CN112102189A - 一种线结构光光条中心线提取方法 - Google Patents
一种线结构光光条中心线提取方法 Download PDFInfo
- Publication number
- CN112102189A CN112102189A CN202010959744.1A CN202010959744A CN112102189A CN 112102189 A CN112102189 A CN 112102189A CN 202010959744 A CN202010959744 A CN 202010959744A CN 112102189 A CN112102189 A CN 112102189A
- Authority
- CN
- China
- Prior art keywords
- image
- light bar
- point
- light
- skeleton
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005260 corrosion Methods 0.000 claims abstract description 4
- 230000007797 corrosion Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 21
- 230000005484 gravity Effects 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009415 formwork Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种线结构光光条中心线提取方法,包括:1、对采集的光条图像进行预处理,并二值化为黑白图像,其中白色为前景,黑色为背景;2、对二值化光条图像进行膨胀腐蚀,得到封闭二值图像,提取封闭二值图像中的光条骨架;3、采用自适应宽度方向模板法计算光条骨架上每一点的法线;4、在光条骨架上每一点法线方向提取光条中心线。该方法能够克服曲面物体在进行测量时受外部光照和自身表面曲率影响,采集的光条纹图像存在局部反光和噪声较大,提取出的光条纹中心线不稳定、存在断线问题。
Description
技术领域
本发明属于机器视觉技术领域,具体涉及一种线结构光光条中心线提取方法。
背景技术
在工业上采用线结构光技术对物体进行三维测量最重要的部分是对图像光条中心线的提取。因被测物体的材质不同、外部环境等因素影响,获取的光条不稳定,当物体表面曲率变化较大时会产生断线,因此提高光条中心线的精度是关键。
传统算法分为两类:前者是以阈值法,边缘法为代表的几何中心法,此类算法提取速度快,但受物体材质和物体表面曲率影响较大提取精度不高。有学者对阈值法进行改进,提出了自适应阈值法,变阈值重心法等,虽然相较传统的阈值法有所进步,但仍然满足不了对复杂物体表面的精确提取。后者是以极值法、灰度重心法、Steger方法为代表的能量中心法。极值法通过对图像求取图像中每一列的最大点作为该列中心点,进行光条中心点的求取。该方法精度低,受噪声影响较大。传统的灰度重心法在极值法的基础上减少了由于光条纹分布不均引起的误差,从而提高了提取精度。Steger算法利用hessian矩阵求解光条的法线方向,通过泰勒展开式进行光条中心点的求解,该方法考虑了光条的法线方向,提取精度较高,但需要做大量卷积,运行时间较长,不适用于实时测量。有学者对Steger算法进行改进,在初步确定光条的ROI区域内进行光条中心点的提取,运算量有一定程度的减少。曲线拟合法是通过灰度值和峰值点附近的像素点坐标拟合曲线方程,相较灰度重心法和极值法,该方法的提取精度较高,有一定的抗干扰能力,但不适用于较窄光条的提取。因此,如何寻求到一种算法简单、运行速度快且提取精度高的算法,使其能够满足对物体进行实时测量是重中之重。
发明内容
发明目的:本发明提供了一种线结构光光条中心线提取方法,该方法能够克服曲面物体在进行测量时受外部光照和自身表面曲率影响,采集的光条纹图像存在局部反光和噪声较大,提取出的光条纹中心线不稳定、存在断线问题。
技术方案:本发明采用如下技术方案:
一种线结构光光条中心线提取方法,包括:
S1、对采集的光条图像进行预处理,并二值化为黑白图像,其中白色为前景,黑色为背景;
S2、对二值化光条图像进行膨胀腐蚀,得到封闭二值图像,提取封闭二值图像中的光条骨架;
S3、采用自适应宽度方向模板法计算光条骨架上每一点的法线;
S4、在光条骨架上每一点法线方向提取光条中心线。
所述步骤S1中对光条图像进行预处理包括:将彩色图像转换为灰度图像,并增强图像对比度,对图像进行去噪。
所述增强图像对比度采用图像灰度拉伸,具体为:
其中,f(x,y)是输入图像在(x,y)像素处的灰度值,fmin是输入图像的最小灰度值,fmax是输入图像的最高灰度值,MAX和MIN是要拉伸到灰度空间的灰度最小值和灰度最大值,F(x,y)为灰度拉伸后在(x,y)像素处的灰度值。
本发明中采用高斯滤波对图像进行去噪。
所述步骤S1中采用大津阈值法对图像进行二值化。
所述步骤S2中采用Zhang-suen细化算法提取封闭二值图像中的光条骨架。
所述步骤S3中提取光条骨架上每一点法线具体包括如下步骤:
S3.1、按列对步骤S1获取的二值化光条图像进行扫描,获取每列中前景像素点的上下界坐标点,二值化光条图像第i列上下界坐标点的坐标为:(ui,vimin)和(ui,vimax)
S3.2、求取二值化光条第i列的宽度wi,计算公式为:wi=(vimax-vimin)2;
S3.4、计算光条骨架的每个点与4个模板的相关值,光条骨架第i列的点(ui,vi)的4个相关值分别为:
其中,I(u,v)表示光条骨架上点(u,v)处的灰度值,Tk(p,q)表示第k个模板对应矩阵中(p,q)处的元素值;k=1,2,3,4;
S3.5、比较光条骨架上同一像素点处的四个相关值,相关值最高的方向为该点的法线方向DirNor。
所述步骤S4采用高斯加权灰度中心法在法线方向提取光条中心线,具体步骤为:
还包括:S5、对得到的光条中心点进行优化,提高光条中心点的精度,具体包括:
其中y′(i)和y″(i)分别为拟合曲线上光条中心点(xi,o,yi,o)处的一阶导数和二阶导数;
S5.3、根据第一斜率和第二斜率的大小判断光条中心点坐标点是否存在较大偏移量;若第一斜率大于第二斜率,则对该点的光条中心点纵坐标进行均值优化,调整光条中心点位置,调整公式如下;
有益效果:本发明公开的线结构光光条中心线提取的方法,采用Zhang-Suen细化算法提取光条的骨架,利用自适应方向模板法获取骨架上任意点的法线方向。通过改变权重的高斯加权灰度重心法求解光条中心点的亚像素坐标,避免了拟合法的复杂性。最后对提取的光条中心点进行调整,获取最终的亚像素坐标。通过实例验证,本发明的自适应宽度方向模板法,相较传统的固定式模板法,能够在宽度不均匀的骨架处自动更改模板的大小,体现出很好的追随特性,提高法线方向提取的精度,当光条出现小的豁口或亮度较低时,能够对其进行修补,保留光条纹的细节信息,具有较强的抗白噪声能力,改变模板元素值,有效减少了运算量。在法线方向采用高斯加权的灰度重心法,有效的提高法线方向的灰度分布使其更加满足高斯分布,能够减少偏移量的误差,提高光条中心点的提取精度。对相邻中心点进行曲率调整,使光条中心线更加稳定、平滑。相较传统的模板法,本发明方法提取精度更高、速度更快,满足实际测量要求。
附图说明
图1为本发明公开的线结构光光条中心线提取方法的流程图;
图2为根据采集的原始图像转换得到的灰度图像;
图3为形态学处理后的局部放大图
图4为自适应宽度方向模板法计算光条骨架上每一点法线的流程图;
图5为光条中心线提取结果示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
一种线结构光光条中心线提取方法,其流程图如图1所示,包括:
S1、对采集的光条图像进行预处理,并二值化为黑白图像,其中白色为前景,黑色为背景;
为了减少运算量,本发明中对光条图像进行预处理包括:将彩色图像转换为灰度图像,并增强图像对比度,对图像进行去噪。如图2所示,为根据采集的原始图像转换得到的灰度图像。
本实施例中增强图像对比度采用图像灰度拉伸,具体为:
其中,f(x,y)是输入图像在(x,y)像素处的灰度值,fmin是输入图像的最小灰度值,fmax是输入图像的最高灰度值,MAX和MIN是要拉伸到灰度空间的灰度最小值和灰度最大值,F(x,y)为灰度拉伸后在(x,y)像素处的灰度值。本实施例中将fmin和fmax映射到整个0-255的区间,即MAX=255,MIN=0,使对比度增加。
本实施例采用高斯滤波对图像进行去噪,首先建立3×3模板,其中模板中心的像素坐标为(0,0),模板上其余像素的系数按如下计算:
其中,(x,y)是高斯滤波模板中像素的坐标位置,x,y∈(-1,0,1),x2+y2是模糊半径,σ是正态分布的标准差。对于高斯滤波器,σ越大,离散程度较大,对图像平滑效果越好,反之平滑效果不明显。本实施例通过实例验证,采取σ=5,3×3模板的高斯滤波器能够有效去除图像中的噪声,保护图像边缘。
去噪后的图像采用大津阈值法进行二值化。大津法是一种自适应的图像分割技术,通过统计图像直方图信息来自动确定阈值,从而区分图像前景和背景。前景和背景之间的类间方差g越大,说明构成图像的两部分差别越大,提取效果越好。公式:
g=ω0(μ0-μ)2+ω1(μ1-μ)2
式中,ω0是目标像素点占全图比例,μ0是前景平均灰度,ω1是背景像素点所占比例,μ1是背景平均灰度,μ是图像的总平均灰度。采用遍历的方法获得阈值t,当类间方差g最大时,t为最佳分割阈值。
二值化后图像中的白色(灰度为255)为前景,黑色(灰度为0)为背景。
S2、对二值化光条图像进行膨胀腐蚀,得到封闭二值图像,提取封闭二值图像中的光条骨架;
首先对二值化光条图像进行形态学上的先膨胀后腐蚀操作,以拟合二值图像中较窄的间断和细长的沟壑,通过消除小的空洞,填补轮廓线上的断裂。图3为形态学处理后的局部放大图,其中的空洞等都已去除。
其次采用Zhang-suen细化算法对封闭的二值图像进行层层剥离,来提取光条骨架,以下表中p1为原点,寻找周围3*3窗口的像素进行遍历;
表1
P9 | P2 | P3 |
P8 | P1 | P4 |
P7 | P6 | P5 |
具体步骤为:
S2.1、遍历所有的前景像素点,对同时符合如下条件的前景像素点标记为删除:
(1)2≤N(p1)≤6,其中N(p1)表示跟p1相邻的8个像素点中前景像素点个数;
(2)S(p1)=1,S(p1)表示p2~p9~p2像素中出现0~1的累计次数,其中0表示背景,1表示前景;
(3)p2*p4*p6=0;
(4)p4*p6*p8=0;
S2.2、遍历所有的前景像素点,对同时符合如下条件的像素点标记为删除;
(1)2≤N(P1)≤6,其中N(p1)表示跟p1相邻的8个像素点中前景像素点个数;
(2)S(p1)=1,S(p1)表示p2~p9~p2像素中出现0~1的累计次数,其中0表示背景,1表示前景;
(3)p2*p4*p8=0;
(4)p2*p6*p8=0。
经过上述遍历处理后,将标记为删除的前景像素点改为背景像素点,得到细化的光条骨架。
S3、传统的模板法在较小范围内将光条的方向分为四种模式:水平、垂直、左倾45°、右倾45°。通过在这四个方向设计模板,可以近似的求解出光条的法线方向,实际上,采集的光条宽度不一,采用固定的模板容易产生误差,使求取的法线方向不精确,同时运算量较大。针对此问题,本发明提出一种自适应宽度方向模板法计算光条骨架上每一点的法线,如图4所示,具体步骤如下:
S3.1、按列对步骤S1获取的二值化光条图像进行扫描,获取每列中前景像素点的上下界坐标点,二值化光条图像第i列上下界坐标点的坐标为:(ui,vimin)和(ui,vimax)
S3.2、求取二值化光条第i列的宽度wi,计算公式为:
wi=(vimax-vimin)2;
S3.4、计算光条骨架的每个点与4个模板的相关值,光条骨架第i列的点(ui,vi)的4个相关值分别为:
其中,I(u,v)表示光条骨架上点(u,v)处的灰度值,Tk(p,q)表示第k个模板对应矩阵中(p,q)处的元素值;k=1,2,3,4;
S3.5、比较光条骨架上同一像素点处的四个相关值,相关值最高的方向为该点的法线方向DirNor,DirNor处的相关值HNor(u,v)计算公式如下:
HNor(u,v)=max{Hk(u,v)|k=1,2,3,4}。
本发明的自适应宽度方向模板法根据光条骨架两侧的边界宽度自动更改模板的大小,当光条出现小的豁口或亮度较低时,能够对其进行修补,保留光条纹的细节信息,具有较强的抗白噪声能力,完成对光条法线的精确求解。
S4、在光条骨架上每一点法线方向提取光条中心线。
光条灰度在法线方向是呈正态高斯分布的,受外部环境影响,实际采集的图像中并不满足这一点。采用灰度重心法能够在法线法向进行光条中心点亚像素坐标的提取,但提取出的中心点有一定的偏移误差,采用高斯拟合法可以改善法线方向灰度分布不均的问题,但该方法拟合时间长,过程较为复杂。本发明通过在传统灰度重心法的基础上改进权重模型,将高斯函数分布作为灰度重心法的权重,能够在减少计算量的情况下解决法线方向灰度不均的问题,在光条骨架像素点法线两侧各取个离散点为灰度重心提取区域,光条骨架第i列的点(ui,vi)处的光条中心点坐标(xi,0,yi,0)的计算公式如下:
上述计算光条中心点坐标的方法,光条骨架每个点沿其法线方向来确定灰度重心计算的区域,同时采用高斯函数作为权重,解决了法线方向灰度不均的问题。
S5、在实际测量中可能因物体表面曲率变化较大产生折线或断线,采用上述方法可以对断线进行修补,但在折线部分提取光条中心点的精度不稳定,存在误差,因此需要对提取光条中心点亚像素坐标进行调整,即对得到的光条中心点进行优化,提高光条中心点的精度,具体包括:
S5.1、相邻两列光条中心点的坐标为(xi,o,yi,o)和(xi+1,o,yi+1,o),计算光条中心点(xi,o,yi,o)处的第一斜率θi:
S5.2、对步骤S4得到的光条中心点使用最小二乘法进行曲线拟合,根据拟合曲线计算每个光条中心点处的一阶导数和二阶导数,计算拟合曲线在光条中心点(xi,o,yi,o)的第二斜率θ0(i):
其中y′(i)和y″(i)分别为拟合曲线上光条中心点(xi,o,yi,o)处的一阶导数和二阶导数;
S5.3、根据第一斜率和第二斜率的大小判断光条中心点坐标点是否存在较大偏移量;若第一斜率大于第二斜率,则对该点的光条中心点纵坐标进行均值优化,调整光条中心点位置,调整公式如下;
Claims (9)
1.一种线结构光光条中心线提取方法,其特征在于,包括:
S1、对采集的光条图像进行预处理,并二值化为黑白图像,其中白色为前景,黑色为背景;
S2、对二值化光条图像进行膨胀腐蚀,得到封闭二值图像,提取封闭二值图像中的光条骨架;
S3、采用自适应宽度方向模板法计算光条骨架上每一点的法线;
S4、在光条骨架上每一点法线方向提取光条中心线。
2.根据权利要求1所述的线结构光光条中心线提取方法,其特征在于,所述步骤S1中对光条图像进行预处理包括:将彩色图像转换为灰度图像,并增强图像对比度,对图像进行去噪。
4.根据权利要求2所述的线结构光光条中心线提取方法,其特征在于,采用高斯滤波对图像进行去噪。
5.根据权利要求1所述的线结构光光条中心线提取方法,其特征在于,所述步骤S1中采用大津阈值法对图像进行二值化。
6.根据权利要求1所述的线结构光光条中心线提取方法,其特征在于,所述步骤S2中采用Zhang-suen细化算法提取封闭二值图像中的光条骨架。
7.根据权利要求1所述的线结构光光条中心线提取方法,其特征在于,所述步骤S3中提取光条骨架上每一点法线具体包括如下步骤:
S3.1、按列对步骤S1获取的二值化光条图像进行扫描,获取每列中前景像素点的上下界坐标点,二值化光条图像第i列上下界坐标点的坐标为:(ui,vimin)和(ui,vimax)
S3.2、求取二值化光条第i列的宽度wi,计算公式为:wi=(vimax-vimin)2;
S3.4、计算光条骨架的每个点与4个模板的相关值,光条骨架第i列的点(ui,vi)的4个相关值分别为:
其中,I(u,v)表示光条骨架上点(u,v)处的灰度值,Tk(p,q)表示第k个模板对应矩阵中(p,q)处的元素值;k=1,2,3,4;
S3.5、比较光条骨架上同一像素点处的四个相关值,相关值最高的方向为该点的法线方向DirNor。
9.根据权利要求1所述的线结构光光条中心线提取方法,其特征在于,还包括:S5、对得到的光条中心点进行优化,提高光条中心点的精度,具体包括:
其中y′(i)和y″(i)分别为拟合曲线上光条中心点(xi,o,yi,o)处的一阶导数和二阶导数;
S5.3、根据第一斜率和第二斜率的大小判断光条中心点坐标点是否存在较大偏移量;若第一斜率大于第二斜率,则对该点的光条中心点纵坐标进行均值优化,调整光条中心点位置,调整公式如下;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959744.1A CN112102189B (zh) | 2020-09-14 | 2020-09-14 | 一种线结构光光条中心线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959744.1A CN112102189B (zh) | 2020-09-14 | 2020-09-14 | 一种线结构光光条中心线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102189A true CN112102189A (zh) | 2020-12-18 |
CN112102189B CN112102189B (zh) | 2024-04-23 |
Family
ID=73752629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959744.1A Active CN112102189B (zh) | 2020-09-14 | 2020-09-14 | 一种线结构光光条中心线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102189B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256518A (zh) * | 2021-05-20 | 2021-08-13 | 上海理工大学 | 用于口腔内3d重建的结构光图像增强方法 |
CN115049654A (zh) * | 2022-08-15 | 2022-09-13 | 成都唐源电气股份有限公司 | 一种钢轨反光光条的提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931232A (zh) * | 2016-04-18 | 2016-09-07 | 南京航空航天大学 | 结构光光条中心高精度亚像素提取方法 |
CN110866924A (zh) * | 2019-09-24 | 2020-03-06 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
-
2020
- 2020-09-14 CN CN202010959744.1A patent/CN112102189B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931232A (zh) * | 2016-04-18 | 2016-09-07 | 南京航空航天大学 | 结构光光条中心高精度亚像素提取方法 |
CN110866924A (zh) * | 2019-09-24 | 2020-03-06 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
Non-Patent Citations (4)
Title |
---|
史燕: "线结构光视觉测量光条中心提取及评价方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 March 2018 (2018-03-15), pages 2 * |
席剑辉;包辉;任艳;: "激光条纹法向中心的快速提取算法研究", 科技与创新, no. 01, 31 December 2017 (2017-12-31) * |
李阳: "基于结构光的倒车雷达研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 July 2020 (2020-07-15) * |
陈念;郭阳宽;张晓青;: "基于Hessian矩阵的线结构光光条中心提取", 数字技术与应用, no. 03, 31 March 2019 (2019-03-31) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256518A (zh) * | 2021-05-20 | 2021-08-13 | 上海理工大学 | 用于口腔内3d重建的结构光图像增强方法 |
CN113256518B (zh) * | 2021-05-20 | 2022-07-29 | 上海理工大学 | 用于口腔内3d重建的结构光图像增强方法 |
CN115049654A (zh) * | 2022-08-15 | 2022-09-13 | 成都唐源电气股份有限公司 | 一种钢轨反光光条的提取方法 |
CN115049654B (zh) * | 2022-08-15 | 2022-12-06 | 成都唐源电气股份有限公司 | 一种钢轨反光光条的提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112102189B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
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 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN109583365B (zh) | 基于成像模型约束非均匀b样条曲线拟合车道线检测方法 | |
CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
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 | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
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 | |
CN115127479A (zh) | 一种基于机器视觉的胶辊螺纹在线检测及修正方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN114494306B (zh) | 边缘梯度协方差引导的甲骨卜辞文字轮廓修复方法 | |
CN111310754A (zh) | 一种分割车牌字符的方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN117315289A (zh) | 基于图像处理的航空发动机叶片轮廓边缘检测方法 | |
CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN113763279A (zh) | 一种具有矩形框图像的精确校正处理方法 |
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 |