CN116433879B - 基于图像处理的3d打印机精度校正方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于图像处理的3D打印机精度校正方法，包括：根据待校正模型的若干个角度的图像获得若干个视角图像，通过多个视角图像的匹配结果获得同名集合，获得同名集合中每个匹配点的初始极值属性，通过聚类获得匹配点在每次聚类时的节点类别，根据匹配点在每次聚类时所属的节点类别，获得匹配点在每次聚类时的极值属性；获得匹配点的属性序列，对属性序列进行分割，获得若干个分割属性序列，获得每个同名集合的相似度权重；通过待校正模型的三维模型中每个点的相似度权重对目标函数进行改进，实现对待校正模型的三维模型的校正。本发明将相似度权重作为误差的权重，对目标函数进行改进，得到更加准确的校正结果。

Description

基于图像处理的3D打印机精度校正方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于图像处理的3D打印机精度校正方法。

背景技术

3D打印机精度校正过程中，需要将待校正模型与3D打印机的标准模型的三维点云数据进行比对，计算匹配精度，现有方法采用ICP算法来对两个三维点云数据进行比对，在ICP算法中，校正模型中的每个点对应待校正模型的三维模型中的点。

计算过程中，需要对应的两个点的误差，将所有点对的误差平方和作为目标函数，计算匹配精度。但实际的打印过程中，不同点的对打印精度的影响不同，例如：角点有更高的信息量和区分度，可以有效地帮助算法进行匹配，从而提高校准精度。

因此，需要根据不同点对精度要求的不同，对目标函数进行更新，得到更加准确的校正结果。

发明内容

本发明提供基于图像处理的3D打印机精度校正方法，以解决现有的问题。

本发明的基于图像处理的3D打印机精度校正方法采用如下技术方案：

本发明一个实施例提供了基于图像处理的3D打印机精度校正方法，该方法包括以下步骤：

根据待校正模型的若干个角度的图像，获得若干个视角图像；

根据所有视角图像的匹配结果获得若干个同名集合，获得每个同名集合中每个匹配点的初始极值属性，通过聚类获得匹配点在每次聚类时所属的节点类别，根据匹配点在每次聚类时所属的节点类别，获得匹配点在每次聚类时的极值属性；

根据每个匹配点的初始极值属性和在每次聚类时的极值属性，获得每个匹配点的属性序列；对每个匹配点的属性序列进行分割，获得每个匹配点的若干个分割属性序列；根据每个同名集合中所有匹配点的第一个分割属性序列，获得每个同名集合的相似度权重；

通过待校正模型的三维模型中每个点的相似度权重对目标函数进行改进，实现对待校正模型的三维模型的校正。

进一步地，所述获得每个同名集合的相似度权重，包括的具体步骤如下：

每个同名集合的相似度权重的计算公式如下：

式中，P表示同名集合的相似度权重，n表示同名集合中匹配点的数量，表示同名集合中第i个匹配点的初始极值属性，/>表示同名集合中第i个匹配点的第一个分割属性序列的长度，/>表示同名集合中第i个匹配点的属性序列，/>表示同名集合中第i个匹配点的第一个分割属性序列中所有极值属性的均值。

进一步地，所述对目标函数进行改进，包括的具体步骤如下：

将每个同名集合的相似度权重加1作为每个同名集合在待校正模型的三维模型中对应的点的相似度权重，将待校正模型的三维模型中其他的点的相似度权重设置为1；

在通过ICP算法对待校正模型的三维模型与校正模型进行比对时，需要获得校正模型中的每个点在待校正模型的三维模型中对应的点，将校正模型中的每个点记为目标点，将目标点在待校正模型的三维模型中对应的点记为判断点；计算目标点与判断点的误差，误差是指目标点与判断点的灰度值的差值的绝对值，通过所有判断点的相似度权重对所有目标点与判断点的误差平方进行加权求和作为目标函数，实现对目标函数的更新，然后通过ICP算法对待校正模型的三维模型进行校正。

进一步地，所述根据所有视角图像的匹配结果获得若干个同名集合，包括的具体步骤如下：

对每两个视角图像进行sift角点匹配，得到每两个视角图像的所有匹配的关键点；根据所有视角图像的所有匹配的关键点，获得若干个同名集合，对于每个同名集合，该同名集合中的所有关键点都属于不同的视角图像，且该同名集合中任意两个关键点都能够匹配；将同名集合中的所有关键点记为匹配点。

进一步地，所述获得每个同名集合中每个匹配点的初始极值属性，包括的具体步骤如下：

如果匹配点在该匹配点的窗口范围内是极大值点，获得该匹配点的灰度值与该匹配点的窗口范围内的次大值点的灰度值的差值，将差值的绝对值与该匹配点的灰度值的比值记为该匹配点的初始极值属性；

如果匹配点在该匹配点的窗口范围内是极小值点，获得该匹配点的灰度值与该匹配点的窗口范围内的次小值点的灰度值的差值，将差值的绝对值与次小值点的灰度值的比值记为该匹配点的初始极值属性；

其中，匹配点是极大值点是指匹配点是窗口范围内所有像素点中灰度值最大的像素点，匹配点是极小值点是指匹配点是窗口范围内所有像素点中灰度值最小的像素点。

进一步地，所述通过聚类获得匹配点在每次聚类时所属的节点类别，包括的具体步骤如下：

根据匹配点所在的视角图像中的所有关键点构建图结构，通过拉普拉斯图聚类方法对图结构进行迭代聚类，获得每次聚类时匹配点对应的节点所在的节点类别，记为匹配点在每次聚类时所属的节点类别。

进一步地，所述构建图结构，包括的具体步骤如下：

将匹配点所在的视角图像中的所有关键点作为图结构的节点，通过Delaunay三角剖分法构建三角网图结构，将两个节点之间的极值属性的比值作为边值，其中，极值属性的比值是指两个节点的极值属性中的较小值与较大值的比值。

进一步地，所述获得匹配点在每次聚类时的极值属性，包括的具体步骤如下：

对于任意一次聚类，在匹配点在该次聚类时所属的节点类别中的所有节点对应的关键点，记为目标关键点；

如果匹配点在该匹配点的窗口范围内是极大值点，判断匹配点是否是所有目标关键点中的极大值点，如果匹配点是所有目标关键点中的极大值点，获得该匹配点的灰度值与所有目标关键点中的次大值点的灰度值的差值，将差值的绝对值与该匹配点的灰度值的比值记为该匹配点在该次聚类时的极值属性，否则，该匹配点在该次聚类时不存在极值属性，同时不进行匹配点在下次聚类时的极值属性的计算；

如果匹配点在该匹配点的窗口范围内是极小值点，判断匹配点是否是所有目标关键点中的极小值点：如果匹配点是所有目标关键点中的极小值点，获得该匹配点的灰度值与所有目标关键点中的次小值点的灰度值的差值，将差值的绝对值与所有目标关键点中的次小值点的灰度值的比值记为该匹配点在该次聚类时的极值属性，否则，该匹配点在该次聚类时不存在极值属性，同时不进行匹配点在下次聚类时的极值属性的计算。

进一步地，所述获得每个匹配点的属性序列，包括的具体步骤如下：

如果匹配点在该匹配点的窗口范围内是极大值点，获得匹配点在每次聚类时的极值属性按照从大到小的顺序排列组成的序列，将匹配点的初始极值属性加入序列的最前面，记为匹配点的属性序列；如果匹配点在该匹配点的窗口范围内是极小值点，获得匹配点在每次聚类时的极值属性按照从小到大的顺序排列组成的序列，将匹配点的初始极值属性加入序列的最前面，记为匹配点的属性序列。

进一步地，所述获得每个匹配点的若干个分割属性序列，包括的具体步骤如下：

通过otsu多阈值分割方法对匹配点的属性序列进行分割，获得若干个分割属性序列；每个分割属性序列中的极值属性相近，不同分割属性序列中的极值属性相差较大。

本发明的技术方案的有益效果是：本发明通过对待校正模型的三维模型的不同的视角图像进行匹配，获得待校正模型的三维模型中每个点在不同视角图像中对应的关键点组成的同名集合，获得同名集合中每个匹配点的初始极值属性，以及迭次聚类过程中，每个匹配点在每次聚类时的极值属性，根据每个匹配点的初始极值属性和在每次聚类时的极值属性组成的属性序列的变化情况，获得每个同名集合的相似度权重，进而将相似度权重作为校正模型中的每个点在待校正模型的三维模型中对应的点的误差的权重，对目标函数进行改进，实现通过ICP算法对待校正模型的三维模型进行校正，得到更加准确的校正结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的基于图像处理的3D打印机精度校正方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于图像处理的3D打印机精度校正方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于图像处理的3D打印机精度校正方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于图像处理的3D打印机精度校正方法的步骤流程图，该方法包括以下步骤：

S001.获得待校正模型的若干个角度的图像。

通过摄像机拍摄待校正模型，得到待校正模型的多个角度图像，根据待校正模型的多个角度图像包含的数据，进行待校正模型的三维模型的建立，后续将待校正模型的三维模型与校正模型（即3D打印机的标准模型）进行对比。

将得到的多个角度图像作为基础数据，参与后续的计算过程。

S002.获得多个视角图像，通过多个视角图像的匹配结果，获得同名集合，获得每个同名集合中每个匹配点的初始极值属性，通过聚类获得匹配点在每次聚类时所属的节点类别，根据匹配点在每次聚类时所属的节点类别，获得匹配点在每次聚类时的极值属性。

需要说明的是，对于打印机的3D模型而言，对于不同点的精度要求不同，特别是打印机上的角点等特征点较多，传统的ICP计算时，对所有点的精度要求一样，导致整体精度可能满足要求，但是对于要求较高的特征点不一定能较好满足精度要求。为了对三维点云数据进行更好的描述，通过对不同视角的图像进行分析和匹配，得到关键点组成的同名集合，即三维模型中的一个点在不同视角下的图像中对应的像素点，进而对这些像素点的特征对三维模型中每个点的精度要求进行进一步分析。

1.获得多个视角图像，通过多个视角图像的匹配结果，获得同名集合。

具体的，将多个角度的图像作为神经辐射场的输入，得到视角均匀分布的若干个视角下的图像，记为视角图像。

进一步，对每两个视角图像进行sift角点匹配，得到每两个视角图像的所有匹配的关键点；根据所有视角图像的所有匹配的关键点，获得若干个同名集合，对于每个同名集合，该同名集合中的所有关键点都属于不同的视角图像，且该同名集合中任意两个关键点都能够匹配；将同名集合中的所有关键点记为匹配点。

需要说明的是，神经辐射场和sift角点匹配算法是现有技术，此处不再进行赘述。

2.获得每个同名集合中每个匹配点的初始极值属性。

需要说明的是，每个同名集合相当于三维模型中的一个点在不同视角下的图像中对应的像素点，因此计算每个同名集合的相似度权重来表示对三维模型中每个点的精度要求。

具体的，以任意一个同名集合中的任意一个匹配点为例进行说明，获得匹配点的初始极值属性，包括：如果匹配点在该匹配点的窗口范围内是极大值点，获得该匹配点的灰度值与该匹配点的窗口范围内的次大值点的灰度值的差值，将差值的绝对值与该匹配点的灰度值的比值记为该匹配点的初始极值属性；如果匹配点在该匹配点的窗口范围内是极小值点，获得该匹配点的灰度值与该匹配点的窗口范围内的次小值点的灰度值的差值，将差值的绝对值与次小值点的灰度值的比值记为该匹配点的初始极值属性；其中，匹配点是极大值点是指匹配点是窗口范围内所有像素点中灰度值最大的像素点，匹配点是极小值点是指匹配点是窗口范围内所有像素点中灰度值最小的像素点。

需要说明的是，sift角点匹配算法是现有技术，窗口范围是sift角点匹配算法在计算每个像素点的极值性时，根据sift角点匹配算法中的参数获得的；同时，同名集合中的匹配点都是通过sift角点匹配算法获得的，已知sift角点匹配算法在获取匹配点的过程中，需要通过空间极值点检测这一步骤，因此，获得的匹配点都是各自窗口范围的内的极值点（极大值点或者极小值点）；此处不再进行赘述。

3.通过聚类获得匹配点在每次聚类时所属的节点类别，根据匹配点在每次聚类时所属的节点类别，获得匹配点在每次聚类时的极值属性。

需要说明的是，每个匹配点的极值性是在对应类别中获取的，随着节点聚类，匹配点对应类别中的节点数量增大，同时匹配点对应的相同结构范围（所述相同结构范围是指节点聚类过程中，属于同一个结构范围内的节点首先被聚到一块，不同类别的节点属性相差较大，在相同结构范围内才有比较性，不同结构范围内的极值性的比较实际意义不大）增大，即匹配点在尺度扩大过程中，仍然能保持本身极值性的能力越强，即特征性越强，则该匹配点相对于其它点来说，该点的特征较为突出，在精度计算时，该点的精度要求较高，才能更好满足3D打印模型的精度要求，例如：普通点的精度要求为0.01，该点的精度要求为0.001等。通过特征性得到的相似度权重的限制使得特征性越强的点实现需要越高精度的要求，达到更好的满足3D打印模型的精度要求的目的。

具体的，根据匹配点所在的视角图像中的所有关键点构建图结构，构建过程为：将匹配点所在的视角图像中的所有关键点作为图结构的节点，通过Delaunay三角剖分方法构建三角网图结构，将两个节点之间的极值属性的比值作为边值，其中，极值属性的比值是指两个节点的极值属性中的较小值与较大值的比值。

进一步，通过拉普拉斯图聚类方法对图结构进行迭代聚类，获得每次聚类时匹配点对应的节点所在的节点类别，记为匹配点在每次聚类时所属的节点类别。

需要说明的是，Delaunay三角剖分方法和Delaunay三角剖分法是现有技术，此处不再进行赘述。

进一步，根据匹配点在每次聚类时所属的节点类别，获得匹配点在每次聚类时的极值属性，包括：

（1）对于任意一次聚类，在匹配点在该次聚类时所属的节点类别中的所有节点对应的关键点，记为目标关键点；

（2）如果匹配点在该匹配点的窗口范围内是极大值点，判断匹配点是否是所有目标关键点中的极大值点，如果匹配点是所有目标关键点中的极大值点，获得该匹配点的灰度值与所有目标关键点中的次大值点的灰度值的差值，将差值的绝对值与该匹配点的灰度值的比值记为该匹配点在该次聚类时的极值属性，否则，该匹配点在该次聚类时不存在极值属性，同时不进行匹配点在下次聚类时的极值属性的计算；

（3）如果匹配点在该匹配点的窗口范围内是极小值点，判断匹配点是否是所有目标关键点中的极小值点：如果匹配点是所有目标关键点中的极小值点，获得该匹配点的灰度值与所有目标关键点中的次小值点的灰度值的差值，将差值的绝对值与所有目标关键点中的次小值点的灰度值的比值记为该匹配点在该次聚类时的极值属性，否则，该匹配点在该次聚类时不存在极值属性，同时不进行匹配点在下次聚类时的极值属性的计算。

S003.获得匹配点的属性序列，对属性序列进行分割，获得若干个分割属性序列，获得每个同名集合的相似度权重。

1.获得匹配点的属性序列，对属性序列进行分割，获得若干个分割属性序列。

需要说明的是，由于随着尺度的变化，匹配点对应的结构范围的扩大，匹配点的极值属性必然是逐渐减小的，但不同匹配点的减小趋势不同，有的匹配点，以匹配点A为例，在一次聚类后就不再是极值点，而有的匹配点，以匹配点B为例，在多次聚类后仍然是极值点，相比之下，匹配点B的特征性明显更强，对应到匹配点的属性序列中，属性序列的第一个分割属性序列的长度越长，表示该极值点的特征性越强，应该赋予越大的相似度权重，来使得特征性越强的点实现需要越高精度的要求，达到更好的满足3D打印模型的精度要求的目的。

具体的，如果匹配点在该匹配点的窗口范围内是极大值点，获得匹配点在每次聚类时的极值属性按照从大到小的顺序排列组成的序列，将匹配点的初始极值属性加入序列的最前面，记为匹配点的属性序列；如果匹配点在该匹配点的窗口范围内是极小值点，获得匹配点在每次聚类时的极值属性按照从小到大的顺序排列组成的序列，将匹配点的初始极值属性加入序列的最前面，记为匹配点的属性序列。

通过otsu多阈值分割方法对匹配点的属性序列进行分割，获得若干个分割属性序列；每个分割属性序列中的极值属性相近，不同分割属性序列中的极值属性相差较大。

需要说明的是，otsu多阈值分割方法是现有技术，此处不再进行赘述。

2.获得每个同名集合的相似度权重。

计算每个同名集合的相似度权重，具体计算公式如下：

式中，P表示同名集合的相似度权重，n表示同名集合中匹配点的数量，表示同名集合中第i个匹配点的初始极值属性，/>表示同名集合中第i个匹配点的第一个分割属性序列的长度，/>表示同名集合中第i个匹配点的属性序列，/>表示同名集合中第i个匹配点的第一个分割属性序列中所有极值属性的均值。

同名集合中匹配点的初始极值属性越大，则匹配点越是视角图像中需要，同名集合的相似度权重越大；表示匹配点的极值属性不发生变化的数量与匹配点的属性序列的长度的比值，该值越大，匹配点的极值属性在迭次聚类过程中变化的越慢，即匹配点的初始极值属性的保留时间越长，则该匹配点的极值属相的影响范围越大，同名集合的相似度权重越大；/>表示匹配点的极值属性不发生变化的所有极值属性的均值，该值越接近匹配点的初始极值属性/>,则同名集合的相似度权重越大。

S004.通过待校正模型的三维模型中每个点的相似度权重对目标函数进行改进，实现对待校正模型的三维模型的校正。

具体的，获得所有同名集合的相似度权重，将每个同名集合的相似度权重加1作为每个同名集合在待校正模型的三维模型中对应的点的相似度权重，将待校正模型的三维模型中其他的点的相似度权重设置为1。

进一步，在通过ICP算法对待校正模型的三维模型与校正模型进行比对时，需要获得校正模型中的每个点在待校正模型的三维模型中对应的点，将校正模型中的每个点记为目标点，将目标点在待校正模型的三维模型中对应的点记为判断点；计算目标点与判断点的误差，误差是指目标点与判断点的灰度值的差值的绝对值，将所有目标点与判断点的误差平方和作为目标函数，在本实施例中，通过所有判断点的相似度权重对所有目标点与判断点的误差平方进行加权求和作为目标函数，实现对目标函数的更新，然后通过ICP算法对待校正模型的三维模型进行校正。

需要说明的是，通过ICP算法对待校正模型的三维模型进行校正是现有技术，此处不再进行赘述。

本发明通过对待校正模型的三维模型的不同的视角图像进行匹配，获得待校正模型的三维模型中每个点在不同视角图像中对应的关键点组成的同名集合，获得同名集合中每个匹配点的初始极值属性，以及迭次聚类过程中，每个匹配点在每次聚类时的极值属性，根据每个匹配点的初始极值属性和在每次聚类时的极值属性组成的属性序列的变化情况，获得每个同名集合的相似度权重，进而将相似度权重作为校正模型中的每个点在待校正模型的三维模型中对应的点的误差的权重，对目标函数进行改进，实现通过ICP算法对待校正模型的三维模型进行校正，得到更加准确的校正结果。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.基于图像处理的3D打印机精度校正方法，其特征在于，该方法包括以下步骤：

根据待校正模型的若干个角度的图像，获得若干个视角图像；

根据所有视角图像的匹配结果获得若干个同名集合，获得每个同名集合中每个匹配点的初始极值属性，通过聚类获得匹配点在每次聚类时所属的节点类别，根据匹配点在每次聚类时所属的节点类别，获得匹配点在每次聚类时的极值属性；

根据每个匹配点的初始极值属性和在每次聚类时的极值属性，获得每个匹配点的属性序列；对每个匹配点的属性序列进行分割，获得每个匹配点的若干个分割属性序列；根据每个同名集合中所有匹配点的第一个分割属性序列，获得每个同名集合的相似度权重；

通过待校正模型的三维模型中每个点的相似度权重对目标函数进行改进，实现对待校正模型的三维模型的校正；

所述获得每个同名集合中每个匹配点的初始极值属性，包括的具体步骤如下：

如果匹配点在该匹配点的窗口范围内是极大值点，获得该匹配点的灰度值与该匹配点的窗口范围内的次大值点的灰度值的差值，将差值的绝对值与该匹配点的灰度值的比值记为该匹配点的初始极值属性；

如果匹配点在该匹配点的窗口范围内是极小值点，获得该匹配点的灰度值与该匹配点的窗口范围内的次小值点的灰度值的差值，将差值的绝对值与次小值点的灰度值的比值记为该匹配点的初始极值属性；

其中，匹配点是极大值点是指匹配点是窗口范围内所有像素点中灰度值最大的像素点，匹配点是极小值点是指匹配点是窗口范围内所有像素点中灰度值最小的像素点；

所述获得匹配点在每次聚类时的极值属性，包括的具体步骤如下：

对于任意一次聚类，在匹配点在该次聚类时所属的节点类别中的所有节点对应的关键点，记为目标关键点；

如果匹配点在该匹配点的窗口范围内是极大值点，判断匹配点是否是所有目标关键点中的极大值点，如果匹配点是所有目标关键点中的极大值点，获得该匹配点的灰度值与所有目标关键点中的次大值点的灰度值的差值，将差值的绝对值与该匹配点的灰度值的比值记为该匹配点在该次聚类时的极值属性，否则，该匹配点在该次聚类时不存在极值属性，同时不进行匹配点在下次聚类时的极值属性的计算；

如果匹配点在该匹配点的窗口范围内是极小值点，判断匹配点是否是所有目标关键点中的极小值点：如果匹配点是所有目标关键点中的极小值点，获得该匹配点的灰度值与所有目标关键点中的次小值点的灰度值的差值，将差值的绝对值与所有目标关键点中的次小值点的灰度值的比值记为该匹配点在该次聚类时的极值属性，否则，该匹配点在该次聚类时不存在极值属性，同时不进行匹配点在下次聚类时的极值属性的计算。

2.根据权利要求1所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述获得每个同名集合的相似度权重，包括的具体步骤如下：

每个同名集合的相似度权重的计算公式如下：

式中，P表示同名集合的相似度权重，n表示同名集合中匹配点的数量，表示同名集合中第i个匹配点的初始极值属性，/>表示同名集合中第i个匹配点的第一个分割属性序列的长度，/>表示同名集合中第i个匹配点的属性序列，/>表示同名集合中第i个匹配点的第一个分割属性序列中所有极值属性的均值。

3.根据权利要求1所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述对目标函数进行改进，包括的具体步骤如下：

将每个同名集合的相似度权重加1作为每个同名集合在待校正模型的三维模型中对应的点的相似度权重，将待校正模型的三维模型中其他的点的相似度权重设置为1；

在通过ICP算法对待校正模型的三维模型与校正模型进行比对时，需要获得校正模型中的每个点在待校正模型的三维模型中对应的点，将校正模型中的每个点记为目标点，将目标点在待校正模型的三维模型中对应的点记为判断点；计算目标点与判断点的误差，误差是指目标点与判断点的灰度值的差值的绝对值，通过所有判断点的相似度权重对所有目标点与判断点的误差平方进行加权求和作为目标函数，实现对目标函数的更新，然后通过ICP算法对待校正模型的三维模型进行校正。

4.根据权利要求1所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述根据所有视角图像的匹配结果获得若干个同名集合，包括的具体步骤如下：

对每两个视角图像进行sift角点匹配，得到每两个视角图像的所有匹配的关键点；根据所有视角图像的所有匹配的关键点，获得若干个同名集合，对于每个同名集合，该同名集合中的所有关键点都属于不同的视角图像，且该同名集合中任意两个关键点都能够匹配；将同名集合中的所有关键点记为匹配点。

5.根据权利要求1所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述通过聚类获得匹配点在每次聚类时所属的节点类别，包括的具体步骤如下：

根据匹配点所在的视角图像中的所有关键点构建图结构，通过拉普拉斯图聚类方法对图结构进行迭代聚类，获得每次聚类时匹配点对应的节点所在的节点类别，记为匹配点在每次聚类时所属的节点类别。

6.根据权利要求5所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述构建图结构，包括的具体步骤如下：

将匹配点所在的视角图像中的所有关键点作为图结构的节点，通过Delaunay三角剖分法构建三角网图结构，将两个节点之间的极值属性的比值作为边值，其中，极值属性的比值是指两个节点的极值属性中的较小值与较大值的比值。

7.根据权利要求1所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述获得每个匹配点的属性序列，包括的具体步骤如下：

如果匹配点在该匹配点的窗口范围内是极大值点，获得匹配点在每次聚类时的极值属性按照从大到小的顺序排列组成的序列，将匹配点的初始极值属性加入序列的最前面，记为匹配点的属性序列；如果匹配点在该匹配点的窗口范围内是极小值点，获得匹配点在每次聚类时的极值属性按照从小到大的顺序排列组成的序列，将匹配点的初始极值属性加入序列的最前面，记为匹配点的属性序列。

8.根据权利要求1所述的基于图像处理的3D打印机精度校正方法，其特征在于，所述获得每个匹配点的若干个分割属性序列，包括的具体步骤如下：

通过otsu多阈值分割方法对匹配点的属性序列进行分割，获得若干个分割属性序列；每个分割属性序列中的极值属性相近，不同分割属性序列中的极值属性相差较大。