CN113808193B - 一种基于分块阈值的光斑质心定位方法 - Google Patents

一种基于分块阈值的光斑质心定位方法 Download PDF

Info

Publication number
CN113808193B
CN113808193B CN202111006321.9A CN202111006321A CN113808193B CN 113808193 B CN113808193 B CN 113808193B CN 202111006321 A CN202111006321 A CN 202111006321A CN 113808193 B CN113808193 B CN 113808193B
Authority
CN
China
Prior art keywords
image
threshold
gray
small blocks
blocks
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
CN202111006321.9A
Other languages
English (en)
Other versions
CN113808193A (zh
Inventor
吴鹏飞
雷思琛
王祎豪
党帅
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202111006321.9A priority Critical patent/CN113808193B/zh
Publication of CN113808193A publication Critical patent/CN113808193A/zh
Application granted granted Critical
Publication of CN113808193B publication Critical patent/CN113808193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

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

Abstract

本发明的目的是提供一种基于分块阈值的光斑质心定位方法，首先得到光斑灰度图像，将光斑灰度图像划分成若干小块，每个小块由3×3个像素组成，得到若干的集合；以划分出来的小块灰度值总和作为基本单位，然后对划分出来的小块采用自适应阈值法求出小块的阈值V；当小块的灰度值之和小于阈值V时，整个小块内的所有像素点灰度值置为0，当小块内灰度值之和大于等于阈值V时，小块内所有像素点的灰度值置为当前块内所有像素点的平均值；最后利用质心法求出图像中光斑的中心位置坐标。本发明解决了现有技术中存在的自适应阈值法对质心法定位精度不高、抗噪声性能差的问题。

Description

一种基于分块阈值的光斑质心定位方法
技术领域
本发明属于图像分析处理技术领域，具体涉及一种基于分块阈值的光斑质心定位方法。
背景技术
图像阈值分割是利用图像中要提取的目标与背景在灰度上的差异，通过设置图像灰度值阈值来把图像中每个像素点分成若干类，从而实现目标与背景的分离。光斑中心定位是激光通信中一种关键技术，合理的阈值分割方法，可以有效的减少图像的背景噪声，在提高定位精度的同时减少了运算量。尤其在光斑图像定位中，需要有效地滤除背景噪声，同时要最大程度保留光斑的有效灰度值。
常见的阈值分割方法主要有五类，分别是基于阈值、基于边缘、基于区域、基于图论、基于能量泛函的阈值分割方法。在基于阈值的分割方法中，常用的阈值方法有最大类间方差法、迭代法、自适应阈值法等。而本发明主要是针对在光斑图像定位中基于质心定位算法下，自适应阈值分割算法定位精度低的问题，提出一种基于分块思想的阈值分割质心定位方法。
发明内容
本发明的目的是提供一种基于分块阈值的光斑质心定位方法，解决了现有技术中存在的自适应阈值法对质心法定位精度不高、抗噪声性能差的问题。
本发明所采用的技术方案是，一种基于分块阈值的光斑质心定位方法，具体按照以下步骤实施：
步骤1、得到光斑灰度图像，将光斑灰度图像划分成若干小块，每个小块由3×3个像素组成，得到若干的集合；
步骤2、以划分出来的小块灰度值总和作为基本单位，然后对划分出来的小块采用自适应阈值法求出小块的阈值V；
步骤3、当小块的灰度值之和小于阈值V时，整个小块内的所有像素点灰度值置为0，当小块内灰度值之和大于等于阈值V时，小块内所有像素点的灰度值置为当前块内所有像素点的平均值；
步骤4、利用质心法求出图像中光斑的中心位置坐标。
本发明的特点还在于，
步骤1具体如下：
设高斯光斑标准灰度图像I(i,j)，I(i,j)代表像素点坐标为(i,j)的灰度值图像，由公式(1)将图像划分成若干3×3个像素组成集合的像素方块temp(x,y)，temp(x,y)代表坐标为(x,y)的像素块的灰度值总和，temp(1,1)是由9个像素点所得，temp(1,1)＝I(1,1)+I(1,2)+I(1,3)+I(2,1)+I(2,2)+I(2,3)+I(3,1)+I(3,2)+I(3,3)
步骤2具体如下：
步骤1划分出来的3×3像素方块灰度值总和求出这些方块的均值Vavg，如公式(2)所示，
其中m,n分别代表像素块的最大横纵坐标，再求出方差Vvar，如公式(3)所示，
然后由公式(4)中自适应阈值法，以及上文求出的Vavg和Vvar求出阈值V：
V＝Vavg+k×Vvar(k＝2) (4)。
步骤3具体如下：
由公式(5)得出阈值分割后的图像II(a,b)，图像II(a,b)的大小和初始的高斯光斑标准灰度图像I(i,j)大小一样，均为512×512像素，其中(a,b)代表图像II中的横纵坐标,(x,y)为像素块坐标，c为常数，依次取值为1、2、3，V为阈值，
步骤4具体如下：
由公式(6)根据步骤3得出的图像II得出光斑中心坐标(x0,y0)，其中mm,nn分别代表图像II的最大横纵坐标：
本发明的有益效果是，一种基于分块阈值的光斑质心定位方法，将整个光斑图像划分成像素值3×3的小块，将每个小块的灰度总值作为基本单位成为一个新的分辨率低的图像。再结合自适应阈值法[1]求得图像阈值，最后基于阈值，使用光斑定位算法进行定位。已有的自适应阈值法[1]方法基于图像像素统计方差特征，当一个像素点的噪声灰度值过高时，通过自适应阈值法得到的阈值不能有效的去除噪声。而通过分块法，将3×3的像素点集合看成一个整体，这样就避免了某个像素点灰度值过高而造成去燥不理想的结果，为下一步光斑图像处理提供了一个更加精准有效的范围。
附图说明
图1是划分像素方块示意图；
图2是光斑原始图；
图3是自适应阈值法和基于分块阈值分割法在质心法下的效果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于分块阈值的光斑质心定位方法，具体按照以下步骤实施：
步骤1、得到光斑灰度图像，将光斑灰度图像划分成若干小块，每个小块由3×3个像素组成，得到若干的集合；
步骤1具体如下：
设高斯光斑标准灰度图像I(i,j)，I(i,j)代表像素点坐标为(i,j)的灰度值图像，由公式(1)将图像划分成若干3×3个像素组成集合的像素方块temp(x,y)，temp(x,y)代表坐标为(x,y)的像素块的灰度值总和，具体划分方式可见图1，如图1所示，temp(1,1)是由9个像素点所得，
temp(1,1)＝I(1,1)+I(1,2)+I(1,3)+I(2,1)+I(2,2)+I(2,3)+I(3,1)+I(3,2)+I(3,3)
步骤2、以划分出来的小块灰度值总和作为基本单位，然后对划分出来的小块采用自适应阈值法求出小块的阈值V；
步骤2具体如下：
步骤1划分出来的3×3像素方块灰度值总和求出这些方块的均值Vavg，如公式(2)所示，
其中m,n分别代表像素块的最大横纵坐标，再求出方差Vvar，如公式(3)所示，
然后由公式(4)中自适应阈值法，以及上文求出的Vavg和Vvar求出阈值V：
V＝Vavg+k×Vvar(k＝2) (4)。
步骤3、当小块的灰度值之和小于阈值V时，整个小块内的所有像素点灰度值置为0，当小块内灰度值之和大于等于阈值V时，小块内所有像素点的灰度值置为当前块内所有像素点的平均值；
步骤3具体如下：
由公式(5)得出阈值分割后的图像II(a,b)，图像II(a,b)的大小和初始的高斯光斑标准灰度图像I(i,j)大小一样，均为512×512像素，其中(a,b)代表图像II中的横纵坐标,(x,y)为像素块坐标，c为常数，依次取值为1、2、3，V为阈值，
步骤4、利用质心法求出图像中光斑的中心位置坐标。
步骤4具体如下：
由公式(6)根据步骤3得出的图像II得出光斑中心坐标(x0,y0)，其中mm,nn分别代表图像II的最大横纵坐标：
文献[1]王杰飞,刘洁瑜,赵晗,沈强.一种改进的激光光斑中心亚像素定位方法[J].激光技术,2015,39(04):476-479.
本发明生成标准高斯光斑图像如图2所示为512×512像素大小。首先对图像加入均值为0，方差为40的高斯白噪声，然后对图像根据公式(1)求出的temp(x,y)，对于图像temp(x,y)使用公式(2)求出像素块灰度值的均值为188.465，根据公式(3)求出像素块灰度值的方差为230.572，最后根据公式(4)求出像素块灰度值的阈值为649.608。最后由公式(5)采取阈值分割操作得到阈值分割后的图像。最终用质心法使用公式(6)得出最终的中心点(257.091,257.038)。
为了验证本算法在规则光斑定位上能够提高精度，因此分别采用自适应阈值法和基于分块阈值法对图像进行阈值分割处理，对于处理之后的图像，都使用传统质心法来计算光斑中心结果，标准高斯光斑图像为图2，自适应和基于分块阈值法计算出的定位点离标准中心(257,257)定位偏差值均值(分别运行30次)如下表1所示：
表1不同阈值算法下质心定位点离标准中心偏移量/像素
由表1可知，基于分块阈值法相较于自适应阈值法，可以大大提高质心定位算法下的光斑中心定位精度。根据表1数据进行计算，结果显示精度平均提高了32.5％。在图3的折线图也可以明显看出，基于分块阈值法相较于自适应阈值法，对质心法下的光斑中心定位精度提升效果明显。

Claims (1)

1.一种基于分块阈值的光斑质心定位方法，其特征在于，具体按照以下步骤实施：
步骤1、得到光斑灰度图像，将光斑灰度图像划分成若干小块，每个小块由3×3个像素组成，得到若干的集合；
所述步骤1具体如下：
设高斯光斑标准灰度图像I(i,j)，I(i,j)代表像素点坐标为(i,j)的灰度值图像，由公式(1)将图像划分成若干3×3个像素组成集合的像素方块temp(x,y)，temp(x,y)代表坐标为(x,y)的像素块的灰度值总和，temp(1,1)是由9个像素点所得，temp(1,1)＝I(1,1)+I(1,2)+I(1,3)+I(2,1)+I(2,2)+I(2,3)+I(3,1)+I(3,2)+I(3,3)
步骤2、以划分出来的小块灰度值总和作为基本单位，然后对划分出来的小块采用自适应阈值法求出小块的阈值V；
所述步骤2具体如下：
步骤1划分出来的3×3像素方块灰度值总和求出这些方块的均值Vavg，如公式(2)所示，
其中m,n分别代表像素块的最大横纵坐标，再求出方差Vvar，如公式(3)所示，
然后由公式(4)中自适应阈值法，以及上文求出的Vavg和Vvar求出阈值V：
V＝Vavg+k×Vvar(k＝2) (4)；
步骤3、当小块的灰度值之和小于阈值V时，整个小块内的所有像素点灰度值置为0，当小块内灰度值之和大于等于阈值V时，小块内所有像素点的灰度值置为当前块内所有像素点的平均值；
所述步骤3具体如下：
由公式(5)得出阈值分割后的图像II(a,b)，图像II(a,b)的大小和初始的高斯光斑标准灰度图像I(i,j)大小一样，均为512×512像素，其中(a,b)代表图像II中的横纵坐标,(x,y)为像素块坐标，c为常数，依次取值为1、2、3，V为阈值，
步骤4、利用质心法求出图像中光斑的中心位置坐标，
所述步骤4具体如下：
由公式(6)根据步骤3得出的图像II得出光斑中心坐标(x0,y0)，其中mm,nn分别代表图像II的最大横纵坐标：
CN202111006321.9A 2021-08-30 2021-08-30 一种基于分块阈值的光斑质心定位方法 Active CN113808193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111006321.9A CN113808193B (zh) 2021-08-30 2021-08-30 一种基于分块阈值的光斑质心定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111006321.9A CN113808193B (zh) 2021-08-30 2021-08-30 一种基于分块阈值的光斑质心定位方法

Publications (2)

Publication Number Publication Date
CN113808193A CN113808193A (zh) 2021-12-17
CN113808193B true CN113808193B (zh) 2024-02-02

Family

ID=78894383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111006321.9A Active CN113808193B (zh) 2021-08-30 2021-08-30 一种基于分块阈值的光斑质心定位方法

Country Status (1)

Country Link
CN (1) CN113808193B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565564B (zh) * 2022-02-11 2023-07-25 山西支点科技有限公司 一种基于相关法阈值迭代的拟合质心亚像素定位方法
CN115372933A (zh) * 2022-08-31 2022-11-22 深圳市欢创科技有限公司 一种杂光过滤方法、装置及激光雷达
CN115205317B (zh) * 2022-09-15 2022-12-09 山东高速集团有限公司创新研究院 一种桥梁监测光电标靶图像光斑中心点提取方法
CN115685242B (zh) * 2022-10-31 2024-05-31 哈尔滨工业大学 一种探测激光延时反馈的控制系统
CN115656978A (zh) * 2022-10-31 2023-01-31 哈尔滨工业大学 目标条纹图像中光斑位置的获得方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761288A (zh) * 2016-02-02 2016-07-13 华中科技大学 一种基于fpga的实时星点质心定位方法及装置
CN107784669A (zh) * 2017-10-27 2018-03-09 东南大学 一种光斑提取及其质心确定的方法
CN112288802A (zh) * 2020-11-22 2021-01-29 上海市特种设备监督检验技术研究院 一种起重机轨道激光测量光斑中心定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8068673B2 (en) * 2006-12-01 2011-11-29 Beihang University Rapid and high precision centroiding method and system for spots image
US8254724B2 (en) * 2008-11-06 2012-08-28 Bausch & Lomb Incorporated Method and apparatus for making and processing aberration measurements

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105761288A (zh) * 2016-02-02 2016-07-13 华中科技大学 一种基于fpga的实时星点质心定位方法及装置
CN107784669A (zh) * 2017-10-27 2018-03-09 东南大学 一种光斑提取及其质心确定的方法
CN112288802A (zh) * 2020-11-22 2021-01-29 上海市特种设备监督检验技术研究院 一种起重机轨道激光测量光斑中心定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史少龙 ; 尹达一 ; .CMOS APS噪声对星斑质心定位精度的影响.光电工程.2013,(第06期),全文. *
张明富 ; 段梦琨 ; 马月辉 ; .基于Fisher准则的Otsu法在光斑中心定位中的应用.激光与红外.2020,(第05期),全文. *

Also Published As

Publication number Publication date
CN113808193A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN113808193B (zh) 一种基于分块阈值的光斑质心定位方法
CN110428433B (zh) 一种基于局部阈值的Canny边缘检测算法
CN110084248B (zh) 一种orb特征均匀化提取方法
CN108564549A (zh) 一种基于多尺度稠密连接网络的图像去雾方法
CN106157329B (zh) 一种自适应目标跟踪方法及装置
CN112686890B (zh) 一种基于奇异值分解的人造板表面缺陷检测方法
CN111783773B (zh) 一种面向角度倾斜电线杆标识牌的矫正方法
CN111639560B (zh) 基于静脉骨架线和地形凹凸特性动态融合的指静脉特征提取方法及装置
CN109120230B (zh) 一种太阳能电池片el图像检测和缺陷识别方法
CN112801892B (zh) 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法
CN105389793A (zh) 一种自动识别物体表面裂缝走向及宽度的方法
CN107169932A (zh) 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法
CN104050472A (zh) 一种灰度图像二值化的自适应全局阈值方法
CN109636822B (zh) 一种基于新构建隶属度函数的改进Canny自适应边缘提取方法
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
CN106023097B (zh) 一种基于迭代法的流场图像预处理方法
CN106897989B (zh) 一种基于线密度计算的指纹图像分割方法
CN110705568B (zh) 一种图像特征点提取的优化方法
CN104408735B (zh) 一种基于改进形状角计算的矩形区域识别方法
CN110827209A (zh) 一种联合颜色与深度信息的自适应深度图像修复方法
CN111695550A (zh) 一种文字提取方法、图像处理设备和计算机可读存储介质
CN111639556A (zh) 一种非均匀插值的手指轴旋转指静脉图像纠正方法
CN112419407B (zh) 基于云团边缘识别的云团位移矢量计算方法及装置
CN108961290B (zh) 一种基于Otsu的Ratio算子自适应图像边缘检测方法
CN109685114B (zh) 一种基于预筛选法和PHash的图像相似判定方法

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