CN116542983A - 平顶光束特征检测方法、装置、设备和计算机可读存储介质 - Google Patents
平顶光束特征检测方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116542983A CN116542983A CN202310828145.XA CN202310828145A CN116542983A CN 116542983 A CN116542983 A CN 116542983A CN 202310828145 A CN202310828145 A CN 202310828145A CN 116542983 A CN116542983 A CN 116542983A
- Authority
- CN
- China
- Prior art keywords
- image
- flat
- top beam
- calculating
- convex hull
- 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
- 241001270131 Agaricus moelleri Species 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011077 uniformity evaluation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种平顶光束特征检测方法、装置、设备和计算机可读存储介质,属于平顶光束特征检测技术领域。所述平顶光束特征检测方法包括步骤:采集平顶光束光斑的原始灰度图像;根据所述原始灰度图像确定灰度阈值;根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;根据所述预分割图像提取最大连通域图像;根据所述最大连通域图像生成凸包图像;根据所述凸包图像计算所述平顶光束的特征参数。本发明能够更准确地衡量平顶光束几何特征。
Description
技术领域
本发明涉及平顶光束检测领域,尤其涉及平顶光束特征检测方法、装置、设备和计算机可读存储介质。
背景技术
在激光加工领域中,需要将激光光束整形为能量均匀分布的平顶光束,这样才能保证激光加工的效果良好。同时,也需要对激光的几何特征进行检测,以确定整形出的平顶光束能够适应特定的加工需求。但是在现有技术中,对激光的几何特征判断时,常常难以确定出激光的清晰边界。这使得激光的几何形态特征难以准确地衡量。为适应对加工精度要求越来越高的激光加工行业,需要一种能够更准确地衡量平顶光束几何特征的平顶光束特征检测方法。
发明内容
本发明的主要目的在于提供一种平顶光束特征检测方法、装置、设备和计算机可读存储介质,旨在更准确地衡量平顶光束几何特征。
为实现上述目的,本发明提供一种平顶光束特征检测方法,包括以下步骤:
采集平顶光束光斑的原始灰度图像;
根据所述原始灰度图像确定灰度阈值;
根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;
根据所述预分割图像提取最大连通域图像;
根据所述最大连通域图像生成凸包图像;
根据所述凸包图像计算所述平顶光束的特征参数。
可选地,所述根据所述原始灰度图像确定灰度阈值的步骤包括:
对所述原始灰度图像进行归一化处理获得归一化图像;
使用最大类间方差法,计算归一化图像的自适应灰度阈值。
可选地,所述根据所述预分割图像提取最大连通域图像的步骤包括:
使用扫描线种子填充算法,并令四邻域为有效邻域,对预分割图像中的前景点逐一进行标记,令标记相同的前景点组成连通域,在所有所述连通域中选取面积最大的最大连通域以形成最大连通域图像。
可选地,所述根据所述最大连通域图像生成凸包图像的步骤包括:
构造所述最大连通域图像中最大连通域的掩膜图像;
使用Graham扫描算法,对所述掩膜图像构造二维凸包,以形成凸包图像。
可选地,所述根据所述凸包图像计算所述平顶光束的特征参数的步骤包括:
将所述凸包作为平顶光束光斑的形状计算紧致度和/或矩形度和/或偏心率。
可选地,所述根据所述凸包图像计算所述平顶光束的特征参数的步骤包括:
使用所述凸包图像内的二维凸包的最小边界框分割所述原始灰度图像;
保留所述原始灰度图像中被所述最小边界框所包围的像素,形成光斑能量聚集区域图像;
通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数。
可选地,所述通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数的步骤包括:
根据所述光斑能量聚集区域图像,建立灰度共生矩阵;
通过所述灰度共生矩阵计算对比度;和/或
通过所述灰度共生矩阵计算均匀度;和/或
通过所述灰度共生矩阵计算同质度;和/或
通过所述灰度共生矩阵计算对比度、均匀度和同质度,并通过所述对比度、所述均匀度和所述同质度计算均匀度综合参数,所述均匀度综合参数定义为:
式中为均匀度综合参数,C为对比度,U为均匀度,H为同质度。
此外,为实现上述目的,本发明还提供一种平顶光束特征检测装置,包括:
采集模块,用于采集平顶光束光斑的原始灰度图像;
图像处理模块,用于根据所述原始灰度图像确定灰度阈值;根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;根据所述预分割图像提取最大连通域图像;根据所述最大连通域图像生成凸包图像;
计算模块,用于根据所述凸包图像计算所述平顶光束的特征参数。
此外,为实现上述目的,本发明还提供一种平顶光束特征检测设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的平顶光束特征检测程序,所述平顶光束特征检测程序配置为实现上述的平顶光束特征检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有平顶光束特征检测程序,所述平顶光束特征检测程序被处理器执行时实现上述的平顶光束特征检测方法的步骤。
在本发明的技术方案中,通过灰度阈值确定预分割图像,则可以获得平顶光束的边界;再通过预分割图像中的最大连通域图像排出孤立的点以避免干扰;通过最大连通域生成凸包图像则获得了最接近光束边界图像的光滑几何图像,该光滑的几何图像即可作为平顶光束清晰的边界图像;因此本发明技术方案能够获取平顶光束的清晰边界图像,对该图像进行几何特征判断,即能够更准确地衡量平顶光束几何特征。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的平顶光束特征检测设备的结构示意图;
图2为本发明平顶光束特征检测方法一实施例的流程示意图;
图3为本发明平顶光束特征检测装置一实施例的功能模块示意图;
图4为平顶光束光斑的原始灰度图像;
图5为平顶光束光斑的预分割图像;
图6为平顶光束光斑的凸包图像。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的平顶光束特征检测设备结构示意图。
如图1所示,该平顶光束特征检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对平顶光束特征检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及平顶光束特征检测程序。
在图1所示的平顶光束特征检测设备中,网络接口1004主要用于与其他设备进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明平顶光束特征检测设备中的处理器1001、存储器1005可以设置在平顶光束特征检测设备中,所述平顶光束特征检测设备通过处理器1001调用存储器1005中存储的平顶光束特征检测程序,并执行本发明实施例提供的平顶光束特征检测方法。
本发明实施例提供了一种平顶光束特征检测方法,参照图2,图2为本发明一种平顶光束特征检测方法第一实施例的流程示意图。
本实施例中,所述平顶光束特征检测方法包括:
S10采集平顶光束光斑的原始灰度图像;
S20根据所述原始灰度图像确定灰度阈值;
S30根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;
S40根据所述预分割图像提取最大连通域图像;
S50根据所述最大连通域图像生成凸包图像;
S60根据所述凸包图像计算所述平顶光束的特征参数。
在步骤S10中,对于普通的平顶光束可以采用普通相机采集原始灰度图像,但在激光加工领域常用极紫外光激光,因此也可以采用极紫外成像传感器,对平顶光束的光斑图像进行捕捉;可采用极紫外EUV相机和光衰减器等器件组成成像系统,使成像系统的视场角覆盖极紫外光束,以捕捉光斑图像。该图像可以是单通道灰度图像,即如图4所示的图像,这样图像中每一像素点的灰度即代表光斑在该点处的光强。
在步骤S20中,由于可以直接采用图像中所有像素点的平均灰度作为灰度阈值;进而在步骤S30中将所有灰度低于灰度阈值的像素点排除,剩余的像素点即组成预分割图像。如图5所示,此时光斑的边缘已初步展现;但如图5中光斑边缘的局部放大图像可以看出,光斑边缘依然具有一些游离的像素点,可能干扰对光斑几何形态的检测。
步骤S40中的最大连通域图像的获取可以采用如下方法获取:在预分割图像中,选取预分割图像中部的点,并将与该点连通的所有灰度值不为0的像素点作为最大连通域;这样即可排除游离在预分割图像边缘游离的像素点。
在步骤S50中,可以在最大连通域图像中的光斑的边缘上,选取多个相互间隔的像素点,并将相邻的像素点相互连接,以形成围合住最大连通域的凸包图像。即如图6所示,凸包边缘为较为平滑的线条。这样有利于对光斑几何特征进行测算。
参考图2,可选地,所述根据所述原始灰度图像确定灰度阈值的步骤包括:
S21对所述原始灰度图像进行归一化处理获得归一化图像;
S22使用最大类间方差法,计算归一化图像的自适应灰度阈值。
归一化处理可以参照下式完成:
式中为归一化后的灰度,/>为归一化前的灰度,minPixel为原始灰度图像中最小灰度值,maxPixel为原始灰度图像中的最大灰度值。归一化后,更有利于后续对图像进行处理。
最大类间方差法可以取得自适应灰度阈值,尽可能排除例如背景底色的干扰,取得更为理想的灰度阈值,使得分割出的预分割图像能更准确地表征光斑边缘。在通过灰度阈值进行分割时,可以令灰度低于灰度阈值的像素点作为背景点,令其灰度为0;令灰度高于灰度阈值的像素点作为前景点,保留其原灰度值。
参考图2,可选地,所述根据所述预分割图像提取最大连通域图像的步骤包括:
S41使用扫描线种子填充算法,并令四邻域为有效邻域,对预分割图像中的前景点逐一进行标记,令标记相同的前景点组成连通域,在所有所述连通域中选取面积最大的最大连通域以形成最大连通域图像。
在预分割图像中,对于一些均匀度较低的平顶光束,在前景点中间位置可能存在孔洞,即在光斑靠近中心的位置也可能存在灰度低于灰度阈值的一些区域;而扫描线种子填充算法可以不受这些特殊点或区域的影响,选取最大连通域,构成最能反映平顶光束光斑几何形态的最大连通域图像。另外,上述四领域是指即一个前景点的左、右、上、下相邻前景点。
参考图2,可选地,所述根据所述最大连通域图像生成凸包图像的步骤包括:
S51构造所述最大连通域图像中最大连通域的掩膜图像;
S52使用Graham扫描算法,对所述掩膜图像构造二维凸包,以形成凸包图像。
最大连通域掩膜即覆盖最大连通域的白色图像,在具体构造中,令最大连通域图像中,处于最大连通域内的像素点为白色(对于归一化处理的图像来说,即灰度为1;对于未归一化处理的图像来说,即灰度为255),处于最大连通域外的像素点为黑色(即灰度为0)。如此构造出最大连通域的掩膜图像没有光强信息,只有形状信息,有利于二维凸包的构造。Graham扫描算法可以构造出光滑的二维凸包,更接近于光斑边缘的形状,有利于几何特征的计算。另外,凸包图像也以掩膜的形式呈现,即凸包内的像素点设置为白色(对于归一化处理的图像来说,即灰度为1;对于未归一化处理的图像来说,即灰度为255),凸包外的像素点设置为黑色(即灰度为0),使得凸包仅具备几何特征,方便后续对几何特征进行测算。
参考图6,图6中凸包边缘的放大图中可以看出,凸包相较于最大连通域有所扩大,在一次应用中,凸包构造后的前景点有169545个像素,相较最大连通域扩张了1.7928%,扩张比例缘于其在轮廓边界处不平整;凸包构造后,形成了光滑的封闭曲线边界。
参考图2,可选地,所述根据所述凸包图像计算所述平顶光束的特征参数的步骤包括:
S610a将所述凸包作为平顶光束光斑的形状计算紧致度和/或矩形度和/或偏心率。
紧致度可参照下述公式计算:
式中,Compactness代表紧致度,为凸包边缘的周长;/>为凸包的总面积;
矩形度可以参照下述公式计算:
式中,Rectangularity代表矩形度,为凸包的总面积,/>为凸包最小外接矩形的面积;
偏心率可以参照下述公式计算:
式中,Eccentricity代表偏心率,代表凸包的协方差矩阵最大特征值,/>代表凸包的协方差矩阵最小特征值。
不论紧致度、矩形度或偏心率,都是实际应用中衡量平顶光束是否可用的重要几何参数。可以独立使用,也可以组合使用。本发明方案可以使上述三个几何特征参数得到更准确的计算。
参考图2,可选地,所述根据所述凸包图像计算所述平顶光束的特征参数的步骤包括:
S621使用所述凸包图像内的二维凸包的最小边界框分割所述原始灰度图像;
S622保留所述原始灰度图像中被所述最小边界框所包围的像素,形成光斑能量聚集区域图像;
S623通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数。
光斑能量聚集区域图像排除了凸包范围外的低照度像素影响,对凸包内的部分(即光斑的能量聚集区域)的均匀度计算,能够反映光束实际有效区域的均匀性。
参考图2,可选地,所述通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数的步骤包括:
S623a根据所述光斑能量聚集区域图像,建立灰度共生矩阵;
S623b通过所述灰度共生矩阵计算对比度;和/或
S623c通过所述灰度共生矩阵计算均匀度;和/或
S623d通过所述灰度共生矩阵计算同质度;和/或
S623e通过所述灰度共生矩阵计算对比度、均匀度和同质度,并通过所述对比度、所述均匀度和所述同质度计算均匀度综合参数,所述均匀度综合参数定义为:
式中为均匀度综合参数,C为对比度,U为均匀度,H为同质度。
灰度共生矩阵G可以表述为:灰度共生矩阵G内元素是光斑能量聚集区域图像中灰度为/>及/>的像素对在相对位置关系算子Q约束下出现的次数,因此灰度共生矩阵G兼具表述位置关系与灰度分布特性,可有效表达空间灰度纹理特征,有利于均匀度的计算;
对比度的计算可参照下述公式:
式中,为灰度共生矩阵中的元素/>与灰度共生矩阵内所有元素和之比;灰度共生矩阵为方阵,K为其行数或列数,i为行标,j为列标。对比度C体现了像素与邻近像素间的光强对比值,该值越大则说明光斑能量聚集区域拥有更深的沟纹。
均匀度的计算可参照下述公式:
均匀度U是灰度共生矩阵中元素相对于对角线分布的紧密度,反映纹理区域变化程度,该值较大则说明不同空间间隔的像素区域变化较小、局部较均匀。
同质度的计算可参照下述公式:
同质度H反映灰度分布均匀程度和纹理粗细度,该值较大则说明存在较一致和规则变化的纹理模式。
上述C、U和H三个参数均可从不同的方面刻画光斑能量聚集区域的均匀度,使用时可以单独使用,也可以结合使用。均匀度综合参数可以从总体上反映均匀度,也可以单独使用,同时可以与其他参数一同使用。均匀度综合参数以对数意义表达光斑均匀性差异,数值越大则表示平顶光束存在越多的不均匀现象。
在现有的光束均匀性评价中,采用沿光斑中心水平或垂直一维光强分布,以及光强均方根等传统方法;对于平顶光束,此类方法难以准确的从二维平面评估能量集中区域局部范围的均匀性,难以描述光斑图像存在的明暗斑点、不规则沟纹等对光强均匀性造成的不利影响。而本发明技术方案提出的均匀度评价方法中,一方面,生成的光斑能量聚集区域图像仅保留光斑能量聚集区域,可以排除低照度背景干扰;另一方面,引入灰度共生矩阵,基于空间灰度纹理特征构造的均匀度综合参数,能够反映明暗斑点、不规则沟纹对光斑图像均匀性的影响,可有效评估平顶光束均匀性,相比于传统方法,可更好的评判平顶光束的匀化效果。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有平顶光束特征检测程序,所述平顶光束特征检测程序被处理器执行时实现如上文所述的平顶光束特征检测方法的步骤。
由于本计算机可读存储介质采用了上述所有实施例的全部技术方案,因此至少有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参考图3,图3为本发明平顶光束特征检测装置一实施例的结构框图。
如图3所示,本发明实施例提出的平顶光束特征检测装置包括:
采集模块10,用于采集平顶光束光斑的原始灰度图像;
图像处理模块20,用于根据所述原始灰度图像确定灰度阈值;根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;根据所述预分割图像提取最大连通域图像;根据所述最大连通域图像生成凸包图像;
计算模块30,用于根据所述凸包图像计算所述平顶光束的特征参数。
可选地,所述图像处理模块20还用于对所述原始灰度图像进行归一化处理获得归一化图像;
使用最大类间方差法,计算归一化图像的自适应灰度阈值。
可选地,所述图像处理模块20还用于使用扫描线种子填充算法,并令四邻域为有效邻域,对预分割图像中的前景点逐一进行标记,令标记相同的前景点组成连通域,在所有所述连通域中选取面积最大的最大连通域以形成最大连通域图像。
可选地,所述图像处理模块20还用于构造所述最大连通域图像中最大连通域的掩膜图像;使用Graham扫描算法,对所述掩膜图像构造二维凸包,以形成凸包图像。
可选地,所述计算模块30还用于将所述凸包作为平顶光束光斑的形状计算紧致度和/或矩形度和/或偏心率。
可选地,所述图像处理模块20还用于使用所述凸包图像内的二维凸包的最小边界框分割所述原始灰度图像;保留所述原始灰度图像中被所述最小边界框所包围的像素,形成光斑能量聚集区域图像。
所述计算模块30还用于通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数。
可选地,所述计算模块30还用于根据所述光斑能量聚集区域图像,建立灰度共生矩阵;
所述计算模块30还用于,通过所述灰度共生矩阵计算对比度;和/或
所述计算模块30还用于,通过所述灰度共生矩阵计算均匀度;和/或
所述计算模块30还用于,通过所述灰度共生矩阵计算同质度;和/或
所述计算模块30还用于,通过所述灰度共生矩阵计算对比度、均匀度和同质度,并通过所述对比度、所述均匀度和所述同质度计算均匀度综合参数,所述均匀度综合参数定义为:
式中为均匀度综合参数,C为对比度,U为均匀度,H为同质度。
需要说明的是,上述对平顶光束特征检测方法的实施方式和有益效果的解释说明,也适用于平顶光束特征检测装置的对应实施例,为避免冗余,在此不再详细展开。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,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 (10)
1.一种平顶光束特征检测方法,其特征在于,所述平顶光束特征检测方法包括以下步骤:
采集平顶光束光斑的原始灰度图像;
根据所述原始灰度图像确定灰度阈值;
根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;
根据所述预分割图像提取最大连通域图像;
根据所述最大连通域图像生成凸包图像;
根据所述凸包图像计算所述平顶光束的特征参数。
2.如权利要求1所述的平顶光束特征检测方法,其特征在于,所述根据所述原始灰度图像确定灰度阈值的步骤包括:
对所述原始灰度图像进行归一化处理获得归一化图像;
使用最大类间方差法,计算归一化图像的自适应灰度阈值。
3.如权利要求1所述的平顶光束特征检测方法,其特征在于,所述根据所述预分割图像提取最大连通域图像的步骤包括:
使用扫描线种子填充算法,并令四邻域为有效邻域,对预分割图像中的前景点逐一进行标记,令标记相同的前景点组成连通域,在所有所述连通域中选取面积最大的最大连通域以形成最大连通域图像。
4.如权利要求1所述的平顶光束特征检测方法,其特征在于,所述根据所述最大连通域图像生成凸包图像的步骤包括:
构造所述最大连通域图像中最大连通域的掩膜图像;
使用Graham扫描算法,对所述掩膜图像构造二维凸包,以形成凸包图像。
5.如权利要求1所述的平顶光束特征检测方法,其特征在于,所述根据所述凸包图像计算所述平顶光束的特征参数的步骤包括:
将所述凸包作为平顶光束光斑的形状计算紧致度和/或矩形度和/或偏心率。
6.如权利要求1所述的平顶光束特征检测方法,其特征在于,所述根据所述凸包图像计算所述平顶光束的特征参数的步骤包括:
使用所述凸包图像内的二维凸包的最小边界框分割所述原始灰度图像;
保留所述原始灰度图像中被所述最小边界框所包围的像素,形成光斑能量聚集区域图像;
通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数。
7.如权利要求6所述的平顶光束特征检测方法,其特征在于,所述通过所述光斑能量聚集区域图像计算所述平顶光束的均匀性特征参数的步骤包括:
根据所述光斑能量聚集区域图像,建立灰度共生矩阵;
通过所述灰度共生矩阵计算对比度;和/或
通过所述灰度共生矩阵计算均匀度;和/或
通过所述灰度共生矩阵计算同质度;和/或
通过所述灰度共生矩阵计算对比度、均匀度和同质度,并通过所述对比度、所述均匀度和所述同质度计算均匀度综合参数,所述均匀度综合参数定义为:
式中为均匀度综合参数,C为对比度,U为均匀度,H为同质度。
8.一种平顶光束特征检测装置,其特征在于,所述平顶光束特征检测装置包括:
采集模块,用于采集平顶光束光斑的原始灰度图像;
图像处理模块,用于根据所述原始灰度图像确定灰度阈值;根据所述灰度阈值对所述原始灰度图像进行分割,获得预分割图像;根据所述预分割图像提取最大连通域图像;根据所述最大连通域图像生成凸包图像;
计算模块,用于根据所述凸包图像计算所述平顶光束的特征参数。
9.一种平顶光束特征检测设备,其特征在于,所述平顶光束特征检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的平顶光束特征检测程序,所述平顶光束特征检测程序配置为实现如权利要求1至7中任一项所述的平顶光束特征检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有平顶光束特征检测程序,所述平顶光束特征检测程序被处理器执行时实现如权利要求1至7任一项所述的平顶光束特征检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828145.XA CN116542983B (zh) | 2023-07-07 | 2023-07-07 | 平顶光束特征检测方法、装置、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828145.XA CN116542983B (zh) | 2023-07-07 | 2023-07-07 | 平顶光束特征检测方法、装置、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542983A true CN116542983A (zh) | 2023-08-04 |
CN116542983B CN116542983B (zh) | 2023-09-26 |
Family
ID=87452885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310828145.XA Active CN116542983B (zh) | 2023-07-07 | 2023-07-07 | 平顶光束特征检测方法、装置、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542983B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892440A (zh) * | 2024-03-15 | 2024-04-16 | 季华实验室 | 一种包边方向和包边分段确认方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154432A1 (en) * | 2015-11-30 | 2017-06-01 | Intel Corporation | Locating Objects within Depth Images |
CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
CN110060223A (zh) * | 2019-06-11 | 2019-07-26 | 湖南自兴智慧医疗科技有限公司 | 一种基于特征提取及去噪的图像分割方法 |
CN113409228A (zh) * | 2021-08-20 | 2021-09-17 | 武汉锐科光纤激光技术股份有限公司 | 光束的整形方法、装置、系统、存储介质和电子装置 |
US20220128702A1 (en) * | 2020-10-23 | 2022-04-28 | Argo AI, LLC | Systems and methods for camera-lidar fused object detection with local variation segmentation |
-
2023
- 2023-07-07 CN CN202310828145.XA patent/CN116542983B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170154432A1 (en) * | 2015-11-30 | 2017-06-01 | Intel Corporation | Locating Objects within Depth Images |
CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
CN110060223A (zh) * | 2019-06-11 | 2019-07-26 | 湖南自兴智慧医疗科技有限公司 | 一种基于特征提取及去噪的图像分割方法 |
US20220128702A1 (en) * | 2020-10-23 | 2022-04-28 | Argo AI, LLC | Systems and methods for camera-lidar fused object detection with local variation segmentation |
CN113409228A (zh) * | 2021-08-20 | 2021-09-17 | 武汉锐科光纤激光技术股份有限公司 | 光束的整形方法、装置、系统、存储介质和电子装置 |
Non-Patent Citations (1)
Title |
---|
谷勇: "基于网格激光器的盲人室内避障方法研究", 《中国优秀硕士学位论文全文数据库》, pages 005 - 340 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892440A (zh) * | 2024-03-15 | 2024-04-16 | 季华实验室 | 一种包边方向和包边分段确认方法、电子设备及存储介质 |
CN117892440B (zh) * | 2024-03-15 | 2024-05-28 | 季华实验室 | 一种包边方向和包边分段确认方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116542983B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN116542983B (zh) | 平顶光束特征检测方法、装置、设备和计算机存储介质 | |
Graham et al. | Automated sizing of coarse-grained sediments: image-processing procedures | |
Wilson et al. | A new metric for grey-scale image comparison | |
US8385657B2 (en) | Multiscale edge detection and fiber enhancement using differences of oriented means | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
US7539351B2 (en) | Model-based line width control | |
CN108681992A (zh) | 用于探测器阵列法测量激光光斑的图像插值算法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN114882026B (zh) | 基于人工智能的传感器外壳缺陷检测方法 | |
CN111145120A (zh) | 能见度检测方法、装置、计算机设备和存储介质 | |
CN103162818A (zh) | 基于矩不变性的激光光束束宽评价方法 | |
CN116337879B (zh) | 一种电缆绝缘表皮磨损缺陷快速检测方法 | |
JP2021039734A (ja) | 光学コードのモジュールサイズの特定 | |
CN113177935A (zh) | 一种近红外光强均匀性检测方法、装置及计算机设备 | |
CN115170570A (zh) | 基于灰度游程矩阵的织物起毛起球检测方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN106951902B (zh) | 一种图像二值化处理方法及装置 | |
CN116074633B (zh) | 一种自动多重曝光方法 | |
CN111325747B (zh) | 一种矩形隧道的病害检测方法及装置 | |
CN111445435A (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
CN111415344B (zh) | 一种马蹄形隧道的病害检测方法及装置 | |
CN114140620A (zh) | 一种物体直线轮廓检测方法 | |
CN109272540B (zh) | 一种图卡图像的sfr自动提取与分析方法 | |
CN113469171A (zh) | 识别sfr测试卡图像中感兴趣区域的方法及装置、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 |