CN114581475A - 基于多尺度显著性特征的激光条纹分割方法 - Google Patents

Abstract

本发明涉及激光条纹分割技术领域，尤其涉及基于多尺度显著性特征的激光条纹分割方法。包括：通过显著性检测模型获取初始亮度显著图；利用序列化阈值对激光条纹灰度图像进行分割，得到布尔图；通过计算不同二值图像的加权和得到区域稳定性图像；通过主成分分析求解加权系数，将亮度显著图和区域稳定性显著图进行融合，得到最终的融合显著图；对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果。本发明针对不同场景下以及低分辨率的场景下，不仅能够抑制背景噪声的干扰，同时能够突出激光条纹的对比度，具有较强的鲁棒性。

Description

基于多尺度显著性特征的激光条纹分割方法

技术领域

本发明涉及激光条纹分割技术领域，尤其涉及基于多尺度显著性特征的激光条纹分割方法。

背景技术

随着结构光主动视觉成像技术的发展，对于工作在结构化或非结构化环境中的视觉检测系统来说，如何在光照不均和背景噪声干扰下精确实现线结构光的准确分割，是当前的一个重要研究方向和提高视觉检测智能化水平的研究热点之一。深度学习模型虽然能够提供比其他方法更高的精度，但需要更大的数据集和更多的计算开销。显著性检测能够消除图像中的冗余信息，识别出能够引起注意的区域，与其他方法一起被广泛应用于图像分割领域。

人类的视觉具有快速搜索到感兴趣区域的能力，实际上，场景中的物体的基本特征，例如颜色信息、亮度、纹理等信息通常是最先引起人眼的注意的，使用显著性检测能够突出图像中重要的目标，从而能够实现对图像目标的快速搜索，促进图像分割任务。目前显著性检测的方法分为三类：空间域特征法、统计特性法和图谱法。空间特征法是指从图像中提取相应的特征，如像素的颜色、亮度、方法以及纹理特征等，并将其整合到显著图。统计特征法是指依据图像的像素值的统计特性获得图像的显著性特征。图谱法是指将图像进行分块后，依据像素块之间的颜色、方向等特征差异度量该区域显著性的方法。

实践表明，虽然许多研究人员对结构光条纹准确分割算法进行了大量研究，但大多数算法都是基于均匀光照环境下的均匀稳定的光质，针对光照不均和背景噪声干扰，本发明研究了结构光条纹分割方法。通过构建显著性检测模型，获取激光条纹区域显著性特征，能够有效避免光照和背景噪声对条纹特征区域的影响，最后利用自适应最大熵对显著性提取结果进行分割。

因此，开发出一种能够针对光照不均和背景噪声影响的激光条纹分割方法，同时能够服务于线激光三维成像系统，对视觉实时检测提供技术支持，市场潜力巨大。多尺度的显著性特征融合与最大熵分割结合是整个发明的核心技术。。

发明内容

本发明的目的是提供基于多尺度显著性特征的激光条纹分割方法，用于解决现有问题如下：大多数算法都是基于均匀光照环境下的均匀稳定的光质，不能有效针对光照不均和背景噪声干扰，无法有效避免光照和背景噪声对条纹特征区域的影响。

为了实现上述目的，本发明采用了如下技术方案：

基于多尺度显著性特征的激光条纹分割方法，包括以下步骤：

通过显著性检测模型获取初始亮度显著图，用以降低复杂背景、光照不均和噪声对激光条纹的干扰，突出激光条纹与背景的可区分性；

利用序列化阈值对激光条纹灰度图像进行分割，得到布尔图；

通过计算不同二值图像的加权和得到区域稳定性图像，以突出激光条纹与背景的区别，暴露不同阈值水平下的图像特征；

通过主成分分析求解加权系数，将亮度显著图和区域稳定性显著图进行融合，得到最终的融合显著图；

对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果。

进一步优选的，其中，通过显著性检测模型获取初始亮度显著图，主要包括：

引入显著性检测模块来区分目标和背景，其具体方法如下：

将RGB颜色空间转换到Lab颜色空间，分别计算Lab通道图像的均值，将Lab通道图像与Lab通道均值相减并归一化，得到初始亮度显著图；函数表达式为：

其中I_c(x,y)是输入图像，

是输入图像的平均值，C表示输入图像的颜色通道，c∈{L,a,b}。

进一步优选的，其中，通过计算不同二值图像的加权和得到区域稳定性图像，主要包括：

通过计算布尔图，对激光条纹图像的稳定显著区域进行提取，定义不同分割阈值下的布尔图为BM＝{BM₁,…,BM_n}，其函数表达式为：

BM＝Thr(I,θ)

其中Thr(·)表示阈值函数，I表示输入图像的特征图，θ＝δ/255是分割阈值，δ以16作为步长递增且δ∈[δ/2:δ:255-δ/2]；

在得到一系列布尔图后，通过计算各个布尔图的权值之和，得到激光条纹区域稳定的显著图，其函数表达式为：

其中θ_i是归一化到[0，1]的不同分割阈值，以及BM_i是不同分割阈值下的布尔图。

进一步优选的，其中，通过主成分分析求解加权系数，将亮度显著图和区域稳定性显著图进行融合，得到最终的融合显著图，表达式如下：

此处

是由原始图像构造的矩阵。c₁和c₂被融合；

计算协方差矩阵

矩阵的X，公式如下:

其中，

表示图像的协方差，

表示第i幅原始图像的灰度均值；

计算协方差矩阵的特征值和特征向量，利用最大特征值计算的权重系数表示为：

融合图像表示为：

F＝w₁S_L+w₂S_R

其中，F为最终的融合图像，S_L和S_R是待融合的图像。

进一步优选的，其中，对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果，表达式如下：

根据香农理论，熵的表示如下：

其中p(x)是事件x发生的概率；

用图像来描述上述公式，x是图像的某一灰度级，p(x)是灰度值为x的概率，如果图像是N个灰度级，则上式可表达为：

假设T作为阈值，灰度级小于T作为目标区域，灰度级大于T作为背景区域。目标区域和背景区域的灰度级的概率表示如下：；

目标区域和背景区域的熵定义为：

图像的熵函数定义为:

H(t)＝H₀(t)+H_b(t)

阈值可以表示为：

T＝arg max H(t)。

对融合后的显著性图像进行自适应最大熵分割后，构造8连通区域，得到每个连通区域的面积；

通过计算连通区域的面积作为稳定性测度，得到最终的分割图像。

本发明至少具备以下有益效果：

本发明采用显著性检测模型获取初始亮度显著图。通过将RGB颜色空间转换到Lab空间，计算原始图像与Lab各个颜色通道的均值差值获得初始亮度显著性特征，该显著性检测模块能够抑制复杂背景下光照不均现象和噪声对激光条纹的影响，能够有效提升后续图像分割的质量。

本发明采用序列化阈值对激光条纹灰度图像进行分割，通过暴露不同阈值下的激光条纹特征，进一步突显激光条纹的对比度。使用布尔图提取不同阈值水平下的激光条纹图像特征，并且将各个布尔图进行权重和计算从而获得区域稳定性图像，进一步突出激光条纹与背景的区别，强化分割效果。

本发明可以用于低照度环境下的目标特征提取及分割，通过显著性检测模型，能够有效定位图像中感兴趣的区域，提高图像检索速度，同时基于多尺度的显著性特征，能够优势互补的完成相应的图像处理领域的分割任务。

另外，本发明除了应用于生产线上工业产品无损检测外，还可以用于机器人视觉导引、三维目标重建与军工领域，以及其它基于结构光主动成像的视觉辅助测量技术的实时生产加工领域。且根据本发明的算法仿真结果，针对不同场景下以及低分辨率的场景下，本发明算法不仅能够抑制背景噪声的干扰，同时能够突出激光条纹的对比度，具有较强的鲁棒性。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图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为基于多尺度显著性特征的自适应条纹分割示意图；

图2为不同场景下激光条纹分割示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在对激光条纹进行精确分割过程中，将亮度显著图和区域稳定性显著图进行融合，并在优势互补的基础上，对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果是本发明专利的核心内容。其目的是在有光照不均和噪声的影响下，利用融合显著性特征和最大熵的分割模型提高激光条纹图像分割的精确性。

为实现上述目的，本发明采取以下设计方案：

首先，针对背景噪声的影响，本发明引入显著性检测模型获取初始亮度显著图，以降低复杂背景、光照不均和噪声对激光条纹的干扰。突出激光条纹与背景的可区分性；第二，利用序列化阈值对激光条纹灰度图像进行分割，得到布尔图。在得到布尔图后，旨在暴露不同阈值水平下的图像特征，通过计算不同二值图像的加权和得到区域稳定性图像，从而突出激光条纹与背景的区别；最后，通过主成分分析(PCA)求解加权系数，将亮度显著图和区域稳定性显著图进行融合，得到最终的融合显著图。在优势互补的基础上，对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果。

融合显著性特征的条纹自适应分割方法流程图如图1所示。

本融合显著性特征的条纹自适应分割方法具体说明如下(如图1所示)：

①引入显著性检测模块来区分目标和背景。

主要包括两部分，将RGB颜色空间转换到Lab颜色空间，分别计算Lab通道图像的均值，将Lab通道图像与Lab通道均值相减并归一化，得到初始亮度显著图。函数表达式为：

其中I_c(x,y)是输入图像，

是输入图像的平均值，C表示输入图像的颜色通道，c∈{L,a,b}。

②通过计算布尔图，对激光条纹图像的稳定显著区域进行提取。

BM＝{BM₁,…,BM_n}的函数表达式为：

BM＝Thr(I,θ) (2)

其中Thr(·)表示阈值函数，I表示输入图像的特征图，θ＝δ/255是分割阈值，δ以16作为步长递增且δ∈[δ/2:δ:255-δ/2]。

在得到一系列布尔图后，通过计算各个布尔图的权值之和，得到激光条纹区域稳定的显著图。计算公式如下：

其中θ_i是归一化到[0，1]的不同分割阈值，以及BM_i是不同分割阈值下的布尔图。

③多尺度图像融合技术是获取图像关键特征的重要方法。在优势互补的基础上，避免背景噪声及不均匀光照对激光条纹的影响，同时增强激光条纹与背景之间的对比度特征。基于主成分分析(PCA)确定亮度显著图和稳定区域显著图的加权系数，通过计算输入图像的特征向量和对应的特征值来确定最佳加权系数。表达式为：

此处

是由原始图像构造的矩阵。c₁和c₂被融合。计算协方差矩阵

矩阵的X:

表示图像的协方差，以及

表示第i幅原始图像的灰度均值。

计算协方差矩阵的特征值和特征向量，利用最大特征值计算的权重系数可以表示为：

融合图像表示为：

F＝w₁S_L+w₂S_R (7)

F为最终的融合图像，以及S_L和S_R是待融合的图像。

在融合图像的基础上，利用最大熵对条纹进行分割。根据香农理论，熵的表示如下：

其中p(x)是事件x发生的概率。

用图像来描述公式(8)，x是图像的某一灰度级，p(x)是灰度值为x的概率，如果图像是N个灰度级，则公式(8)可以表示为：

假设T作为阈值，灰度级小于T作为目标区域，灰度级大于T作为背景区域。目标区域和背景区域的灰度级的概率表示如下：

目标区域和背景区域的熵定义为：

图像的熵函数定义为:

H(t)＝H₀(t)+H_b(t) (14)

阈值可以表示为：

T＝arg max H(t) (15)

对融合后的显著性图像进行自适应最大熵分割后，构造8连通区域，得到每个连通区域的面积。最后，通过计算连通区域的面积作为稳定性测度，得到最终的分割图像。利用稳定性度量可以有效提高分割精度。如图2所示为本发明针对不同场景下以及低分辨率场景下的激光条纹进行分割测试。根据本发明专利的算法仿真结果，针对不同场景下以及低分辨率的场景下，本发明算法不仅能够抑制背景噪声的干扰，同时能够突出激光条纹的对比度，具有较强的鲁棒性。

综合上述可知：

本发明最大的优点在于针对光照不均和背景噪声对激光条纹的干扰，采用多尺度显著性特征和最大熵分割模型对激光条纹进行精确分割。提高激光条纹分割质量。实验结果表明该方法能有效抑制条纹图像噪声，同时针对低分辨率的激光条纹图像，均能够有效的实现激光条纹的分割。基于多尺度的显著性特征的激光条纹分割算法具有良好的工程应用前景。具体体现在以下几点：

1.采用显著性检测模型获取初始亮度显著图。通过将RGB颜色空间转换到Lab空间，计算原始图像与Lab各个颜色通道的均值差值获得初始亮度显著性特征，该显著性检测模块能够抑制复杂背景下光照不均现象和噪声对激光条纹的影响，能够有效提升后续图像分割的质量。

2.采用序列化阈值对激光条纹灰度图像进行分割，通过暴露不同阈值下的激光条纹特征，进一步突显激光条纹的对比度。使用布尔图提取不同阈值水平下的激光条纹图像特征，并且将各个布尔图进行权重和计算从而获得区域稳定性图像，进一步突出激光条纹与背景的区别，强化分割效果。

3.本发明方法，可以用于低照度环境下的目标特征提取及分割，通过显著性检测模型，能够有效定位图像中感兴趣的区域，提高图像检索速度，同时基于多尺度的显著性特征，能够优势互补的完成相应的图像处理领域的分割任务。

4.本发明除了应用于生产线上工业产品无损检测外，还可以用于机器人视觉导引、三维目标重建与军工领域，以及其它基于结构光主动成像的视觉辅助测量技术的实时生产加工领域。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (5)

1.基于多尺度显著性特征的激光条纹分割方法，其特征在于，包括以下步骤：

通过显著性检测模型获取初始亮度显著图，用以降低复杂背景、光照不均和噪声对激光条纹的干扰，突出激光条纹与背景的可区分性；

利用序列化阈值对激光条纹灰度图像进行分割，得到布尔图；

通过计算不同二值图像的加权和得到区域稳定性图像，以突出激光条纹与背景的区别，暴露不同阈值水平下的图像特征；

通过主成分分析求解加权系数，将亮度显著图和区域稳定性显著图进行融合，得到最终的融合显著图；

对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果。

2.根据权利要求1所述的基于多尺度显著性特征的激光条纹分割方法，其特征在于，其中，通过显著性检测模型获取初始亮度显著图，主要包括：

引入显著性检测模块来区分目标和背景，其具体方法如下：

将RGB颜色空间转换到Lab颜色空间，分别计算Lab通道图像的均值，将Lab通道图像与Lab通道均值相减并归一化，得到初始亮度显著图；函数表达式为：

其中I_c(x,y)是输入图像，

是输入图像的平均值，C表示输入图像的颜色通道，c∈{L,a,b}。L代表像素的亮度，a代表从绿色到红色的分量，b代表从蓝色到黄色的分量。

3.根据权利要求1所述的基于多尺度显著性特征的激光条纹分割方法，其特征在于，其中，通过计算不同二值图像的加权和得到区域稳定性图像，主要包括：

通过计算布尔图，对激光条纹图像的稳定显著区域进行提取，定义不同分割阈值下的布尔图为BM＝{BM₁,…,BM_n}，其函数表达式为：

BM＝Thr(I,θ)

其中Thr(·)表示阈值函数，I表示输入图像的特征图，θ＝δ/255是分割阈值，δ以16作为步长递增且δ∈[δ/2:δ:255-δ/2]；

在得到一系列布尔图后，通过计算各个布尔图的权值之和，得到激光条纹区域稳定的显著图，其函数表达式为：

其中θ_i是归一化到[0，1]的不同分割阈值，以及BM_i是不同分割阈值下的布尔图。

4.根据权利要求1所述的基于多尺度显著性特征的激光条纹分割方法，其特征在于，其中，通过主成分分析求解加权系数，将亮度显著图和区域稳定性显著图进行融合，得到最终的融合显著图，表达式如下：

此处

是由原始图像构造的矩阵。c₁和c₂被融合；

计算协方差矩阵

矩阵的X，公式如下:

其中，

表示图像的协方差，

表示第i幅原始图像的灰度均值；

计算协方差矩阵的特征值和特征向量，利用最大特征值计算的权重系数表示为：

融合图像表示为：

F＝w₁S_L+w₂S_R

其中，F为最终的融合图像，S_L和S_R是待融合的图像。

5.根据权利要求1所述的基于多尺度显著性特征的激光条纹分割方法，其特征在于，其中，对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果，表达式如下：

根据香农理论，熵的表示如下：

其中p(x)是事件x发生的概率；

用图像来描述上述公式，x是图像的某一灰度级，p(x)是灰度值为x的概率，如果图像是N个灰度级，则上式可表达为：

假设T作为阈值，灰度级小于T作为目标区域，灰度级大于T作为背景区域。目标区域和背景区域的灰度级的概率表示如下：；

目标区域和背景区域的熵定义为：

图像的熵函数定义为:

H(t)＝H₀(t)+H_b(t)

阈值可以表示为：

T＝argmaxH(t)。

对融合后的显著性图像进行自适应最大熵分割后，构造8连通区域，得到每个连通区域的面积；

通过计算连通区域的面积作为稳定性测度，得到最终的分割图像。

Images