CN115775282B - 一种高速在线矫正图像畸变的方法、装置及存储介质 - Google Patents

一种高速在线矫正图像畸变的方法、装置及存储介质 Download PDF

Info

Publication number
CN115775282B
CN115775282B CN202310043074.2A CN202310043074A CN115775282B CN 115775282 B CN115775282 B CN 115775282B CN 202310043074 A CN202310043074 A CN 202310043074A CN 115775282 B CN115775282 B CN 115775282B
Authority
CN
China
Prior art keywords
image
stripe
calibration value
calibration
value
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
CN202310043074.2A
Other languages
English (en)
Other versions
CN115775282A (zh
Inventor
赵哲
肖圣端
张权
王刚
吕炎州
刘柏林
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.)
Guangzhou Yihong Intelligent Equipment Co ltd
Original Assignee
Guangzhou Yihong Intelligent Equipment Co Ltd
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 Guangzhou Yihong Intelligent Equipment Co Ltd filed Critical Guangzhou Yihong Intelligent Equipment Co Ltd
Priority to CN202310043074.2A priority Critical patent/CN115775282B/zh
Publication of CN115775282A publication Critical patent/CN115775282A/zh
Application granted granted Critical
Publication of CN115775282B publication Critical patent/CN115775282B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及一种高速在线矫正图像畸变的方法、装置及存储介质。本发明所述的一种高速在线矫正图像畸变的方法，借助于标准黑白条纹图，通过对标准黑白条纹图在运动状态下的图像畸变程度进行测量，得到对应区间的标定值，根据不同区间的标定值得到在相同参属下拍摄图像时的畸变程度，从而实现对图像不同区间的畸变矫正，因此本申请只需要进行一次拟合，就可以对不同的待矫正图像进行相对应的矫正，具有能够适应复杂的走料生产环境，定制难度低，能够高效解决宽幅产品生产的准确数据计算，减少标定工作量，提高计算准确的产品生产速度的优点。

Description

一种高速在线矫正图像畸变的方法、装置及存储介质
技术领域
本发明涉及图像检测领域，特别是涉及在线图像畸变矫正技术领域。
背景技术
锂电产品自动化视觉检测系统由光源、高清线扫相机以及视觉检测软件组成。检测软件获取稳定光源环境中拍摄的图像，并检测锂电产品的尺寸和缺陷。通过标定值可以将视觉检测值转换成产品真实值，代替人工检测方式提高品质检测效率和质量。目前视觉检测系统使用单标定值计算产品真实值，标定值一般通过产品检测值与真实值计算得到。由于摄像头镜头因为工艺、安装方式不同，导致拍摄图像出现畸变现象，影响视觉系统标定值计算的准确性。目前的视觉系统中主要有以下缺陷：
一是自动化不足。光照系统、设备本身由于特殊原因发生位置变动需要重新标定时，需要重新使用标定板或棋盘格等辅助硬件，这些标定辅助硬件不适用于接触面小、走料复杂的极片生产工艺。
二是不能高效解决宽幅锂电产品成像畸变问题。宽幅极片生产需要更大的相机视野，有时候需要相机拼图采集完整视野图像。使用标定辅助硬件矫正需要覆盖整个产品视野，要求标定板的摆放次数更多、要求更高。
三是处理速度慢。使用内外参数计算出矫正系数后，对每一张图像进行校正，然后再进行图像处理。锂电产品的高精度相机成像矫正速度慢，不能适应高速生产的极片产品生成速度。综上所述，目前矫正方法未能很好地适应自动化锂电产品生产。
发明内容
基于此，本发明目的在于提供一种高速在线矫正图像畸变的方法、装置及存储介质，其具有能够适应复杂的走料生产环境，定制难度低，能够高效解决宽幅产品生产的准确数据计算，减少标定工作量，提高计算准确的产品生产速度的优点。
本发明是通过如下技术方案实现的：
本申请提供一种高速在线矫正图像畸变的方法，借助于等间距的黑白条纹纸，包括：
获取记载有标准黑白条纹图的第一图像，检测所述第一图像，得出所述标准黑白条纹图的真实条纹间距；
获取第二图像，其中，所述第二图像由线扫相机在运动状态下，沿所述标准黑白条纹图的条纹延伸方向拍摄所述标准黑白条纹图得到；检测所述第二图像，得到检测条纹间距；
根据所述真实条纹间距和所述检测条纹间距，得到所述第二图像中每个条纹内部的标定值，所述标定值指示所述检测条纹间距与所述真实条纹间距之间的偏差比例；
对所有标定值进行多项式拟合，得到所述线扫相机视野内沿条纹宽度方向的标定值补偿函数；具体地，令所有边列像素集合为
Figure SMS_1
，/>
Figure SMS_2
最大值/>
Figure SMS_3
，最小值为/>
Figure SMS_4
，归一化后坐标位置/>
Figure SMS_5
为：
Figure SMS_6
Figure SMS_7
为/>
Figure SMS_8
到/>
Figure SMS_9
内某个位置的列像素，Smax为S的最大值，Smin为S的最小值；
得到
Figure SMS_10
到/>
Figure SMS_11
内的各区段标定数据集合Y = {/>
Figure SMS_12
,/>
Figure SMS_13
,…/>
Figure SMS_14
}；
Figure SMS_15
的求解公式如下：
Figure SMS_16
其中
Figure SMS_17
为模型预测的标定值，/>
Figure SMS_18
为预设系数，/>
Figure SMS_19
为归一化后的坐标位置；
模型预测的标定值与真实值的差
Figure SMS_20
为：
Figure SMS_21
其中
Figure SMS_22
为真实值，/>
Figure SMS_23
为预设系数，/>
Figure SMS_24
为归一化后的坐标位置；
预设系数更新规则如下：
Figure SMS_25
Figure SMS_26
Figure SMS_27
其中，
Figure SMS_28
为学习率，/>
Figure SMS_29
为归一化后的坐标位置；
对预设系数进行更新，得到沿所述黑白条纹图的条纹延伸方向的标定值补偿函数
Figure SMS_30
：
Figure SMS_31
其中，
Figure SMS_32
为/>
Figure SMS_33
收敛时的系数；
根据所述标定值补偿函数，得到待矫正图像对应位置的校准值；
根据所述校准值校正所述待矫正图像图像畸变的数值误差。
进一步地，检测所述第二图像，得出检测条纹间距具体包括：
以其中一条条纹边界线为Y轴，以在所述第二图像平面中的垂直于Y轴方向为X轴，建立坐标系；
以相邻的两个条纹交界线作为一个条纹区间，并获取每条条纹交界线与所述X轴的每一个交点坐标；
根据每个交点的坐标数据得出每一个所述条纹区间的检测间距。
进一步地，还包括如下步骤：
相同条件下获取多组第二图像，对多组所述第二图像，分别进行训练，更新对应的所述预设系数；
将多组预设系数进行求和平均，得到修正后的标定值补偿函数。
进一步地，获取所述第二图像后，以所述第二图像中的黑白条纹图的一条条纹交界线为Y轴，以图象最靠近相机镜头中心的边为基准边。
另一方面，本申请还提供一种实现高速在线矫正图像畸变的装置，包括：
第一图像获取模块：用于获取记载有标准黑白条纹图的第一图像，检测所述第一图像，得出所述标准黑白条纹图中的真实条纹间距；
第二图像获取模块：用于获取第二图像，其中，所述第二图像由线扫相机在运动状态下，沿所述黑白条纹图的条纹延伸方向拍摄所述标准黑白条纹图得到；检测所述第二图像，得到检测条纹间距；
标定值计算模块：用于根据所述真实条纹间距和所述检测条纹间距，得到所述第二图像中每个条纹内部的标定值，所述标定值指示所述检测条纹间距与所述真实条纹间距之间的偏差比例；
校准值计算模块：用于对所有标定值进行多项式拟合，得到所述线扫相机视野内沿条纹宽度方向的标定值补偿函数；具体地，令所有边列像素集合为
Figure SMS_36
，/>
Figure SMS_37
最大值/>
Figure SMS_38
，最小值为/>
Figure SMS_39
，归一化后坐标位置/>
Figure SMS_40
为：
Figure SMS_41
Figure SMS_42
为/>
Figure SMS_43
到/>
Figure SMS_44
内某个位置的列像素，Smax为S的最大值，Smin为S的最小值；
得到
Figure SMS_45
到/>
Figure SMS_46
内的各区段标定数据集合Y = {/>
Figure SMS_47
,/>
Figure SMS_48
,…/>
Figure SMS_49
}；
Figure SMS_50
的求解公式如下：
Figure SMS_51
其中
Figure SMS_52
为模型预测的标定值，/>
Figure SMS_53
为预设系数，/>
Figure SMS_54
为归一化后的坐标位置；
模型预测的标定值与真实值的差
Figure SMS_55
为：
Figure SMS_56
其中
Figure SMS_57
为真实值，/>
Figure SMS_58
为预设系数，/>
Figure SMS_59
为归一化后的坐标位置；
预设系数更新规则如下：
Figure SMS_60
Figure SMS_61
Figure SMS_62
其中，
Figure SMS_63
为学习率，/>
Figure SMS_64
为归一化后的坐标位置；
对预设系数进行更新，得到沿所述黑白条纹图的条纹延伸方向的标定值补偿函数
Figure SMS_65
：
Figure SMS_66
其中，
Figure SMS_67
为/>
Figure SMS_68
收敛时的系数；
根据所述标定值补偿函数，得到待矫正图像对应位置的校准值；
图像矫正模块：用于根据所述校准值校正所述待矫正图像图像畸变的数值误差。
另一方面，本申请还提供一种计算机设备，包括：
至少一个存储器以及至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述提及的任一项所述的一种高速在线矫正图像畸变的方法的步骤。
另一方面，本申请还提供一种计算机可读存储介质，所述计算机程序被处理器执行时实现如上述提及的任一项所述的一种高速在线矫正图像畸变的方法的步骤。
本发明所述的一种高速在线矫正图像畸变的方法，通过借助标准黑白条纹纸，对静止状态下的条纹间距和在走料过程中拍摄的条纹纸图像，通过测得的间距值之间的差异来得到走料过程中不同位置的图像畸变状态，得到对应区间的标定值，根据不同区间的标定值得到在相同参属下拍摄图像时的畸变程度，从而实现对图像不同区间的畸变矫正。
再对标定值系数进行修正，根据损失函数来对修正结果进行评估，获得对应的修正系数，进一步提高对图像的纠正效果，并获得对应的标定值补偿函数，可直接根据像素值完成对图像的修正，因此本申请具有能够适应复杂的走料生产环境，定制难度低，能够高效解决宽幅产品生产的准确数据计算，减少标定工作量，提高计算准确的产品生产速度的优点。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本申请实施例提供的一种高速在线矫正图像畸变的方法的流程图；
图2为本申请实施例提供的一种高速在线矫正图像畸变的方法的应用场景的示意图；
图3为本申请实施例提供的标准黑白条纹图的示意图；
图4为本申请实施例根据的一种实现高速在线矫正图像畸变的装置的结构框图；
图5为本申请实施例根据的一种计算机设备的结构框图。
附图标记：400：一种实现高速在线矫正图像畸变的装置；401：第一图像获取模块；402：第二图像获取模块；403：标定值计算模块；404：校准值计算模块；405：图像矫正模块；
910：处理器；920：存储器。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。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申请中的具体含义。
此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
锂电产品自动化视觉检测系统由光源、高清线扫相机以及视觉检测软件组成。检测软件获取稳定光源环境中拍摄的图像，并检测锂电产品的尺寸和缺陷。通过标定值可以将视觉检测值转换成产品真实值，代替人工检测方式提高品质检测效率和质量。目前视觉检测系统使用单标定值计算产品真实值，标定值一般通过产品检测值与真实值计算得到。由于摄像头镜头因为工艺、安装方式不同，导致拍摄图像出现畸变现象，影响视觉系统标定值计算的准确性。
基于上述缺点，本申请提供一种高速在线矫正图像畸变的模型训练方法，此方法通过初始训练矫正模型，得到优化的矫正补偿函数，即可实现对图像测量数据的直接矫正，不需要对图像畸变矫正后，再进行测量。
图1为本申请实施例提供的一种高速在线矫正图像畸变的方法的流程图，图2为本申请实施例提供的一种高速在线矫正图像畸变的方法的应用场景的示意图，图3为本申请实施例提供的标准黑白条纹图的示意图。结合图1-图3对本申请进行描述，本申请包括如下步骤：
S10：获取记载有标准黑白条纹图的第一图像，检测第一图像，得出标准黑白条纹图的真实条纹间距。
标准黑白条纹图为高精度等间距黑白条纹图，其黑色条纹和白色条纹相间排布，黑色条纹与白色条纹之间的分界线为条纹交界线，相邻两条条纹交界线之间的距离为一个条纹的条纹间距，且对于标准黑白条纹图，应满足所有条纹间距的值相等；将静止状态下的黑白条纹图通过相机进行拍照得到的图像作为第一图像，此时从第一图像获得的条纹间距为真实条纹间距
Figure SMS_69
。/>
Figure SMS_70
可以通过对静止状态下获得的黑白条纹图，进行尺寸测量，获取相邻两条条纹边界线之间的坐标值进行差值计算，得到真实条纹间距/>
Figure SMS_71
。
S20：获取第二图像，其中，第二图像由线扫相机在运动状态下，沿标准黑白条纹图的条纹延伸方向拍摄标准黑白条纹图得到；检测第二图像，得到检测条纹间距。
而在锂电产品实际生产过程中，锂电产品会随着走料辊运动，线阵扫描相机拍摄图像时，图像会存在畸变现象。将纸质的标准黑白条纹图贴在走料辊上，其中黑白条纹图的条纹延伸方向与走料辊运动方向垂直。在走料辊运动时对其进行拍摄，得到第二图像，此时第二图像的各部位发生不同程度的畸变。
可选的，成像后，使用大津法处理图像，得到黑白二值图，并使用膨胀腐蚀处理噪点像素。利用黑白条纹边界灰度差找出条纹边界线，并得到每条条纹边界线的像素位置，最后根据相岭两条条纹边界线的像素位置求差得到检测条纹间距。或通过建立坐标系，根据坐标系位置得到检测条纹间距。
在一个实施例中，检测第二图像，得出检测条纹间距具体包括：
以第二图像中的黑白条纹图的一条条纹边界线为Y轴，以在第二图像平面中的垂直于Y轴方向为X轴，建立坐标系；
以相邻的两个条纹交界线作为一个条纹区间，并获取每条条纹交界线与X轴的每一个交点坐标；
根据每个交点的坐标数据得出每一个条纹区间的检测间距。
黑白条纹图的条纹垂直设置，获取图像数据后，以其中一条条纹边界线为为Y轴，以在第二图像平面中的垂直于Y轴方向为X轴，Y轴与X轴交点定义为(
Figure SMS_72
，/>
Figure SMS_73
)，建立坐标系，相邻的两个交界线分别为/>
Figure SMS_74
边界位于坐标系的左侧其坐标的下标为负，边界位于坐标系的右侧其坐标的下标为正。
设所有边列像素集合为
Figure SMS_75
，则：
Figure SMS_76
其中
Figure SMS_77
为坐标系原点延X轴正向的第n条条纹交界线的像素值。
S30：根据真实条纹间距和检测条纹间距，得到第二图像中每个条纹内部的标定值，标定值指示检测条纹间距与真实条纹间距之间的偏差比例。
标定值的具体计算公式为：
Figure SMS_78
若无相机畸变，则应有
Figure SMS_79
，/>
Figure SMS_80
表示/>
Figure SMS_81
个区段内的标定值。
S40：根据每个条纹对应的所述标定值，获取待矫正图像中与每个条纹对应位置的校准值。
根据每个区间的标定值，对应待矫正图像的每个区间的畸变程度，通过标定值对每个区间的图像数据进行校准。
Figure SMS_82
其中，
Figure SMS_83
为第二图像的第n个区间的条纹间距的校准值，C（/>
Figure SMS_84
）为第二图像的第n个区间的标定值。
在一个具体的实施例中，根据每个条纹对应的所述标定值，获取待矫正图像中与每个条纹对应位置的校准值，包括：
对所有标定值进行多项式拟合，得到所述线扫相机视野内沿条纹宽度方向的标定值补偿函数；
利用标定值补偿函数，求出待矫正图像不同位置补偿后的校准值。
对所有标定值进行多项式拟合，得到所述线扫相机视野内沿条纹宽度方向的标定值补偿函数；
利用标定值补偿函数，求出待矫正图像不同位置补偿后的校准值。
Figure SMS_85
其中，本申请以二次多项式模型作为拟合模型，令所有边列像素集合为/>
Figure SMS_86
，S最大值/>
Figure SMS_88
，最小值/>
Figure SMS_89
,归一化后坐标位置/>
Figure SMS_90
为：
Figure SMS_91
为/>
Figure SMS_92
到/>
Figure SMS_93
内某个位置的列像素，/>
Figure SMS_94
为S的最大值，/>
Figure SMS_95
为S的最小值；/>
得到
Figure SMS_96
到/>
Figure SMS_97
内的各区段标定数据集合/>
Figure SMS_98
；
Figure SMS_99
的求解公式如下：
Figure SMS_100
其中
Figure SMS_101
为模型预测的标定值，/>
Figure SMS_102
为预设系数，/>
Figure SMS_103
为归一化后的坐标位置；
模型预测的标定值与真实值的差
Figure SMS_104
为：
Figure SMS_105
其中
Figure SMS_106
为真实值，/>
Figure SMS_107
为预设系数，/>
Figure SMS_108
为归一化后的坐标位置；
对预设系数进行更新，得到沿黑白条纹图的条纹延伸方向的标定值补偿函数
Figure SMS_109
：
Figure SMS_110
其中，
Figure SMS_111
为/>
Figure SMS_112
收敛时的系数。
在另一个实施例中，预设系数的更新方式具体为：
Figure SMS_113
其中，
Figure SMS_114
为学习率，/>
Figure SMS_115
表示函数对系数/>
Figure SMS_116
的偏导数。
梯度下降法是一阶最优化算法。 使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点，这个过程则被称为梯度上升法。
梯度下降法是迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降法和最小二乘法是最常采用的方法。在求解损失函数的最小值时，可以通过梯度下降法来迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。在机器学习中，基于基本的梯度下降法发展了两种常用梯度下降方法，分别为随机梯度下降法和批量梯度下降法。
S50：根据校准值校正待矫正图像图像畸变的数值误差。
将各个区间条纹间距进行进行纠正后，对所有矫正后的条纹间距值进行求和，获得X轴方向上的检测距离即
Figure SMS_117
L为检测范围内的X轴方向上的检测距离。
在另一个实施例中，为了避免训练过程的误差以及环境的影响，在不改变拍摄条件的情况下，获取多组第二图像，对多组第二图像分别进行计算，得到多组最优预设系数
Figure SMS_118
，并对其进行求和平均，减小由于环境和操作不当带来的实验误差，增强模型训练的鲁棒性和完善性。
在另一个实施例中，以最靠近图像中心的黑白条的交界边为基准边。由于镜头中间位置的图像几乎不发生畸变，且图像的畸变呈现对称分布，以最靠近图像中心的黑白条的交界边为基准边。只需要对一侧图像数据进行训练，即可完成对应的对称部位的训练。进一步降低 了训练数据量。
本申请所提及的一种高速在线矫正图像畸变的方法，运用于生产线的一个具体实现如下：
根据生产环境以及走料场景，设置等间距的标准黑白条纹图，其中黑白条纹图越密集，图像的矫正效果越好，通过相机拍摄标准黑白条纹图，以获取到的图像作为第一图像。其中黑白条纹图的条纹间距定义为
Figure SMS_119
，将标准黑白条纹图粘贴在走料辊上，设置好生产时的走料辊移动参数，将相机的拍摄中心固定在条纹图的中心区域对其进行拍摄，得到第二图像数据，将第二图像数据以镜头最中心的条纹边界线作为坐标轴的Y轴，以在第二图像平面中的垂直于Y轴方向为X轴，建立坐标系，获得每条条纹边界线与X轴交点的坐标信息，从而获得每个条纹区间的检测条纹间距/>
Figure SMS_120
，其中n取整数，通过每个条纹区间的检测条纹间距/>
Figure SMS_121
与真实条纹间距/>
Figure SMS_122
计算得到对应条纹区间的标定值，再通过多项式拟合对标定值进行修正，根据修正值和标定之间的差值和梯度下降法计算出最优预设系数，获得对应的拍摄条件下，纠正畸变图像的标定值补偿函数，再根据标定值补偿函数对待纠正图像的每个像素点的值进行矫正，计算校正值，最后再对对应的产品尺寸进行测量。获得纠正后的图像以及产品真实的测量尺寸。
本发明所述的一种高速在线矫正图像畸变的方法，通过借助标准黑白条纹纸，对静止状态下的条纹间距和在走料过程中拍摄的条纹纸图像，通过测得的间距值之间的差异来得到走料过程中不同位置的图像畸变状态，得到对应区间的标定值，根据不同区间的标定值得到在相同参属下拍摄图像时的畸变程度，从而实现对图像不同区间的畸变矫正。
再对标定值系数进行修正，根据损失函数来对修正结果进行评估，获得对应的修正系数，进一步提高对图像的纠正效果，并获得对应的标定值补偿函数，可直接根据像素值完成对图像的修正，因此本申请具有能够适应复杂的走料生产环境，定制难度低，能够高效解决宽幅产品生产的准确数据计算，减少标定工作量，提高计算准确的产品生产速度的优点。
结合图4，本发明还提供一种实现高速在线矫正图像畸变的装置400，包括：
第一图像获取模块401：用于获取记载有标准黑白条纹图的第一图像，检测第一图像，得出标准黑白条纹图的真实条纹间距。
第二图像获取模块402：用于获取第二图像，其中，第二图像由线扫相机在运动状态下，沿标准黑白条纹图的条纹延伸方向拍摄标准黑白条纹图得到；检测第二图像，得到检测条纹间距。
标定值计算模块403：用于根据真实条纹间距和检测条纹间距，得到第二图像中每个条纹内部的标定值，标定值指示检测条纹间距与真实条纹间距之间的偏差比例。
校准值计算模块404：用于根据每个条纹对应的标定值，获取待矫正图像中与每个条纹对应位置的校准值。
图像矫正模块405：用于根据校准值校正待矫正图像图像畸变的数值误差。
在一可选的实施例中，校准值计算模块404包括：
补偿函数计算单元，用于对所有标定值进行多项式拟合，得到线扫相机视野内沿条纹宽度方向的标定值补偿函数；
校准值计算单元，用于根据标定值补偿函数，得到待矫正图像对应位置的校准值。
在一可选的实施例中，第二图像获取模块402包括：
坐标系建立单元，用于以其中一条条纹边界线为Y轴，以在第二图像平面中的垂直于Y轴方向为X轴，建立坐标系；
交点坐标获取单元，用于以相邻的两个条纹交界线作为一个条纹区间，并获取每条条纹交界线与X轴的每一个交点坐标；
检测间距计算单元，用于根据每个交点的坐标数据得出每一个条纹区间的检测间距。
在一可选的实施例中，补偿函数计算单元包括：
补偿函数计算子单元，用于对所有标定值进行多项式拟合，得到线扫相机视野内沿条纹宽度方向的标定值补偿函数，具体包括：
令所有边列像素集合为
Figure SMS_123
，S最大值/>
Figure SMS_125
，最小值
Figure SMS_126
,归一化后坐标位置/>
Figure SMS_127
为：
Figure SMS_128
Figure SMS_129
为/>
Figure SMS_130
到/>
Figure SMS_131
内某个位置的列像素，/>
Figure SMS_132
为S的最大值，/>
Figure SMS_133
为S的最小值；
得到
Figure SMS_134
到/>
Figure SMS_135
内的各区段标定数据集合/>
Figure SMS_136
；
Figure SMS_137
的求解公式如下：
Figure SMS_138
其中
Figure SMS_139
为模型预测的标定值，/>
Figure SMS_140
为预设系数，/>
Figure SMS_141
为归一化后的坐标位置；
模型预测的标定值与真实值的差
Figure SMS_142
为：
Figure SMS_143
其中
Figure SMS_144
为真实值，/>
Figure SMS_145
为预设系数，/>
Figure SMS_146
为归一化后的坐标位置；
对预设系数进行更新，得到沿标准黑白条纹图的条纹延伸方向的标定值补偿函数
Figure SMS_147
：
Figure SMS_148
其中，
Figure SMS_149
为/>
Figure SMS_150
收敛时的系数。
在一可选的实施例中，该装置400还包括：
更新模块，更新模块通过最小梯度法更新多项式的预设系数，预设系数的具体更新公式为：
Figure SMS_151
其中，
Figure SMS_152
为学习率，/>
Figure SMS_153
表示函数对系数/>
Figure SMS_154
的偏导数。
在一可选的实施例中，该装置400还包括：
第二更新模块，用于相同条件下获取多组第二图像，对多组第二图像，分别进行训练，更新对应的预设系数；
修正模块，用于将多组预设系数进行求和平均，得到修正后的标定值补偿函数。
在一可选的实施例中，该装置400还包括：
基准边确定模块，用于获取第二图像后，以所述第二图像中的黑白条纹图的一条条纹交界线为Y轴，以图象最靠近相机镜头中心的边为基准边。
如图5所示，图5是本申请实施例根据一示例性实施例示出的一种计算机设备的结构框图。所述计算机设备包括处理器910和存储器920。该主控芯片中处理器910的数量可以是一个或者多个，图5中以一个处理器910为例。该主控芯片中存储器920的数量可以是一个或者多个，图5中以一个存储器920为例。
存储器920作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例任意实施例所述的一种高速在线矫正图像畸变的方法程序，以及本申请实施例任意实施例所述的一种高速在线矫正图像畸变的方法对应的程序指令/模块。存储器920可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器920可进一步包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器910通过运行存储在存储器920中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述任一实施例所记载的一种高速在线矫正图像畸变的方法。
本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现上述任意一个实施例所述的一种高速在线矫正图像畸变的方法。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带，磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，则本发明也意图包含这些改动和变形。

Claims (7)

1.一种高速在线矫正图像畸变的方法，其特征在于，包括如下步骤：
获取记载有标准黑白条纹图的第一图像，检测所述第一图像，得到所述标准黑白条纹图的真实条纹间距；
获取第二图像，其中，所述第二图像由线扫相机在运动状态下，沿所述标准黑白条纹图的条纹延伸方向拍摄所述标准黑白条纹图得到；检测所述第二图像，得到检测条纹间距；
根据所述真实条纹间距和所述检测条纹间距，得到所述第二图像中每个条纹内部的标定值，所述标定值指示所述检测条纹间距与所述真实条纹间距之间的偏差比例；
对所有标定值进行多项式拟合，得到所述线扫相机视野内沿条纹宽度方向的标定值补偿函数；具体地，令所有边列像素集合为
Figure QLYQS_1
，/>
Figure QLYQS_2
最大值/>
Figure QLYQS_3
，最小值为/>
Figure QLYQS_4
，归一化后坐标位置/>
Figure QLYQS_5
为：
Figure QLYQS_6
Figure QLYQS_7
为/>
Figure QLYQS_8
到/>
Figure QLYQS_9
内某个位置的列像素，Smax为S的最大值，Smin为S的最小值；
得到
Figure QLYQS_10
到/>
Figure QLYQS_11
内的各区段标定数据集合Y = {/>
Figure QLYQS_12
,/>
Figure QLYQS_13
,…/>
Figure QLYQS_14
}；
Figure QLYQS_15
的求解公式如下：
Figure QLYQS_16
其中
Figure QLYQS_17
为模型预测的标定值，/>
Figure QLYQS_18
为预设系数，/>
Figure QLYQS_19
为归一化后的坐标位置；
模型预测的标定值与真实值的差
Figure QLYQS_20
为：
Figure QLYQS_21
其中
Figure QLYQS_22
为真实值，/>
Figure QLYQS_23
为预设系数，/>
Figure QLYQS_24
为归一化后的坐标位置；
预设系数更新规则如下：
Figure QLYQS_25
Figure QLYQS_26
Figure QLYQS_27
其中，
Figure QLYQS_28
为学习率，/>
Figure QLYQS_29
为归一化后的坐标位置；
对预设系数进行更新，得到沿所述黑白条纹图的条纹延伸方向的标定值补偿函数
Figure QLYQS_30
：
Figure QLYQS_31
其中，
Figure QLYQS_32
为/>
Figure QLYQS_33
收敛时的系数；
根据所述标定值补偿函数，得到待矫正图像对应位置的校准值；
根据所述校准值校正所述待矫正图像图像畸变的数值误差。
2.根据权利要求1所述的一种高速在线矫正图像畸变的方法，其特征在于，检测所述第二图像，得到检测条纹间距，具体包括：
以其中一条条纹边界线为Y轴，以在所述第二图像平面中的垂直于Y轴方向为X轴，建立坐标系；
以相邻的两个条纹交界线作为一个条纹区间，并获取每条条纹交界线与所述X轴的每一个交点坐标；
根据每个交点的坐标数据得出每一个所述条纹区间的检测间距。
3.根据权利要求2所述的一种高速在线矫正图像畸变的方法，其特征在于，还包括如下步骤：
相同条件下获取多组第二图像，对多组所述第二图像，分别进行训练，更新对应的所述预设系数；
将多组预设系数进行求和平均，得到修正后的标定值补偿函数。
4.根据权利要求1-3任一所述的一种高速在线矫正图像畸变的方法，其特征在于：
获取所述第二图像后，以所述第二图像中的黑白条纹图的一条条纹交界线为Y轴，以图像最靠近相机镜头中心的边为基准边。
5.一种实现高速在线矫正图像畸变的装置，其特征在于，包括：
第一图像获取模块：用于获取记载有标准黑白条纹图的第一图像，检测所述第一图像，得出所述标准黑白条纹图的真实条纹间距；
第二图像获取模块：用于获取第二图像，其中，所述第二图像由线扫相机在运动状态下拍摄所述标准黑白条纹图得到；检测所述第二图像，得出检测条纹间距；
标定值计算模块：用于根据所述真实条纹间距和所述检测条纹间距，得到所述第二图像中每个条纹内部的标定值，所述标定值指示所述检测条纹间距与所述真实条纹间距之间的偏差比例；
校准值计算模块：用于对所有标定值进行多项式拟合，得到所述线扫相机视野内沿条纹宽度方向的标定值补偿函数；具体地，令所有边列像素集合为
Figure QLYQS_36
，/>
Figure QLYQS_37
最大值/>
Figure QLYQS_38
，最小值为/>
Figure QLYQS_39
，归一化后坐标位置/>
Figure QLYQS_40
为：
Figure QLYQS_41
Figure QLYQS_42
为/>
Figure QLYQS_43
到/>
Figure QLYQS_44
内某个位置的列像素，Smax为S的最大值，Smin为S的最小值；
得到
Figure QLYQS_45
到/>
Figure QLYQS_46
内的各区段标定数据集合Y = {/>
Figure QLYQS_47
,/>
Figure QLYQS_48
,…/>
Figure QLYQS_49
}；
Figure QLYQS_50
的求解公式如下：
Figure QLYQS_51
其中
Figure QLYQS_52
为模型预测的标定值，/>
Figure QLYQS_53
为预设系数，/>
Figure QLYQS_54
为归一化后的坐标位置；
模型预测的标定值与真实值的差
Figure QLYQS_55
为：
Figure QLYQS_56
其中
Figure QLYQS_57
为真实值，/>
Figure QLYQS_58
为预设系数，/>
Figure QLYQS_59
为归一化后的坐标位置；
预设系数更新规则如下：
Figure QLYQS_60
Figure QLYQS_61
Figure QLYQS_62
其中，
Figure QLYQS_63
为学习率，/>
Figure QLYQS_64
为归一化后的坐标位置；
对预设系数进行更新，得到沿所述黑白条纹图的条纹延伸方向的标定值补偿函数
Figure QLYQS_65
：/>
Figure QLYQS_66
其中，
Figure QLYQS_67
为/>
Figure QLYQS_68
收敛时的系数；
根据所述标定值补偿函数，得到待矫正图像对应位置的校准值；
图像矫正模块：用于根据所述校准值校正所述待矫正图像图像畸变的数值误差。
6.一种计算机设备，其特征在于，包括：
至少一个存储器以及至少一个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至4任一项所述的一种高速在线矫正图像畸变的方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种高速在线矫正图像畸变的方法的步骤。
CN202310043074.2A 2023-01-29 2023-01-29 一种高速在线矫正图像畸变的方法、装置及存储介质 Active CN115775282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310043074.2A CN115775282B (zh) 2023-01-29 2023-01-29 一种高速在线矫正图像畸变的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310043074.2A CN115775282B (zh) 2023-01-29 2023-01-29 一种高速在线矫正图像畸变的方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115775282A CN115775282A (zh) 2023-03-10
CN115775282B true CN115775282B (zh) 2023-06-02

Family

ID=85393376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310043074.2A Active CN115775282B (zh) 2023-01-29 2023-01-29 一种高速在线矫正图像畸变的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115775282B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019105044A1 (zh) * 2017-11-28 2019-06-06 东莞市普灵思智能电子有限公司 一种镜头畸变矫正和特征提取的方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1320813C (zh) * 2003-06-20 2007-06-06 北京中星微电子有限公司 一种镜头成像畸变校正的方法
CN110322513B (zh) * 2018-03-30 2022-03-04 杭州海康威视数字技术股份有限公司 一种相机外参标定方法、装置及电子设备
CN115601243A (zh) * 2021-07-07 2023-01-13 武汉Tcl集团工业研究院有限公司（Cn） 图像畸变矫正方法、装置、设备及计算机可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019105044A1 (zh) * 2017-11-28 2019-06-06 东莞市普灵思智能电子有限公司 一种镜头畸变矫正和特征提取的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LabView的多项式畸变模型图像矫正方法;吴亚帅;刘新妹;殷俊龄;高志亨;;计算机系统应用(09);第223-228页 *

Also Published As

Publication number Publication date
CN115775282A (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN109732228B (zh) 一种激光振镜精度校正方法、装置及系统
US10666934B1 (en) Camera automatic calibration method and optical motion capture system
Douxchamps et al. High-accuracy and robust localization of large control markers for geometric camera calibration
CN109544643B (zh) 一种摄像机图像校正方法及装置
CN106815823B (zh) 一种透镜畸变标定校正方法及其装置
CN115457147A (zh) 相机标定方法、电子设备及存储介质
CN113920205B (zh) 一种非同轴相机的标定方法
CN115861445B (zh) 一种基于标定板三维点云的手眼标定方法
US20200342583A1 (en) Method, apparatus and measurement device for measuring distortion parameters of a display device, and computer-readable medium
CN112365421A (zh) 图像矫正处理方法及装置
CN113610929B (zh) 一种相机与多线激光的联合标定方法
CN115187612A (zh) 一种基于机器视觉的平面面积测量方法、装置及系统
CN114979469A (zh) 一种基于机器视觉比对的摄像机机械误差校准方法及系统
KR102023087B1 (ko) 카메라 캘리브레이션 방법
CN116342435B (zh) 一种线扫描相机畸变校正方法、计算设备及存储介质
CN107945136B (zh) 一种鱼眼图像矫正方法、系统、设备及计算机存储介质
CN115775282B (zh) 一种高速在线矫正图像畸变的方法、装置及存储介质
CN114018212B (zh) 面向球型摄像机单目测距的俯仰角校正方法及系统
CN111462216A (zh) 一种圆形阵列标定板中圆心像素坐标确定方法
CN115661258A (zh) 标定方法及装置、畸变校正方法及装置、存储介质、终端
CN116012242A (zh) 一种相机畸变矫正效果评价方法、装置、介质及设备
CN115239816A (zh) 一种相机标定方法、系统、电子设备及存储介质
CN111598940A (zh) 一种半球摄影中心点位置定位方法
CN114782438B (zh) 物体点云修正方法、装置、电子设备和存储介质
CN116051634A (zh) 一种视觉定位方法、终端及存储介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 510000 3, building 9, two South Road, Dashi street, Dashi street, Guangzhou, Guangdong, Panyu District, China.

Patentee after: Guangzhou Yihong Intelligent Equipment Co.,Ltd.

Address before: 511449 101-301, building 3, No. 9, Huijiang Shinan Second Road, Dashi street, Panyu District, Guangzhou, Guangdong

Patentee before: GUANGZHOU EHOLLY INTELLIGENT EQUIPMENT Co.,Ltd.