CN113643371B - 一种飞行器模型表面标记点的定位方法 - Google Patents

一种飞行器模型表面标记点的定位方法 Download PDF

Info

Publication number
CN113643371B
CN113643371B CN202111193398.1A CN202111193398A CN113643371B CN 113643371 B CN113643371 B CN 113643371B CN 202111193398 A CN202111193398 A CN 202111193398A CN 113643371 B CN113643371 B CN 113643371B
Authority
CN
China
Prior art keywords
image
aircraft model
positioning
coordinates
mark
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
Application number
CN202111193398.1A
Other languages
English (en)
Other versions
CN113643371A (zh
Inventor
左承林
梁磊
姜裕标
马军
魏春华
岳廷瑞
尹熹伟
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.)
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202111193398.1A priority Critical patent/CN113643371B/zh
Publication of CN113643371A publication Critical patent/CN113643371A/zh
Application granted granted Critical
Publication of CN113643371B publication Critical patent/CN113643371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20004—Adaptive image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明适用于风洞试验技术领域，提供了一种飞行器模型表面标记点的定位方法，包括步骤：采集飞行器模型的图像，所述图像包括飞行器模型的无风参考图像和有风工作图像，所述飞行器模型表面喷涂有压敏漆，并在飞行器模型表面沿边缘轮廓布置多个标记点，多个所述标记点形成一圈；采用增强阈值分割法对采集到的图像中的标记点的位置进行粗定位，获得标记点的粗位置；根据标记点的粗位置，采用加权阈值的方法对标记点的位置进行精确定位，获得标记点的精确位置。通过本发明的方法可以获得飞行器模型表面标记点的精确坐标，定位准确度高，有助于飞行器模型表面标记点的精确匹配和受力情况的准确分析。

Description

一种飞行器模型表面标记点的定位方法
技术领域
本发明涉及风洞试验领域 ，尤其是涉及一种飞行器模型表面标记点的定位方法。
背景技术
飞行器在空中飞行时，其表面会受到各种外界因素的影响，进而影响飞行器的飞行状态，因此，研究飞行器表面的受力情况，有利于进一步判断飞行器在不同受力情况下的飞行状态。
获取压力分布的非接触测量方法是压敏漆技术，压敏漆技术利用发光涂层
分子在特定波长激发光照射下其荧光强度随压力变化的现象，是将压力大小转变为光强信息后，再对图像进行处理，然后根据图像处理后的结果，计算出模型表面压力分布，其优点为：空间的分辨率比较高、不受模型自身结构的限制、不会破坏模型表面的流畅、可实现大面积范围内压力分布测量等。目前压敏技术已经广泛应用于航空航天飞行器表面的压力测量中。
飞行器的受力情况分析一般在风洞试验中进行。飞行器模型在风洞试验中测量受力/变形表面参数中常用的标记点为圆形标记点，采用圆形标记点具有自身结构简单、受成像光照影响小、容易检测等优点。
目前，飞行器模型中采用圆形标记点进行受力分析的方法是通过无风参考图像上的标记点和有风工作图像上的标记点进行匹配后求取两幅图像的变换参数，因此，无风参考图像上的标记点和有风工作图像上的标记点的准确匹配跟踪是异常关键的问题，任何错误的匹配都将带来巨大的误差，而准确匹配跟踪的基础是对风参考图像上的标记点和有风工作图像上的标记点的精确定位，但是现有技术中，一般采用最小二乘法法来获取标记点的位置，通常只进行一次定位，这样获得的标记点位置不精确，误差大，导致无风参考图像上的标记点和有风工作图像上的标记点在匹配的过程中会出现匹配误差，进而影响对飞行器模型表面受力的准确分析。
发明内容
本发明的目的是提供一种飞行器模型表面标记点的定位方法，来解决上述现有技术中存在的技术问题，包括如下步骤：
步骤S10：采集飞行器模型的图像
Figure 51098DEST_PATH_IMAGE001
，所述图像
Figure 702659DEST_PATH_IMAGE001
为飞行器模型的无风参考图像
Figure 826604DEST_PATH_IMAGE002
和有风工作图像
Figure 18551DEST_PATH_IMAGE003
，所述飞行器模型表面喷涂有压敏漆，并在飞行器模型表面沿边缘轮廓布置多个标记点
Figure 301765DEST_PATH_IMAGE004
，多个所述标记点
Figure 232550DEST_PATH_IMAGE004
形成一圈；
步骤S20：采用增强阈值分割法对采集到的图像
Figure 968424DEST_PATH_IMAGE001
中的标记点
Figure 964062DEST_PATH_IMAGE004
的位置进行粗定位，获得标记点
Figure 242728DEST_PATH_IMAGE004
的粗位置
Figure 704933DEST_PATH_IMAGE005
；
步骤S30：根据标记点
Figure 256000DEST_PATH_IMAGE004
的粗位置
Figure 838685DEST_PATH_IMAGE005
，采用加权阈值的方法对标记点
Figure 96491DEST_PATH_IMAGE004
的位置进行精确定位，获得标记点
Figure 119810DEST_PATH_IMAGE004
的精确位置
Figure 908906DEST_PATH_IMAGE006
。
进一步地，步骤S10中，在飞行器模型表面沿边缘至中心的方向布置多圈标记点
Figure 652871DEST_PATH_IMAGE004
。
进一步地，步骤S10中，位于同一圈上的每一个标记点
Figure 155397DEST_PATH_IMAGE004
距飞行器模型边缘的距离相等。
进一步地，步骤S20包括如下步骤：
步骤S201：对采集到的图像
Figure 536568DEST_PATH_IMAGE001
进行预处理，得到粗定位二值化图像
Figure 734331DEST_PATH_IMAGE007
；
步骤S202：计算粗定位二值化图像
Figure 281987DEST_PATH_IMAGE007
中所有连通区域，并计算每个连通区域的面积
Figure 597607DEST_PATH_IMAGE008
和位置
Figure 165992DEST_PATH_IMAGE009
；
步骤S203：设置连通区域的面积阈值
Figure 585472DEST_PATH_IMAGE010
，若
Figure 546606DEST_PATH_IMAGE011
，则将连通区域的位置
Figure 695827DEST_PATH_IMAGE012
作为标记点
Figure 749627DEST_PATH_IMAGE004
的粗位置
Figure 656403DEST_PATH_IMAGE005
；若
Figure 873758DEST_PATH_IMAGE013
，则不将连通区域的位置
Figure 690535DEST_PATH_IMAGE012
作为标记点
Figure 538406DEST_PATH_IMAGE004
的粗位置
Figure 57112DEST_PATH_IMAGE005
。
进一步地，步骤S30包括如下步骤：
步骤S301：获取图像
Figure 857763DEST_PATH_IMAGE015
中包含粗位置
Figure 1169DEST_PATH_IMAGE016
的图像块，以及计算包含位置
Figure 961166DEST_PATH_IMAGE016
的图像块中的像素最小值
Figure 317061DEST_PATH_IMAGE017
；
步骤S302：根据像素最小值
Figure 967485DEST_PATH_IMAGE017
计算阶梯阈值
Figure 206093DEST_PATH_IMAGE018
，
Figure 699391DEST_PATH_IMAGE019
，其中，
Figure 999922DEST_PATH_IMAGE020
为阶梯系数，
Figure 645798DEST_PATH_IMAGE021
=1，2，......n，n为阶梯系数的个数；
步骤S303：比较图像
Figure 803110DEST_PATH_IMAGE015
的像素
Figure 924650DEST_PATH_IMAGE022
与阶梯阈值
Figure 137194DEST_PATH_IMAGE018
的大小，对图像
Figure 824528DEST_PATH_IMAGE015
中包含粗位置
Figure 90424DEST_PATH_IMAGE016
的图像块进行二值化处理，获得精确定位二值化图像
Figure 777888DEST_PATH_IMAGE023
，将精确定位二值化图像
Figure 748118DEST_PATH_IMAGE023
划分为区域
Figure 870052DEST_PATH_IMAGE024
和区域
Figure 103587DEST_PATH_IMAGE025
，区域
Figure 278347DEST_PATH_IMAGE024
为精确定位二值化图像
Figure 583427DEST_PATH_IMAGE023
中像素
Figure 494620DEST_PATH_IMAGE026
的区域，区域
Figure 102319DEST_PATH_IMAGE025
精确定位二值化图像
Figure 544801DEST_PATH_IMAGE023
中像素
Figure 341987DEST_PATH_IMAGE027
的区域；
步骤S304：计算区域
Figure 796102DEST_PATH_IMAGE024
的中心坐标
Figure 964915DEST_PATH_IMAGE028
，其中，
Figure 565135DEST_PATH_IMAGE029
为第
Figure 212017DEST_PATH_IMAGE021
阶区域
Figure 786218DEST_PATH_IMAGE024
的中心像素点的行坐标，
Figure 611085DEST_PATH_IMAGE030
为第
Figure 434685DEST_PATH_IMAGE021
阶区域
Figure 931263DEST_PATH_IMAGE024
的中心像素点的列坐标；
步骤S305：对n个中心坐标
Figure 94391DEST_PATH_IMAGE031
进行加权，获得加权坐标
Figure 355739DEST_PATH_IMAGE032
，将加权坐标
Figure 869897DEST_PATH_IMAGE032
作为标记点
Figure 61844DEST_PATH_IMAGE033
的精确位置
Figure 721889DEST_PATH_IMAGE034
。
进一步地，步骤S303中：若
Figure 278772DEST_PATH_IMAGE035
，则像素
Figure 342543DEST_PATH_IMAGE036
；若
Figure 885651DEST_PATH_IMAGE037
，则像素
Figure 23371DEST_PATH_IMAGE038
。
进一步地，步骤S304中，中心坐标
Figure 875790DEST_PATH_IMAGE039
的计算方法如下：
Figure 676124DEST_PATH_IMAGE040
Figure 147557DEST_PATH_IMAGE041
其中，
Figure 811888DEST_PATH_IMAGE042
表示区域
Figure 133410DEST_PATH_IMAGE024
中像素点的个数，N表示行坐标和列坐标的序号，
Figure 906194DEST_PATH_IMAGE043
表示区域
Figure 181317DEST_PATH_IMAGE024
中像素点的行坐标；
Figure 168996DEST_PATH_IMAGE044
表示区域
Figure 300900DEST_PATH_IMAGE024
中像素点的列坐标。
进一步地，步骤S201包括如下步骤：
步骤S2011：对采集到的图像
Figure 498663DEST_PATH_IMAGE015
进行灰度化处理，得到灰度图像
Figure 688730DEST_PATH_IMAGE045
；
步骤S2012：对灰度图像进行黑帽运算，得到黑帽图像
Figure 655549DEST_PATH_IMAGE046
；
步骤S2013：对黑帽图像
Figure 958354DEST_PATH_IMAGE046
采用自适应阈值分割，得到粗定位二值化图像
Figure 518779DEST_PATH_IMAGE047
。
进一步地，步骤S305中加权坐标
Figure 135705DEST_PATH_IMAGE048
的计算公式如下：
Figure 284927DEST_PATH_IMAGE049
其中，
Figure 70218DEST_PATH_IMAGE050
为第
Figure 836049DEST_PATH_IMAGE051
个阶梯阈值
Figure 804136DEST_PATH_IMAGE052
下区域
Figure 745547DEST_PATH_IMAGE053
中心的权重。
本发明的有益效果至少具有以下方面：
1）本发明提供的飞行器模型表面标记点的定位方法，通过对无风参考图像上的标记点和有风工作图像上的标记点进行了两次定位，来获取标记点的精确位置，采用本发明的定位方法，可以获得飞行器模型表面标记点的精确坐标，定位准确度高，有助于飞行器模型表面标记点的精确匹配和受力情况的准确分析。
2）本发明中，具体提供的定位方法为，首先采用增强阈值分割方法对飞行器模型表面上的标记点进行粗定位，然后采用加权阈值的方法对标记点的位置进行精确定位，定位精度高。
3）本发明中，采用加权阈值的方法对标记点的位置进行精确定位的时，并不是获取无风参考图像和有风工作图像的整个图像上的所有标记点一次进行分割，而是在粗定位的基础上，分别选取无风参考图像和有风工作图像中每个包括粗定位标记点的图像块，然后分别计算每个图像块中标记点的精确位置，根据每个标记点所在的图像块计算标记点的位置进而获得的位置坐标准确度高。
4）本发明中，对包括粗定位标记点的图像块进行精确定位时，首先计算图像块中的最小像素值
Figure 921314DEST_PATH_IMAGE017
，然后根据最小像素值计算阶梯阈值
Figure 883761DEST_PATH_IMAGE018
，并根据不同阶梯的阈值
Figure 435965DEST_PATH_IMAGE018
对图像进行二值化，获取标记点所在区域，计算标记点所在区域的中心坐标，将在不同阶梯阈值
Figure 310511DEST_PATH_IMAGE018
下对应中心坐标进行加权计算，最终获得包含粗定位标记点的图像块中标记点的精确坐标，即获得标记点的精确位置，本发明中对包含粗定位标记点的图像块，采用多次坐标加权的定位方法，定位准确度高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面所描述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是本发明中采集到的飞行器模型的图像；
图2是本发明中对采集的飞行器模型的黑帽图像 ；
图3（a）是阈值分割三维图，图3（b）是标记点的精确位置图；
图4是飞行器模型表面标记点的定位方法的流程图；
图5是采用增强阈值分割法获得标记点粗位置的流程图；
图6是采用加权阈值阀方法获得标记点的精确定位的流程图；
图7是获得粗定位二值化图像的流程图。
具体实施方式
以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。
如图1-图7所示，本发明实施例提供的一种飞行器模型表面标记点的定位方法，包括如下步骤：
步骤S10：采集飞行器模型的图像
Figure 188337DEST_PATH_IMAGE015
，所述图像
Figure 899066DEST_PATH_IMAGE015
为飞行器模型的无风参考图像
Figure 458224DEST_PATH_IMAGE054
和有风工作图像
Figure 984014DEST_PATH_IMAGE055
，所述飞行器模型表面喷涂有压敏漆，并在飞行器模型表面沿边缘轮廓布置多个标记点
Figure 173687DEST_PATH_IMAGE033
，多个所述标记点
Figure 870247DEST_PATH_IMAGE033
形成一圈；
步骤S20：采用增强阈值分割法对采集到的图像
Figure 13522DEST_PATH_IMAGE015
中的标记点
Figure 643086DEST_PATH_IMAGE033
的位置进行粗定位，获得标记点
Figure 816710DEST_PATH_IMAGE033
的粗位置
Figure 672670DEST_PATH_IMAGE056
；
步骤S30：根据标记点
Figure 104789DEST_PATH_IMAGE033
的粗位置
Figure 309898DEST_PATH_IMAGE056
，采用加权阈值的方法对标记点
Figure 966008DEST_PATH_IMAGE033
的位置进行精确定位，获得标记点
Figure 591155DEST_PATH_IMAGE033
的精确位置
Figure 358123DEST_PATH_IMAGE034
。
上述方案中，在获取飞行器模型图像
Figure 103225DEST_PATH_IMAGE015
前，需要在飞行器模型表面涂覆压敏漆、布置标记点
Figure 913924DEST_PATH_IMAGE033
以及布置图像采集装置；由于压敏漆测量采用的是激发光波长为405nm，发射光650nm，因此，本发明实施例中图像采集装置采用由阵列式LED发光二极管构成的平行光源作为激发光源，发光主峰为400nm。相机采用16位科学级灰度CCD相机，分辨率为
Figure 806794DEST_PATH_IMAGE057
，采用8mm定焦镜头，配600nm高通滤波镜片，采集飞行器模型图像时，激发光源发出激发光至飞行器模型表面，相机接收飞行器模型表面的反射光，获取飞行器模型图像，但是由于飞行器模型表面喷涂压敏漆涂料后，导致表面光滑，缺乏可识别的特征点，而且飞行器的无风参考图像和有风工作图像，由于表面压力的变化，图像像素灰度分布不一致，因此难以直接利用灰度信息进行定位匹配，因此，需要在飞行器模型表面沿边缘轮廓布置多个标记点
Figure 987239DEST_PATH_IMAGE033
，同时多个标记点
Figure 462214DEST_PATH_IMAGE033
形成与飞行器模型轮廓相似的形状，在飞行器模型表面布置标记点
Figure 397809DEST_PATH_IMAGE033
后，相机获得的图像如图1所示。
在获取飞行器模型图像
Figure 450079DEST_PATH_IMAGE015
时，需要获取飞行器模型两种状态下的图像，一种是飞行器模型在无风状态下的图像，即无风参考图像
Figure 811046DEST_PATH_IMAGE054
，另一种是飞行器模型在有风状态下的图像，即有风工作图像
Figure 593057DEST_PATH_IMAGE055
，利用无风参考图像
Figure 981444DEST_PATH_IMAGE054
上的标记点
Figure 521010DEST_PATH_IMAGE033
和有风工作图像
Figure 213897DEST_PATH_IMAGE055
上的标记点
Figure 788098DEST_PATH_IMAGE033
进行匹配，根据匹配结果分析飞行器模型表面的受力情况。
需要说明的是，下面对图像的处理计算，均指的是对无风参考图像和有风工作图像，两者都会进行同样的处理步骤。
具体地，当获取了飞行器模型表面的图像
Figure 65496DEST_PATH_IMAGE015
后，首先需要将图像
Figure 702145DEST_PATH_IMAGE015
转化为灰度图像，然后对灰度图像采用黑帽运算，对图像进行去噪进而减小背景带来的干扰，增强标记点所在的区域，得到黑帽图像，在此基础上，对黑帽图像采用自适应阈值分割的方法，针对图像中的不同区域，自适应计算不同的阈值，对图像进行分割，得到二值化图像，计算二值化图像中所有的连通区域，并计算每一个连通区域的面积和位置，此时由技术人员根据实际经验设置面积阈值，将连通区域面积小于面积阈值的连通区域保留，并将连通区域中面积小于面积阈值的连通区域的位置作为标记点的粗位置，将连通区域面积不小于面积阈值的连通区域进行过滤，依次将每一个连通区域的面积与面积阈值进行比较，获得每一个标记点的粗位置，即在对图像进行了自适应阈值分割的基础上，对图像又根据面积阈值进行了一次增强阈值分割，因此，对采集到的飞行器模型图像通过增强阈值的分割办法实现了对标记点的粗定位。
根据获得的标记点的粗定位的位置坐标，在图像中找到对应的标记点位置，并截取含有该标记点的图像块，图像块的大小只要包括标记点所在的区域即可，对图像块中的像素值进行计算，得到像素的最小值，然后将最小值作为后续图像进行分阶的起点；然后对图像块进行阶梯式阈值分割，获得不同阶梯阈值下的二值化图像，并根据二值化图像计算该图像中标记点的中心坐标，最后对不同阶梯下标记点的中心坐标设置对应的权重，将不同阶梯下带有权重的标记点位置坐标进行加权，将此时的加权坐标作为标记点的精确位置坐标，即完成了对标记点的精确定位。
因此，本发明提供的飞行器模型表面标记点的定位方法，通过对无风参考图像上的标记点和有风工作图像上的标记点进行了两次定位，来获取标记点的精确位置，采用本发明的定位方法，可以获得飞行器模型表面标记点的精确坐标，定位准确度高，有助于飞行器模型表面标记点的精确匹配和受力情况的准确分析。
本发明中，具体提供的定位方法为，首先采用增强阈值分割方法对飞行器模型表面上的标记点进行粗定位，然后采用加权阈值的方法对标记点的位置进行精确定位，定位精度高。
本发明中，采用加权阈值的方法对标记点的位置进行精确定位的时，并不是获取无风参考图像和有风工作图像的整个图像上的所有标记点一次进行分割，而是在粗定位的基础上，分别选取无风参考图像和有风工作图像中每个包括粗定位标记点的图像块，然后分别计算每个图像块中标记点的精确位置，根据每个标记点所在的图像块计算标记点的位置进而获得的位置坐标准确度高。
本发明中，对包括粗定位标记点的图像块进行精确定位时，首先计算图像块中的最小像素值
Figure 293663DEST_PATH_IMAGE017
，然后根据最小像素值计算阶梯阈值
Figure 581425DEST_PATH_IMAGE018
，并根据不同阶梯的阈值
Figure 293640DEST_PATH_IMAGE018
对图像进行二值化，获取标记点所在区域，计算标记点所在区域的中心坐标，将在不同阶梯阈值
Figure 807798DEST_PATH_IMAGE018
下对应中心坐标进行加权计算，最终获得包含粗定位标记点的图像块中标记点的精确坐标，即获得标记点的精确位置，本发明中对包含粗定位标记点的图像块，采用多次坐标加权的定位方法，定位准确度高。
进一步地，步骤S10中，在飞行器模型表面沿边缘至中心的方向布置多圈标记点
Figure 62062DEST_PATH_IMAGE033
。
上述方案中，在飞行器模型表面可以将标记点布置成多圈，在无风参考图和有风工作图配准的时候，通常情况下采用图像上一圈标记点进行两幅图像之间的配准，采用一圈标记点匹配时，可能会存在图像中某个标记点由于信息缺失或者其他原因导致有的标记点在匹配的时候出现匹配不成功的情况，而将标记点设置为多圈，通过对多圈标记点的匹配，使得在无风参考图和有风工作图配准精确度更加高。
进一步地，步骤S10中，位于同一圈上的每一个标记点
Figure 79696DEST_PATH_IMAGE033
距飞行器模型边缘的距离相等。
上述方案中，在飞行器模型表面上设置的标记点组成的形状通常情况下需要和飞行器的轮廓相似，这样可以更加真实地反应出飞行器模型表面尺寸的变化以及受力情况的严重程度，因此，在设置标记点的时候，位于同一圈上的每个标记点到飞行器模型边缘的距离相等，如，最靠近飞行器模型边缘的圈与边缘之间的距离为D，则位于该圈上的每一个标记点距离边缘的距离均为D。
进一步地，步骤S20包括如下步骤：
步骤S201：对采集到的图像
Figure 715208DEST_PATH_IMAGE015
进行预处理，得到粗定位二值化图像
Figure 841296DEST_PATH_IMAGE058
；
步骤S202：计算粗定位二值化图像
Figure 243458DEST_PATH_IMAGE058
中所有连通区域，并计算每个连通区域的面积
Figure 958342DEST_PATH_IMAGE059
和位置
Figure 810761DEST_PATH_IMAGE060
；
步骤S203：设置连通区域的面积阈值
Figure 33932DEST_PATH_IMAGE061
，若
Figure 380730DEST_PATH_IMAGE062
，则将连通区域的位置
Figure 700853DEST_PATH_IMAGE060
作为标记点
Figure 333960DEST_PATH_IMAGE033
的粗位置
Figure 483575DEST_PATH_IMAGE016
；若
Figure 493119DEST_PATH_IMAGE063
，则不将连通区域的位置
Figure 480798DEST_PATH_IMAGE060
作为标记点
Figure 550385DEST_PATH_IMAGE033
的粗位置
Figure 810465DEST_PATH_IMAGE056
。
上述方案中，相机获得的图像通常为带有颜色的图像，而且含有大量的背景信息，因此对获得图像首先需要进行二值化处理，因此本发明在对飞行器模型的图像上的标记点进行粗定位时，首先对图像进行预处理，得到粗定位二值化图像
Figure 997602DEST_PATH_IMAGE058
，并计算粗定位二值化图像
Figure 230000DEST_PATH_IMAGE058
中所有的连通区域，即找到所有可能是标记点所在的区域，分别计算每一个连通区域的面积
Figure 877013DEST_PATH_IMAGE059
和位置
Figure 827652DEST_PATH_IMAGE060
，其中，面积
Figure 303632DEST_PATH_IMAGE059
和位置
Figure 705051DEST_PATH_IMAGE060
的计算公式如下：
Figure 850862DEST_PATH_IMAGE064
其中，
Figure 147851DEST_PATH_IMAGE065
表示坐标的序号，
Figure 302889DEST_PATH_IMAGE066
表示像素的坐标，
Figure 57349DEST_PATH_IMAGE067
表示连通区域像素的个数。
当计算得到每个连通区域的面积
Figure 29853DEST_PATH_IMAGE059
和位置
Figure 423925DEST_PATH_IMAGE068
后，由技术人员根据实际经验设置面积阈值
Figure 694239DEST_PATH_IMAGE061
，将每个连通区域的面积分别
Figure 614790DEST_PATH_IMAGE059
与面积阈值
Figure 633562DEST_PATH_IMAGE061
进行比较，对图像进行阈值分割，若
Figure 124717DEST_PATH_IMAGE069
，则将连通区域中面积小于面积阈值的连通区域作为标记点所在的区域，并将连通区域中面积小于面积阈值的连通区域的位置
Figure 949454DEST_PATH_IMAGE068
作为标记点
Figure 599878DEST_PATH_IMAGE033
的粗位置
Figure 166382DEST_PATH_IMAGE016
；若
Figure 862942DEST_PATH_IMAGE070
，则将连通区域中面积大于面积阈值的连通区域过滤。
进一步地，步骤S30包括如下步骤：
步骤S301：获取图像
Figure 897894DEST_PATH_IMAGE015
中包含粗位置
Figure 543770DEST_PATH_IMAGE016
的图像块，以及计算包含位置
Figure 638765DEST_PATH_IMAGE016
的图像块中的像素最小值
Figure 557043DEST_PATH_IMAGE017
；
步骤S302：根据像素最小值
Figure 769587DEST_PATH_IMAGE017
计算阶梯阈值
Figure 660183DEST_PATH_IMAGE018
，
Figure 253975DEST_PATH_IMAGE071
，其中，
Figure 207019DEST_PATH_IMAGE072
为阶梯系数，
Figure 849353DEST_PATH_IMAGE073
=1，2，......n，n为阶梯系数的个数；
具体地，当
Figure 490726DEST_PATH_IMAGE074
时，
Figure 927523DEST_PATH_IMAGE075
、
Figure 882710DEST_PATH_IMAGE076
、
Figure 63155DEST_PATH_IMAGE077
、
Figure 741393DEST_PATH_IMAGE078
，在此，
Figure 739304DEST_PATH_IMAGE072
的值在此不做限制，在进行定位的时候，
Figure 525995DEST_PATH_IMAGE072
的值可以根据图像的实际情况进行取值。
图3（a）为在不同阶梯阈值下的对应的阈值分割图像，步骤S303：比较图像
Figure 87295DEST_PATH_IMAGE015
的像素
Figure 666044DEST_PATH_IMAGE079
与阶梯阈值
Figure 710223DEST_PATH_IMAGE018
的大小，对图像
Figure 62838DEST_PATH_IMAGE015
中包含粗位置
Figure 709720DEST_PATH_IMAGE016
的图像块进行二值化处理，获得精确定位二值化图像
Figure 283921DEST_PATH_IMAGE023
，将精确定位二值化图像
Figure 610254DEST_PATH_IMAGE023
划分为区域
Figure 965012DEST_PATH_IMAGE024
和区域
Figure 635159DEST_PATH_IMAGE025
，区域
Figure 391762DEST_PATH_IMAGE024
为精确定位二值化图像
Figure 512165DEST_PATH_IMAGE023
中像素
Figure 400224DEST_PATH_IMAGE080
的区域，区域
Figure 264275DEST_PATH_IMAGE025
精确定位二值化图像
Figure 875385DEST_PATH_IMAGE023
中像素
Figure 42055DEST_PATH_IMAGE081
的区域；
步骤S304：计算区域
Figure 43509DEST_PATH_IMAGE024
的中心坐标
Figure 835885DEST_PATH_IMAGE082
，其中，
Figure 553698DEST_PATH_IMAGE083
为第
Figure 281483DEST_PATH_IMAGE084
阶区域
Figure 629288DEST_PATH_IMAGE024
的中心像素点的行坐标，
Figure 179349DEST_PATH_IMAGE085
为第
Figure 171575DEST_PATH_IMAGE084
阶区域
Figure 194895DEST_PATH_IMAGE024
的中心像素点的列坐标；
步骤S305：对n个中心坐标
Figure 905362DEST_PATH_IMAGE086
进行加权，获得加权坐标
Figure 492070DEST_PATH_IMAGE087
，将加权坐标
Figure 197858DEST_PATH_IMAGE087
作为标记点
Figure 346074DEST_PATH_IMAGE033
的精确位置
Figure 402891DEST_PATH_IMAGE034
，获得的标记点的精确位置如附图3（b）所示。
进一步地，步骤S303中：若
Figure 481706DEST_PATH_IMAGE088
，则像素
Figure 559777DEST_PATH_IMAGE089
若
Figure 128161DEST_PATH_IMAGE090
，则像素
Figure 547641DEST_PATH_IMAGE091
。
上述方案中，获取图像
Figure 39934DEST_PATH_IMAGE015
中包含粗位置
Figure 657997DEST_PATH_IMAGE016
的图像块的方法是根据标记点的粗定位坐标
Figure 708867DEST_PATH_IMAGE016
，在图像上
Figure 615643DEST_PATH_IMAGE015
上截取包括坐标
Figure 98577DEST_PATH_IMAGE016
的图像块，图像块的大小只要包括标记点所在的区域即可。对获得的图像块进行灰度处理，并计算图像块中的像素值，得到像素的最小值
Figure 649775DEST_PATH_IMAGE017
，根据
Figure 497646DEST_PATH_IMAGE092
计算阶梯阈值
Figure 16352DEST_PATH_IMAGE018
，当阶梯系数
Figure 613813DEST_PATH_IMAGE020
取不同值时会得到不同的阶梯阈值
Figure 675310DEST_PATH_IMAGE018
，根据不同的阶梯阈值对图像进行阈值分割，当图像的像素的像素值小于阶梯阈值时，将该像素所在的区域标记为
Figure 287557DEST_PATH_IMAGE024
，计算该区域的中心坐标，最后将不同阶梯下带有权重的标记点位置坐标进行加权，将此时的加权坐标作为标记点的精确位置坐标
Figure 247554DEST_PATH_IMAGE034
，即完成了对标记点的精确定位。
本发明实施中，对图像采用加权阈值定位的方法，为了便于理解，可以认为将一个图像分成了多层，对每一层的图像进行阈值分割，然后计算该层的中心坐标，然后将每一层的中心坐标通过加权得到标记点的精确坐标。
进一步地，步骤S304中，中心坐标
Figure 744395DEST_PATH_IMAGE093
的计算方法如下：
Figure 785032DEST_PATH_IMAGE094
Figure 709125DEST_PATH_IMAGE095
其中
Figure 389374DEST_PATH_IMAGE042
表示区域
Figure 283381DEST_PATH_IMAGE053
中像素点的个数，N表示行坐标和列坐标的序号，
Figure 132519DEST_PATH_IMAGE043
表示区域
Figure 352148DEST_PATH_IMAGE053
中像素点的行坐标；
Figure 208109DEST_PATH_IMAGE044
表示区域
Figure 423583DEST_PATH_IMAGE053
中像素点的列坐标。
进一步地，步骤S201包括如下步骤：
步骤S2011：对采集到的图像
Figure 376495DEST_PATH_IMAGE015
进行灰度化处理，得到灰度图像
Figure 642392DEST_PATH_IMAGE045
；
步骤S2012：对灰度图像进行黑帽运算，得到黑帽图像
Figure 861014DEST_PATH_IMAGE046
；
步骤S2013：对黑帽图像
Figure 142829DEST_PATH_IMAGE046
采用自适应阈值分割，得到粗定位二值化图像
Figure 622352DEST_PATH_IMAGE047
。
上述方案中，首先将相机获得的图像
Figure 387046DEST_PATH_IMAGE015
进行灰度化处理，转化为灰度图像，然后对灰度图像采用黑帽运算，对图像进行去噪进而减小背景带来的干扰，增强标记点所在的区域，得到黑帽图像
Figure 827385DEST_PATH_IMAGE046
，如附图2所示，黑帽图像
Figure 273410DEST_PATH_IMAGE046
的计算公式如下：
Figure 732073DEST_PATH_IMAGE096
其中，
Figure 919865DEST_PATH_IMAGE015
输入的原始图像，
Figure 237714DEST_PATH_IMAGE097
是形态学运算滤波器，
Figure 346485DEST_PATH_IMAGE098
表示闭运算，
Figure 613649DEST_PATH_IMAGE099
是黑帽运算。
在此基础上，对黑帽图像采用自适应阈值分割的方法，针对图像中的不同区域，自适应计算不同的阈值，对图像进行分割，得到二值化图像。
进一步地，步骤S305中加权坐标
Figure 392249DEST_PATH_IMAGE087
的计算公式如下：
Figure 322028DEST_PATH_IMAGE100
其中，
Figure 421440DEST_PATH_IMAGE050
为第
Figure 589116DEST_PATH_IMAGE051
个阶梯阈值
Figure 538617DEST_PATH_IMAGE052
下区域
Figure 644108DEST_PATH_IMAGE101
中心的权重。
上述方案中，当
Figure 829102DEST_PATH_IMAGE102
时，
Figure 257809DEST_PATH_IMAGE103
、
Figure 223884DEST_PATH_IMAGE104
、
Figure 597097DEST_PATH_IMAGE105
、
Figure 726727DEST_PATH_IMAGE106
，在此，
Figure 682044DEST_PATH_IMAGE072
的值在此不做限制，在进行定位的时候，
Figure 973348DEST_PATH_IMAGE072
的值可以根据图像的实际情况进行取值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种飞行器模型表面标记点的定位方法，其特征在于，包括如下步骤：
步骤S10：采集飞行器模型的图像
Figure 621262DEST_PATH_IMAGE001
，所述图像
Figure 553446DEST_PATH_IMAGE001
包括飞行器模型的无风参考图像
Figure 163419DEST_PATH_IMAGE002
和有风工作图像
Figure 989293DEST_PATH_IMAGE003
，所述飞行器模型表面涂覆有压敏漆，并在飞行器模型表面沿边缘轮廓布置多个标记点
Figure 964202DEST_PATH_IMAGE004
，多个所述标记点
Figure 524627DEST_PATH_IMAGE004
形成一圈；
步骤S20：采用增强阈值分割法对采集到的图像
Figure 469450DEST_PATH_IMAGE001
中的标记点
Figure 290775DEST_PATH_IMAGE005
的位置进行粗定位，获得标记点
Figure 233323DEST_PATH_IMAGE005
的粗位置
Figure 12536DEST_PATH_IMAGE006
；
步骤S30：根据标记点
Figure 901994DEST_PATH_IMAGE005
的粗位置
Figure 702460DEST_PATH_IMAGE006
，采用加权阈值的方法对标记点
Figure 81489DEST_PATH_IMAGE005
的位置进行精确定位，获得标记点
Figure 475561DEST_PATH_IMAGE005
的精确位置
Figure 778498DEST_PATH_IMAGE007
；
其中，步骤S20包括如下步骤：
步骤S201：对采集到的图像
Figure 574415DEST_PATH_IMAGE008
进行预处理，得到粗定位二值化图像
Figure 124345DEST_PATH_IMAGE009
；
步骤S202：计算粗定位二值化图像
Figure 599189DEST_PATH_IMAGE009
中所有连通区域，并计算每个连通区域的面积
Figure 96030DEST_PATH_IMAGE010
和位置
Figure 543191DEST_PATH_IMAGE011
；
步骤S203：设置连通区域的面积阈值
Figure 342651DEST_PATH_IMAGE012
，若
Figure 445736DEST_PATH_IMAGE013
，则将连通区域的位置
Figure 605322DEST_PATH_IMAGE011
作为标记点
Figure 906991DEST_PATH_IMAGE005
的粗位置
Figure 736406DEST_PATH_IMAGE014
；若
Figure 123525DEST_PATH_IMAGE015
，则不将连通区域的位置
Figure 837535DEST_PATH_IMAGE011
作为标记点
Figure 196972DEST_PATH_IMAGE005
的粗位置
Figure 259606DEST_PATH_IMAGE006
；
其中，步骤S30包括如下步骤：
步骤S301：获取图像
Figure 196338DEST_PATH_IMAGE008
中包含粗位置
Figure 369830DEST_PATH_IMAGE014
的图像块，以及计算包含粗位置
Figure 849353DEST_PATH_IMAGE014
的图像块中的像素最小值
Figure 893008DEST_PATH_IMAGE016
；
步骤S302：根据像素最小值
Figure 254719DEST_PATH_IMAGE016
计算阶梯阈值
Figure 169585DEST_PATH_IMAGE017
，
Figure 893828DEST_PATH_IMAGE018
，其中，
Figure 298264DEST_PATH_IMAGE019
为阶梯系数，
Figure 819376DEST_PATH_IMAGE020
=1，2，......n，n为阶梯系数的个数；
步骤S303：比较图像
Figure 600250DEST_PATH_IMAGE008
的像素
Figure 664152DEST_PATH_IMAGE021
与阶梯阈值
Figure 239490DEST_PATH_IMAGE017
的大小，对图像
Figure 513476DEST_PATH_IMAGE008
中包含粗位置
Figure 894779DEST_PATH_IMAGE014
的图像块进行二值化处理，获得精确定位二值化图像
Figure 138DEST_PATH_IMAGE022
，将精确定位二值化图像
Figure 684060DEST_PATH_IMAGE022
划分为区域
Figure 586289DEST_PATH_IMAGE023
和区域
Figure 443386DEST_PATH_IMAGE024
，区域
Figure 606514DEST_PATH_IMAGE023
为精确定位二值化图像
Figure 523655DEST_PATH_IMAGE022
中像素
Figure 631288DEST_PATH_IMAGE025
的区域，区域
Figure 495339DEST_PATH_IMAGE024
为精确定位二值化图像
Figure 575290DEST_PATH_IMAGE022
中像素
Figure 476381DEST_PATH_IMAGE026
的区域；
步骤S304：计算区域
Figure 8994DEST_PATH_IMAGE023
的中心坐标
Figure 411156DEST_PATH_IMAGE027
，其中，
Figure 673510DEST_PATH_IMAGE028
为第
Figure 932453DEST_PATH_IMAGE029
阶区域
Figure 155624DEST_PATH_IMAGE023
的中心像素点的行坐标，
Figure 233914DEST_PATH_IMAGE030
为第
Figure 22879DEST_PATH_IMAGE029
阶区域
Figure 390406DEST_PATH_IMAGE023
的中心像素点的列坐标；
步骤S305：对
Figure 225507DEST_PATH_IMAGE031
个中心坐标
Figure 31789DEST_PATH_IMAGE032
进行加权，获得加权坐标
Figure 612943DEST_PATH_IMAGE033
，将加权坐标
Figure 479268DEST_PATH_IMAGE033
作为标记点
Figure 21239DEST_PATH_IMAGE005
的精确位置
Figure 834474DEST_PATH_IMAGE007
。
2.如权利要求1所述的定位方法，其特征在于，步骤S10中，在飞行器模型表面沿边缘至中心的方向布置多圈标记点
Figure 332451DEST_PATH_IMAGE005
。
3.如权利要求2所述的定位方法，其特征在于，步骤S10中，位于同一圈上的每个标记点
Figure 431994DEST_PATH_IMAGE005
距飞行器模型边缘的距离相等。
4.如权利要求1所述的定位方法，其特征在于，步骤S303中：若
Figure 851474DEST_PATH_IMAGE034
，则像素
Figure 999559DEST_PATH_IMAGE035
；若
Figure 430671DEST_PATH_IMAGE036
，则像素
Figure 638799DEST_PATH_IMAGE037
。
5.如权利要求1所述的定位方法，其特征在于，步骤S304中，中心坐标
Figure 279996DEST_PATH_IMAGE038
的计算方法如下：
Figure 231771DEST_PATH_IMAGE039
Figure 32237DEST_PATH_IMAGE040
其中
Figure 348949DEST_PATH_IMAGE041
表示区域
Figure 539759DEST_PATH_IMAGE023
中像素点的个数，N表示行坐标和列坐标的序号，
Figure 842695DEST_PATH_IMAGE042
表示区域
Figure 638613DEST_PATH_IMAGE023
中像素点的行坐标；
Figure 922964DEST_PATH_IMAGE043
表示区域
Figure 663387DEST_PATH_IMAGE023
中像素点的列坐标。
6.如权利要求1所述的定位方法，其特征在于，步骤S201包括如下步骤：
步骤S2011：对采集到的图像
Figure 956965DEST_PATH_IMAGE001
进行灰度化处理，得到灰度图像
Figure 341810DEST_PATH_IMAGE044
；
步骤S2012：对灰度图像
Figure 62641DEST_PATH_IMAGE044
进行黑帽运算，得到黑帽图像
Figure 61600DEST_PATH_IMAGE045
；
步骤S2013：对黑帽图像
Figure 830973DEST_PATH_IMAGE045
采用自适应阈值分割，得到粗定位二值化图像
Figure 398221DEST_PATH_IMAGE046
。
7.如权利要求1所述的定位方法，其特征在于，步骤S305中加权坐标
Figure 352270DEST_PATH_IMAGE047
的计算公式如下：
Figure 942652DEST_PATH_IMAGE048
其中，
Figure 578032DEST_PATH_IMAGE049
为第
Figure 812836DEST_PATH_IMAGE029
个阶梯阈值
Figure 875470DEST_PATH_IMAGE050
下区域
Figure 687568DEST_PATH_IMAGE023
中心的权重。
CN202111193398.1A 2021-10-13 2021-10-13 一种飞行器模型表面标记点的定位方法 Active CN113643371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111193398.1A CN113643371B (zh) 2021-10-13 2021-10-13 一种飞行器模型表面标记点的定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111193398.1A CN113643371B (zh) 2021-10-13 2021-10-13 一种飞行器模型表面标记点的定位方法

Publications (2)

Publication Number Publication Date
CN113643371A CN113643371A (zh) 2021-11-12
CN113643371B true CN113643371B (zh) 2022-01-25

Family

ID=78426634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111193398.1A Active CN113643371B (zh) 2021-10-13 2021-10-13 一种飞行器模型表面标记点的定位方法

Country Status (1)

Country Link
CN (1) CN113643371B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114323543B (zh) * 2022-03-10 2022-05-17 中国空气动力研究与发展中心高速空气动力研究所 一种提高压敏漆试验效率的方法
CN116596824B (zh) * 2023-07-17 2023-09-12 中国空气动力研究与发展中心高速空气动力研究所 多相机三维面模型融合方法
CN116883446B (zh) * 2023-09-08 2023-11-21 鲁冉光电(微山)有限公司 一种车载摄像头镜片碾磨程度实时监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758754A (zh) * 2005-10-27 2006-04-12 中国科学院上海技术物理研究所 基于光纤耦合的焦平面阵列图像时空变换的方法
CN113129384A (zh) * 2021-03-31 2021-07-16 南京航空航天大学 基于一维编码靶标的双目视觉系统灵活标定方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10108797A1 (de) * 2001-02-21 2002-09-05 Zeiss Carl Jena Gmbh Verfahren zur Ermittlung von Abständen am vorderen Augenabschnitt
CN101206116B (zh) * 2007-12-07 2010-08-18 北京机械工业学院 目标点全局自动定位方法
JP5241423B2 (ja) * 2008-10-16 2013-07-17 株式会社キーエンス 画像処理における画像データ縮小率の決定方法、画像処理におけるパターンモデルの位置決め方法、画像処理におけるパターンモデルの作成方法、画像処理装置、画像処理プログラム及びコンピュータで読み取り可能な記録媒体
CN103235939A (zh) * 2013-05-08 2013-08-07 哈尔滨工业大学 基于机器视觉的基准点定位方法
CN105488779A (zh) * 2014-09-18 2016-04-13 宝山钢铁股份有限公司 摄像机畸变修正标定板及标定方法
CN104976984B (zh) * 2015-06-08 2017-07-14 南昌航空大学 一种基于标记点三维信息测量的飞机侧滑角动态监测方法
CN105913082B (zh) * 2016-04-08 2020-11-27 北京邦视科技有限公司 一种对图像中目标进行分类的方法及系统
CN108318215B (zh) * 2018-02-08 2019-09-13 中国空气动力研究与发展中心高速空气动力研究所 一种压敏漆试验图像采集幅数的确定方法
CN110211182B (zh) * 2019-05-31 2023-03-31 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法
CN112837291B (zh) * 2021-02-03 2022-07-29 中国空气动力研究与发展中心高速空气动力研究所 基于温敏漆技术的层流机翼转捩位置测量图像处理方法
CN113126119B (zh) * 2021-04-02 2023-01-24 上海机电工程研究所 融合点云数据与机器视觉的精定位方法、系统及介质
CN113436252A (zh) * 2021-06-28 2021-09-24 天津大学 基于单目视觉的位姿识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1758754A (zh) * 2005-10-27 2006-04-12 中国科学院上海技术物理研究所 基于光纤耦合的焦平面阵列图像时空变换的方法
CN113129384A (zh) * 2021-03-31 2021-07-16 南京航空航天大学 基于一维编码靶标的双目视觉系统灵活标定方法

Also Published As

Publication number Publication date
CN113643371A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113643371B (zh) 一种飞行器模型表面标记点的定位方法
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN107203973B (zh) 一种三维激光扫描系统中线激光中心的亚像素定位方法
CN112257676B (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN103994724B (zh) 基于数字图像处理技术的结构二维位移及应变监测方法
CN110415257B (zh) 一种气液两相流重叠气泡图像分割方法
CN108007388A (zh) 一种基于机器视觉的转盘角度高精度在线测量方法
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN114323543B (zh) 一种提高压敏漆试验效率的方法
CN105335973A (zh) 运用于带钢加工生产线的视觉处理方法
CN101819024B (zh) 一种基于机器视觉的二维位移检测方法
CN111612846A (zh) 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法
CN108596165A (zh) 基于无人机低空航拍图像的道路交通标线检测方法及系统
CN112099046B (zh) 基于多值体素模型的机载lidar三维平面检测方法
CN113834625B (zh) 一种飞行器模型表面压力测量方法及系统
CN110197157B (zh) 一种基于历史裂纹数据的路面裂纹生长检测方法
CN110288612B (zh) 铭牌定位与校正方法及设备
CN106447688A (zh) 一种高光谱溢油图像的有效分割方法
CN112651968A (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN109492525B (zh) 一种测量基站天线工程参数的方法
CN107240112A (zh) 一种复杂场景下个体x角点提取方法
CN102494663A (zh) 摆动喷管的摆动角度的测量系统及摆动角度的测量方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN109916922A (zh) 镜面/类镜面物体的缺陷检测方法
CN115578343A (zh) 一种基于图像连通与骨架分析的裂缝尺寸测量方法

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