CN111968143A - 基于关联成像的边缘图像提取方法及系统 - Google Patents

基于关联成像的边缘图像提取方法及系统 Download PDF

Info

Publication number
CN111968143A
CN111968143A CN202010712457.0A CN202010712457A CN111968143A CN 111968143 A CN111968143 A CN 111968143A CN 202010712457 A CN202010712457 A CN 202010712457A CN 111968143 A CN111968143 A CN 111968143A
Authority
CN
China
Prior art keywords
edge
edge image
image
function
suppression
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
CN202010712457.0A
Other languages
English (en)
Inventor
程正东
陈熠
朱斌
杨华
李晓霞
白秀军
解博
朱耀轩
吴梦醒
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010712457.0A priority Critical patent/CN111968143A/zh
Publication of CN111968143A publication Critical patent/CN111968143A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

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

Abstract

本发明提供了一种基于关联成像的边缘图像提取方法及系统，涉及边缘图像提取技术领域。先基于成像系统采集观测信号值以及所对应的照明光场强度分布函数Ik(x,y)，求出等效测量值
Figure DDA0002597067940000011
和
Figure DDA0002597067940000012
，重构出目标的垂直边缘函数▽Rv(x,y)和水平边缘函数▽Rh(x,y)，并计算出目标的梯度幅值▽R(x,y)和梯度方向θ(x,y)，再采用非极大值抑制对边缘进行细化以及抑制边缘模糊，再通过双阈值检测消除因非极大值抑制产生的伪边缘和不连续的线条，最终直接提取出清晰的细边缘的边缘图像，有助于后期对目标的角点信息进行准确的提取。

Description

基于关联成像的边缘图像提取方法及系统
技术领域
本发明涉及边缘图像提取技术领域，具体涉及一种基于关联成像的边缘图像提取方法及系统。
背景技术
边缘图像是进行图像处理和机器视觉领域实现识别、判断、跟踪和恢复目标的基础，例如，基于边缘图像来获取目标的角点信息。如何利用关联成像系统提取出清晰的边缘图像是推动关联成像技术实用化的关键技术。
现有的基于关联成像的边缘图像提取方法(以下简称现有技术) 通常是利用关联成像系统获取测量值，再计算等效测量值和梯度幅值信息，最终基于梯度幅值信息直接重构得到目标的边缘图像。
但现有技术存在基于梯度幅值信息直接重构得到目标的边缘图像的边缘较粗的问题，如图4(c)所示，会对后期图像的角点信息提取产生干扰。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于关联成像的边缘图像提取方法，解决了现有的基于梯度幅值信息直接重构得到目标的边缘图像的边缘较粗的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于关联成像的边缘图像提取方法，该方法包括：
S1、第k次采样中，获取M幅具有稀疏随机分布的散斑图Sk(x,y)，再将每个散斑图扩展成一组散斑调制图
Figure RE-GDA0002718835670000011
S2、将散斑调制图
Figure RE-GDA0002718835670000021
依次加载到数字微镜器件上调制目标反射的照明光场，并通过单像素探测器获得一组观测信号值
Figure RE-GDA0002718835670000022
S3、利用观测信号值
Figure RE-GDA0002718835670000023
计算垂直边缘的等效测量值
Figure RE-GDA0002718835670000024
和水平边缘的等效测量值
Figure RE-GDA0002718835670000025
完成一次采样；
S4、完成M次采样后，基于垂直边缘的等效测量值
Figure RE-GDA0002718835670000026
和水平边缘的等效测量值
Figure RE-GDA0002718835670000027
以及照明光场空间分布函数
Figure RE-GDA0002718835670000028
重构目标的垂直边缘函数
Figure RE-GDA0002718835670000029
和水平边缘函数
Figure RE-GDA00027188356700000210
S5、利用重构的垂直边缘函数
Figure RE-GDA00027188356700000211
和水平边缘函数
Figure RE-GDA00027188356700000212
计算梯度幅值
Figure RE-GDA00027188356700000213
和梯度方向θ(x,y)；
S6、利用梯度幅值
Figure RE-GDA00027188356700000214
梯度方向θ(x,y)以及垂直边缘函数
Figure RE-GDA00027188356700000215
和水平边缘函数
Figure RE-GDA00027188356700000216
进行非极大值抑制，得到非极大值抑制后的边缘图像
Figure RE-GDA00027188356700000217
S7、对非极大值抑制后的边缘图像
Figure RE-GDA00027188356700000218
进行双阈值检测，得到最终提取的边缘图像
Figure RE-GDA00027188356700000219
优选的，所述S1中的将每个散斑图扩展成一组散斑调制图
Figure RE-GDA00027188356700000220
包括：
将散斑图按照中心像素点周围3*3邻域内8个像素点方向进行位移，用l＝1,2,...,8表示这8个平移散斑图的次序，即散斑图Sk(x,y)的扩展公式为：
Figure RE-GDA00027188356700000221
优选的，所述S3中利用观测信号值
Figure RE-GDA00027188356700000222
计算垂直边缘的等效测量值
Figure RE-GDA00027188356700000223
和水平边缘的等效测量值
Figure RE-GDA00027188356700000224
采用Sobel算子的模板系数，且计算公式如下：
Figure RE-GDA00027188356700000225
Figure RE-GDA00027188356700000226
优选的，所述S4中重构目标的垂直边缘函数和水平边缘函数的重构公式为：
Figure RE-GDA0002718835670000031
Figure RE-GDA0002718835670000032
优选的，所述S5中梯度幅值
Figure RE-GDA0002718835670000033
和梯度方向θ(x,y)的计算公式为：
Figure RE-GDA0002718835670000034
Figure RE-GDA0002718835670000035
优选的，所述S6利用梯度幅值
Figure RE-GDA0002718835670000036
梯度方向θ(x,y)以及垂直边缘函数
Figure RE-GDA0002718835670000037
和水平边缘函数
Figure RE-GDA0002718835670000038
进行非极大值抑制，得到非极大值抑制后的边缘图像
Figure RE-GDA0002718835670000039
的计算公式如下：
Figure RE-GDA00027188356700000310
其中，ξ(x,y)是进行非极大值抑制的区域，
Figure RE-GDA00027188356700000311
是进行非极大值抑制后的图像，NMS[·]表示进行非极大值抑制的算子。
优选的，所述S7对非极大值抑制后的边缘图像
Figure RE-GDA00027188356700000312
进行双阈值检测，得到最终提取的边缘图像
Figure RE-GDA00027188356700000313
包括：
S7-1、通过预设的高阈值Th和低阈值Tl对非极大值抑制后的边缘图像
Figure RE-GDA00027188356700000314
进行检索，将灰度值大于高阈值Th的点均设置为1，并将图像保留为
Figure RE-GDA00027188356700000315
将灰度值大于低阈值Tl的点均设置为1，并将图像保留为
Figure RE-GDA00027188356700000316
S7-2、获取高阈值图像
Figure RE-GDA00027188356700000317
上线条端点位置，在低阈值图像
Figure RE-GDA00027188356700000318
上检索同一位置及其邻域位置，从中筛选出将高阈值图像
Figure RE-GDA00027188356700000319
上的线条连成轮廓的边缘点Ei；
S7-3、进行迭代，将所有边缘点Ei填补至高阈值图像，获得最终提取的边缘图像
Figure RE-GDA00027188356700000320
一种基于关联成像的边缘图像提取系统包括：
连续光可调谐定制激光器、数字微镜器件、单像素探测器以及与单像素探测器和数字微镜器件分别通信连接的计算机；
所述计算机包括存储器、处理器以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程序时实现步骤S1-S7；
所述连续光可调谐定制激光器与单像素探测器之间的光路上依次设置有扩束镜、可调衰减器、可变光阑、目标、会聚透镜、数字微镜器件、滤光片。
优选的，所述连续光可调谐定制激光器的输出波长为532.6nm,平均功率为2W；
所述会聚透镜的焦距为300mm，口径为78.2mm；
所述数字微镜器件的工作面物理尺寸为9.1mm×20.7mm，最大分辨率为912×1140，最高翻转速度为4000Hz；
所述滤光片的中心波长为532.6nm；
所述单像素探测器为硅光电倍增管，且光敏面积为3*3mm2。
(三)有益效果
本发明提供了一种基于关联成像的边缘图像提取方法及系统。与现有技术相比，具备以下有益效果：
先基于成像系统采集观测信号值以及所对应的照明光场强度分布函数Ik(x,y)，求出等效测量值
Figure RE-GDA0002718835670000041
和
Figure RE-GDA0002718835670000042
重构出目标的垂直边缘函数
Figure RE-GDA0002718835670000043
和水平边缘函数
Figure RE-GDA0002718835670000044
并计算出目标的梯度幅值
Figure RE-GDA0002718835670000045
和梯度方向θ(x,y)，再采用非极大值抑制对边缘进行细化以及抑制边缘模糊，再通过双阈值检测消除因非极大值抑制产生的伪边缘和不连续的线条，最终直接提取出清晰的细边缘的边缘图像，有助于后期对目标的角点信息进行准确的提取。
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。
图1为本发明实施例的基于关联成像的边缘图像提取方法的流程图；
图2为本发明实施例的基于关联成像的边缘图像提取系统的结构示意图；
图3为本实施例的梯度方向划分示意图；
图4为现有技术与本发明实施例的提取的边缘图像对比图；
图5为角点提取的结果示意图。
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，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作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。
本申请实施例通过提供一种基于关联成像的边缘图像提取方法，解决了现有的基于梯度幅值信息直接重构得到目标的边缘图像的边缘较粗的技术问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
先基于成像系统采集观测信号值以及所对应的照明光场强度分布函数Ik(x,y)，求出等效测量值
Figure RE-GDA0002718835670000051
和
Figure RE-GDA0002718835670000052
重构出目标的垂直边缘函数
Figure RE-GDA0002718835670000053
和水平边缘函数
Figure RE-GDA0002718835670000054
并计算出目标的梯度幅值
Figure RE-GDA0002718835670000055
和梯度方向θ(x,y)，再采用非极大值抑制对边缘进行细化以及抑制边缘模糊，再通过双阈值检测消除因非极大值抑制产生的伪边缘和不连续的线条，最终直接提取出清晰的细边缘的边缘图像，有助于后期对目标的角点信息进行准确的提取。
实施例1
本发明实施例首先提出了一种基于关联成像的边缘图像提取方法，如图1所示，该方法包括：
S1、第k次采样中，获取M幅具有稀疏随机分布的散斑图Sk(x,y)，再将每个散斑图扩展成一组散斑调制图
Figure RE-GDA0002718835670000061
S2、将散斑调制图
Figure RE-GDA0002718835670000062
依次加载到数字微镜器件上调制目标反射的照明光场，并通过单像素探测器获得一组观测信号值
Figure RE-GDA0002718835670000063
S3、利用观测信号值
Figure RE-GDA0002718835670000064
计算垂直边缘的等效测量值
Figure RE-GDA0002718835670000065
和水平边缘的等效测量值
Figure RE-GDA0002718835670000066
完成一次采样；
S4、完成M次采样后，基于垂直边缘的等效测量值
Figure RE-GDA0002718835670000067
和水平边缘的等效测量值
Figure RE-GDA0002718835670000068
以及照明光场空间分布函数
Figure RE-GDA0002718835670000069
重构目标的垂直边缘函数
Figure RE-GDA00027188356700000610
和水平边缘函数
Figure RE-GDA00027188356700000611
S5、利用重构的垂直边缘函数
Figure RE-GDA00027188356700000612
和水平边缘函数
Figure RE-GDA00027188356700000613
计算梯度幅值
Figure RE-GDA00027188356700000614
和梯度方向θ(x,y)；
S6、利用梯度幅值
Figure RE-GDA00027188356700000615
梯度方向θ(x,y)以及垂直边缘函数
Figure RE-GDA00027188356700000616
和水平边缘函数
Figure RE-GDA00027188356700000617
进行非极大值抑制，得到非极大值抑制后的边缘图像
Figure RE-GDA00027188356700000618
S7、对非极大值抑制后的边缘图像
Figure RE-GDA00027188356700000619
进行双阈值检测，得到最终提取的边缘图像
Figure RE-GDA00027188356700000620
相比于现有技术，本实施例的有益效果为：
先基于成像系统采集观测信号值以及所对应的照明光场强度分布函数Ik(x,y)，求出等效测量值
Figure RE-GDA00027188356700000621
和
Figure RE-GDA00027188356700000622
重构出目标的垂直边缘函数
Figure RE-GDA00027188356700000623
和水平边缘函数
Figure RE-GDA00027188356700000624
并计算出目标的梯度幅值
Figure RE-GDA00027188356700000625
和梯度方向θ(x,y)，再采用非极大值抑制对边缘进行细化以及抑制边缘模糊，再通过双阈值检测消除因非极大值抑制产生的伪边缘和不连续的线条，最终直接提取出清晰的细边缘的边缘图像，有助于后期准确的对目标的角点信息进行提取。
以Sobel算子为例(GGI-Sobel)，下面详细说明本发明实施例的实现过程：
S1、第k次采样中，获取M幅具有稀疏随机分布的散斑图Sk(x,y)，再将每个散斑图扩展成一组散斑调制图
Figure RE-GDA0002718835670000071
将每个散斑图扩展成一组散斑调制图
Figure RE-GDA0002718835670000072
的具体步骤为：将散斑图按照中心像素点周围3*3邻域内8个像素点方向进行位移，即散斑图Sk(x,y)的扩展公式为：
Figure RE-GDA0002718835670000073
S2、将散斑调制图
Figure RE-GDA0002718835670000074
依次加载到数字微镜器件上调制目标反射的照明光场，用l＝1,2,...,8表示这8个平移散斑图的次序，并通过单像素探测器获得一组观测信号值
Figure RE-GDA0002718835670000075
S3、利用观测信号值
Figure RE-GDA0002718835670000076
计算垂直边缘的等效测量值
Figure RE-GDA0002718835670000077
和水平边缘的等效测量值
Figure RE-GDA0002718835670000078
完成一次采样；
根据Sobel算子的模板系数，可得到计算公式：
Figure RE-GDA0002718835670000079
Figure RE-GDA00027188356700000710
S4、完成M次采样后，基于垂直边缘的等效测量值
Figure RE-GDA00027188356700000711
和水平边缘的等效测量值
Figure RE-GDA00027188356700000712
以及照明光场空间分布函数
Figure RE-GDA00027188356700000713
重构目标的垂直边缘函数
Figure RE-GDA00027188356700000714
和水平边缘函数
Figure RE-GDA00027188356700000715
且垂直边缘函数和水平边缘函数的重构公式为：
Figure RE-GDA00027188356700000716
Figure RE-GDA00027188356700000717
S5、利用重构的垂直边缘函数
Figure RE-GDA00027188356700000718
和水平边缘函数
Figure RE-GDA00027188356700000719
计算梯度幅值
Figure RE-GDA00027188356700000720
和梯度方向θ(x,y)；
其中，梯度幅值
Figure RE-GDA00027188356700000721
和梯度方向θ(x,y)的计算公式为：
Figure RE-GDA00027188356700000722
Figure RE-GDA00027188356700000723
梯度幅值是通过关联成像算法重构获得的，若此时提取边缘图像，边缘图像会由一条条灰度线条组成，存在边缘模糊的问题，为了解决上述问题，需要提取清晰且定位精确的单像素边，因此需要进行非极大值抑制。
S6、利用梯度幅值
Figure RE-GDA0002718835670000081
梯度方向θ(x,y)以及垂直边缘函数
Figure RE-GDA0002718835670000082
和水平边缘函数
Figure RE-GDA0002718835670000083
进行非极大值抑制，得到非极大值抑制后的边缘图像
Figure RE-GDA0002718835670000084
且非极大值抑制的具体步骤为：
S6-1、用3*3的矩形窗口检索重构的水平边缘和垂直边缘图像，对于每一个矩形窗口的中心像素点沿着该点的梯度方向进行梯度插值；
其中，对于梯度方向的划分如图3所示，其中3*3代表窗口覆盖下的像素范围，中心像素点邻域依次标记为像素点1～8，以中心像素点为圆心的圆表示中心像素点可能的梯度方向，图中四条实线将方向圆均分为8个部分，每个部分对应一个邻域像素点，中心像素点的方向角θ(x,y)对应的像素点及其对角对应的像素点就是需要梯度插值的点。
S6-2、比较中心像素点的梯度幅值与其梯度方向上两个梯度插值的大小，若中心像素点的梯度幅值最大，就认为该点在边缘上，则将其梯度幅值保留；若中心像素点的梯度幅值非最大，认为该点不在边缘上，将其梯度幅值记为0，且后面也不处理梯度幅值为0的点，最终得到非极大值抑制后的边缘图像
Figure RE-GDA0002718835670000085
上述步骤用数学形式表示即为：
Figure RE-GDA0002718835670000086
其中，ξ(x,y)是进行非极大值抑制的区域，
Figure RE-GDA0002718835670000087
是进行非极大值抑制后的图像，NMS[·]表示进行非极大值抑制的算子。
进行非极大值抑制后，此时提取的边缘图像
Figure RE-GDA0002718835670000088
中的噪声会被细化为点和伪边缘，一些对比度不大的边缘也会被抑制，产生不连续的线条，其中孤立的点噪声是不会对目标的结构产生影响，也不会被提取为角点，而伪边缘和不连续的线条会影响后续角点检测的精度。因此需要执行S7。
S7、对非极大值抑制后的边缘图像
Figure RE-GDA0002718835670000091
进行双阈值检测，得到最终提取的边缘图像
Figure RE-GDA0002718835670000092
双阈值检测的具体步骤为：
S7-1、在采样率为0.3时，高、低阈值分别预设为0.9和0.5，通过预设的高阈值Th和低阈值Tl对非极大值抑制后的边缘图像
Figure RE-GDA0002718835670000093
进行检索，将灰度值大于高阈值Th的点均设置为1，并将图像保留为
Figure RE-GDA0002718835670000094
将灰度值大于低阈值Tl的点均设置为1，并将图像保留为
Figure RE-GDA0002718835670000095
显然，高阈值图像
Figure RE-GDA0002718835670000096
中伪边缘很少，但是线条不连续，轮廓不完整的情况比较严重，而低阈值图像
Figure RE-GDA0002718835670000097
中消除了一些对比度低的噪声点，细节多，目标轮廓完整。当然，其中的伪边缘也比较多，需要对
Figure RE-GDA0002718835670000098
和
Figure RE-GDA0002718835670000099
进行拼接获得完整的边缘图像。
S7-2、获取高阈值图像
Figure RE-GDA00027188356700000910
上线条端点位置，在低阈值图像
Figure RE-GDA00027188356700000911
上检索同一位置及其邻域位置，从中筛选出将高阈值图像
Figure RE-GDA00027188356700000912
上的线条连成轮廓的边缘点Ei；
S7-3、进行迭代，将所有边缘点Ei填补至高阈值图像，获得最终提取的边缘图像
Figure RE-GDA00027188356700000913
如图4(b)所示。
本发明实施例的效果验证：
为了验证本发明实施例在实际应用时的效果，将本发明实施例应用在一个典型的使用情景中：在图像配准跟踪时，需要提取目标的角点。提取的结果如图5所示。
设置两组对比方案，方案一中采用基于Sobel算子的现有技术 (GGI-Sobel)重构目标边缘，再通过Canny算子得到边缘图像后利用 CSS(the curvature scale space,CSS)角点提取算法提取角点(Scheme 1)；
方案二中采用基于Prewitt算子的现有技术(GGI-Prewitt)重构目标边缘，再通过Canny算子得到边缘图像后利用CSS算法提取角点 (Scheme 2)；
方案三中利用本发明实施例的方法直接获得目标的边缘图像，接着通过CSS角点检测算法处理边缘图像就可以获得角点信息(Scheme 3)。
表1、Scheme 1，Scheme 2和Scheme 3的角点检测准确率
Figure RE-GDA0002718835670000101
当采样率为0.2，0.3和0.4时，Scheme 1方案检测的结果为图5(a)、 (d)和(g)，准确率分别为57.14％、54.29％和57.28％，可以发现在采样率为0.3和0.4时，已经检测出全部的正确角点，但是检测出的错误角点数目也很多，导致了准确率不高。较粗的边缘线条是造成错误角点的主因，较粗的边缘可以看成是一条条并不光滑的灰度带，目标的拐点等显著结构部位也发生了变形，边缘的粗糙部位和结构变形部位都被标记为角点。
当采样率为0.2，0.3和0.4时，Scheme 2方案检测的结果为图5(b)、 (e)和(h)，准确率分别为44.12％、57.14％和44.74％，相较于Scheme 1 方案，该方案检测出的正确角点数目少了，错误角点数目反而更多，经研究发现，较粗边缘导致的错误标记和重复定位是产生错误角点的主因。
当采样率为0.2，0.3和0.4时，Scheme 3方案(即本实施例的方案)检测的结果为图5(c)、(f)和(i)，准确率分别为57.69％、86.36％和 90.48％，当采样率高于0.2时，该方案能够检测出全部的正确角点，准确率明显高于前两种方案。
由于现有技术提取的边缘图像中可能存在许多宽带状线条，噪声和结构畸变部位，这些因素会导致一个角可以被检测为具有不精确位置的两个角点和在错误的位置标注角点等现象。现有技术都没有解决上述问题，因此角点检测的准确率不高。而本发明实施例直接在计算过程中就克服了宽带状线条和结构畸变的影响，且连续利用非极大值抑制和双阈值边缘检测等步骤抑制噪声和假边缘，极大地减少了错误角点的数目。在采样率比较小的情况下就能就能获得高质量高对比度的目标边缘，时间成本更低。
综上所述，与现有技术相比，本发明具备以下有益效果：
由于关联成像的固有缺陷，提取的边缘图像中可能存在许多宽带状线条，噪声和结构畸变部位，这些因素会导致一个角可以被检测为具有不精确位置的两个角点和在错误的位置标注角点等现象。现有技术都没有解决上述问题，因此角点检测的准确率不高。本发明实施例先基于成像系统采集观测信号值以及所对应的照明光场强度分布函数 Ik(x,y)，求出等效测量值
Figure RE-GDA0002718835670000111
和
Figure RE-GDA0002718835670000112
重构出目标的垂直边缘函数
Figure RE-GDA0002718835670000113
和水平边缘函数
Figure RE-GDA0002718835670000114
并计算出目标的梯度幅值
Figure RE-GDA0002718835670000115
和梯度方向θ(x,y)，再采用非极大值抑制对边缘进行细化以及抑制边缘模糊，再通过双阈值检测消除因非极大值抑制产生的伪边缘和不连续的线条，本发明实施例直接在计算过程中就克服了宽带状线条和结构畸变的影响，且连续利用非极大值抑制和双阈值边缘检测等步骤抑制和假边缘，最终直接提取出清晰的细边缘的边缘图像，可极大地减少错误角点的数目。
实施例2
本发明另一个实施例还提出了一种采用所述方法的基于关联成像的边缘图像提取系统，如图2所示，包括：
连续光可调谐定制激光器、数字微镜器件、单像素探测器以及与单像素探测器和数字微镜器件分别通信连接的计算机；
所述计算机包括存储器、处理器以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程序时实现步骤S1-S7；
所述连续光可调谐定制激光器与单像素探测器之间的光路上依次设置有扩束镜、可调衰减器、可变光阑、目标、会聚透镜、数字微镜器件、滤光片。
本实施例通过连续光可调谐定制激光器、扩束镜、可调衰减器、可变光阑、目标、会聚透镜、数字微镜器件、滤光片与单像素探测器配合使用，能够实现完整数据的采样，同时配合计算机进行数据的处理实现目标的边缘图像提取。
可理解的是，本发明实施例提供的基于关联成像的边缘图像提取系统与上述基于关联成像的边缘图像提取方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于关联成像的边缘图像提取方法中的相应内容，此处不再赘述。
较佳的，所述连续光可调谐定制激光器的输出波长为532.6nm,平均功率为2W；可以省去系统在时序上的配准，也方便调整光路；
而可调衰减器可防止激光功率过高破坏单像素探测器；
所述单像素所述会聚透镜的焦距为300mm，口径为78.2mm；
所述数字微镜器件的工作面物理尺寸为9.1mm×20.7mm，最大分辨率为912×1140，最高翻转速度为4000Hz；
所述滤光片的中心波长为532.6nm；
所述单像素探测器为硅光电倍增管，且光敏面积为3*3mm2。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于关联成像的边缘图像提取方法，其特征在于，该方法包括：
S1、第k次采样中，获取M幅具有稀疏随机分布的散斑图Sk(x,y)，再将每个散斑图扩展成一组散斑调制图
Figure FDA0002597067910000011
S2、将散斑调制图
Figure FDA0002597067910000012
依次加载到数字微镜器件上调制目标反射的照明光场，并通过单像素探测器获得一组观测信号值
Figure FDA0002597067910000013
S3、利用观测信号值
Figure FDA0002597067910000014
计算垂直边缘的等效测量值
Figure FDA0002597067910000015
和水平边缘的等效测量值
Figure FDA0002597067910000016
完成一次采样；
S4、完成M次采样后，基于垂直边缘的等效测量值
Figure FDA0002597067910000017
和水平边缘的等效测量值
Figure FDA0002597067910000018
以及照明光场空间分布函数
Figure FDA0002597067910000019
重构目标的垂直边缘函数
Figure FDA00025970679100000110
和水平边缘函数
Figure FDA00025970679100000111
S5、利用重构的垂直边缘函数
Figure FDA00025970679100000112
和水平边缘函数
Figure FDA00025970679100000113
计算梯度幅值
Figure FDA00025970679100000114
和梯度方向θ(x,y)；
S6、利用梯度幅值
Figure FDA00025970679100000115
梯度方向θ(x,y)以及垂直边缘函数
Figure FDA00025970679100000116
和水平边缘函数
Figure FDA00025970679100000117
进行非极大值抑制，得到非极大值抑制后的边缘图像
Figure FDA00025970679100000118
S7、对非极大值抑制后的边缘图像
Figure FDA00025970679100000119
进行双阈值检测，得到最终提取的边缘图像
Figure FDA00025970679100000120
2.如权利要求1所述的一种基于关联成像的边缘图像提取方法，其特征在于，所述S1中的将每个散斑图扩展成一组散斑调制图
Figure FDA00025970679100000121
包括：
将散斑图按照中心像素点周围3*3邻域内8个像素点方向进行位移，用l＝1,2,...,8表示这8个平移散斑图的次序，即散斑图Sk(x,y)的扩展公式为：
Figure FDA0002597067910000021
3.如权利要求1所述的一种基于关联成像的边缘图像提取方法，其特征在于，所述S3中利用观测信号值
Figure FDA0002597067910000022
计算垂直边缘的等效测量值
Figure FDA0002597067910000023
和水平边缘的等效测量值
Figure FDA0002597067910000024
采用Sobel算子的模板系数，且计算公式如下：
Figure FDA0002597067910000025
Figure FDA0002597067910000026
4.如权利要求1所述的一种基于关联成像的边缘图像提取方法，其特征在于，所述S4中重构目标的垂直边缘函数和水平边缘函数的重构公式为：
Figure FDA0002597067910000027
Figure FDA0002597067910000028
5.如权利要求1所述的一种基于关联成像的边缘图像提取方法，其特征在于，所述S5中梯度幅值
Figure FDA0002597067910000029
和梯度方向θ(x,y)的计算公式为：
Figure FDA00025970679100000210
Figure FDA00025970679100000211
6.如权利要求1所述的一种基于关联成像的边缘图像提取方法，其特征在于，所述S6利用梯度幅值
Figure FDA00025970679100000212
梯度方向θ(x,y)以及垂直边缘函数
Figure FDA00025970679100000213
和水平边缘函数
Figure FDA00025970679100000214
进行非极大值抑制，得到非极大值抑制后的边缘图像
Figure FDA00025970679100000215
的计算公式如下：
Figure FDA00025970679100000216
其中，ξ(x,y)是进行非极大值抑制的区域，
Figure FDA00025970679100000217
是进行非极大值抑制后的图像，NMS[·]表示进行非极大值抑制的算子。
7.如权利要求6所述的一种基于关联成像的边缘图像提取方法，其特征在于，所述S7对非极大值抑制后的边缘图像
Figure FDA00025970679100000218
进行双阈值检测，得到最终提取的边缘图像
Figure FDA0002597067910000031
包括:
S7-1、通过预设的高阈值Th和低阈值Tl对非极大值抑制后的边缘图像
Figure FDA0002597067910000032
进行检索，将灰度值大于高阈值Th的点均设置为1，并将图像保留为
Figure FDA0002597067910000033
将灰度值大于低阈值Tl的点均设置为1，并将图像保留为
Figure FDA0002597067910000034
S7-2、获取高阈值图像
Figure FDA0002597067910000035
上线条端点位置，在低阈值图像
Figure FDA0002597067910000036
上检索同一位置及其邻域位置，从中筛选出将高阈值图像
Figure FDA0002597067910000037
上的线条连成轮廓的边缘点Ei；
S7-3、进行迭代，将所有边缘点Ei填补至高阈值图像，获得最终提取的边缘图像
Figure FDA0002597067910000038
8.一种基于关联成像的边缘图像提取系统，其特征在于，该系统包括：
连续光可调谐定制激光器、数字微镜器件、单像素探测器以及与单像素探测器和数字微镜器件分别通信连接的计算机；
所述计算机包括存储器、处理器以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程序时实现步骤S1-S7；
所述连续光可调谐定制激光器与单像素探测器之间的光路上依次设置有扩束镜、可调衰减器、可变光阑、目标、会聚透镜、数字微镜器件、滤光片。
9.如权利要求8所述的一种基于关联成像的边缘图像提取系统，其特征在于，所述连续光可调谐定制激光器的输出波长为532.6nm,平均功率为2W；
所述会聚透镜的焦距为300mm，口径为78.2mm；
所述数字微镜器件的工作面物理尺寸为9.1mm×20.7mm，最大分辨率为912×1140，最高翻转速度为4000Hz；
所述滤光片的中心波长为532.6nm；
所述单像素探测器为硅光电倍增管，且光敏面积为3*3mm2。
CN202010712457.0A 2020-07-22 2020-07-22 基于关联成像的边缘图像提取方法及系统 Pending CN111968143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010712457.0A CN111968143A (zh) 2020-07-22 2020-07-22 基于关联成像的边缘图像提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010712457.0A CN111968143A (zh) 2020-07-22 2020-07-22 基于关联成像的边缘图像提取方法及系统

Publications (1)

Publication Number Publication Date
CN111968143A true CN111968143A (zh) 2020-11-20

Family

ID=73362688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010712457.0A Pending CN111968143A (zh) 2020-07-22 2020-07-22 基于关联成像的边缘图像提取方法及系统

Country Status (1)

Country Link
CN (1) CN111968143A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184744A (zh) * 2020-11-29 2021-01-05 惠州高视科技有限公司 显示屏边缘缺陷检测方法和装置
CN112581473A (zh) * 2021-02-22 2021-03-30 常州微亿智造科技有限公司 一种基于实现表面缺陷检测灰度图像定位算法的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086624A1 (en) * 2001-11-08 2003-05-08 Garcia Kevin J. Ghost image correction system and method
US20170018061A1 (en) * 2011-09-28 2017-01-19 U.S. Army Research Laboratory Attn: Rdrl-Loc-I System and processor implemented method for improved image quality and generating an image of a target illuminated by quantum particles
CN106570876A (zh) * 2016-10-24 2017-04-19 南京理工大学 一种提取鬼成像图像边缘的方法
CN109242808A (zh) * 2018-06-28 2019-01-18 南京邮电大学 一种基于分数阶傅里叶变换的关联成像方法
CN109360217A (zh) * 2018-09-29 2019-02-19 国电南瑞科技股份有限公司 输变电设备图像边缘检测方法、装置及系统
CN109816673A (zh) * 2018-12-27 2019-05-28 合肥工业大学 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN110807779A (zh) * 2019-10-12 2020-02-18 湖北工业大学 一种基于区域分割的压缩计算鬼成像方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086624A1 (en) * 2001-11-08 2003-05-08 Garcia Kevin J. Ghost image correction system and method
US20170018061A1 (en) * 2011-09-28 2017-01-19 U.S. Army Research Laboratory Attn: Rdrl-Loc-I System and processor implemented method for improved image quality and generating an image of a target illuminated by quantum particles
CN106570876A (zh) * 2016-10-24 2017-04-19 南京理工大学 一种提取鬼成像图像边缘的方法
CN109242808A (zh) * 2018-06-28 2019-01-18 南京邮电大学 一种基于分数阶傅里叶变换的关联成像方法
CN109360217A (zh) * 2018-09-29 2019-02-19 国电南瑞科技股份有限公司 输变电设备图像边缘检测方法、装置及系统
CN109816673A (zh) * 2018-12-27 2019-05-28 合肥工业大学 一种非极大值抑制、动态阈值计算及图像边缘检测方法
CN110807779A (zh) * 2019-10-12 2020-02-18 湖北工业大学 一种基于区域分割的压缩计算鬼成像方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
TIANYI MAO 等: "Speckle-Shifting Ghost Imaging", 《IEEE PHOTONICS JOURNAL》 *
XUE-FENG LIU 等: "Edge detection based on gradient ghost imaging", 《OPTICS EXPRESS》 *
YI CHEN 等: "Corner detection based on gradient ghost imaging", 《JOURNAL OF OPTICS》 *
熊有伦 等: "《机器人学 建模、控制与视觉》", 31 March 2018, 《华中科技大学出版社》 *
陶勇 等: "基于高通滤波鬼成像的边缘检测方法", 《激光与光电子学进展》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184744A (zh) * 2020-11-29 2021-01-05 惠州高视科技有限公司 显示屏边缘缺陷检测方法和装置
CN112184744B (zh) * 2020-11-29 2021-03-30 惠州高视科技有限公司 显示屏边缘缺陷检测方法和装置
CN112581473A (zh) * 2021-02-22 2021-03-30 常州微亿智造科技有限公司 一种基于实现表面缺陷检测灰度图像定位算法的方法
CN112581473B (zh) * 2021-02-22 2021-05-18 常州微亿智造科技有限公司 一种基于实现表面缺陷检测灰度图像定位算法的方法

Similar Documents

Publication Publication Date Title
JP6358351B1 (ja) 表面欠陥検査方法及び表面欠陥検査装置
CN106934803B (zh) 电子器件表面缺陷的检测方法及装置
Trujillo-Pino et al. Accurate subpixel edge location based on partial area effect
Kang et al. Real-time image restoration for iris recognition systems
CN111830502B (zh) 数据集的建立方法、车辆和存储介质
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN105740876B (zh) 一种图像预处理方法及装置
KR102582261B1 (ko) 이미징 시스템의 점 확산 함수를 결정하는 방법
EP1958158B1 (en) Method for detecting streaks in digital images
Pertuz et al. Reliability measure for shape-from-focus
CN111968143A (zh) 基于关联成像的边缘图像提取方法及系统
CN116542982B (zh) 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN111462156A (zh) 获取角膜顶点的图像处理方法
CN114820334A (zh) 图像修复方法、装置、终端设备和可读存储介质
TW201421990A (zh) 物體偵測裝置、方法及其電腦可讀取紀錄媒體
AlAzawee et al. Using morphological operations—Erosion based algorithm for edge detection
CN111415365B (zh) 图像检测方法及装置
CN112634298B (zh) 图像处理方法及装置、存储介质、终端
KR20220154345A (ko) 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법
CN113838012A (zh) Mura检测方法及装置、计算机可读存储介质、终端
JP2002286411A (ja) 縞解析方法および装置
Ilhan et al. Autofocusing in digital holography
CN103841312A (zh) 物体侦测装置及方法
CN109754365A (zh) 一种图像处理方法及装置
KR102578312B1 (ko) 홀로그램 기반 대상체 3차원 계측 장치 및 방법

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: 20201120