CN113834447A - 一种户外复杂环境下高动态激光光条自适应成像处理方法 - Google Patents
一种户外复杂环境下高动态激光光条自适应成像处理方法 Download PDFInfo
- Publication number
- CN113834447A CN113834447A CN202111115629.7A CN202111115629A CN113834447A CN 113834447 A CN113834447 A CN 113834447A CN 202111115629 A CN202111115629 A CN 202111115629A CN 113834447 A CN113834447 A CN 113834447A
- Authority
- CN
- China
- Prior art keywords
- light bar
- image
- thread
- light
- laser light
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 78
- 230000001133 acceleration Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000013441 quality evaluation Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 23
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000006872 improvement Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 28
- 230000003287 optical effect Effects 0.000 description 18
- 238000001514 detection method Methods 0.000 description 14
- 230000004438 eyesight Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003071 parasitic effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
-
- G06T5/70—
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明公开了一种户外复杂环境下高动态激光光条自适应成像处理方法,包括以下步骤:步骤一:户外激光图像采集;步骤二:激光光条区域快速定位;步骤三:激光光条图像质量评价;步骤四:低质量激光光条图像亮度增强;步骤五:光条图像中线点高精度提取;步骤六:多线程并行加速处理。本发明对激光图像进行识别、质量评价与亮度增强,通过采用并行多线程流计算模式,实现了光条图像处理效率的提升,确保了户外高速测量情况下激光光条图像的准确提取,极大提升户外高动态激光光条图像的识别准确性,实现高精度定位,具有重要的现实意义。
Description
技术领域
本发明属于轨道交通安全检测技术领域,具体涉及一种户外复杂环境下高动态激光光条自适应成像处理方法。
背景技术
在户外复杂环境下,高速、高动态、高精度的视觉测量越来越成为工业现场、视觉感知、增强现实、尖端武器试验等场合迫切需求的测量手段。其中,以结构光视觉传感器为代表的在线测量仪器正在被广泛应用,例如,列车轮对几何参数在线测量、大型锻造件形貌恢复、列车弓网运行状态监测等恶劣环境下的视觉测量系统。所有这些系统的成像特点主要体现在亮度变化剧烈,可称之为高动态测量。图像的动态范围(DR,Dynamic Range),表示可见区域内亮度最大值与最小值之比,可以看出动态范围越大,表明图像中最大亮度与最小亮度相差越大。列车轮对几何尺寸在线动态测量系统,其中钢轨内外两侧相机捕获到光条图像亮度变化较为复杂,亮暗分布不均,这给实际测量带来诸多不便,虽然相机镜头前方安装与激光器对应波长的滤光片,但由于其复杂的现场环境,导致其成像结果仍然表现为高动态特性。因此,如何提高复杂环境下结构光视觉传感器中的光条成像质量是提高测量系统可靠性与保证测量精度的重要手段。
但是,目前还没有公开过针对现场复杂环境下结构光视觉传感器测量中光条高速检测、高精度提取的技术。
现有激光视觉传感器多用于室内,光线与图像背景均较为理想,当用于户外现场复杂环境下时,由于光线复杂、图像背景多变、强反光等因素影响极易导致激光成像出现高动态特性,即亮暗差异变大,造成激光图像提取困难,出现提取精度降低或提取不出现象,严重影响了系统测量精度。
发明内容
为解决现有技术中存在的技术问题,本发明的目的在于提供一种户外复杂环境下高动态激光光条自适应成像处理方法,采用图像自动定位、光条质量评价以及亮度增强操作,并通过基于方向约束的Steger算法实现户外复杂环境下高动态激光光条图像的自适应成像及处理。
为实现上述目的,达到上述技术效果,本发明采用的技术方案为:
一种户外复杂环境下高动态激光光条自适应成像处理方法,包括以下步骤:
步骤一:户外激光图像采集
步骤二:激光光条区域快速定位
步骤三:激光光条图像质量评价
步骤四:低质量激光光条图像亮度增强
步骤五:光条图像中线点高精度提取
步骤六:多线程并行加速处理。
进一步的,步骤三中,根据光条整体质量评价函数进行激光光条图像质量评价,光条整体质量评价函数为:
F=0.25·F1+0.25·F2+0.5·F3
其中,F1为光条方向上的光条质量评价函数,F2为法线方向上的光条质量评价函数,F3为光条连续性评价函数。
进一步的,光条方向上的光条质量评价函数F1按照以下公式计算得到,F1即F1(μg,σg):
光条走向上像素点亮度为gi,则其均值标为μg,方差为σg,计算公式为:
其中,α为光条走向灰度加权系数。
进一步的,令di表示光条相邻点之间的距离,整根光条的断开距离均值为μd,方差σd,均值越小,方差越小,则表示光条中间断开区域越小,整个光条较完整,光条连续性评价函数F3按照以下公式计算得到,F3即F3(μd,σd):
其中,Nm为光条长度最大值,γ为光条连续性加权系数。
进一步的,步骤六中,先根据加速线程数、单帧视频提取与分配线程处理资源时间及单个线程处理时间构建多线程流加速架构,加速线程数、单帧视频提取与分配线程处理资源时间、单个线程处理时间的关系满足以下条件:
N·Tf>Tt
其中,N为加速线程数;Tf为单帧视频提取与分配线程处理资源时间;Tt为单个线程处理时间;
再利用序列化输出队列管理方法进行处理,包括以下步骤:
第一步,按照多个线程初始化资源的顺序依次由队列左端压入线程编号到队列;
第二步,当前线程访问线程队列右端第一个编号值,若当前编号值与当前处理线程编号相同,则从右侧弹出一个编号,进入第三步,将队列中元素向右右移一位,进入第四步,将弹出编号由左端压入队列;若当前编号值与当前处理线程编号值不同,则令当前处理线程等待,直到当前编号值与当前处理线程编号相同,依次进入第三步、第四步。
与现有技术相比,本发明的有益效果为:
本发明采用智能识别技术,根据光条梯度特征,采用HOG+SVM进行训练,实现激光图像区域的自动检测,实现激光图像中光条区域的自动定位,得到光条感兴趣区域ROI,具有鲁棒性强、速度快、抗干扰、准确率高等特点;基于光条灰度信息,建立光条质量评价标准,可快速完成光条质量的评价,根据灰度信息可快速定位光条暗区域与亮区域,使整个光条图像质量准确判断;通过对质量较差区域进行光条亮度或灰度增强处理,得到信噪比较高且满足截面高斯分布的光条,完成了低质量光条图像的亮度增强,可保证整根光条的高质量提取;采用方向约束的Steger多尺度算法实现光条图像的中心坐标提取,最终利用结构光重建模型得到被测物的三维轮廓数据,实现户外复杂环境下高动态激光光条图像的自适应成像处理,具有精度高、抗干扰强等特点,可适应户外高动态光条图像中心点的准确提取,为实现高精度测量提供保证;通过采用并行多线程流计算模式,实现了光条图像处理效率的提升,确保了户外高速测量情况下激光光条图像的准确提取。本发明通过对激光图像进行识别、质量评价与亮度增强,极大提升户外高动态激光光条图像的识别准确性,实现高精度定位,提升测量系统的准确率与测量精度,具有重要实际意义。
附图说明
图1为本发明的流程图;
图2为本发明的金字塔目标检测ROI映射关系图;
图3为本发明的多线程流原理图;
图4为本发明的单向队列数据结构管理示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1-4所示,一种户外复杂环境下高动态激光光条自适应成像处理方法,包括以下步骤:
步骤一:户外激光图像采集
步骤二:激光光条区域快速定位
本发明根据光条特点(同一相机采集光条图像形状相似,梯度特征鲁棒性强),采用HOG+SVM来进行目标检测,完成光条包围框快速定位;
方向梯度直方图(英文全称为Histogram of Oriented Gradient,英文缩写为HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,它通过计算和统计图像局部区域的梯度方向直方图来构成特征;
在图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。光条信息主要表现为梯度的统计信息,而梯度主要存在于边缘的地方,更适用于光条特征描述。HOG是在图像的局部方格单元上操作,所以它对图像几何和光学的形变都能保持很好的不变性。在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,对于不同形貌所呈现的光条曲线,HOG特征能够更好适应其微小变化,而不影响检测效果。但是,由于被测物在运动过程中存在触发偏离情况,此时将导致光条在尺度方面存在变化,所以本发明采用多尺度检测,同时,为提高检测效率,可将图像金字塔化,从最小尺度检测,再映射到实际图像,如图2的金字塔目标检测ROI映射关系图所示,各层之间的尺寸关系满足以下条件:
其中,wi为当前层宽带,hi为当前层深度,wi+1为下一层宽带,hi+1为下一层深度。
步骤三:激光光条图像质量评价与定位
良好的激光光条是保证测量精度的前提,因此,建立激光光条的质量评价标准有利于对光条质量进行判断,决定是否对其进行增强处理。根据光条提取算法中的假设可知,若光条在径向方向上满足高斯分布,则其亮度也即激光器能量中心点即为光条中心点坐标,只有这样才能保证光条在透视投影过程中畸变最小。理想光条走向上亮度较为均匀,径向截面方向亮度满足高斯分布,且最终提取的光条在空间中是连续的,只有这样才能保证测量的准确性与高精度;
1)光条方向
光条方向上的光条质量评价函数F1按照以下公式计算得到,F1即F1(μg,σg):
其中,gi为光条走向上像素点亮度,其均值标为μg,方差为σg;α为光条走向灰度加权系数,根据经验来设定,非定值;
平均灰度越高,方差越小,表示光条中心点区域亮度强,且整个光条中心点亮度波动小,整体质量较好。
2)法线方向
光条截面灰度分布越满足高斯分布,则其定位误差越小。为描述径向光条亮度分布质量,将光条亮度与采用高斯滤波后的光条的亮度进行做差比较,其差值越小,则证明光条越符合高斯分布。令光条与其进行高斯滤波后的光条之间亮度差差值为其中,hi为原始图像法向方向灰度值,Gμ-ρ表示高斯卷积平滑模板,表示原始图像与高斯模板卷积平滑,上述表示为图像法向图像灰度值与经过高斯平滑后图像差值,近似为图像噪声;同时计算亮度差的均值μρ与方差σρ,则均值越小,方差也越小,则说明毛刺小,不均匀部分少,即光条质量越好;法线方向上的光条质量评价函数F2按照以下公式计算得到,F2即F2(μρ,σρ):
其中,β为光条法向灰度加权系数,根据经验来设定,非定值。
3)光条连续性评价
良好的激光光条在空间上应当是连续的。当检测到断开区域时,则决定采取光条增强方法;令di表示光条相邻点之间的距离,整根光条的断开距离均值为μd,方差σd,其中,均值越小,方差越小,则表示光条中间断开区域越小,整个光条较完整;光条连续性评价函数F3按照以下公式计算得到,F3即F3(μd,σd):
其中,Nm为光条长度最大值,γ为光条连续性加权系数,根据经验来设定,非定值;
可知,光条整体质量评价函数为:
F=0.25·F1+0.25·F2+0.5·F3
(6)
其中,F1为光条方向上的光条质量评价函数,F2为法线方向上的光条质量评价函数,F3为光条连续性评价函数。
步骤四:低质量激光光条图像亮度增强
图像形成主要由两部分组成,分别是入射光和反射物体,最后形成的图像表示为
I(x,y)=R(x,y)·L(x,y)
(7)
其中,L(x,y)表示入射光,R(x,y)表示物体的反射性质,I(x,y)表示待增强的图像;入射光L(x,y)直接决定了一幅图像中像素能达到的动态范围,反射物体R(x,y)决定了图像的内在性质;
对公式(7)进行求导,得到公式(8):
log(I(x,y))=log(R(x,y))+log(L(x,y))
(8)
Land本人提出中心/环绕Retinex算法(Center/Surround Retinex),其基本思想是:每一个中心像素的亮度是通过赋予其周围环绕像素的不同权值来估计,可知:
R(x,y)=log(I(x,y))-log(F(x,y)*I(x,y)) (9)
其中,为高斯函数,σ为尺度参数,σ的大小直接影响对入射分量的估计。当σ取值较小时,高斯模板较小,高斯函数表现为相对陡峭,卷积后的入射分量估计也相对崎岖,动态压缩能力越强,结果突出了图像细节,但亮度保真效果较差;反之,σ取值较大时,高斯模板较大,高斯函数表现为相对平缓,卷积后产生的入射分量估计也相对平滑,表现为亮度保真能力好,但是动态压缩能力较差,图像中的细节增强效果不明显。故而,本发明的光条图像为灰度图像,满足:
其中,σ取光条最优宽度,即按步骤五中的最优尺度来计算。
步骤五:光条图像中线点高精度提取
由CSteger算法可知,图像中心点为光条图像边缘方向上一阶导数为零,二阶导数取极大值的点;
设边缘方向用n=(nx,ny)表示,||(nx,ny)||=1,图像灰度函数在(nx,ny)方向的二阶导数对应于Hessian矩阵的最大绝对特征值;
由多尺度光点提取方法可知,选取Ci(x,y)最大值对应的σi为最优尺度用于后续高斯卷积核,以最优尺度用于后续光条中心提取,实现光条中心精确提取。
步骤六:多线程并行加速处理
随着传感器分辨率以及算法复杂性的提高,单幅图像处理时间也随之增加,难以满足线上视频帧实时处理的要求。考虑到当前计算机性能的提高,如支持内存扩展较大、计算主频增加、支持线程数多等特点,本发明提出一种用于实时视频处理的多线程流加速架构。对于由于光条亮度增强所带来的测量时间代价,本发明提出采用多线程流加速处理技术,虽然会出现首帧延迟的不足,但通过序列化输出约束,可以满足实时性处理需求;
1)多线程流加速方案
统计最大处理时间为制定线程加速级数的依据,即要保证多级视频提取与分配线程处理资源的时间总和大于单帧线程处理时间的最大值。根据加速线程数、单帧视频提取与分配线程处理资源时间、单个线程处理时间构建多线程流加速架构,加速线程数、单帧视频提取与分配线程处理资源时间、单个线程处理时间的关系满足以下条件:
N·Tf>Tt (11)
其中,N为加速线程数;Tf为单帧视频提取与分配线程处理资源时间;Tt为单个线程处理时间;
由多线程流加速架构可以看出,若各个处理帧之间相互独立,没有数据依赖,此时可以充分利用多个独立线程单元,及时分配待处理资源给相应线程。但是,当待处理帧的处理结果需要按照原视频帧顺序输出时,会出现图3中线程3与线程4不同步的现象,即线程4已经处理完毕而线程3还没有结束,如果此时直接输出结果会导致结果顺序错乱,使得测量结果失去时序性。因此,提出一种线程索引队列管理办法,保证多个线程计算结果输出的时序性;
2)序列化输出队列管理方法
图4为单向队列数据结构管理示意图;序列化输出队列管理方法,包括以下步骤:
第一步,按照多个线程初始化资源的顺序依次由队列左端压入线程编号到队列;
第二步,当前线程访问线程队列右端第一个编号值,若当前编号值与当前处理线程编号相同,则从右侧弹出一个编号,进入第三步:将队列中元素向右右移一位;进入第四步:将弹出编号由左端压入队列;
若当前编号值与当前处理线程编号值不同,则令当前处理线程等待,直到当前编号值与当前处理线程编号相同,依次进入第三步、第四步。
实施例1
如图1-4所示,一种户外复杂环境下高动态激光光条自适应成像处理方法,包括以下步骤:
步骤一:户外激光图像采集
基于日盲型抗干扰型激光视觉传感模块进行户外激光图像采集,日盲型抗干扰型激光视觉传感模块包括:
日盲型抗户外杂光干扰型激光视觉传感器,包括高速相机和发射激光的激光器,高速相机用于拍摄激光器发出的激光;
ARM处理芯片;
纠正模块;
日盲型抗户外杂光干扰型激光视觉传感器的高速相机通过FPGA并行数据采集模块与ARM处理芯片输入端相连,ARM处理芯片输出端与纠正模块输入端相连,日盲型抗户外杂光干扰型激光视觉传感器安装于户外适当位置,通过日盲型抗户外杂光干扰型激光视觉传感器进行激光图像采集并通过FPGA并行数据采集模块进行高速图像预处理后上传至ARM处理芯片进行分析和处理,通过纠正模块对ARM处理芯片处理得到的数据进行纠正,得到纠正后的数据。
步骤一还可采用现有技术进行图像采集。
步骤二:激光光条区域快速定位
本发明根据光条特点(同一相机采集光条图像形状相似,梯度特征鲁棒性强),采用HOG+SVM来进行目标检测,完成光条包围框快速定位;
方向梯度直方图(英文全称为Histogram of Oriented Gradient,英文缩写为HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,它通过计算和统计图像局部区域的梯度方向直方图来构成特征;
在图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。光条信息主要表现为梯度的统计信息,而梯度主要存在于边缘的地方,更适用于光条特征描述。HOG是在图像的局部方格单元上操作,所以它对图像几何和光学的形变都能保持很好的不变性。在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下,对于不同形貌所呈现的光条曲线,HOG特征能够更好适应其微小变化,而不影响检测效果。但是,由于被测物在运动过程中存在触发偏离情况,此时将导致光条在尺度方面存在变化,所以本发明采用多尺度检测,同时,为提高检测效率,可将图像金字塔化,从最小尺度检测,再映射到实际图像,如图2的金字塔目标检测ROI映射关系图所示,各层之间的尺寸关系满足以下条件:
其中,wi为当前层宽带,hi为当前层深度,wi+1为下一层宽带,hi+1为下一层深度。
步骤三:激光光条图像质量评价与定位
良好的激光光条是保证测量精度的前提,因此,建立激光光条的质量评价标准有利于对光条质量进行判断,决定是否对其进行增强处理。根据光条提取算法中的假设可知,若光条在径向方向上满足高斯分布,则其亮度也即激光器能量中心点即为光条中心点坐标,只有这样才能保证光条在透视投影过程中畸变最小。理想光条走向上亮度较为均匀,径向截面方向亮度满足高斯分布,且最终提取的光条在空间中是连续的,只有这样才能保证测量的准确性与高精度;
1)光条方向
光条走向上像素点亮度为gi,则其均值标为μg,方差为σg,光条方向上的光条质量评价函数F1按照以下公式计算得到,F1即F1(μg,σg):
其中,α为光条走向灰度加权系数;
平均灰度越高,方差越小,表示光条中心点区域亮度强,且整个光条中心点亮度波动小,整体质量较好;
2)法线方向
光条截面灰度分布越满足高斯分布,则其定位误差越小。为描述径向光条亮度分布质量,将光条亮度与采用高斯滤波后的光条的亮度进行做差比较,其差值越小,则证明光条越符合高斯分布。令光条与其进行高斯滤波后的光条之间亮度差差值为其中,hi为原始图像法向方向灰度值,Gμ-σ表示高斯卷积平滑模板,表示原始图像与高斯模板卷积平滑,上述表示为图像法向图像灰度值与经过高斯平滑后图像差值,近似为图像噪声;同时计算亮度差的均值μρ与方差σρ,则均值越小,方差也越小,则说明毛刺小,不均匀部分少,即光条质量越好;法线方向上的光条质量评价函数F2按照以下公式计算得到,F2即F2(μρ,σρ):
其中,β为光条法向灰度加权系数。
3)光条连续性评价
良好的激光光条在空间上应当是连续的。当检测到断开区域时,则决定采取光条增强方法;令di表示光条相邻点之间的距离,整根光条的断开距离均值为μd,方差σd,其中,均值越小,方差越小,则表示光条中间断开区域越小,整个光条较完整;;光条连续性评价函数F3按照以下公式计算得到,F3即F3(μd,σd):
其中,Nm为光条长度最大值,γ为光条连续性加权系数;
光条整体质量评价函数为:
F=0.25·F1+0.25·F2+0.5·F3
(6)。
步骤四:低质量激光光条图像亮度增强
图像形成主要由两部分组成,分别是入射光和反射物体,最后形成的图像表示为
I(x,y)=R(x,y)·L(x,y)
(7)
其中,L(x,y)表示入射光,R(x,y)表示物体的反射性质,I(x,y)表示待增强的图像;入射光L(x,y)直接决定了一幅图像中像素能达到的动态范围,反射物体R(x,y)决定了图像的内在性质;
对公式(7)变换到对数域中处理,得到公式(8):
log(I(x,y))=log(R(x,y))+log(L(x,y))
(8)
Land本人提出中心/环绕Retinex算法(Center/Surround Retinex),其基本思想是:每一个中心像素的亮度是通过赋予其周围环绕像素的不同权值来估计,最终确定出高斯环绕函数能够达到较好的效果,可知:
R(x,y)=log(I(x,y))-log(F(x,y)*I(x,y)) (9)
其中,为高斯函数,σ为尺度参数,σ的大小直接影响对入射分量的估计。当σ取值较小时,高斯模板较小,高斯函数表现为相对陡峭,卷积后的入射分量估计也相对崎岖,动态压缩能力越强,结果突出了图像细节,但亮度保真效果较差;反之,σ取值较大时,高斯模板较大,高斯函数表现为相对平缓,卷积后产生的入射分量估计也相对平滑,表现为亮度保真能力好,但是动态压缩能力较差,图像中的细节增强效果不明显。故,本发明的光条图像为灰度图像,满足:
其中,σ取光条最优宽度,即按步骤五中的最优尺度来计算。
步骤五:光条图像中线点高精度提取
由CSteger算法可知,图像中心点为光条图像边缘方向上一阶导数为零,二阶导数取极大值的点。
设边缘方向用n=(nx,ny)表示,||(nx,ny)||=1,图像灰度函数在(nx,ny)方向的二阶导数对应于Hessian矩阵的最大绝对特征值;
由多尺度光点提取方法可知,选取Ci(x,y)最大值对应的σi为最优尺度用于后续高斯卷积核,以最优尺度用于后续光条中心提取,实现光条中心精确提取。
设图像f(x,y)与高斯各阶偏导数卷积后得gx、gy、gxx、gxy、gyy,则二维图像f(x,y)在光条像素点(x0,y0)相邻图像的二阶泰勒展开式可表示为:
上述公式可沿边缘方向表示为:
图像灰度的极大值或极小值点为(pxpy)=((tnx+x0),(tny+y0))
步骤六:多线程并行加速处理
随着传感器分辨率以及算法复杂性的提高,单幅图像处理时间也随之增加,难以满足线上视频帧实时处理的要求。考虑到当前计算机性能的提高,如支持内存扩展较大、计算主频增加、支持线程数多等特点,本发明提出一种用于实时视频处理的多线程流加速架构。对于由于光条亮度增强所带来的测量时间代价,本发明提出采用多线程流加速处理技术,虽然会出现首帧延迟的不足,但通过序列化输出约束,可以满足实时性处理需求;
1)多线程流加速方案
统计最大处理时间为制定线程加速级数的依据,即要保证多级视频提取与分配线程处理资源的时间总和大于单帧线程处理时间的最大值。根据加速线程数、单帧视频提取与分配线程处理资源时间、单个线程处理时间构建多线程流加速架构,加速线程数、单帧视频提取与分配线程处理资源时间、单个线程处理时间的关系满足以下条件:
N·Tf>Tt (11)
其中,N为加速线程数;Tf为单帧视频提取与分配线程处理资源时间;Tt为单个线程处理时间;
由多线程流加速架构可以看出,若各个处理帧之间相互独立,没有数据依赖,此时可以充分利用多个独立线程单元,及时分配待处理资源给相应线程。但是,当待处理帧的处理结果需要按照原视频帧顺序输出时,会出现图3中线程3与线程4不同步的现象,即线程4已经处理完毕而线程3还没有结束,如果此时直接输出结果会导致结果顺序错乱,使得测量结果失去时序性。因此,提出一种线程索引队列管理办法,保证多个线程计算结果输出的时序性;
2)序列化输出队列管理方法
图4为单向队列数据结构管理示意图;序列化输出队列管理方法,包括以下步骤:
第一步,按照多个线程初始化资源的顺序依次由队列左端压入线程编号到队列;
第二步,当前线程访问线程队列右端第一个编号值,若当前编号值与当前处理线程编号相同,则从右侧弹出一个编号,进入第三步:将队列中元素向右右移一位;进入第四步:将弹出编号由左端压入队列;
若当前编号值与当前处理线程编号值不同,则令当前处理线程等待,直到当前编号值与当前处理线程编号相同,依次进入第三步、第四步。
本发明未具体描述的部分采用现有技术,未详细描述的部件采用现有产品即可,在此不做赘述。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种户外复杂环境下高动态激光光条自适应成像处理方法,其特征在于,包括以下步骤:
步骤一:户外激光图像采集
步骤二:激光光条区域快速定位
步骤三:激光光条图像质量评价
步骤四:低质量激光光条图像亮度增强
步骤五:光条图像中线点高精度提取
步骤六:多线程并行加速处理。
2.根据权利要求1所述的一种户外复杂环境下高动态激光光条自适应成像处理方法,其特征在于,步骤三中,根据光条整体质量评价函数进行激光光条图像质量评价,光条整体质量评价函数为:
F=0.25·F1+0.25·F2+0.5·F3
其中,F1为光条方向上的光条质量评价函数,F2为法线方向上的光条质量评价函数,F3为光条连续性评价函数。
6.根据权利要求2所述的一种户外复杂环境下高动态激光光条自适应成像处理方法,其特征在于,步骤六中,先根据加速线程数、单帧视频提取与分配线程处理资源时间及单个线程处理时间构建多线程流加速架构,加速线程数、单帧视频提取与分配线程处理资源时间、单个线程处理时间的关系满足以下条件:
N·Tf>Tt
其中,N为加速线程数;Tf为单帧视频提取与分配线程处理资源时间;Tt为单个线程处理时间;
再利用序列化输出队列管理方法进行处理,包括以下步骤:
第一步,按照多个线程初始化资源的顺序依次由队列左端压入线程编号到队列;
第二步,当前线程访问线程队列右端第一个编号值,若当前编号值与当前处理线程编号相同,则从右侧弹出一个编号,进入第三步,将队列中元素向右右移一位,进入第四步,将弹出编号由左端压入队列;若当前编号值与当前处理线程编号值不同,则令当前处理线程等待,直到当前编号值与当前处理线程编号相同,依次进入第三步、第四步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115629.7A CN113834447B (zh) | 2021-09-23 | 2021-09-23 | 一种户外复杂环境下高动态激光光条自适应成像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115629.7A CN113834447B (zh) | 2021-09-23 | 2021-09-23 | 一种户外复杂环境下高动态激光光条自适应成像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113834447A true CN113834447A (zh) | 2021-12-24 |
CN113834447B CN113834447B (zh) | 2023-08-29 |
Family
ID=78969364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111115629.7A Active CN113834447B (zh) | 2021-09-23 | 2021-09-23 | 一种户外复杂环境下高动态激光光条自适应成像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113834447B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240806A (zh) * | 2022-02-24 | 2022-03-25 | 北京盈通恒信电力科技有限公司 | 用于图像灰度化的方法及装置、计算机设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006067423A (ja) * | 2004-08-30 | 2006-03-09 | Fuji Photo Film Co Ltd | 画像品質定量評価方法及びその装置 |
CN102495026A (zh) * | 2011-11-23 | 2012-06-13 | 天津大学 | 一种用于线激光扫描视觉测量系统的光带中心线提取方法 |
CN105141839A (zh) * | 2015-08-21 | 2015-12-09 | 大连理工大学 | 一种基于光圈时控的高清图像获取方法 |
CN107563991A (zh) * | 2017-08-01 | 2018-01-09 | 大连理工大学 | 零件表面断裂激光光条的提取与匹配方法 |
CN108550144A (zh) * | 2018-04-09 | 2018-09-18 | 大连理工大学 | 基于灰度信度的激光光条序列图像质量评价方法 |
-
2021
- 2021-09-23 CN CN202111115629.7A patent/CN113834447B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006067423A (ja) * | 2004-08-30 | 2006-03-09 | Fuji Photo Film Co Ltd | 画像品質定量評価方法及びその装置 |
CN102495026A (zh) * | 2011-11-23 | 2012-06-13 | 天津大学 | 一种用于线激光扫描视觉测量系统的光带中心线提取方法 |
CN105141839A (zh) * | 2015-08-21 | 2015-12-09 | 大连理工大学 | 一种基于光圈时控的高清图像获取方法 |
CN107563991A (zh) * | 2017-08-01 | 2018-01-09 | 大连理工大学 | 零件表面断裂激光光条的提取与匹配方法 |
CN108550144A (zh) * | 2018-04-09 | 2018-09-18 | 大连理工大学 | 基于灰度信度的激光光条序列图像质量评价方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240806A (zh) * | 2022-02-24 | 2022-03-25 | 北京盈通恒信电力科技有限公司 | 用于图像灰度化的方法及装置、计算机设备、存储介质 |
CN114240806B (zh) * | 2022-02-24 | 2022-05-10 | 北京盈通恒信电力科技有限公司 | 用于图像灰度化的方法及装置、计算机设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113834447B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN109712158A (zh) | 一种基于目标背景像元统计约束的红外小目标捕获方法 | |
CN116758077B (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN110544233A (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN108470338A (zh) | 一种水位监测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN104598914A (zh) | 一种肤色检测的方法及装置 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
Chen et al. | A color-guided, region-adaptive and depth-selective unified framework for Kinect depth recovery | |
CN105787912A (zh) | 一种基于分类的阶跃型边缘亚像素定位方法 | |
CN117011292A (zh) | 一种复合板表面质量快速检测方法 | |
CN105279244B (zh) | 甘蔗种芽分类特征数据库的建立方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN110766657A (zh) | 一种激光干扰图像质量评价方法 | |
CN105488798B (zh) | 基于点集对比的sar图像相似性度量方法 | |
CN113834447B (zh) | 一种户外复杂环境下高动态激光光条自适应成像处理方法 | |
CN111383281A (zh) | 一种基于rbf神经网络的摄像机标定方法 | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
CN115690190B (zh) | 基于光流图像和小孔成像的运动目标检测与定位方法 | |
CN115359124A (zh) | 用于复杂环境条件下的高精度双目视觉测量方法和装置 |
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 |