CN116309758B - 一种基于OpenCV的线激光图像自动对齐方法及终端设备 - Google Patents

一种基于OpenCV的线激光图像自动对齐方法及终端设备 Download PDF

Info

Publication number
CN116309758B
CN116309758B CN202310596492.4A CN202310596492A CN116309758B CN 116309758 B CN116309758 B CN 116309758B CN 202310596492 A CN202310596492 A CN 202310596492A CN 116309758 B CN116309758 B CN 116309758B
Authority
CN
China
Prior art keywords
matching
angle
image
calculation
search
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
CN202310596492.4A
Other languages
English (en)
Other versions
CN116309758A (zh
Inventor
刘鸿飞
黄晓晓
阮曲星
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.)
Optosky Xiamen Optoelectronic Co ltd
Original Assignee
Optosky Xiamen Optoelectronic 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 Optosky Xiamen Optoelectronic Co ltd filed Critical Optosky Xiamen Optoelectronic Co ltd
Priority to CN202310596492.4A priority Critical patent/CN116309758B/zh
Publication of CN116309758A publication Critical patent/CN116309758A/zh
Application granted granted Critical
Publication of CN116309758B publication Critical patent/CN116309758B/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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于OpenCV的线激光图像自动对齐方法及终端设备，其自动对齐方法包括：图像滤波，图像分级下采样，设置角度搜索策略，在参考图像中提取模板，对旋转后的模板二值化生成掩膜，使用OpenCV卷积函数加速带掩膜的图像匹配计算过程，对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，根据最终的旋转角度和位移计算变换矩阵。本发明通过基于OpenCV的卷积计算函数大大提高了运算速度，并且在基于区域的图像匹配方法中引入掩膜，在匹配过程中忽略黑色边缘填充和空洞点，并使用变步长角度搜索策略，极大的提高了匹配成功率，最后使用克里格插值法得到亚像素匹配结果。本发明通过上述方案，克服了现有技术运算量大且黑色边缘会严重影响匹配结果的难题。

Description

一种基于OpenCV的线激光图像自动对齐方法及终端设备
技术领域
本发明涉及图像处理技术领域，具体是一种基于OpenCV的线激光图像自动对齐方法以及自动对齐终端设备。
背景技术
OpenCV是一款由intel公司俄罗斯团队，于1999年开发、2000年发布的一个计算机视觉处理开源软件库，近些年随着计算机视觉技术的飞速发展，基于计算机视觉技术的图像自动对齐方法在工业自动化检测设备中应用场景非常丰富。现有技术中，图像自动对齐方法主要分为两类，一类是基于特征点，通过找到两幅图像中同名点计算单应性矩阵，完成两幅图像的自动对齐；另一类是基于区域的图像匹配，将参考图像旋转和移动，以绝对误差最小或者相关系数最大为衡量标准找到最佳的匹配位置。
其中，基于特征点的图像自动对齐方法成功率取决于特征点匹配效果，在工业检测中，线激光两次扫描同一个工件或者同一批次不同工件，得到的深度图像可能会不同，或者有一些空洞点，会严重影响特征点的提取和匹配，造成匹配失败。而使用基于区域的图像匹配方法会更加稳定，但是算法运算量较大，并且区域在旋转过程中产生黑色边缘填充，会严重影响匹配结果。
发明内容
在下文中给出了关于本发明实施例的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，以下概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
为克服上述技术问题，本发明对现有技术中的基于区域的图像匹配方法进行改进，其基于OpenCV的卷积算法函数实现，为提高运算速度，在基于区域的图像匹配方法中引入掩膜，匹配过程中忽略黑色边缘填充和空洞点，极大的提高了匹配成功率。
根据本申请的一个方面，提供一种基于OpenCV的线激光图像自动对齐方法，包括：
获取参考图像以及待处理的目标图像；
对参考图像和目标图像进行滤波操作，以得到滤波后的参考图像和目标图像；
分别对滤波后的参考图像和目标图像进行n次下采样；
设置角度搜索策略以找到最优角度；
在参考图像上框选纹理特征明显的区域作为模板；
将模板旋转不同角度并通过阈值分割生成对应不同角度的掩膜，去除黑色边缘和空洞；
引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算；
对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，即为最终匹配结果。
其中，对参考图像和目标图像进行滤波操作，以得到滤波后的参考图像和目标图像，具体是：对目标图像和参考图像进行中值滤波，剔除异常点。
进一步的，分别对滤波后的参考图像和目标图像进行n次下采样，每次下采样将原图像的尺寸将其缩小至原图像尺寸的1/2长宽，即第n次时图像尺寸为，w、h分别为图像的宽和高。
进一步的，设置角度搜索策略以找到最优角度具体是：设置角度搜索策略，令角度搜索范围为range（i-1），搜索步长为stepi，i是指第i轮搜索，起始搜索角度为start，步长阈值为angleStep，初始搜索步长step0=100*angleStep，具体搜索方法为：
第1轮搜索：在[start-0.5*range0，start+0.5*range0]区间内以初始搜索步长step0遍历匹配，得到最优角度angle0；
第2轮搜索：调整第二轮角度搜索范围range1=2*step0，step1=0.2*step0，在[angle0-0.5*range1，angle0+0.5*range1]区间内以搜索步长step1遍历匹配，得到最优角度angle1；
重复上述搜索过程，在第i轮搜索中，调整第i轮角度搜索范围range(i-1) =2*step(i-2)，step(i-1)=0.2*step(i-2)，在[angle(i-1) -0.5*range(i-1)，angle(i-1)+0.5*range(i-1)]区间以搜索步长step(i-1)遍历匹配，得到最优角度为angle(i-1)，如果step(i-1)小于步长阈值angleStep，则搜索结束，angle(i-1)为最优角度。
进一步的，引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算，具体包括：
引入掩膜计算模板和目标图像滑动匹配的匹配结果矩阵，计算公式如下：
其中为模板，/>为目标图像中和模板同样尺寸的窗口裁剪图像，/>为掩膜；
为加速运算，使用开源库OpenCV，矩阵卷积操作使用crossCorr()函数实现，点乘使用mul函数实现，上述匹配结果矩阵的具体计算过程为：
1)计算；
2)计算；
3)计算；
4)计算的平方和/>；
5)计算和/>的卷积/>；
6)计算和/>的卷积/>；
7)则匹配结果矩阵：。
进一步的，对匹配结果矩阵使用克里格插值得到最优点亚像素坐标具体包括：
以第n次下采样结果开始做第1次模式匹配，找到最优匹配参数(x0，y0，θ0)，x0，y0，θ0分别为最优匹配点的横坐标、纵坐标和旋转角度；然后在第n-1次下采样结果中，在(2*x0，2*y0)为中心6*6的区域内，以θ0为起始角度，0.5*angleStep为步长阈值、0.1*range0为旋转区间做第二次模式匹配，如此循环直至在第0次下采样结果（即原图）找到最优匹配参数(xn，yn，θn)；
对以xn，yn为中心的匹配结果矩阵周围w*h像素范围内的点进行克里格插值，找到最大值对应的亚像素坐标，即为最终匹配结果。采用克里格插值法可达到亚像素精度。
根据本申请的另一方面，提供一种基于OpenCV的线激光图像自动对齐终端设备，包括：
获取模块，用于获取参考图像以及待处理的目标图像；
滤波模块，用于对参考图像和目标图像进行滤波操作，以得到滤波后的参考图像和目标图像；
下采样模块，用于分别对滤波后的参考图像和目标图像进行n次下采样；
设置模块，用于设置角度搜索策略以找到最优角度；
模板选取模块，用于在参考图像上框选纹理特征明显的区域作为模板；
掩膜生成模块，用于将不同旋转角度的模板，通过阈值分割生成对应的掩膜，去除黑色边缘和空洞；
匹配计算模块，用于引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算；
匹配结果获取模块，用于对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，即为最终匹配结果。
本发明通过上述方案，克服了现有技术运算量大，且黑色边缘会严重影响匹配结果的难题，通过基于OpenCV的卷积计算函数大大提高了运算速度，并且在基于区域的图像匹配方法中引入掩膜，在匹配过程中忽略黑色边缘填充和空洞点，并使用变步长角度搜索策略，极大的提高了匹配成功率，最后使用克里格插值法得到亚像素匹配结果。本发明巧妙的调用opencv卷积函数实现了带掩膜的基于区域的图像匹配，大大降低了运算量，提高了匹配成功率，具有很好的实用性。
具体实施方式
下面说明本发明的实施例。
本发明实施例提供一种基于OpenCV的线激光图像自动对齐方法，其大致包括如下过程：图像滤波，图像分级下采样，设置角度搜索策略，在参考图像中提取模板，对旋转后的模板二值化生成掩膜，使用OpenCV卷积函数加速带掩膜的图像匹配计算过程，对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，根据最终的旋转角度和位移计算变换矩阵。
具体的，该自动对齐方法包括如下步骤：
STEP1：对目标图像和参考图像进行中值滤波，剔除异常点；
STEP2：分别对目标图像和参考图像做n次下采样，每次下采样至二分之一长宽，即第n次时图像尺寸为，w，h为图像宽和高；
STEP3：设置角度搜索策略，角度搜索范围为range0，起始搜索角度为start，步长阈值为angleStep，初始搜索步长step0=100*angleStep，具体搜索方法为：
第1轮搜索：在[start-0.5*range0，start+0.5*range0]区间内以初始搜索步长step0遍历匹配，找到最优角度为angle0，
第2轮搜索：调整range1=2*step0，step1=0.2*step0，在[angle0- 0.5*range1，angle0+0.5*range1]区间以搜索步长step1遍历匹配，找到最优角度为angle1；
重复上述过程，在第i轮中，调整range(i-1)=2*step(i-2)，step(i-1)=0.2*step(i-2)，在[angle(i-1)-0.5*range(i-1)，angle(i-1) +0.5*range(i-1)]区间以搜索步长step(i-1)遍历匹配，找到最优角度为angle(i-1)，如果step(i-1)小于步长阈值angleStep，则搜索结束，angle(i-1)为最优角度；
STEP4：注册模板，在参考图像上框选纹理特征明显的区域作为模板；
STEP5：将不同旋转角度的模板，通过阈值分割生成对应的掩膜，去除黑色边缘和空洞；
STEP6：引入掩膜计算模板和目标图像滑动匹配的匹配结果矩阵，公式如下：
其中为模板，/>为目标图像中和模板同样尺寸的窗口裁剪图像，/>为掩膜；
为加速运算，使用开源库OpenCV，矩阵卷积操作使用crossCorr()函数实现，点乘使用mul函数实现，上述匹配结果矩阵的具体计算过程为：
1)计算；
2)计算；
3)计算；
4)计算的平方和/>；
5)计算和/>的卷积/>；
6)计算和/>的卷积/>；
7)则匹配结果矩阵：。
STEP7：以第n次下采样结果开始做第1次匹配，找到最优匹配参数(x0，y0，θ0)，x0，y0，θ0分别为最优匹配点的横坐标、纵坐标、旋转角度，然后在第n-1次下采样结果中，在(2*x0，2*y0)为中心6*6的区域内，θ0为起始角度，0.5*angleStep为步长阈值，0.1*range0为旋转区间做第二次匹配，如此循环直至在第0次下采样结果（即原图）找到最优匹配参数(xn，yn，θn)；
STEP8：对xn，yn为中心的result矩阵周围w*h像素范围内的点进行克里格插值，找到最大值对应的亚像素坐标，即为最终匹配结果。模板旋转不同角度生成掩膜，分别在每个角度进行图像滑动匹配；因为工件是有旋转的，最终得到的最优角度即为工件的旋转角度。
本发明另一实施例还提供一种基于OpenCV的线激光图像自动对齐终端设备，其包括：
获取模块，用于获取参考图像以及待处理的目标图像；
滤波模块，用于对参考图像和目标图像进行滤波操作，以得到滤波后的参考图像和目标图像；
下采样模块，用于分别对滤波后的参考图像和目标图像进行n次下采样；
设置模块，用于设置角度搜索策略以找到最优角度；
模板选取模块，用于在参考图像上框选纹理特征明显的区域作为模板；
掩膜生成模块，用于将不同旋转角度的模板，通过阈值分割生成对应的掩膜，去除黑色边缘和空洞；
匹配计算模块，用于引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算；
匹配结果获取模块，用于对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，即为最终匹配结果。
本发明通过上述方案，匹配计算时引用了掩膜，忽略黑色边缘填充和空洞点，极大的提高了匹配成功率；基于OpenCV的卷积计算函数，充分使用开源算法库提高匹配计算速度；在基于区域的图像匹配方法中引入掩膜，匹配过程中忽略黑色边缘填充和空洞点，极大的提高了匹配成功率；使用变步长角度搜索策略，进一步提高了计算效率；最后使用克里格插值法得到的匹配结果达到亚像素精度。
本发明的方法不限于按照说明书中描述的时间顺序来执行，也可以按照其他的时间顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露，但是，应该理解，上述的所有实施例和示例均是示例性的，而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。

Claims (8)

1.一种基于OpenCV的线激光图像自动对齐方法，其特征在于：包括：
获取参考图像以及待处理的目标图像；
对参考图像和目标图像进行滤波操作，以得到滤波后的参考图像和目标图像；
分别对滤波后的参考图像和目标图像进行n次下采样；
设置角度搜索策略以找到最优角度；
在参考图像上框选纹理特征明显的区域作为模板；
将模板旋转不同角度并通过阈值分割生成对应不同角度的掩膜，去除黑色边缘和空洞；
引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算；
对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，即为最终匹配结果；
其中，所述设置角度搜索策略以找到最优角度具体是：
设置角度搜索策略，令角度搜索范围为range（i-1），搜索步长为stepi，i是指第i轮搜索，起始搜索角度为start，步长阈值为angleStep，初始搜索步长step0=100*angleStep，具体搜索方法为：
第1轮搜索：在[start-0.5*range0，start+0.5*range0]区间内以初始搜索步长step0遍历匹配，得到最优角度angle0；
第2轮搜索：调整第二轮角度搜索范围range1=2*step0，step1=0.2*step0，在[angle0-0.5*range1，angle0+0.5*range1]区间内以搜索步长step1遍历匹配，得到最优角度angle1；
重复上述搜索过程，在第i轮搜索中，调整第i轮角度搜索范围range(i-1) =2*step(i-2)，step(i-1)=0.2*step(i-2)，在[angle(i-1) -0.5*range(i-1)，angle(i-1)+0.5*range(i-1)]区间以搜索步长step(i-1)遍历匹配，得到最优角度为angle(i-1)，如果step(i-1)小于步长阈值angleStep，则搜索结束，angle(i-1)为最优角度。
2.根据权利要求1所述的自动对齐方法，其特征在于：所述对参考图像和目标图像进行滤波操作，具体是：
对目标图像和参考图像进行中值滤波，剔除异常点。
3.根据权利要求1所述的自动对齐方法，其特征在于：所述分别对滤波后的参考图像和目标图像进行n次下采样，具体是：
每次下采样将原图像的尺寸将其缩小至原图像尺寸的1/2长宽，即第n次时图像尺寸为，w、h分别为图像的宽和高。
4.根据权利要求1所述的自动对齐方法，其特征在于：所述引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算，具体包括：
引入掩膜计算模板和目标图像滑动匹配的匹配结果矩阵，计算公式如下：
其中，为模板，/>为目标图像中和模板同样尺寸的窗口裁剪图像，为掩膜；
为加速运算，使用开源库OpenCV卷积函数进行图像匹配计算，矩阵卷积操作使用crossCorr()函数实现，点乘使用mul函数实现，上述匹配结果矩阵的具体计算过程为：
1)计算；
2)计算；
3)计算；
4)计算的平方和/>；
5)计算和/>的卷积/>；
6)计算和/>的卷积/>；
7)则匹配结果矩阵：。
5.根据权利要求4所述的自动对齐方法，其特征在于：所述对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，具体包括：
以第n次下采样结果开始做第一次模式匹配，找到最优匹配参数(x0，y0，θ0)，x0，y0，θ0分别为最优匹配点的横坐标、纵坐标和旋转角度；然后在第n-1次下采样结果中，在(2*x0，2*y0)为中心6*6的区域内，以θ0为起始角度，0.5*angleStep为步长阈值，0.1*range0为旋转区间做第二次模式匹配，如此循环直至在第0次下采样结果找到最优匹配参数(xn，yn，θn)；
对以xn，yn为中心的匹配结果矩阵周围w*h像素范围内的点进行克里格插值，找到最大值对应的亚像素坐标，即为最终匹配结果。
6.一种基于OpenCV的线激光图像自动对齐终端设备，其特征在于：包括：
获取模块，用于获取参考图像以及待处理的目标图像；
滤波模块，用于对参考图像和目标图像进行滤波操作，以得到滤波后的参考图像和目标图像；
下采样模块，用于分别对滤波后的参考图像和目标图像进行n次下采样；
设置模块，用于设置角度搜索策略以找到最优角度；
模板选取模块，用于在参考图像上框选纹理特征明显的区域作为模板；
掩膜生成模块，用于将不同旋转角度的模板，通过阈值分割生成对应的掩膜，去除黑色边缘和空洞；
匹配计算模块，用于引入掩膜计算模板和目标图像滑动匹配的结果矩阵，使用OpenCV卷积函数进行图像匹配计算；
匹配结果获取模块，用于对匹配结果矩阵使用克里格插值得到最优点亚像素坐标，即为最终匹配结果；
其中，所述设置模块中设置角度搜索策略以找到最优角度具体是：
设置角度搜索策略，令角度搜索范围为range（i-1），搜索步长为stepi，i是指第i轮搜索，起始搜索角度为start，步长阈值为angleStep，初始搜索步长step0=100*angleStep，具体搜索方法为：
第1轮搜索：在[start-0.5*range0，start+0.5*range0]区间内以初始搜索步长step0遍历匹配，得到最优角度angle0；
第2轮搜索：调整第二轮角度搜索范围range1=2*step0，step1=0.2*step0，在[angle0-0.5*range1，angle0+0.5*range1]区间内以搜索步长step1遍历匹配，得到最优角度angle1；
重复上述搜索过程，在第i轮搜索中，调整第i轮角度搜索范围range(i-1) =2*step(i-2)，step(i-1)=0.2*step(i-2)，在[angle(i-1) -0.5*range(i-1)，angle(i-1)+0.5*range(i-1)]区间以搜索步长step(i-1)遍历匹配，得到最优角度为angle(i-1)，如果step(i-1)小于步长阈值angleStep，则搜索结束，angle(i-1)为最优角度。
7.根据权利要求6所述的自动对齐终端设备，其特征在于：所述匹配计算模块具体执行如下操作：
引入掩膜计算模板和目标图像滑动匹配的结果矩阵，计算公式如下：
其中，为模板，/>为目标图像中和模板同样尺寸的窗口裁剪图像，为掩膜；
为加速运算，使用开源库OpenCV卷积函数进行图像匹配计算，矩阵卷积操作使用crossCorr()函数实现，点乘使用mul函数实现，上述匹配结果矩阵的具体计算过程为：
1)计算；
2)计算；
3)计算；
4)计算的平方和/>；
5)计算和/>的卷积/>；
6)计算和/>的卷积/>；
7)则匹配结果矩阵：。
8.根据权利要求7所述的自动对齐终端设备，其特征在于：所述匹配结果获取模块具体执行如下操作：
以第n次下采样结果开始做第一次模式匹配，找到最优匹配参数(x0，y0，θ0)，x0，y0，θ0分别为最优匹配点的横坐标、纵坐标和旋转角度；然后在第n-1次下采样结果中，在(2*x0，2*y0)为中心6*6的区域内，以θ0为起始角度，0.5*angleStep为步长阈值，0.1*range0为旋转区间做第二次模式匹配，如此循环直至在第0次下采样结果找到最优匹配参数(xn，yn，θn)；
对以xn，yn为中心的匹配结果矩阵周围w*h像素范围内的点进行克里格插值，找到最大值对应的亚像素坐标，即为最终匹配结果。
CN202310596492.4A 2023-05-25 2023-05-25 一种基于OpenCV的线激光图像自动对齐方法及终端设备 Active CN116309758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310596492.4A CN116309758B (zh) 2023-05-25 2023-05-25 一种基于OpenCV的线激光图像自动对齐方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310596492.4A CN116309758B (zh) 2023-05-25 2023-05-25 一种基于OpenCV的线激光图像自动对齐方法及终端设备

Publications (2)

Publication Number Publication Date
CN116309758A CN116309758A (zh) 2023-06-23
CN116309758B true CN116309758B (zh) 2023-08-08

Family

ID=86783703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310596492.4A Active CN116309758B (zh) 2023-05-25 2023-05-25 一种基于OpenCV的线激光图像自动对齐方法及终端设备

Country Status (1)

Country Link
CN (1) CN116309758B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07262370A (ja) * 1994-03-17 1995-10-13 Fuji Photo Film Co Ltd 画像のテンプレートマッチング方法
KR100591608B1 (ko) * 2005-03-18 2006-06-20 전남대학교산학협력단 영상 정합시 대응점 검색방법
CN109631829A (zh) * 2018-12-17 2019-04-16 南京理工大学 一种自适应快速匹配的双目测距方法
CN113378666A (zh) * 2021-05-28 2021-09-10 山东大学 一种票据图像倾斜校正方法、票据识别方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155451B2 (en) * 2004-11-12 2012-04-10 Kitakyushu Foundation For The Advancement Of Industry, Science And Technology Matching apparatus, image search system, and histogram approximate restoring unit, and matching method, image search method, and histogram approximate restoring method
US10841558B2 (en) * 2017-11-17 2020-11-17 Omnivision Technologies, Inc. Aligning two images by matching their feature points

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07262370A (ja) * 1994-03-17 1995-10-13 Fuji Photo Film Co Ltd 画像のテンプレートマッチング方法
KR100591608B1 (ko) * 2005-03-18 2006-06-20 전남대학교산학협력단 영상 정합시 대응점 검색방법
CN109631829A (zh) * 2018-12-17 2019-04-16 南京理工大学 一种自适应快速匹配的双目测距方法
CN113378666A (zh) * 2021-05-28 2021-09-10 山东大学 一种票据图像倾斜校正方法、票据识别方法及系统

Also Published As

Publication number Publication date
CN116309758A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US8401333B2 (en) Image processing method and apparatus for multi-resolution feature based image registration
CN113592955B (zh) 一种基于机器视觉的圆形工件平面坐标高精度定位方法
JP6899189B2 (ja) ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法
CN108257155B (zh) 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
CN115096206B (zh) 一种基于机器视觉的零件尺寸高精度测量方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN106875430B (zh) 动态背景下基于固定形态的单一运动目标追踪方法和装置
CN114187267B (zh) 基于机器视觉的冲压件缺陷检测方法
CN115641337B (zh) 一种线状缺陷检测方法、装置、介质、设备及系统
CN109816693A (zh) 基于多峰响应的抗遮挡相关滤波跟踪方法及系统/装置
CN111401449A (zh) 一种基于机器视觉的图像匹配方法
CN111340134B (zh) 一种基于局部动态规整的快速模板匹配方法
CN113657528A (zh) 图像特征点提取方法、装置、计算机终端及存储介质
CN117911419A (zh) 中厚板转钢角度增强检测方法及装置、介质、设备
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
CN111539934A (zh) 一种线激光中心的提取方法
CN109671084B (zh) 一种工件形状的测量方法
CN116309758B (zh) 一种基于OpenCV的线激光图像自动对齐方法及终端设备
JP3826412B2 (ja) エッジ検出方法及びエッジ検出装置
CN116758266A (zh) 一种指针式仪表的读数方法
CN116596987A (zh) 一种基于双目视觉的工件三维尺寸高精度测量方法
CN116433740A (zh) 一种基于激光条纹线的立体匹配方法
CN113610906B (zh) 一种基于融合图像引导的多视差图像序列配准方法
CN112233178B (zh) 基于机器视觉的复杂环境中动态物料测距方法
CN113554695A (zh) 零件孔位智能识别定位方法

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