,由偏振相机同时采集钢轨0°、90°、45°和135°四个方向的光条偏振图像。
S302,根据钢轨多个方向的光条偏振图像,确定Stokes参量图像。
当上述S301采集的是钢轨0°、90°、45°和135°四个方向的光条偏振图像的情况下,上述S302可以通过如下公式计算Stokes参量图像:
S0=I0+I90 (1)
S1=I0-I90 (2)
S2=I45-I135 (3)
其中,S0表示Stokes参量中第一个参数对应的图像;S1表示Stokes参量中第二个参数对应的图像;S2表示Stokes参量中第三个参数对应的图像;I0表示0°方向采集的光条偏振图像;I45表示45°方向采集的光条偏振图像;I90表示90°方向采集的光条偏振图像;I135表示135°方向采集的光条偏振图像。
S303,根据Stokes参量图像,确定线偏振度图像和线偏振角度图像。
当Stokes参量图像为S0、S1和S2的情况下,上述S303可以通过公式(4)来计算线偏振度图像,并通过公式(5)来计算线偏振角度图像:
其中,IDoLP表示线偏振度图像;IAoP表示线偏振角度图像。
S304,从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像。
需要说明的是,根据实际情况,上述S304可以通过如下任意一种图像融合处理方式来得到融合图像:①对钢轨多个方向的光条偏振图像和线偏振度图像进行图像融合处理,得到融合图像;②对Stokes参量图像和线偏振度图像进行图像融合处理,得到融合图像;③对钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像进行图像融合处理,得到融合图像。
无论采用上述哪种图像融合处理方式,在对各个待融合图像进行图像融合处理的时候,可以通过公式(6)来实现:
对于每幅待融合图像,可以通过公式(7)来计算每幅待融合图像的权重值:
其中,表示第i幅待融合图像中第j列的光条宽度与光条参考宽度Mr的差值,即Δ0表示当等于0时设置的一个很小的数,以排除分母为0的情况,取值范围为0.001~0.1;m表示权重调节因子,取值范围为1~3。
S305,根据融合图像,提取钢轨廓形数据。
需要说明的是,由于本发明实施例中用于提取钢轨廓形数据的图像是对多个钢轨廓形光条偏振图像(即包含钢轨轮廓信息的光条偏振图像)进行图像融合处理得到的钢轨廓形光条图像,该钢轨廓形光条图像的成像对比度和光条中心置信度均比较高,不仅能够降低从钢轨廓形光条图像中提取光条中心的难度,而且能够避免局部区域欠暴的现象,从而大大提高钢轨廓形检测的准确度。
作为一种可选的实施方式,上述S305可以通过如下步骤来实现:提取融合图像中光条中心的位置信息;对融合图像中光条中心的位置信息进行坐标转换,得到钢轨一侧的半断面廓形数据;对钢轨两侧的半断面廓形数据进行廓形拼接处理,得到钢轨的全断面廓形数据。
可选地,在提取融合图像中光条中心的位置信息的时候,可以采用如下任意一种算法提取融合图像中光条中心的位置信息:极大值法、灰度重心法和Steger法。
由上可知,本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法,通过采集钢轨多个方向的光条偏振图像,进而根据钢轨多个方向的光条偏振图像,获得Stokes参量图像、线偏振度图像和线偏振角度图像,以便从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取多幅偏振图像来进行图像融合处理,最后根据多幅偏振图像的融合图像,提取钢轨廓形数据。
通过本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法,能够提供成像对比度和光条中心置信度均比较高的高质量钢轨廓形光条图像,从而降低从钢轨廓形光条图像中提取光条中心的难度,提高钢轨廓形检测的准确度。
图4为本发明实施例中提供的一种钢轨廓形检测组件示意图,如图4所示,本发明实施例中提供的钢轨廓形检测组件3包括:线结构光激光器1和偏振相机2等部件。其中,激光器1发射光刀平面垂直入射到钢轨4表面,由偏振相机2拍摄钢轨4,得到包含钢轨轮廓信息的光条偏振图像。
需要说明的是,传统线结构光钢轨廓形检测系统中,检测组件主要由激光器、机器视觉镜头和普通面阵相机(例如,CCD相机)等组成,在这种检测组件中,由激光器发射光刀平面垂直入射到钢轨表面后,由CCD相机以一定的角度拍摄钢轨,得到包含钢轨轮廓信息的光条图像,通过普通相机采集的光条图像中局部区域(例如,光带区域)会出现欠暴现象,如果为了解决局部区域的欠暴问题,增大曝光时间,则会导致光条图像中正常区域的光条曝光过量,仍然会影响整体钢轨廓形的检测准确度。
而本发明实施例通过多套钢轨廓形检测组件的多个偏振相机同时采集光条偏振图像能够获得钢轨不同方向的光条偏振图像,利用偏振图像之间的信息互补性,对不同方向的光条偏振图像进行图像融合,得到融合后的钢轨廓形光条图像,能够克服图像中局域区域曝光不足或曝光过量的问题,得到成像对比度和光条中心置信度均比较高的高质量钢轨廓形光条图像,不仅能够降低从钢轨廓形光条图像中提取光条中心的难度,而且提高钢轨廓形检测的准确度。
图5为本发明实施例中提供的一种钢轨廓形检测系统示意图,如图5所示,本发明实施例中提供的钢轨廓形检测系统包括:四套钢轨廓形检测组件3、检测梁5、信号同步单元7、光电编码器8、图像处理主机6等部件。其中,廓形检测组件可以通过检测梁刚性连接,分别位于两股钢轨(图标4-1所示左股钢轨,图标4-2所示为右股钢轨)的左右两侧;光电编码器用于廓形等间距采样;信号同步单元发出同步信号,控制四套钢轨廓形检测组件中的四个偏振相机同时采集钢轨廓形光条偏振图像。
可选地,根据现场使用需求,本发明实施例提供的检测系统,不仅可以安装在轨道巡检车上,也可以安装在手推小车上。
图6为本发明实施例中提供的一种钢轨廓形检测流程图,如图6所示,由轴端光电编码器和信号同步单元控制触发四套钢轨廓形检测组件同时工作,利用四套廓形检测组件中的四个偏振相机,同时采集钢轨半断面廓形的四向偏振图像。由四向偏振图像通过计算可以得到Stokes参量图像,由Stokes参量图像得到线偏振度图像和线偏振角度图像。根据现场检测效率和准确度等方面的要求,采取不同的图像融合方案,对四向偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像进行图像融合,使得融合后的光条图像,成像质量显著改善,对比度提高,不再出现局部区域曝光不足的现象。对于融合后图像,利用灰度重心法、Steger法和模板匹配等光条中心提取方法,能够得到准确的光条中心位置信息,并由事先标定好的相机内外参数反算出钢轨的半断面廓形数据。对于单股钢轨来说,利用左右两侧廓形检测组件同时获取钢轨两侧的半断面廓形数据,基于两侧的半断面廓形数据和两侧廓形检测组件的位置关系进行廓形拼接,得到单股钢轨较为完整的全断面廓形数据。
需要注意的是,本发明实施例中偏振图像的获取和偏振图像的融合处理是关键步骤,下面分别进行说明。
(一)偏振图像的获取:
除了通过偏振相机采集钢轨廓形光条偏振图像外,还可以根据采集的光条偏振图像计算得到Stokes参量图像、线偏振角度图像和线偏振度图像。
下面对Stokes参量图像、线偏振角度图像和线偏振度图像的计算说明如下:
由于偏振相机的图像传感器芯片上具有四个方向(分别是0°、90°、45°、135°)的像素级偏振滤光镜,因而能够获取普通相机无法检测到的偏振极化信息,能够增强对比度,降低镜面反射光的影响。由偏振相机采集钢轨廓形光条图像,对于同一个断面,可以同时获取四个方向的偏振图像,简称四向偏振图像,分别记为I0、I45、I90和I135。由四向偏振图像可以得到Stokes参量的前三个参数S0、S1和S2,统称为Stokes参量图像,计算方法参照上述公式(1)、公式(2)和公式(3),其中S0表示总强度图像,与普通相机获取的强度图像一致,S1和S2表示总光强中线偏振部分,由S0、S1和S2计算得到线偏振度图像IDoLP和线偏振角度图像IAoP可以参照上述公式(4)和公式(5)。
可见,本发明实施例可以得到四向偏振图像I0、I45、I90和I135,Stokes参量图像S0、S1和S2、线偏振度图像IDoLP和线偏振角度图像IAoP,共计9幅图像参与图像融合计算。其中,Stokes参量图像S0是传统基于强度图像的钢轨廓形检测方法得到的强度图像,因此,本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法,通过偏振相机获取到的钢轨廓形信息,远多于传统基于光强度信息的钢轨廓形检测方法通过普通相机获取到的钢轨廓形信息。
(二)偏振图像的融合:
本发明实施例按照待融合图像(源图像)选取的数量,采用如下三种图像融合方案:
方案一,以四向偏振图像和线偏振度图像为源图像进行图像融合;
方案二,以Stokes参量图像和线偏振度图像为源图像进行图像融合;
方案三,以四向偏振图像、Stokes参量图像、线偏振角度图像、线偏振度图像为源图像进行图像融合。
需要注意的是,由于采用的待融合图像数量和种类不同,上述三种融合方案具有不同的融合速度和准确度,例如,方案一选取的源图像数量较少,计算量小,融合速度较快,适用于对检测速度要求较高的场合;方案三选取的源图像数量较多,计算量大,融合速度较慢,但由于包含了全部的偏振信息,准确度和稳健性较高,适用于对检测精度要求较高的场合。
为了实现更好地图像融合,本发明实施例在对各个待融合图像进行融合的时候,各个待融合图像设置不同的融合权重。由于钢轨廓形检测的目的是根据光条图像中的光条中心来确定钢轨廓形数据,因而,光条图像中光条中心的质量,直接影响到钢轨廓形数据的提取。本发明实施例中引入光条信度评价机制,以确定待融合的各个源图像的融合权重,光条信度反映了钢轨廓形光条图像的质量,用于评价光条中心位置的可靠性。
经分析,正常工况下,光条图像中的光条宽度处于一定的范围内,而在欠曝区域,由于图像对比度降低,光条宽度明显减小,甚至为零,因此,可以根据光条偏振图像中的光条宽度,来评价光条的可信度。除了光条宽度以外,光条宽度内的总强度也能反映光条的质量高低,对于正常光条图像,其光条宽度内的总强度处于一定的范围,而对于欠曝区域,由于对比度降低,其总强度也明显降低,因此,光条宽度内的总强度也可以作为光条信度评价的特征量。
基于上述分析,本发明实施例可以选取光条宽度或光条宽度内的总强度作为光条信度评价的特征量,来评估每幅源图像光条信度,从而计算每幅源图像的融合权重。可选地,本发明实施例也可以结合两个特征量,来计算每幅源图像的融合权重。
作为一种可选的实施方式,本发明实施例在对各幅图像进行融合的时候,采用按列的方式进行图像融合,因此,对于每幅源图像,需要计算每列的光条信度。
下面以光条宽度为特征量进行光条信度评价,分别阐述三种图像融合方案的图像融合过程。
方案一:以四向偏振图像和线偏振度图像为源图像进行图像融合。
图7为本发明实施例中提供的一种图像融合算法示意图,如图7所示,本发明实施例选取四向偏振图像I0、I45、I90、I135,和线偏振度图像IDoLP,共计5幅图像参与图像融合计算。
对于第i幅图像的第j列,计算该列的光条宽度,记为然后计算该列光条宽度与光条参考宽度Mr的差值差值越小,该列光条与参考光条越接近,成像质量和光条信度较高,图像融合时应具有较高的融合权重,因此采用上述公式(7))计算该幅图像当前列的融合权重当等于0时,将其偏置一个特别小的数Δ0,以排除分母为0的情况,Δ0取值范围为0.001~0.1。
其中,i=1,2,3,4,5分别表示四向偏振图像和线偏振度图像,j=1,2,3,…,Width,Width表示待融合图像的列数。m表示权重调节因子,取值范围为1~3,m取值越大,与参考光条越接近的列的权重越高,光条参考宽度Mr可由正常工况下的光条宽度确定,也可由标定时的光条宽度确定。
对于第i幅图像的第j列的每一行像素,用其灰度值乘以该列的融合权重求和得到融合图像F中第j列第k行像素的灰度值Fkj,从而得到融合图像F。如公式(6)所示,其中,k=1,2,3,…,Height,Height表示待融合图像的高度。
方案二:以Stokes参量图像和线偏振度图像为源图像进行图像融合。
与方案一不同的是,方案二选取Stokes参量图像S0和线偏振度图像IDoLP,共计2幅图像参与图像融合计算,计算方法参照方案一。
方案三:以四向偏振图像、Stokes参量图像、线偏振角度图像、线偏振度图像为源图像,进行图像融合。
与方案一和方案二不同的是,方案三选取四向偏振图像I0、I45、I90和I135,Stokes参量图像S0、S1和S2、线偏振度图像IDoLP和线偏振角度图像IAoP,共计9幅图像参与图像融合计算,计算方法参照方案一。
需要注意的是,偏振成像技术与传统强度成像技术相比,不仅可以获取被测物的强度信息,也可以获取被测物更多维度的偏振信息,综合偏振信息和强度信息,可以降低镜面反射光的影响,提高成像对比度,因此,本发明实施例采用偏振成像技术,能够解决传统基于光强度信息的钢轨廓形检测方法得到的光条图像中存在局部区域曝光不足的问题。
下面,对本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法能够获取的更好的钢轨廓形检测效果进行理论分析:
根据光的电磁理论,其电场方向和磁场方向垂直于传播方向,是一种横波。在垂直于光传播方向的平面内,电矢量可以有不同的振动状态,这种振动状态称为光的偏振态。按照偏振态的不同,光可以分为自然光、部分偏振光和完全偏振光,其中,完全偏振光又可以分为椭圆偏振光、线偏振光和圆偏振光。Stokes矢量S可以描述任意光的偏振态,其各个分量与光的电矢量的振幅分量Ex和Ey及相位差δ的关系如公式(8)所示:
其中,S0表示光的总强度,S1表示光波在x轴方向的线偏振分量与y轴方向的线偏振分量之间的光强差,S2表示光波在45°方向的线偏振分量与135°方向的线偏振分量之间的光强差,S3表示左旋圆偏振分量与右旋圆偏振分量之间的光强差。
通常情况下,自然界的光几乎都是部分偏振光,而部分偏振光可以看作是完全偏振光和自然光的组合。利用线偏振度DoLP表示部分偏振光中线偏振光所占的比例,则线偏振度DoLP的表示如公式(9)所示:
线偏振角AoP是偏振椭圆的长轴与x轴的夹角,即振动最强的方向与x轴方向的夹角,线偏振角AoP的表示如公式(10)所示:
被测物的偏振信息主要包括各个方向的线偏振分量、Stokes矢量S、线偏振度DoLP和线偏振角AoP,传统相机仅获取被测物的强度信息,即Stokes矢量的第一个分量,而偏振相机基于偏振成像技术,可以同时获取被测物的以上所有偏振信息,因此,通过偏振相机得到的钢轨廓形信息远多于传统的方法。综合偏振信息和强度信息,偏振相机常常用来增强对比度,降低镜面反射光的影响。
本发明实施例在传统线结构光钢轨廓形检测技术的基础上,采用偏振相机代替传统强度相机进行钢轨廓形检测。由于偏振相机的图像传感器芯片上具有0°、90°、45°、135°四个方向的像素级偏振滤光镜,可以获取四个方向的偏振信息。
图8为本发明实施例中提供的一种偏振相机的偏振滤镜和像素分布示意图,如图8所示,偏振相机的四向偏振滤光片按2×2分布,2×2模板里的每个子像素分别对应0°、135°、45°和90°纳米线光栅偏振滤镜,振动方向垂直于纳米线光栅的偏振光会透过滤镜,而振动方向平行于纳米线光栅的偏振光会被滤除。所有2×2模板里具有同一偏振方向的子像素构成一幅偏振图像,因此,通过对2×2模板里的子像素值进行计算,得到4幅宽高仅为原始图像1/2的偏振图像,即四向偏振图像,分别记为I0、I45、I90和I135。
利用偏振相机对同一位置的钢轨进行拍摄,能够得到4幅钢轨廓形光条偏振图像,如图9~图12所示,其中,图9为0°方向采集的钢轨廓形待融合图像;图10为45°方向采集的待融合图像;图11为90°方向采集的待融合图像;图12为135°方向采集的待融合图像。
根据图9~图12所示的光条偏振图像,可以得到Stokes参量图像S0、S1和S2,如图13~图15所示,其中,图13为Stokes参量中第一个参数对应的光条图像;图14为Stokes参量中第二个参数对应的光条图像;图15为Stokes参量中第三个参数对应的光条图像。
根据图13~图15所示的Stokes参量图像,可以得到线偏振度图像IDoLP和线偏振角度图像IAoP,如图16和图17所示,其中,图16为线偏振度图像;图17为线偏振角度图像示意图。
由于不同偏振图像之间的信息具有冗余性和互补性,在Stokes参量图像S0(即强度图像)中存在欠曝的区域,而在线偏振度图像中对应的区域,光条能量较强,成像对比度和光条中心置信度均较高,因此,基于Stokes参量图像S0和线偏振度图像IDoLP之间的信息互补性,可选择Stokes参量图像S0和线偏振度图像IDoLP作为源图像进行图像融合,可以较好解决传统钢轨廓形检测技术中光条图像欠曝问题。此外,为了保证曝光时间和周围环境等发生变化时,均能得到较为理想的融合图像,可以根据实际情况选择四向偏振图像、Stokes参量图像、线偏振角度图像、线偏振度图像中具有信息互补性的图像作为源图像,进行图像融合。
采用方案二,即以Stokes参量图像S0和线偏振度图像IDoLP作为源图像进行图像融合,得到融合后的钢轨廓形光条图像,如图18所示,可以明显看出,融合图像不再出现欠曝区域,光条对比度和光条中心置信度均较高,成像质量得到显著改善。
图19示出了采用极大值法、灰度重心法和Steger法对融合图像进行光条中心提取的结果,如图19所示,图标a所示为采用极大值法提取出的光条中心,图标b所示为采用灰度重心法提取出的光条中心,图标c所示为采用Steger法提取出的光条中心,图标d所示为通过Miniprof轨廓仪测量的钢轨廓形数据映射到图像坐标中的结果。
通过比对图2和图19可以看出,对于采用传统基于反射光强度信息的钢轨廓形检测方法得到光条图像中,存在光条中心中断的区域,在本发明实施例融合后的钢轨廓形光条图像中,是完整的光条中心,从而,通过本发明实施例基于偏振图像融合的钢轨廓形检测方法,能够准确的反映钢轨的真实廓形。经测试,采用Steger法提取融合图像的光条中心,得到钢轨廓形测量均方根误差为0.07mm。
根据上述分析可知,本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法,利用偏振图像之间的信息互补性,基于光条信度评价融合钢轨廓形偏振图像,融合后的图像不再出现局部欠曝的现象,成像对比度和光条中心置信度均得到提高,高质量的廓形光条图像不仅降低了后期光条中心提取算法的难度,同时也提高了恶劣工况下钢轨廓形检测的准确度。
基于同一发明构思,本发明实施例中还提供了一种基于偏振图像融合的钢轨廓形检测装置,如下面的实施例。由于该装置实施例解决问题的原理与基于偏振图像融合的钢轨廓形检测方法相似,因此该装置实施例的实施可以参见方法的实施,重复之处不再赘述。
图20为本发明实施例中提供的一种基于偏振图像融合的钢轨廓形检测装置示意图,如图20所示,该装置可以包括:偏振图像采集单元201、第一图像确定单元202、第二图像确定单元203、图像融合处理单元204和钢轨廓形提取单元205。
其中,偏振图像采集单元201,用于采集钢轨多个方向的光条偏振图像;第一图像确定单元202,用于根据钢轨多个方向的光条偏振图像,确定Stokes参量图像;第二图像确定单元203,用于根据Stokes参量图像,确定线偏振度图像和线偏振角度图像;图像融合处理单元204,用于从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像;钢轨廓形提取单元205,用于根据融合图像,提取钢轨廓形数据。
由上可知,本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法,通过采集钢轨多个方向的光条偏振图像,进而根据钢轨多个方向的光条偏振图像,获得Stokes参量图像、线偏振度图像和线偏振角度图像,以便从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取多幅偏振图像来进行图像融合处理,最后根据多幅偏振图像的融合图像,提取钢轨廓形数据。
通过本发明实施例提供的基于偏振图像融合的钢轨廓形检测方法,能够提供成像对比度和光条中心置信度均比较高的高质量钢轨廓形光条图像,从而降低从钢轨廓形光条图像中提取光条中心的难度,提高钢轨廓形检测的准确度。
可选地,本发明实施例提供的基于偏振图像融合的钢轨廓形检测装置中,图像融合处理单元204可以包括如下任意之一:第一图像融合模块204-1,用于对钢轨多个方向的光条偏振图像和线偏振度图像进行图像融合处理,得到融合图像;第二图像融合模块204-2,用于对Stokes参量图像和线偏振度图像进行图像融合处理,得到融合图像;第三图像融合模块204-3,用于对钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像进行图像融合处理,得到融合图像。
作为一种可选的实施方式,上述第一图像融合模块204-1、第二图像融合模块204-2或第三图像融合模块204-3均可以通过公式(6)来对待融合图像进行图像融合处理。
进一步地,本发明实施例提供的基于偏振图像融合的钢轨廓形检测装置中,钢轨廓形提取单元205包括:光条中心提取模块205-1,用于提取融合图像中光条中心的位置信息;钢轨半断面廓形数据确定模块205-2,用于对融合图像中光条中心的位置信息进行坐标转换,得到钢轨一侧的半断面廓形数据;钢轨全断面廓形数据确定模块205-3,用于对钢轨两侧的半断面廓形数据进行廓形拼接处理,得到钢轨的全断面廓形数据。
可选地,上述光条中心提取模块205-1可以采用如下任意一种算法提取融合图像中光条中心的位置信息:极大值法、灰度重心法和Steger法。
一种实施例中,上述偏振图像采集单元201可以由偏振相机同时采集钢轨0°、90°、45°和135°四个方向的光条偏振图像。则上述第一图像确定单元202可以通过公式(1)、公式(2)和公式(3)来计算Stokes参量图像;上述第二图像确定单元203可以通过公式(4)来计算线偏振度图像,并通过公式(5)来计算线偏振角度图像。
本发明实施例还提供了一种计算机设备,用以解决现有技术通过采集钢轨廓形的光条图像来对钢轨廓形进行检测,由于轨头光带区域和轨距点附近区域的光条图像曝光不足,会导致光条图像中缺失部分钢轨廓形的数据,使得钢轨廓形检测精度较低的技术问题,该计算机设备包括存储器、处理器及存储在存储器上并可在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上述基于偏振图像融合的钢轨廓形检测方法。
本发明实施例还提供了一种计算机可读存储介质,用以解决现有技术通过采集钢轨廓形的光条图像来对钢轨廓形进行检测,由于轨头光带区域和轨距点附近区域的光条图像曝光不足,会导致光条图像中缺失部分钢轨廓形的数据,使得钢轨廓形检测精度较低的技术问题,所述计算机可读存储介质存储有执行上述基于偏振图像融合的钢轨廓形检测方法的计算机程序。
综上所述,本发明实施例提供了一种基于偏振图像融合的钢轨廓形检测方法、装置、计算机设备和计算机可读存储介质,利用偏振图像之间的信息互补性,通过采集钢轨不同方向的钢轨廓形光条偏振图像,然后根据实际情况,从钢轨不同方向的光条偏振图像、Stokes参量图像、线偏振角度图像,或线偏振度图像中选取多幅图像作为源图像,并基于光条信度评价构建图像融合算法,对选取的图像进行图像融合处理,得到融合后的钢轨廓形光条图像,使得融合后的钢轨廓形光条图像不再出现局部区域的欠曝问题,成像对比度和光条中心置信度均得到提高,通过本发明实施例得到高质量钢轨廓形光条图像,不仅降低了后期光条中心提取算法的难度,同时也提高了恶劣工况下钢轨廓形检测的准确度。
与传统的线结构光钢轨廓形检测技术,本发明实施例将普通相机改成偏振相机,通过偏振图像融合的方法改善钢轨廓形光条成像质量,提高图像对比度,尤其是解决钢轨廓形光条图像局部欠曝问题,提高钢轨廓形检测精度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种基于偏振图像融合的钢轨廓形检测方法,其特征在于,包括:
采集钢轨多个方向的光条偏振图像;
根据钢轨多个方向的光条偏振图像,确定Stokes参量图像;
根据Stokes参量图像,确定线偏振度图像和线偏振角度图像;
从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像;
根据融合图像,提取钢轨廓形数据。
2.如权利要求1所述的方法,其特征在于,从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像,包括如下任意之一:
对钢轨多个方向的光条偏振图像和线偏振度图像进行图像融合处理,得到融合图像;
对Stokes参量图像和线偏振度图像进行图像融合处理,得到融合图像;
对钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像进行图像融合处理,得到融合图像。
4.如权利要求1所述的方法,其特征在于,根据融合图像,提取钢轨廓形数据,包括:
提取融合图像中光条中心的位置信息;
对融合图像中光条中心的位置信息进行坐标转换,得到钢轨一侧的半断面廓形数据;
对钢轨两侧的半断面廓形数据进行廓形拼接处理,得到钢轨的全断面廓形数据。
5.如权利要求4所述的方法,其特征在于,采用如下任意一种算法提取融合图像中光条中心的位置信息:极大值法、灰度重心法和Steger法。
6.如权利要求1至5任一项所述的方法,其特征在于,采集钢轨多个方向的光条偏振图像,包括:
由偏振相机同时采集钢轨0°、90°、45°和135°四个方向的光条偏振图像。
7.如权利要求6所述的方法,其特征在于,通过如下公式计算Stokes参量图像:
S0=I0+I90;
S1=I0-I90;
S2=I45-I135;
其中,S0表示Stokes参量中第一个参数对应的图像;S1表示Stokes参量中第二个参数对应的图像;S2表示Stokes参量中第三个参数对应的图像;I0表示0°方向采集的光条偏振图像;I45表示45°方向采集的光条偏振图像;I90表示90°方向采集的光条偏振图像;I135表示135°方向采集的光条偏振图像。
9.一种基于偏振图像融合的钢轨廓形检测装置,其特征在于,包括:
偏振图像采集单元,用于采集钢轨多个方向的光条偏振图像;
第一图像确定单元,用于根据钢轨多个方向的光条偏振图像,确定Stokes参量图像;
第二图像确定单元,用于根据Stokes参量图像,确定线偏振度图像和线偏振角度图像;
图像融合处理单元,用于从钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像中选取待融合图像,并对选取的待融合图像进行图像融合处理,得到融合图像;
钢轨廓形提取单元,用于根据融合图像,提取钢轨廓形数据。
10.如权利要求9所述的装置,其特征在于,所述图像融合处理单元包括如下任意之一:
第一图像融合模块,用于对钢轨多个方向的光条偏振图像和线偏振度图像进行图像融合处理,得到融合图像;
第二图像融合模块,用于对Stokes参量图像和线偏振度图像进行图像融合处理,得到融合图像;
第三图像融合模块,用于对钢轨多个方向的光条偏振图像、Stokes参量图像、线偏振度图像和线偏振角度图像进行图像融合处理,得到融合图像。
11.如权利要求9所述的装置,其特征在于,钢轨廓形提取单元包括:
光条中心提取模块,用于提取融合图像中光条中心的位置信息;
钢轨半断面廓形数据确定模块,用于对融合图像中光条中心的位置信息进行坐标转换,得到钢轨一侧的半断面廓形数据;
钢轨全断面廓形数据确定模块,用于对钢轨两侧的半断面廓形数据进行廓形拼接处理,得到钢轨的全断面廓形数据。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至8任一项所述基于偏振图像融合的钢轨廓形检测方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至8任一项所述基于偏振图像融合的钢轨廓形检测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147745.6A CN111369533B (zh) | 2020-03-05 | 2020-03-05 | 基于偏振图像融合的钢轨廓形检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147745.6A CN111369533B (zh) | 2020-03-05 | 2020-03-05 | 基于偏振图像融合的钢轨廓形检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369533A true CN111369533A (zh) | 2020-07-03 |
CN111369533B CN111369533B (zh) | 2023-06-06 |
Family
ID=71210313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010147745.6A Active CN111369533B (zh) | 2020-03-05 | 2020-03-05 | 基于偏振图像融合的钢轨廓形检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369533B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267789A (zh) * | 2021-04-30 | 2021-08-17 | 西安工业大学 | 一种红外全波段二维四向偏振调制光栅 |
CN113421205A (zh) * | 2021-07-16 | 2021-09-21 | 合肥工业大学 | 一种结合红外偏振成像的小目标检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110090372A1 (en) * | 2009-10-20 | 2011-04-21 | Nikon Corporation | Image processing apparatus and image processing method |
CN104978724A (zh) * | 2015-04-02 | 2015-10-14 | 中国人民解放军63655部队 | 基于多尺度变换与脉冲耦合神经网络的红外偏振融合方法 |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN106370309A (zh) * | 2016-11-07 | 2017-02-01 | 上海资誉电子科技有限公司 | 低空小目标的红外搜索系统 |
CN106504222A (zh) * | 2016-11-21 | 2017-03-15 | 河海大学常州校区 | 一种基于仿生视觉机理的水下偏振图像融合系统 |
WO2017104395A1 (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 画像処理装置及び画像処理方法 |
WO2018150586A1 (ja) * | 2017-02-20 | 2018-08-23 | Primetals Technologies Japan株式会社 | 板エッジ検出装置及び板エッジ検出方法 |
CN108986082A (zh) * | 2018-06-28 | 2018-12-11 | 武汉理工大学 | 一种基于epnp的钢轨廓形检测方法及系统 |
CN110044483A (zh) * | 2019-04-28 | 2019-07-23 | 南昌大学 | 一种单光子压缩偏振成像装置及方法 |
CN110388881A (zh) * | 2019-07-30 | 2019-10-29 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 基于偏振成像的钢轨廓形检测方法及装置 |
-
2020
- 2020-03-05 CN CN202010147745.6A patent/CN111369533B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110090372A1 (en) * | 2009-10-20 | 2011-04-21 | Nikon Corporation | Image processing apparatus and image processing method |
CN104978724A (zh) * | 2015-04-02 | 2015-10-14 | 中国人民解放军63655部队 | 基于多尺度变换与脉冲耦合神经网络的红外偏振融合方法 |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
WO2017104395A1 (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 画像処理装置及び画像処理方法 |
CN106370309A (zh) * | 2016-11-07 | 2017-02-01 | 上海资誉电子科技有限公司 | 低空小目标的红外搜索系统 |
CN106504222A (zh) * | 2016-11-21 | 2017-03-15 | 河海大学常州校区 | 一种基于仿生视觉机理的水下偏振图像融合系统 |
WO2018150586A1 (ja) * | 2017-02-20 | 2018-08-23 | Primetals Technologies Japan株式会社 | 板エッジ検出装置及び板エッジ検出方法 |
CN108986082A (zh) * | 2018-06-28 | 2018-12-11 | 武汉理工大学 | 一种基于epnp的钢轨廓形检测方法及系统 |
CN110044483A (zh) * | 2019-04-28 | 2019-07-23 | 南昌大学 | 一种单光子压缩偏振成像装置及方法 |
CN110388881A (zh) * | 2019-07-30 | 2019-10-29 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 基于偏振成像的钢轨廓形检测方法及装置 |
Non-Patent Citations (6)
Title |
---|
JUNGHYUN PARK 等: "Dynamic Reflection Phase and Polarization Control in Metasurfaces", 《NANO LETTERS》 * |
KONRAD ADAMUS 等: "Ultrasonic testing of thin walled components made of aluminum based laminates", 《COMPOSITE STRUCTURES》 * |
岳龙 等: "自适应复杂光条纹中心提取方法研究", 《科学技术与工程》 * |
李世维 等: "基于多尺度边缘表示的偏振图像二次融合算法", 《激光与红外》 * |
王乐 等: "基于偏振融合的钢轨廓形线结构光成像方法", 《光学学报》 * |
贺浩: "基于结构光的三维形态测量技术研究", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113267789A (zh) * | 2021-04-30 | 2021-08-17 | 西安工业大学 | 一种红外全波段二维四向偏振调制光栅 |
CN113421205A (zh) * | 2021-07-16 | 2021-09-21 | 合肥工业大学 | 一种结合红外偏振成像的小目标检测方法 |
CN113421205B (zh) * | 2021-07-16 | 2022-11-15 | 合肥工业大学 | 一种结合红外偏振成像的小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111369533B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109631787B (zh) | 透射式靶标图像的光斑中心检测方法及桥梁挠度图像式检测装置 | |
CN105526882B (zh) | 基于结构光测量的道岔磨耗检测系统及其检测方法 | |
CN109559348B (zh) | 一种基于特征点追踪的桥梁非接触式变形测量方法 | |
CN105784710B (zh) | 一种基于数字图像处理的混凝土桥梁裂缝检测装置 | |
CN110230998B (zh) | 基于线激光和双目相机的快速精密三维测量方法和装置 | |
CN101526336B (zh) | 基于量块的线结构光三维视觉传感器标定方法 | |
CN111207695A (zh) | 一种基于双线结构光的热轧带钢端部三维轮廓测量方法 | |
CN108335286B (zh) | 一种基于双线结构光的在线焊缝成型视觉检测方法 | |
CN108801164B (zh) | 一种基于激光测试工件缝隙值的方法及系统 | |
US20030142862A1 (en) | Stereoscopic three-dimensional metrology system and method | |
CN111369484B (zh) | 钢轨廓形检测方法及装置 | |
CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN101221040A (zh) | 钢板板坯尺寸测量方法及装置 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN105783769A (zh) | 基于线激光扫描的齿轮三维轮廓测量系统及方法 | |
CN111369533B (zh) | 基于偏振图像融合的钢轨廓形检测方法及装置 | |
CN108844469B (zh) | 一种基于激光测试工件台阶高度的方法及系统 | |
CN102494614B (zh) | 一种高精度数字散斑相关测量方法 | |
CN111879264A (zh) | 一种基于线结构光的平整度测量与评估系统 | |
CN100491986C (zh) | 干涉条纹自动对焦与自动检测方法 | |
CN115112049A (zh) | 一种三维形貌的线结构光精密旋转测量方法、系统及装置 | |
CN205991785U (zh) | 一种铁路隧道限界动态检测系统 | |
CN111397529A (zh) | 一种基于双目视觉结构光的复杂表面形状检测方法 | |
CN103234483B (zh) | 一种相机芯片平行度的检测方法及装置 | |
CN105526887B (zh) | 一种非接触式织物表面粗糙度测试方法及测试装置 |
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 |