CN113029021B - 一种用于线激光蒙皮对缝测量的光条细化方法 - Google Patents
一种用于线激光蒙皮对缝测量的光条细化方法 Download PDFInfo
- Publication number
- CN113029021B CN113029021B CN202010769963.3A CN202010769963A CN113029021B CN 113029021 B CN113029021 B CN 113029021B CN 202010769963 A CN202010769963 A CN 202010769963A CN 113029021 B CN113029021 B CN 113029021B
- Authority
- CN
- China
- Prior art keywords
- light
- image
- center
- light bar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005259 measurement Methods 0.000 title claims abstract description 31
- 238000007670 refining Methods 0.000 title claims description 10
- 210000001503 joint Anatomy 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000005484 gravity Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000008602 contraction Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 abstract description 3
- 235000002566 Capsicum Nutrition 0.000 abstract description 2
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 2
- 235000017804 Piper guineense Nutrition 0.000 abstract description 2
- 244000203593 Piper nigrum Species 0.000 abstract description 2
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 2
- 150000003839 salts Chemical class 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于线激光蒙皮对缝测量的光条细化方法,涉及图像处理技术领域;包括如下步骤:根据光条端点序号识别对缝测量区域;对识别出的对缝测量区域图像采用自适应全变分滤波函数去除光条图像噪声;采用改进的模糊C均值方法分割光条图像,将光条从原图像中分离出来;采用基于骨架提取模板与区域灰度重心的方法提取光条中心,获取蒙皮表面线激光光条的中心像素坐标。本发明的优点在于:1)快速识别对缝测量区域,提高后续图像处理效率;2)能够显著去除光条图像中的高斯噪声和椒盐噪声,有效提高图像信噪比;3)通过优化后的模糊C均值算法提高了光条分割方法对图像噪声的抗干扰性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种用于线激光蒙皮对缝测量的光条细化方法。
背景技术
线激光发射器投射出结构光,与蒙皮对缝发生干涉,图像传感器采集光条图像,蒙皮对缝处的2D结构光形貌反映了对缝处阶差与间隙的3D轮廓信息,由于在该过程中,图像传感器自身和外界光照环境会对蒙皮测量图像造成干扰,使得图像采集结果中包含噪声,其中以高斯噪声和椒盐噪声为主,因此,飞机蒙皮对缝的结构光测量图像处理与光条特征提取影响着整个对缝测量系统的精度和可靠性。
目前在光条细化存在两个问题:一是大多图像去噪方法一般都是在空间域上对原图像直接进行相关运算,进而改变部分被噪声干扰的像素灰度值,以达到图像滤波效果,但是这些方法无不造成图像关键特征模糊;二是目前常用的结构光光条中心提取方法,如重心法、极值法、Hessian矩阵法都是基于光条截面能量分布为近高斯分布,随着线激光器硬件本身质量的提高,目前激光器投射出的光条截面能量分布已经呈现出非高斯分布形态,继续采用传统的光条中心提取方法已经无法准确的提取光条中心。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种用于线激光蒙皮对缝测量的光条细化方法。
为了实现上述目的,本发明采用了如下技术方案:
一种用于线激光蒙皮对缝测量的光条细化方法,包括如下步骤:
S1:根据光条端点序号识别对缝测量区域;
S2:基于光条端点识别蒙皮对缝区域;
S3:对识别出的对缝测量区域图像采用自适应全变分滤波函数去除光条图像噪声;
S4:对去噪后的图像采用改进的模糊C均值方法分割光条图像;
S5:对分割后的图像采用基于双重模板和区域灰度重心方法对光条进行细化。
优选地:所述S3中,其具体步骤为:
S21:输入原图像后采用中值滤波器对图像进行滤波;
S22:提取光条中心,提取的结果光条中心线在局部区域存在明显的波动,这里只用于辅助识别对缝区域;
S23:提取光条端点并按照光条进行排序,其中第一根光条端点序号为1、2、3、4,另一根光条端点序号为5、6、7、8,光条端点可通过搜索目标像素8邻域内像素个数来识别,非端点的像素8邻域内除了目标像素本身还存在两个灰度非零像素;
S24:处于点2、3、6、7的中间区域为对缝区域,截取这部分作为新的初始图像,对其进行去噪和光条分割,尺寸大小与测量距离和相机分辨率有关。
优选地:所述S3中,自适应全变分滤波函数如下:
式中,β>0,λ>0;Ω是Rn中具有Lipschitzian边界的有界区域;K是L1(Ω)中封闭的凸子集;X=L1(Ω)∩BV(Ω),BV(Ω)表示定义函数的空间;k1是自适应边缘识别函数α(x)的一个参数;Gσ是参数为σ的高斯滤波器。
优选地:所述S3中的图像采用分裂Bregman迭代方法进行更新,分裂Bregman迭代可由以下形式定义:其更新方式符合公式:式中,u为更新的图像,f为输入原图像,自适应边缘识别函数α(x)、γ和β是比例系数,是梯度算子。
其中μ1=μ2=μ3=2.5,λ1=λ2=0.6,γ=5,β=0.03,自适应边缘识别函数中k1和σ分别设为0.001和1。
优选地:所述S4中,模糊C均值模型如下:
其中,对于模糊C均值分割算法中模糊隶属度μij和聚类中心vi的更新方式符合公式:
式中,xj、xr是图像像素,GN是控制参数,α是比例系数。
优选地:所述S5中,基于双重模板和区域灰度重心方法对光条进行细化的具体步骤为:
S51:用骨架提取模板提取光条像素级骨架,作为光条中心初值;基于光条截面像素灰度和分离蒙皮表面光条和溢出光条;叠加骨架图像与去噪后图像,计算骨架中心法向;
S52:沿光条法线方向将光条像素划分为三个子区间,包括一个峰值区间和两个90%峰值区间;
S53:在由S52中划分的三个子区间构成的图像区域内用灰度重心法计算光条的亚像素中心。
优选地:所述S51中,骨架提取模板包括两部分,一部分包括待处理像素点的左右或上下邻域,选取哪种模板视结构光测量系统相机与线结构光发射器位置分布决定,光条在图像中方向为近似水平,则选择垂直分布模板,否则选择水平模板,另一部分包括待处理像素点8邻域内。
优选地:所述S52中,将骨架图与去噪后的原图像叠加,以骨架像素点为中心,沿光条方向和法线方向截取l×d的图像区间,记录截面灰度值,按照灰度峰值和90%峰值将光条划分为三个区间,在该区间内采用灰度重心法进一步提取光条的亚像素中心,在提取光条中心时添加溢出区域判断,仅提取蒙皮表面光条。
本发明的有益效果为:
1.本发明可以自适应边缘识别函数可以去除高斯噪声,且不产生阶梯效应。因为该模型可以根据图像局部特征自适应地控制模糊过程,在平滑区域较大的α(x)可以导致较强的模糊效应;而在边缘附近,用较小的α(x)使得模糊效应变弱。与传统的全变分模型相比,新的去噪模型采用了一个优化的非局部全变分模型,该模型能够同时去除高斯噪声和椒盐噪声,并且最大限度保留细节特征。
2.本发明局部空间信息可以用来提高FCM算法的抗噪声能力,并且可以加速迭代过程,即每个像素的模糊隶属度在每一步后都会有较大的变化,分割出的光条信息保留更为完整。
附图说明
图1为本发明提出的一种用于线激光蒙皮对缝测量的光条细化方法中的光条细化流程结构示意图;
图2为本发明提出的一种用于线激光蒙皮对缝测量的光条细化方法中的骨架提取模板结构示意图;
图3为本发明提出的一种用于线激光蒙皮对缝测量的光条细化方法中的骨架与去噪图像叠加结构示意图;
图4为本发明提出的一种用于线激光蒙皮对缝测量的光条细化方法中的光条截面区间划分结构示意图;
图5为本发明提出的一种用于线激光蒙皮对缝测量的光条细化方法中的识别对缝区域流程结构示意图;
图6为本发明提出的一种用于线激光蒙皮对缝测量的光条细化方法中的对缝测量区域识别结构示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
在本专利的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“设置”应做广义理解,例如,可以是固定相连、设置,也可以是可拆卸连接、设置,或一体地连接、设置。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本专利中的具体含义。
一种用于线激光蒙皮对缝测量的光条细化方法,包括如下步骤:
S1:根据光条端点序号识别对缝测量区域;
S2:基于光条端点识别蒙皮对缝区域;
S3:对识别出的对缝测量区域图像采用自适应全变分滤波函数去除光条图像噪声;
S4:对去噪后的图像采用改进的模糊C均值方法分割光条图像;
S5:对分割后的图像采用基于双重模板和区域灰度重心方法对光条进行细化。
所述S3中,其具体步骤为:
S21:输入原图像后采用中值滤波器对图像进行滤波;
S22:提取光条中心,提取的结果光条中心线在局部区域存在明显的波动,这里只用于辅助识别对缝区域;
S23:提取光条端点并按照光条进行排序,其中第一根光条端点序号为1、2、3、4,另一根光条端点序号为5、6、7、8,光条端点可通过搜索目标像素8邻域内像素个数来识别,非端点的像素8邻域内除了目标像素本身还存在两个灰度非零像素;
S24:处于点2、3、6、7的中间区域为对缝区域,截取这部分作为新的初始图像,对其进行去噪和光条分割,尺寸大小与测量距离和相机分辨率有关。
所述S3中,自适应全变分滤波函数如下:
式中,β>0,λ>0;Ω是Rn中具有Lipschitzian边界的有界区域;K是L1(Ω)中封闭的凸子集;X=L1(Ω)∩BV(Ω),BV(Ω)表示定义函数的空间;k1是自适应边缘识别函数α(x)的一个参数;Gσ是参数为σ的高斯滤波器。
所述S3中的图像采用分裂Bregman迭代方法进行更新,分裂Bregman迭代可由以下形式定义:其更新方式符合公式:式中,u为更新的图像,f为输入原图像,自适应边缘识别函数α(x)、γ和β是比例系数,是梯度算子。
其中μ1=μ2=μ3=2.5,λ1=λ2=0.6,γ=5,β=0.03,自适应边缘识别函数中k1和σ分别设为0.001和1。
所述S4中,模糊C均值模型如下:
其中,对于模糊C均值分割算法中模糊隶属度μij和聚类中心vi的更新方式符合公式:
式中,xj、xr是图像像素,GN是控制参数,α是比例系数。
所述S5中,基于双重模板和区域灰度重心方法对光条进行细化的具体步骤为:
S51:用骨架提取模板提取光条像素级骨架,作为光条中心初值;基于光条截面像素灰度和分离蒙皮表面光条和溢出光条;叠加骨架图像与去噪后图像,计算骨架中心法向;
S52:沿光条法线方向将光条像素划分为三个子区间,包括一个峰值区间和两个90%峰值区间;
S53:在由S52中划分的三个子区间构成的图像区域内用灰度重心法计算光条的亚像素中心。
所述S51中,骨架提取模板包括两部分,一部分包括待处理像素点的左右或上下邻域,选取哪种模板视结构光测量系统相机与线结构光发射器位置分布决定,光条在图像中方向为近似水平,则选择垂直分布模板,否则选择水平模板,另一部分包括待处理像素点8邻域内。
所述S52中,将骨架图与去噪后的原图像叠加,以骨架像素点为中心,沿光条方向和法线方向截取l×d的图像区间,记录截面灰度值,按照灰度峰值和90%峰值将光条划分为三个区间,在该区间内采用灰度重心法进一步提取光条的亚像素中心,在提取光条中心时添加溢出区域判断,仅提取蒙皮表面光条
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种用于线激光蒙皮对缝测量的光条细化方法,其特征在于,包括如下步骤:
S1:根据光条端点序号识别对缝测量区域;
S2:基于光条端点识别蒙皮对缝区域;
S3:对识别出的对缝测量区域图像采用自适应全变分滤波函数去除光条图像噪声;
S4:对去噪后的图像采用改进的模糊C均值方法分割光条图像;
S5:对分割后的图像采用基于双重模板和区域灰度重心方法对光条进行细化;
所述S3中,自适应全变分滤波函数如下:
式中,β>0,λ>0;Ω是Rn中具有Lipschitzian边界的有界区域;K是L1(Ω)中封闭的凸子集;X=L1(Ω)∩BV(Ω),BV(Ω)表示定义函数的空间;k1是自适应边缘识别函数α(x)的一个参数;Gσ是参数为σ的高斯滤波器;
所述S4中,模糊C均值模型如下:
其中,对于模糊C均值分割算法中模糊隶属度μij和聚类中心vi的更新方式符合公式:
式中,xj、xr是图像像素,GN是控制参数,α是比例系数;
所述S5中,基于双重模板和区域灰度重心方法对光条进行细化的具体步骤为:
S51:用骨架提取模板提取光条像素级骨架,作为光条中心初值;基于光条截面像素灰度和分离蒙皮表面光条和溢出光条;叠加骨架图像与去噪后图像,计算骨架中心法向;
S52:沿光条法线方向将光条像素划分为三个子区间,包括一个峰值区间和两个90%峰值区间;
S53:在由S52中划分的三个子区间构成的图像区域内用灰度重心法计算光条的亚像素中心;
所述S51中,骨架提取模板包括两部分,一部分包括待处理像素点的左右或上下邻域,选取哪种模板视结构光测量系统相机与线结构光发射器位置分布决定,光条在图像中方向为近似水平,则选择垂直分布模板,否则选择水平模板,另一部分包括待处理像素点8邻域内;
所述S52中,将骨架图与去噪后的原图像叠加,以骨架像素点为中心,沿光条方向和法线方向截取l×d的图像区间,记录截面灰度值,按照灰度峰值和90%峰值将光条划分为三个区间,在该区间内采用灰度重心法进一步提取光条的亚像素中心,在提取光条中心时添加溢出区域判断,仅提取蒙皮表面光条。
2.根据权利要求1所述的一种用于线激光蒙皮对缝测量的光条细化方法,其特征在于,所述S2中,其具体步骤为:
S21:输入原图像后采用中值滤波器对图像进行滤波;
S22:提取光条中心,提取的结果光条中心线在局部区域存在明显的波动,这里只用于辅助识别对缝区域;
S23:提取光条端点并按照光条进行排序,其中第一根光条端点序号为1、2、3、4,另一根光条端点序号为5、6、7、8,光条端点可通过搜索目标像素8邻域内像素个数来识别,非端点的像素8邻域内除了目标像素本身还存在两个灰度非零像素;
S24:处于点2、3、6、7的中间区域为对缝区域,截取这部分作为新的初始图像,对其进行去噪和光条分割,尺寸大小与测量距离和相机分辨率有关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769963.3A CN113029021B (zh) | 2020-08-04 | 2020-08-04 | 一种用于线激光蒙皮对缝测量的光条细化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010769963.3A CN113029021B (zh) | 2020-08-04 | 2020-08-04 | 一种用于线激光蒙皮对缝测量的光条细化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113029021A CN113029021A (zh) | 2021-06-25 |
CN113029021B true CN113029021B (zh) | 2022-08-02 |
Family
ID=76458711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010769963.3A Active CN113029021B (zh) | 2020-08-04 | 2020-08-04 | 一种用于线激光蒙皮对缝测量的光条细化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113029021B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678766A (zh) * | 2016-01-06 | 2016-06-15 | 福州大学 | 一种基于局部邻域和全局信息的模糊c均值图像分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107687819B (zh) * | 2017-08-01 | 2019-09-27 | 大连理工大学 | 一种快速高精度的光条中心亚像素提取方法 |
CN110866924B (zh) * | 2019-09-24 | 2023-04-07 | 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
- 2020-08-04 CN CN202010769963.3A patent/CN113029021B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678766A (zh) * | 2016-01-06 | 2016-06-15 | 福州大学 | 一种基于局部邻域和全局信息的模糊c均值图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113029021A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807422B (zh) | 一种基于深度学习的自然场景文本检测方法 | |
CN108596930B (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
CN110717872B (zh) | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取系统 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN111640128A (zh) | 一种基于U-Net网络的细胞图像分割方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN113029021B (zh) | 一种用于线激光蒙皮对缝测量的光条细化方法 | |
CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN105844641A (zh) | 一种动态环境下的自适应阈值分割方法 | |
CN112906711A (zh) | 一种用于线激光蒙皮对缝测量的光条细化方法 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 | |
CN111553868B (zh) | 一种基于改进sobel算子的隧道反射率影像滤波方法 |
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 |