CN111476792B - 一种板带钢图像轮廓的提取方法 - Google Patents
一种板带钢图像轮廓的提取方法 Download PDFInfo
- Publication number
- CN111476792B CN111476792B CN202010461872.3A CN202010461872A CN111476792B CN 111476792 B CN111476792 B CN 111476792B CN 202010461872 A CN202010461872 A CN 202010461872A CN 111476792 B CN111476792 B CN 111476792B
- Authority
- CN
- China
- Prior art keywords
- image
- strip steel
- plate strip
- omega
- pixel
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 152
- 239000010959 steel Substances 0.000 title claims abstract description 152
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 abstract 1
- 239000002184 metal Substances 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000009966 trimming Methods 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供一种板带钢图像轮廓的提取方法。采用高速线阵相机获取板带钢的二维平面图像,采用伽马变换增强图像的对比度,对增强后的图像进行中值滤波后采用大津法确定图像分割阈值,并利用该阈值进行图像二值化分割,求取分割图像边界并膨胀后与中值滤波后的图像进行交集计算,采用Canny算法进行图像边缘粗定位,结合基于灰度梯度的亚像素边缘轮廓提取算法完成板带钢边缘轮廓的最终提取。本发明具有测量系统硬件配置简单,计算方法高效精确,能够快速准确的提取板带钢图片的轮廓,对于基于流水线生产的大尺寸板带钢及金属工件轮廓的提取具有较好的适用性。
Description
技术领域
本发明涉及冶金自动化生产与检测领域,尤其涉及一种板带钢图像轮廓的提取方法。
背景技术
在钢铁行业的钢板生产工艺中,板带钢经过轧制后,由于轧辊对带钢产生的压力不均匀等一系列因素,导致钢板头尾不规则形状及侧弯等形状的缺陷。在轧制过程中一旦出现这些缺陷,轻者增加切边量,影响成材率;重者造成产品不符合标准,整体被淘汰,严重影响生产效率。为更好的判断上述缺陷,必须要对轧制后的带钢的轮廓形状进行检测,以确保轧制节奏,提高成材率。
传统的钢板形状轮廓检测多为人工检测和接触式检测,但是这两种检测方式存在着致命缺点:即主观经验影响大、机械磨损严重、有碰撞危险和维修工作量大,所以制约了其发展。而现今机器视觉的快速发展,为钢板的轮廓测量发展提供了新的思路,但是由于图像噪声的存在,以及图像中钢板内部灰度分布不均等问题,使得提取得到的钢板轮廓存在着大量误差。
发明内容
针对现有技术的不足,本发明提出一种板带钢图像轮廓的提取方法,包括以下步骤:
步骤1:根据标定的相机内参,计算出相机采集到的板带钢图像中单位像素的长度σ;
步骤2:对采集到的板带钢图像进行畸变校正,得到畸变校正处理后的板带钢图像;
步骤3:为了增强板带钢图像的前景区域与背景区域之间的比对度,将畸变校正处理后的板带钢图像进行图像增强处理,得到增强后的板带钢图像;
步骤4:对增强后的板带钢图像进行中值滤波处理,得到中值滤波处理后的板带钢图像;
步骤5:对中值滤波处理后的板带钢图像,先采用大津法计算分割阈值,然后利用计算得到的分割阈值进行二值化处理,得到板带钢图像的二值化图像;
步骤6:利用面积特征筛选二值化图像,得到板带钢特征图像,所述板带钢特征图像为只包含板带钢部分的二值化图像;
步骤7:根据区域边界条件计算板带钢特征图像的边界,得到区域边界图像;
步骤8:将区域边界图像先进行膨胀处理,然后将膨胀处理后的区域边界图像与中值滤波处理后的板带钢图像进行交集运算,得到板带钢的边界图像;
步骤9:利用Canny算子对板带钢的边界图像进行轮廓提取,得到板带钢的边界图像的粗边缘图像;
步骤10:利用基于灰度梯度的亚像素边缘轮廓提取算法,对粗边缘图像进行轮廓计算,得到板带钢图像的轮廓线。
所述步骤3具体表述为:利用公式(1)对板带钢图像进行伽马图像增强,
s=crrγ (1)
式中,r表示图像进行灰度拉伸操作前的灰度值,s表示图像进行灰度拉伸操作后的灰度值,γ表示图像灰度拉伸的幂指数,cr表示限制常数。
所述步骤5具体表述为:
步骤5.1:根据预设分割阈值T将中值滤波处理后的板带钢图像分割为前景图像A、背景图像B两部分,计算中值滤波处理后的板带钢图像的分割阈值σ2(Th);
σ2(T)=ωAωB(μA-μB)2 (2)
式中,μA表示前景图像A的灰度均值,ωA表示前景图像A内的像素点个数与板带钢图像总像素点个数的比值,μB表示背景图像B的灰度均值,ωB表示背景图像B内的像素点个数与板带钢图像总像素点个数的比值;
步骤5.2:利用阈值σ2(Th)对中值滤波处理后的板带钢图像进行逐个像素点的灰度分类,得到板带钢图像的二值化图像g(x,y),所述g(x,y)的阈值分割表达式如公式(4)所示,
式中,f(x,y)表示中值滤波处理后的板带钢图像。
所述步骤6具体表述为:
步骤6.1:根据8邻域的邻接关系将整个二值化图像分成N个连通区域,分别记为region1,region2,…,regionN;
步骤6.2:遍历各个连通区域,分别计算各个连通区域的像素面积,筛选出像素面积最大的连通区域作为板带钢特征图像。
所述步骤7具体表述为:
步骤7.1:遍历板带钢特征图像中的每个像素点,计算每个像素点的8邻域像素灰度之和;
步骤7.2:根据每个像素点的8邻域像素灰度和,筛选出灰度和大于0且小于2040的像素点,作为符合边界条件的像素点,将所有符合边界条件的像素点连接在一起,得到区域边界图像。
所述步骤8具体表述为:
步骤8.1:采用圆形膨胀模板对区域边界图像进行膨胀处理,得到膨胀处理后的区域边界图像;
步骤8.2:将板带钢图像的长度方向作为直角坐标系的x轴,宽度方向作为直角坐标系的y轴,直角坐标系的原点设置在O点,其中O点表示板带钢图像上的任意点,记录膨胀处理后的区域边界图像中的各个像素点的坐标;
步骤8.3:利用各个像素点的坐标作为索引,在中值滤波处理后的板带钢图像中找到对应坐标的像素点,记为索引像素点;
步骤8.4:将在中值滤波处理后的板带钢图像中得到的所有索引像素点连接在一起,得到板带钢的边界图像。
所述步骤10具体表述为:
步骤10.1:将粗边缘图像中的整数像素点(i,j),沿着坐标系的x轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i-ω,j)、(i+ω,j),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i-ω,j)、(i+ω,j)的梯度幅值,分别记为G(i,j)、G(i-1,j)、G(i+1,j);
步骤10.2:利用像素点(i,j)、(i-ω,j)、(i+ω,j)拟合为一条二次曲线,定义二次曲线的表达式如公式(5)所示,将像素点(i,j)、(i-ω,j)、(i+ω,j)带入公式(5)得到公式(6)所示方程组,
p(x)=ax2+bx+c (5)
式中,a、b、c表示二次曲线p(x)中的待求系数;
步骤10.3:求解公式(6)给出的方程组得到各待求参数如公式(7)所示,然后将得到的各参数带入公式(5),即可得到二次曲线的具体表达式,
步骤10.4:求解二次曲线p(x)具体表达式的极值点pi,则极值点pi即为亚像素点的横坐标点,
步骤10.5:将粗边缘图像中的整数像素点(i,j),沿着坐标系的y轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i,j-ω)、(i,j+ω),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i,j-ω)、(i,j+ω)的梯度幅值,分别记为G(i,j)、G(i,j-1)、G(i,j+1);
步骤10.6:利用像素点(i,j)、(i,j-ω)、(i,j+ω)拟合为一条二次曲线,定义二次曲线的表达式如公式(9)所示,将像素点(i,j)、(i,j-ω)、(i,j+ω)带入公式(9)得到公式(10)所示方程组,
p'(x)=a'x2+b'x+c' (9)
式中,a'、b'、c'表示二次曲线p'(x)中的待求系数;
步骤10.7:求解公式(10)给出的方程组得到各待求参数如公式(11)所示,然后将得到的各参数带入公式(9),即可得到二次曲线的具体表达式,
步骤10.8:求解二次曲线p'(x)具体表达式的极值点pj,则极值点pj即为亚像素点的纵坐标点,
步骤10.9:组合极值点pi、pj得到像素点(i,j)对应的亚像素点的坐标(pi,pj);
步骤10.10:重复步骤10.1~步骤10.9,计算粗边缘图像中的各个整数像素点对应的亚像素点的坐标,然后将各个亚像素点连接起来即可得到板带钢图像的亚像素轮廓,即板带钢图像的轮廓线。
本发明的有益效果是:
本发明提出了一种板带钢图像轮廓的提取方法,可实时反应带钢的形状和宽度变化的信息,且避免的人工测量带来的误差,具有速度快,精度高的特点,同时为钢板后续定尺提供了准确的数据,进而提高钢板的产品质量,为后续剪切以及侧弯控制提供准确的数据指导。
附图说明
图1为本发明中的板带钢图像轮廓的提取示意图;
图2为本发明中的板带钢图像轮廓的提取方法流程图;
图3为本发明具体实施方式中采集的板带钢试样图;
图4为本发明具体实施方式中经过图像增强处理后的板带钢图像;
图5为本发明具体实施方式中经过面积特征筛选后的板带钢特征图像;
图6为本发明具体实施方式中待提取轮廓的板带钢的边界图像;
图7为本发明具体实施方式中提取的板带钢亚像素边缘轮廓图;
图中,1、高速线阵相机,2、线形LED光源。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例中采集板带钢图像所用的设备有:1台高速线阵相机、1台线形LED光源,具体安装示意图如图1所示,其中高速线阵相机行频>10kHz,且分辨率>2k,高速线阵相机的具体性能参数如表1所示,被测板带钢试样宽度为200mm,板带钢在生产线辊道上运动速度v为0.3m/s。
表1高速线阵相机的性能参数表
如图2所示,一种板带钢图像轮廓的提取方法,采用的图像处理软件为Halcon,包括如下步骤:
步骤1:根据标定的相机内参,计算出相机在当前内外参数下采集到的板带钢图像中单位像素的长度σ;
标定相机拍摄区域的当前内、外参数如下所示:
内参数:[0.0122531,-471.281,3.45087e-006,3.45e-006,1218.39,992.495,2464,2056]
外参数:[-0.00610561,0.00553422,0.275833,357.708,0.348804,89.8773,0];
其中,内参数信息包含:[焦距(m),kappa值(1/m2),单个像元的宽(μm),单个像元的高(μm),中心点的X坐标(Pixel),中心点的Y坐标(Pixel),图像宽(Pixel),图像高(Pixel)];
外参数信息包含:[X方向偏移(mm),Y方向偏移(mm),Z方向偏移(mm),X方向旋转(度),Y方向旋转(度),Z方向旋转(度),相机类型];
采集的板带钢试样图如图3所示,根据上述标定数值,计算出单个像素的长度σ=7.87*10-5m(单位:米);
步骤2:对采集到的板带钢图像进行畸变校正,得到畸变校正处理后的板带钢图像;
步骤3:为了增强板带钢图像的前景区域与背景区域之间的比对度,将畸变校正处理后的板带钢图像进行图像增强处理,得到增强后的板带钢图像,具体表述为:利用公式(1)对板带钢图像进行伽马图像增强,得到的板带钢图像如图4所示,
s=crrγ (1)
式中,r表示图像进行灰度拉伸操作前的灰度值,s表示图像进行灰度拉伸操作后的灰度值,γ表示图像灰度拉伸的幂指数,γ取值为2.5,cr表示限制常数。
步骤4:为去除图像中的噪声干扰,对增强后的板带钢图像进行中值滤波处理,得到中值滤波处理后的板带钢图像;
步骤5:对中值滤波处理后的板带钢图像,先采用大津法计算分割阈值,然后利用计算得到的分割阈值进行二值化处理,得到板带钢图像的二值化图像,具体表述为:
步骤5.1:根据预设分割阈值T将中值滤波处理后的板带钢图像分割为前景图像A、背景图像B两部分,计算中值滤波处理后的板带钢图像的分割阈值σ2(Th);
σ2(T)=ωAωB(μA-μB)2 (2)
式中,μA表示前景图像A的灰度均值,ωA表示前景图像A内的像素点个数与板带钢图像总像素点个数的比值,μB表示背景图像B的灰度均值,ωB表示背景图像B内的像素点个数与板带钢图像总像素点个数的比值;
步骤5.2:利用阈值σ2(Th)对中值滤波处理后的板带钢图像进行逐个像素点的灰度分类,得到板带钢图像的二值化图像g(x,y),所述g(x,y)的阈值分割表达式如公式(4)所示,
式中,f(x,y)表示中值滤波处理后的板带钢图像。
步骤6:利用面积特征筛选二值化图像,得到板带钢特征图像,所述板带钢特征图像为只包含板带钢部分的二值化图像,具体表述为:
步骤6.1:根据8邻域的邻接关系将整个二值化图像分成N个连通区域,分别记为region1,region2,…,regionN;
步骤6.2:遍历各个连通区域,分别计算各个连通区域的像素面积,筛选出像素面积最大的连通区域作为板带钢特征图像如图5所示;
步骤7:根据区域边界条件计算板带钢特征图像的边界,得到区域边界图像,具体表述为:
步骤7.1:遍历板带钢特征图像中的每个像素点,计算每个像素点的8邻域像素灰度之和;
步骤7.2:根据每个像素点的8邻域像素灰度和,筛选出灰度和大于0且小于2040的像素点,作为符合边界条件的像素点,将所有符合边界条件的像素点连接在一起,得到区域边界图像;
步骤8:将区域边界图像先进行膨胀处理,然后将膨胀处理后的区域边界图像与中值滤波处理后的板带钢图像进行交集运算,得到板带钢的边界图像,具体表述为:
步骤8.1:采用圆形膨胀模板对区域边界图像进行膨胀处理,得到膨胀处理后的区域边界图像;
步骤8.2:将板带钢图像的长度方向作为直角坐标系的x轴,宽度方向作为直角坐标系的y轴,直角坐标系的原点设置在O点,其中O点表示板带钢图像上的任意点,记录膨胀处理后的区域边界图像中的各个像素点的坐标;
步骤8.3:利用各个像素点的坐标作为索引,在中值滤波处理后的板带钢图像中找到对应坐标的像素点,记为索引像素点;
步骤8.4:将在中值滤波处理后的板带钢图像中得到的所有索引像素点连接在一起,得到板带钢的边界图像如图6所示;
步骤9:利用Canny算子对板带钢的边界图像进行轮廓提取,得到板带钢的边界图像的粗边缘图像;
步骤10:利用基于灰度梯度的亚像素边缘轮廓提取算法,对粗边缘图像进行轮廓计算,得到板带钢图像的轮廓线,具体表述为:
步骤10.1:将粗边缘图像中的整数像素点(i,j),沿着坐标系的x轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i-ω,j)、(i+ω,j),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i-ω,j)、(i+ω,j)的梯度幅值,分别记为G(i,j)、G(i-1,j)、G(i+1,j);
步骤10.2:利用像素点(i,j)、(i-ω,j)、(i+ω,j)拟合为一条二次曲线,定义二次曲线的表达式如公式(5)所示,将像素点(i,j)、(i-ω,j)、(i+ω,j)带入公式(5)得到公式(6)所示方程组,
p(x)=ax2+bx+c (5)
式中,a、b、c表示二次曲线p(x)中的待求系数;
步骤10.3:求解公式(6)给出的方程组得到各待求参数如公式(7)所示,然后将得到的各参数带入公式(5),即可得到二次曲线的具体表达式,
步骤10.4:求解二次曲线p(x)具体表达式的极值点pi,则极值点pi即为亚像素点的横坐标点,
步骤10.5:将粗边缘图像中的整数像素点(i,j),沿着坐标系的y轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i,j-ω)、(i,j+ω),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i,j-ω)、(i,j+ω)的梯度幅值,分别记为G(i,j)、G(i,j-1)、G(i,j+1);
步骤10.6:利用像素点(i,j)、(i,j-ω)、(i,j+ω)拟合为一条二次曲线,定义二次曲线的表达式如公式(9)所示,将像素点(i,j)、(i,j-ω)、(i,j+ω)带入公式(9)得到公式(10)所示方程组,
p'(x)=a'x2+b'x+c' (9)
式中,a'、b'、c'表示二次曲线p'(x)中的待求系数;
步骤10.7:求解公式(10)给出的方程组得到各待求参数如公式(11)所示,然后将得到的各参数带入公式(9),即可得到二次曲线的具体表达式,
步骤10.8:求解二次曲线p'(x)具体表达式的极值点pj,则极值点pj即为亚像素点的纵坐标点,
步骤10.9:组合极值点pi、pj得到像素点(i,j)对应的亚像素点的坐标(pi,pj);
步骤10.10:重复步骤10.1~步骤10.9,计算粗边缘图像中的各个整数像素点对应的亚像素点的坐标,然后将各个亚像素点连接起来即可得到板带钢图像的亚像素轮廓,即板带钢图像的轮廓线如图7所示。
Claims (7)
1.一种板带钢图像轮廓的提取方法,其特征在于,包括如下步骤:
步骤1:根据标定的相机内参,计算出相机采集到的板带钢图像中单位像素的长度σ;
步骤2:对采集到的板带钢图像进行畸变校正,得到畸变校正处理后的板带钢图像;
步骤3:为了增强板带钢图像的前景区域与背景区域之间的比对度,将畸变校正处理后的板带钢图像进行图像增强处理,得到增强后的板带钢图像;
步骤4:对增强后的板带钢图像进行中值滤波处理,得到中值滤波处理后的板带钢图像;
步骤5:对中值滤波处理后的板带钢图像,先采用大津法计算分割阈值,然后利用计算得到的分割阈值进行二值化处理,得到板带钢图像的二值化图像;
步骤6:利用面积特征筛选二值化图像,得到板带钢特征图像,所述板带钢特征图像为只包含板带钢部分的二值化图像;
步骤7:根据区域边界条件计算板带钢特征图像的边界,得到区域边界图像;
步骤8:将区域边界图像先进行膨胀处理,然后将膨胀处理后的区域边界图像与中值滤波处理后的板带钢图像进行交集运算,得到板带钢的边界图像;
步骤9:利用Canny算子对板带钢的边界图像进行轮廓提取,得到板带钢的边界图像的粗边缘图像;
步骤10:利用基于灰度梯度的亚像素边缘轮廓提取算法,对粗边缘图像进行轮廓计算,得到板带钢图像的轮廓线。
2.根据权利要求1所述的一种板带钢图像轮廓的提取方法,其特征在于,所述步骤3具体表述为:利用公式(1)对板带钢图像进行伽马图像增强,
s=crrγ (1)
式中,r表示图像进行灰度拉伸操作前的灰度值,s表示图像进行灰度拉伸操作后的灰度值,γ表示图像灰度拉伸的幂指数,cr表示限制常数。
3.根据权利要求1所述的一种板带钢图像轮廓的提取方法,其特征在于,所述步骤5具体表述为:
步骤5.1:根据预设分割阈值T将中值滤波处理后的板带钢图像分割为前景图像A、背景图像B两部分,计算中值滤波处理后的板带钢图像的分割阈值σ2(Th);
σ2(T)=ωAωB(μA-μB)2 (2)
式中,μA表示前景图像A的灰度均值,ωA表示前景图像A内的像素点个数与板带钢图像总像素点个数的比值,μB表示背景图像B的灰度均值,ωB表示背景图像B内的像素点个数与板带钢图像总像素点个数的比值;
步骤5.2:利用阈值σ2(Th)对中值滤波处理后的板带钢图像进行逐个像素点的灰度分类,得到板带钢图像的二值化图像g(x,y),所述g(x,y)的阈值分割表达式如公式(4)所示,
式中,f(x,y)表示中值滤波处理后的板带钢图像。
4.根据权利要求1所述的一种板带钢图像轮廓的提取方法,其特征在于,所述步骤6具体表述为:
步骤6.1:根据8邻域的邻接关系将整个二值化图像分成N个连通区域,分别记为region1,region2,…,regionN;
步骤6.2:遍历各个连通区域,分别计算各个连通区域的像素面积,筛选出像素面积最大的连通区域作为板带钢特征图像。
5.根据权利要求1所述的一种板带钢图像轮廓的提取方法,其特征在于,所述步骤7具体表述为:
步骤7.1:遍历板带钢特征图像中的每个像素点,计算每个像素点的8邻域像素灰度之和;
步骤7.2:根据每个像素点的8邻域像素灰度和,筛选出灰度和大于0且小于2040的像素点,作为符合边界条件的像素点,将所有符合边界条件的像素点连接在一起,得到区域边界图像。
6.根据权利要求1所述的一种板带钢图像轮廓的提取方法,其特征在于,所述步骤8具体表述为:
步骤8.1:采用圆形膨胀模板对区域边界图像进行膨胀处理,得到膨胀处理后的区域边界图像;
步骤8.2:将板带钢图像的长度方向作为直角坐标系的x轴,宽度方向作为直角坐标系的y轴,直角坐标系的原点设置在O点,其中O点表示板带钢图像上的任意点,记录膨胀处理后的区域边界图像中的各个像素点的坐标;
步骤8.3:利用各个像素点的坐标作为索引,在中值滤波处理后的板带钢图像中找到对应坐标的像素点,记为索引像素点;
步骤8.4:将在中值滤波处理后的板带钢图像中得到的所有索引像素点连接在一起,得到板带钢的边界图像。
7.根据权利要求1所述的一种板带钢图像轮廓的提取方法,其特征在于,所述步骤10具体表述为:
步骤10.1:将粗边缘图像中的整数像素点(i,j),沿着坐标系的x轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i-ω,j)、(i+ω,j),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i-ω,j)、(i+ω,j)的梯度幅值,分别记为G(i,j)、G(i-1,j)、G(i+1,j);
步骤10.2:利用像素点(i,j)、(i-ω,j)、(i+ω,j)拟合为一条二次曲线,定义二次曲线的表达式如公式(5)所示,将像素点(i,j)、(i-ω,j)、(i+ω,j)带入公式(5)得到公式(6)所示方程组,
p(x)=ax2+bx+c (5)
式中,a、b、c表示二次曲线p(x)中的待求系数;
步骤10.3:求解公式(6)给出的方程组得到各待求参数如公式(7)所示,然后将得到的各参数带入公式(5),即可得到二次曲线的具体表达式,
步骤10.4:求解二次曲线p(x)具体表达式的极值点pi,则极值点pi即为亚像素点的横坐标点,
步骤10.5:将粗边缘图像中的整数像素点(i,j),沿着坐标系的y轴方向按照一定步长ω,在像素点(i,j)前后各取一个整数像素点记为(i,j-ω)、(i,j+ω),其中ω、i、j均为正整数,然后计算像素点(i,j)、(i,j-ω)、(i,j+ω)的梯度幅值,分别记为G(i,j)、G(i,j-1)、G(i,j+1);
步骤10.6:利用像素点(i,j)、(i,j-ω)、(i,j+ω)拟合为一条二次曲线,定义二次曲线的表达式如公式(9)所示,将像素点(i,j)、(i,j-ω)、(i,j+ω)带入公式(9)得到公式(10)所示方程组,
p'(x)=a'x2+b'x+c' (9)
式中,a'、b'、c'表示二次曲线p'(x)中的待求系数;
步骤10.7:求解公式(10)给出的方程组得到各待求参数如公式(11)所示,然后将得到的各参数带入公式(9),即可得到二次曲线的具体表达式,
步骤10.8:求解二次曲线p'(x)具体表达式的极值点pj,则极值点pj即为亚像素点的纵坐标点,
步骤10.9:组合极值点pi、pj得到像素点(i,j)对应的亚像素点的坐标(pi,pj);
步骤10.10:重复步骤10.1~步骤10.9,计算粗边缘图像中的各个整数像素点对应的亚像素点的坐标,然后将各个亚像素点连接起来即可得到板带钢图像的亚像素轮廓,即板带钢图像的轮廓线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461872.3A CN111476792B (zh) | 2020-05-27 | 2020-05-27 | 一种板带钢图像轮廓的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010461872.3A CN111476792B (zh) | 2020-05-27 | 2020-05-27 | 一种板带钢图像轮廓的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476792A CN111476792A (zh) | 2020-07-31 |
CN111476792B true CN111476792B (zh) | 2023-05-23 |
Family
ID=71764839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010461872.3A Active CN111476792B (zh) | 2020-05-27 | 2020-05-27 | 一种板带钢图像轮廓的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476792B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284096B (zh) * | 2021-05-08 | 2023-08-25 | 北京印刷学院 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
CN115331119B (zh) * | 2022-10-13 | 2023-01-31 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231462A (ja) * | 2009-03-26 | 2010-10-14 | Kyocera Corp | 輪郭線抽出装置およびその方法、並びに画像検査装置 |
CN102538705A (zh) * | 2012-01-12 | 2012-07-04 | 杭州浙大精益机电技术工程有限公司 | 基于二次投影算法的在线非接触式中厚板轮廓检测系统及方法 |
CN102737246A (zh) * | 2012-06-14 | 2012-10-17 | 公安部天津消防研究所 | 基于Canny算子的泡沫边界识别和粒度分析方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
-
2020
- 2020-05-27 CN CN202010461872.3A patent/CN111476792B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231462A (ja) * | 2009-03-26 | 2010-10-14 | Kyocera Corp | 輪郭線抽出装置およびその方法、並びに画像検査装置 |
CN102538705A (zh) * | 2012-01-12 | 2012-07-04 | 杭州浙大精益机电技术工程有限公司 | 基于二次投影算法的在线非接触式中厚板轮廓检测系统及方法 |
CN102737246A (zh) * | 2012-06-14 | 2012-10-17 | 公安部天津消防研究所 | 基于Canny算子的泡沫边界识别和粒度分析方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
Non-Patent Citations (1)
Title |
---|
基于阈值分割与边缘检测的对象轮廓提取方法研究;陈勇滨 等;成都信息工程学院学报;第25卷(第3期);第246-251页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111476792A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN115170669B (zh) | 基于边缘特征点集配准的识别定位方法及系统、存储介质 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN105133471A (zh) | 一种基于线结构光路面检测系统的路面深度图像生产方法 | |
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 | |
CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
CN111462119B (zh) | 一种基于机器视觉的宽厚板剪切排样方法 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN115527049A (zh) | 一种引线框架引脚间距的高精度测量方法 | |
CN109636785A (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN111815575B (zh) | 一种基于机器视觉的轴承钢珠零件检测方法 | |
CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 |
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 |