CN117409226A - 一种压敏漆图像标记点自动识别与配准方法 - Google Patents
一种压敏漆图像标记点自动识别与配准方法 Download PDFInfo
- Publication number
- CN117409226A CN117409226A CN202311725458.9A CN202311725458A CN117409226A CN 117409226 A CN117409226 A CN 117409226A CN 202311725458 A CN202311725458 A CN 202311725458A CN 117409226 A CN117409226 A CN 117409226A
- Authority
- CN
- China
- Prior art keywords
- image
- pressure
- centroid
- points
- windless
- 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
- 239000003973 paint Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 104
- 239000011248 coating agent Substances 0.000 claims abstract description 27
- 238000000576 coating method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000002360 preparation method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 39
- 239000000853 adhesive Substances 0.000 claims description 31
- 239000002987 primer (paints) Substances 0.000 claims description 30
- 238000005507 spraying Methods 0.000 claims description 26
- 238000007664 blowing Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000005498 polishing Methods 0.000 claims description 14
- 244000137852 Petrea volubilis Species 0.000 claims description 12
- 238000007711 solidification Methods 0.000 claims description 10
- 230000008023 solidification Effects 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 8
- 241001270131 Agaricus moelleri Species 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000010330 laser marking Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 241001347978 Major minor Species 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000001914 filtration Methods 0.000 description 7
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009530 blood pressure measurement Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical group [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000000889 atomisation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000005201 scrubbing Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种压敏漆图像标记点自动识别与配准方法，涉及风洞试验领域，主要包括带压敏涂层模型的高亮标记点制备、试验图像采集、标记点自动识别、图像配准四步。本发明提供一种压敏漆图像标记点自动识别与配准方法，其能自动识别压敏漆试验图像标记点，便于后期进行图像的高精度配准，攻克了压敏漆试验图像智能自动化批处理的技术瓶颈，能够大幅缩减图像后处理工作量和时间，提高试验测试效率，提升压敏漆技术的工程实用性。
Description
技术领域
本发明属于风洞试验技术领域，具体涉及光学压敏漆测压风洞试验技术中的一种在压敏漆图像标记点自动识别与配准方法。
背景技术
在风洞试验中，模型表面压力分布是了解飞行器气动性能、流态分析的基本手段，是飞行器总体与结构设计、气动载荷分布预测、强度校核不可或缺的试验技术。传统压力测量方法以在模型表面布设测压孔，通过管路连接压力传感器或电子扫描阀来测量物面压力的方式为主，测量精度较高，但在具体工程使用中存在测点离散、空间分辨率低、薄部件难以布置测压孔与传感器、模型机加复杂、试验准备周期长等局限性。
上世纪八十年代起，随着光学测量技术与图像后处理能力的发展，欧美各国逐步将压敏漆测压技术成功应用到空气动力学领域，该技术兼有流动显示和流场测量的双重功能，具有效率效益高、测量面广、分辨率高、信息量大等突出特点，能够弥补传统压力测量方法的缺陷与不足，目前在国内外已得到广泛发展，美国NASA、德国DLR、法国ONERA、日本JAXA、中国空气动力研究与发展中心等科研机构先后建立了各自的压敏漆系统，并在不同风洞中开展了工程应用。
在压敏漆风洞试验中，采集的压敏漆灰度图像要经过图像后处理获得最终需要的模型表面压力与压力系数结果。在图像后处理流程中，因为试验吹风时模型受风载会产生扭转、变形和移动，吹风时采集的模型压敏图像与吹风前采集的模型压敏图像在图幅中位置不一致，需要将吹风时图像匹配到吹风前图像位置，再进行后续图像处理流程，最终得到所需的压力和压力系数图像。图像配准精度至关重要，会直接影响压力和压力系数测量精准度。
图像配准方法一般有两类，一类基于灰度和模板的匹配方法，这类方法采用模板或灰度与图像的互相关运算进行图像匹配，对于风洞受载变形扭曲的模型压敏图像配准效果不佳。第二类是基于特征的匹配方法，这类方法需要首先提取特征域，并基于特征域进行匹配，这种方法的图像配准精度严重依靠特征提取的正确性，对于无明显特征的压敏漆图像，特征准确提取的难度较大。
在压敏漆风洞试验采集图像后处理技术中，图像配准一般采用基于点特征的配准方法。面对压敏图像不具备高对比度点特征的困难，常在喷涂了压敏漆的模型表面试前人为标记黑色圆点的方法制造特征点，在图像配准时采用手动点选图像中标记点的方法完成标记点识别与编号，并基于识别标记点进行图像配准。该方法技术成熟，标记点识别与配准精度达到亚像素量级，广泛应用于国内外压敏漆风洞试验图像后处理中，但标记点识别依靠人为点选，无法进行机器自动识别，每个试验状态图像进行图像配准时均需提前进行手动标记点点选识别与编号，使得一次图像后处理只能完成一次吹风试验状态。
目前，国内高速风洞压敏漆测试技术在设备体系方面较为成熟，已成功完成大量工程应用，在测试范围、空间分辨率、测试精度等各项重要指标考核中已达到国际先进水平。但在图像后处理方面，受限于图像标记点自动识别与配准的技术瓶颈，国内外目前尚不具备批量图像智能自动化处理能力，每个试验状态只能分别手动处理，对于吹风状态较多的压敏漆风洞试验，图像后处理效率很低，严重影响了压敏漆风洞试验进度，降低了试验效率。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现本发明的这些目的和其它优点，提供了一种压敏漆图像标记点自动识别方法，其特征在于，包括：
S1、在带压敏涂层的模型上制备高亮标记点；
S2、分别采集吹风前、吹风时的无风图像、有风图像；
S3、以任一状态下的无风图像为基准，选取用于标记点比对的模板图像及坐标数据；
S4、通过对第一个试验状态下的无风图像、有风图像分别进行处理，以获得所有联通域的质心坐标集合Ⅰ，完成标记点位置的粗定位；
S5、设置点间距阈值，通过对质心坐标集合Ⅰ中各质心点与小于点间距阈值的其它质心点进行光强灰度大小比较，以将质心坐标集合Ⅰ中光强灰度小的质心点进行删除，完成第一个试验状态下有风图像、无风图像中错误标记点初步剔除，得到质心坐标集合Ⅱ；
S6、计算质心坐标集合Ⅱ对应的所有联通域的特征值，设置与特征值对应的比对阈值，将特征值与比值阈值进行比对，并根据比对规则删除相应质收点，完成第一个试验状态下有风图像、无风图像的错误标记点最终剔除，得到质心坐标集合Ⅲ；
S7、基于S3获得的模板图像以及S6中获得的质心坐标集合Ⅲ，对第一个试验状态无风图像、有风图像进行标记点识别与编号。
优选的是，在S1中，制备高亮标记点的方法包括：
S10、利用激光打标机在不干胶纸上切割制作圆形标记点，清理不干胶纸表面，在不干胶纸表面喷涂压敏涂料底漆，喷涂完成后，将不干胶纸隔尘放置常温环境中12小时挥发固化，固化完成后用1500目砂纸打磨胶纸上的底漆涂层，直至粗糙度小于0.8；
S11、清理胶纸底漆表面，在胶纸底漆涂层上喷涂压敏涂料面漆，喷涂完成后，将不干胶纸隔尘放置常温环境中6小时挥发固化，固化完成后用1500目砂纸打磨压敏涂层，直至粗糙度小于0.8，清洁模型表面，完成高亮圆形标记点制备；
S12、撕开不干胶纸，将切割分离的圆形标记点粘贴在模型涂层预定位置处，完成带压敏涂层的模型上高亮标记点的制备。
优选的是，在S3中，将任一试验状态的无风图像作为模板，在模板上手动依次点选模型上高亮标记点，并按点选的顺序依次保存标记点在图像上的像素坐标位置数据，以生成用于无风图像和有风序列图像标记点比对的模板图像及坐标数据。
优选的是，在S4中，所述质心坐标集合Ⅰ的获取方式为：
S40、对于第一个试验状态下的无风图像、有风图像，分别按照光强间隔分为不同的图像区域，在每个图像区域中搜索光强联通域；
S41、在所有图像区域搜索完毕后，获得对应的联通域集合，通过分别计算每个联通域的质心获得质心坐标集合Ⅰ；
其中，所述光强间隔是将第一个试验状态下的无风图像、有风图像按最小阈值到满井阈值区间等分得到，且光强间隔小于1000。
优选的是，在S4中，粗定位采用4联通联通域搜索方法实现，则联通域计算的最小阈值为：
I_average+A_F*(I_max-I_average)
上式中，I_average为模型区域光强灰度的平均值，I_max为模型区域光强灰度的最大值，A_F为阈值系数，满井阈值为相机光电转换的满井值；
联通域质心采用质心法计算，则质心位置由下式求得：
上式中，x i ,y i 为联通域中像素点坐标，I为像素点灰度值，x c ,y c 为联通域质心。
优选的是，在S6中，所述特征值包括面积、圆形率、长轴尺寸、短轴尺寸、长短轴比值；
所述比对阈值包括面积阈值、圆形率阈值、长短轴比值阈值；
所述比对规则为：在将特征值与比对阈值进行比对时，若质心坐标集合Ⅱ中的质心点满足以下任一条件，则将对应质心点删除；
条件一、质心坐标集合Ⅱ中质心点的面积大于面积阈值；
条件二、质心坐标集合Ⅱ中质心点的圆形率小于圆形率阈值；
条件三、质心坐标集合Ⅱ中质心点的长短轴比值大于长短轴比值阈值。
优选的是，在S7中，标记点识别与编号方式为：
计算模板中的第一个像素点坐标与质心坐标集合Ⅲ中所有质心的距离，将与模板第一个像素距离最近的质心标记为1#标记点，采用上述标记方式依次获得所有标记点的坐标并标注序号，完成第一个试验状态下各图像的标记点识别与编号。
一种压敏漆图像自动配准方法，在采用压敏漆图像标记点自动识别方法对压敏漆图像标记点进行自动识别后，所述压敏漆图像的自动配准方法包括：
S8、将无风图像、有风图像的标记点坐标序列做相似变换拟合，获得对应的配准拟合关系式；
S9、基于上述配准拟合关系式，将第一个试验状态有风图像配准到第一个试验状态无风图像位置，完成第一个试验状态的有风与无风图像配准；
S10、重复S4-S9流程，完成所有试验状态中有风图像与无风图像的配准。
优选的是，在S8中，所述配准拟合关系式采用非反射相似变化关系式，通过求解如下方程获得：
其中，x,y为有风图像序列标记点坐标，x',y'为无风图像序列标记点坐标，t x 为图像中横坐标平移矢量，t y 为图像中纵坐标平移矢量，s为图像缩放尺度，θ为图像旋转角度。
本发明至少包括以下有益效果：本发明能自动识别压敏漆试验图像标记点并编号，便于后期进行图像的高精度配准，攻克了压敏漆试验图像智能自动化批处理的技术瓶颈，能够大幅缩减图像后处理工作量和时间，提高图像后处理与风洞试验效率，提升压敏漆技术的工程实用性。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明提供的一种压敏漆图像标记点自动识别与配准方法中，处理图像准备流程图；
图2为本发明提供的一种压敏漆图像标记点自动识别与配准方法中，所有试验状态的循环处理流程图；
图3采用本发明提供的方法获得实施例1的模型无风图像及高亮标记点；
图4采用本发明提供的方法获得实施例1的模型有风图像及高亮标记点；
图5采用本发明提供的方法获得实施例1的模型表面标记点对比模板图；
图6采用本发明提供的方法获得实施例1的模型表面标记点位置粗定位；
图7采用本发明提供的方法获得实施例1的无风图像标记点识别与编号；
图8采用本发明提供的方法获得实施例1的有风图像标记点识别与编号；
图9采用本发明提供的方法获得实施例1的配准后的有风图像。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种压敏漆图像标记点自动识别与配准方法，该方法可以自动识别图像标记点并进行图像的亚像素级别高精度配准，攻克压敏漆试验图像智能自动化后处理的技术难点，实现海量试验状态图像自动化批处理能力，大幅缩减后处理工作量和时间，提高试验测试效率，提升压敏漆技术的工程实用性。
本发明通过如下技术方案解决其技术问题： 一种压敏漆图像标记点自动识别与配准方法，包括以下步骤：
S1、加工风洞试验模型，清理模型表面，在模型表面喷涂压敏涂料底漆，喷涂完成后，将模型放置在烘箱中烘烤固化，固化完成后打磨模型底漆涂层；
S2、清理模型表面，在底漆涂层上喷涂压敏涂料面漆，喷涂完成后，将模型放置在烘箱中烘烤固化，固化完成打磨模型压敏涂层，清洁涂层表面，完成模型压敏涂层制备；
S3、利用激光打标机在不干胶纸上切割制作圆形标记点，清理不干胶纸表面，在不干胶纸表面喷涂压敏涂料底漆，喷涂完成后，将不干胶纸隔尘放置常温环境中12小时挥发固化，固化完成后用1500目砂纸打磨胶纸上的底漆涂层，直至粗糙度小于0.8；
S4、清理胶纸表面，在胶纸底漆涂层上喷涂压敏涂料面漆，喷涂完成后，将不干胶纸隔尘放置常温环境中6小时挥发固化，固化完成后用1500目砂纸打磨压敏涂层，直至粗糙度小于0.8，清洁模型表面，完成高亮圆形标记点制备；
S5、撕开不干胶纸，将切割分离的圆形标记点粘贴在模型涂层合适位置处，完成模型标记点布点工作；
S6、安装试验模型和压敏漆测量设备，静态调试压敏漆测量设备；
S7、每个试验状态下，风洞启动前，采集吹风前模型压敏图像（无风图像），风洞启动后，采集吹风时模型压敏图像（有风图像），循环完成所有试验状态的无风图像和有风图像采集；
S8、将所有试验状态的无风图像和有风图像进行滤波处理，获得滤波后的无风图像和有风序列图像；
S9、选择任一试验状态的无风图像，在该图像上手动依次点选模型上高亮圆形标记点，并按点选顺序依次保存标记点像素坐标数据，即生成了后续无风图像和有风序列图像标记点比对的模板数据；
S10、将第一个试验状态下的无风图像按照最小阈值到满井阈值区间等分若干光强间隔，并将该状态下的无风图像按划分的光强间隔划分为不同的图像区域，在每个图像区域中搜索光强联通域，所有图像区域搜索完毕后获得整幅图像的联通域集合，计算每个联通域的质心，获得所有联通域的质心坐标集合，完成第一个试验状态无风图像的标记点位置粗定位。
S11、采用S10相同处理方式，完成第一个试验状态有风图像的标记点位置粗定位。
S12、设置点间距阈值，首先将S10获得的质心坐标集合的第一个质心点与距离它小于点间距阈值的所有质心点的光强灰度大小进行比较，保留灰度最大的质心点坐标，其余质心点坐标在坐标集合中删除，再进行第二个质心点阈值间距内光强比较与较弱灰度（指光强灰度小）质心点删除处理，依次直至完成所有质心点光强比较与较弱灰度质心点删除处理，即完成了第一个试验状态无风图像初步错误标记点剔除，获得初步错误标记点删除后的第一个试验状态无风图像质心坐标集合。
S13、采用S12相同处理方式，完成第一个试验状态有风图像的初步错误标记点剔除，获得初步错误标记点删除后的第一个试验状态有风图像质心坐标集合。
S14、计算第一个试验状态无风图像质心坐标集合对应的所有联通域的面积、圆形率、长轴尺寸、短轴尺寸和长短轴比值等特征值，设置面积、圆形率和长短轴比对阈值，将大于面积阈值、小于圆形率阈值和大于长短轴比值阈值的质心删除，完成第一个试验状态无风图像最终错误标记点剔除，获得第一个试验状态无风图像的最终质心坐标集合。
S15、采用S14相同处理方式，完成第一个试验状态有风图像的最终错误标记点剔除，获得第一个试验状态有风图像最终质心坐标集合。
S16、计算S9获得的标记点比对模板中的第一个像素点坐标与S14获得的质心坐标集合中所有质心的距离，与模板第一个像素距离最近的质心标记为1#标记点，采用上述相同步骤依次获得所有标记点坐标并标注序号，完成第一个试验状态无风图像的标记点识别与编号。
S17、采用S16相同处理方式，完成第一个试验状态有风图像的标记点识别与编号。
S18、将S16获得的无风图像标记点坐标序列与S17获得的有风图像标记点坐标序列做相似变化拟合，获得配准拟合关系式。
S19、利用S18获得的配准拟合关系式，将第一个试验状态有风图像配准到第一个试验状态无风图像位置，完成第一个试验状态的有风与无风图像配准。
S20、重复S10-S19流程，依次完成所有试验状态有风与无风图像的配准。
进一步地，所述S1步骤具体为：
S11、风洞试验模型为金属模型，表面粗糙度小于0.8，采用酒精清洗模型表面，保证表面无灰尘、油污残留，确保涂层具备高附着率。利用喷枪手动雾化喷涂压敏漆底漆，底漆厚度约20微米。为防止涂层受热龟裂，喷涂完成后需隔尘静止0.5小时后再将模型放置在烘箱中90℃温度下烘烤6个小时固化，固化完成后，用1500目砂纸打磨涂层直至涂层粗糙度小于0.8，完成模型底漆涂层制备；
进一步地，所述S2步骤具体为：
S21、采用酒精清洗底漆表面，保证表面无灰尘、油污残留，确保压敏涂层具备高附着率。利用喷枪手动雾化喷涂压敏漆，厚度约20微米。为防止涂层受热龟裂，喷涂完成后需隔尘静止0.5小时后再将模型放置在烘箱中65℃温度下烘烤6个小时固化，固化完成后，用1500目砂纸打磨压敏涂层直至涂层粗糙度小于0.8，再用吹风机冷风吹扫清洁涂层表面，完成模型压敏涂层制备；
进一步地，所述S3步骤具体为：
S31、所采用的不干胶纸分为三层，上层为合成纸，下层为涂硅保护纸，中间为胶黏剂，胶黏剂要具有较强粘结力，能够确保高速流场中切割的圆形标记点紧粘在模型表面不脱落。
S32、激光打标机切割圆形标记点时只切割不干胶纸上层的合成纸，不切割中层胶黏剂和下层涂硅保护纸。
S33、切割的标记点为圆形，直径1mm，厚度小于1mm。
S34、不干胶纸上喷涂的底漆厚度与模型表面底漆基本相同，约20微米。
进一步地，所述S4步骤具体为：
S41、为了提高标记点识别度，要求标记点发光强度远大于模型涂层发光强度，故不干胶纸上喷涂的压敏漆厚度要大于模型表面压敏漆厚度，一般为40微米。
进一步地，所述S5步骤具体为：
S51、考虑到图像配准关系式中待求解参数为4个，为了满足方程组正定或超定条件，粘贴的标记点至少4个，原则上，标记点数量越多，图像配准精度越高，且标记点应均布于模型边缘和模型受风载变形较大的位置。
进一步地，所述S6步骤具体为：
S61、静态调试包括镜头参数设置、相机曝光时间设置、图像采集时序确定、系统联调等步骤。镜头参数包括焦距和光圈，调焦的目的是使得图像尽可能清晰，而光圈和相机曝光时间决定了图像灰度水平。由于光圈越小景深越大，为提高图像边缘的质量，需要在合理的相机曝光时间内尽量缩小光圈。
进一步地，所述S8步骤具体为：
S81、图像滤波采用中值滤波方法，滤波模板不大于标记点尺寸用以滤除体积较小灰度较强的杂点，一般设滤波模板大小3像素×3像素，为了消除背景暗图像对模型边缘的影响，采用边缘处复制内部边界并扩展后再进行边缘滤波的方法。
进一步地，所述S10步骤具体为：
S101、最小阈值计算公式为I_average+A_F×(I_max-I_average)，其中I_average为模型区域光强灰度的平均值，I_max为模型区域光强灰度的最大值，A_F为阈值系数，一般设置为0.5。
S102、满井阈值为所用相机光电转换的满井值，与相机灰度位数有关，数值为2的位数次方，如采用16位相机，则满井阈值为2^16=65536。
S103、为了在标记点粗定位的过程中不遗漏所有的高亮标记点，所生成的光强间隔要小于1000。
S104、采用4联通方法搜索联通域，即某一灰度非零像素点的上、下、左、右任一紧邻位置存在非零像素，即判定为联通域。
S105、采用质心法计算联通域质心，质心位置由下式求得：
其中，为x i,y i为联通域中像素点坐标，I为像素点灰度值，x c,y c为联通域质心。
进一步地，所述S12步骤具体为：
S121、点间距阈值要大于高亮标记点直径和所有试验状态下模型移动量，小于模板标记点之间的最小间距，一般设为15。
进一步地，所述S14步骤具体为：
S141、面积指联通域包含的所有像素个数，长轴尺寸指联通域长轴像素个数，短轴尺寸指联通域短轴像素个数，长短轴比值为长轴尺寸除以短轴尺寸。圆形率为表述联通域外形接近圆形的尺度，计算公式为：circle=(4×pi×Area) /(Perimeter^2)，其中，circle为联通域圆形率，pi为圆周率，值为3.1415926，Area为联通域面积，Perimeter为联通域直径。
S142、面积阈值设置为100，圆形率阈值设置为0.9，长短轴比阈值设置为3。
进一步地，所述S18步骤具体为：
S181、获得的配准拟合关系式为非反射相似变换关系式，通过求解如下方程获得：
其中，x,y为有风图像序列标记点坐标，x',y'为无风图像序列标记点坐标，t x为图像中横坐标平移矢量，t y为图像中纵坐标平移矢量，s为图像缩放尺度，θ为图像旋转角度。x,y和x',y'为已知量，t x、t y、s、θ为未知待求量。
进一步地，所述S19步骤具体为：
S191、利用配准拟合关系式将有风图像逐个像素点灰度值映射到无风图像位置；
S192、映射后的有风图像不在整数像素点上的，利用拉格朗日插值方法计算整数像素点上的灰度值，完成有风图像的配准。
进一步地，所述步骤S192中，所述拉格朗日插值方法采用如下形式：
其中，P n （x）为多项式插值函数，L i （x）为插值基函数，y i 为已知像素点灰度值，x为已知像素点坐标，i为已知像素点排序数。插值基函数形式为：
。
本发明的一种压敏漆图像标记点自动识别与配准方法的特点是：①在完成参数设置和标记点模板生成后，可以批量自动机器识别图像标记点并进行亚像素级别高精度配准，攻克了压敏漆试验图像智能批量自动化后处理的技术瓶颈。②该方法实现了海量试验状态图像自动化批处理能力，大幅缩减了图像后处理工作量和时间，提高了试验测试效率，进一步提升了压敏漆技术的工程实用性。
实施例1
本实施例的试验模型为自然层流翼型模型，在模型表面，从下至上依次覆盖压敏涂料底漆和压敏涂料面漆，在模型边缘位置制作粘贴了6个高亮圆形标记点。压敏漆风洞试验测量装置包括压敏涂料、科学级相机、激发光源、同步触发器和数据处理工控机。
采用本发明的一种压敏漆图像标记点自动识别与配准方法，可以自动批量识别图像标记点并进行亚像素级别高精度配准，其处理流程如图1-图2，包括以下步骤：
S1、加工层流翼型钢制模型，酒精擦洗模型表面，在模型表面喷涂压敏涂料底漆，底漆厚度约20微米，喷涂完成后，将模型放置在烘箱中90℃烘烤6小时固化，固化完成后用砂纸打磨模型底漆涂层；
S2、酒精擦洗底漆表面，在底漆涂层上喷涂压敏涂料面漆，压敏漆厚度约20微米，喷涂完成后，将模型放置在烘箱中65℃烘烤6小时烘烤固化，固化完成后砂纸打磨压敏涂层，吹风机冷风吹扫表面，完成模型压敏涂层制备；
S3、采用激光打标机切割不干胶纸制作白色圆形标记点，酒精清理不干胶纸表面，在不干胶纸表面喷枪喷涂压敏涂料底漆，厚度约20微米，喷涂完成后，将不干胶纸隔尘放置常温环境中12小时挥发固化，固化完成后用砂纸打磨胶纸上的底漆涂层，直至粗糙度小于0.8；
S4、酒精清理胶纸底漆表面，在底漆涂层上喷涂压敏涂料面漆，面漆厚度约40微米，喷涂完成后，将不干胶纸隔尘放置常温环境中6小时挥发固化，固化完成后用砂纸打磨压敏涂层，直至粗糙度小于0.8，完成高亮圆形标记点制备；
S5、将切割分离的圆形标记点粘贴在翼型模型边缘处，共布置了6个标记点，完成如图3-4的模型标记点布点工作；
S6、安装试验模型和压敏漆测量设备，静态调试压敏漆测量设备；
S7、每个试验状态下，风洞启动前，采集吹风前无风图像，风洞启动后，采集吹风时有风图像，循环完成所有试验状态的无风图像和有风图像采集；
S8、将所有试验状态的无风图像和有风图像进行中值滤波处理，获得滤波后的无风图像和有风序列图像；
S9、如图5，选择任一试验状态的无风图像，在该图像上手动依次点选模型上高亮标记点，并按点选顺序依次保存标记点像素坐标数据，即生成了后续无风图像和有风序列图像标记点比对的模板数据；
S10、如图6，将第一个试验状态下的无风图像按照最小阈值到满井阈值区间间隔1000等分30个光强区间，并将该状态下的无风图像按划分的光强间隔划分为30个图像区域，在每个图像区域中采用4联通方法搜索光强联通域，所有图像区域搜索完毕后获得整幅图像的联通域集合，采用质心法计算每个联通域的质心，获得所有联通域的质心坐标集合，完成第一个试验状态无风图像的标记点位置粗定位。
S11、采用S10相同处理方式，完成第一个试验状态有风图像的标记点位置粗定位。
S12、设置点间距阈值为15，采用光强最大保留原则将粗定位获得的质心坐标中删除灰度较弱的质心点。
S13、计算质心坐标集合对应的所有联通域的面积、圆形率和长短轴比值等特征值，面积阈值设置为100，圆形率阈值设置为0.9，长短轴比阈值设置为3，将大于面积阈值、小于圆形率阈值和大于长短轴比值阈值的质心删除，通过两次剔除操作，将图像中的噪点去除。
S14、计算质心坐标集合与模板标记点集合两两距离，与模板中某个序号的标记点距离最近的质心坐标定义为图像中对应序号的标记点，完成如图7-图8所示的第一个试验状态无风与有风图像的标记点识别与编号。
S15、将无风图像标记点坐标序列与有风图像标记点坐标序列做非反射相似变换拟合，获得配准拟合关系式。
S16、如图9，将第一个试验状态有风图像按照配准拟合关系式配准到第一个试验状态无风图像位置，完成第一个试验状态的有风与无风图像配准。
S17、重复S10-S16流程，完成所有试验状态有风与无风图像的配准。
本发明的一种压敏漆图像标记点自动识别与配准方法的有益效果为：①采用该方法可以批量自动识别图像标记点并进行高精度配准，攻克了压敏漆试验图像智能批量自动化后处理的技术瓶颈。②该方法实现了海量试验状态图像自动化批处理能力，大幅缩减了图像后处理难度和工作量。③采用该方法能够大幅提高压敏试验图像处理速度，减少了数据分析时间，提高了试验测试效率，进一步提升压敏漆技术的工程实用性。
以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种压敏漆图像标记点自动识别方法，其特征在于，包括：
S1、在带压敏涂层的模型上制备高亮标记点；
S2、分别采集吹风前、吹风时的无风图像、有风图像；
S3、以任一状态下的无风图像为基准，选取用于标记点比对的模板图像及坐标数据；
S4、通过对第一个试验状态下的无风图像、有风图像分别进行处理，以获得所有联通域的质心坐标集合Ⅰ，完成标记点位置的粗定位；
S5、设置点间距阈值，通过对质心坐标集合Ⅰ中各质心点与小于点间距阈值的其它质心点进行光强灰度大小比较，以将质心坐标集合Ⅰ中光强灰度小的质心点进行删除，完成第一个试验状态下有风图像、无风图像中错误标记点初步剔除，得到质心坐标集合Ⅱ；
S6、计算质心坐标集合Ⅱ对应的所有联通域的特征值，设置与特征值对应的比对阈值，将特征值与比值阈值进行比对，并根据比对规则删除相应质收点，完成第一个试验状态下有风图像、无风图像的错误标记点最终剔除，得到质心坐标集合Ⅲ；
S7、基于S3获得的模板图像以及S6中获得的质心坐标集合Ⅲ，对第一个试验状态无风图像、有风图像进行标记点识别与编号。
2.如权利要求1所述的压敏漆图像标记点自动识别方法，其特征在于，在S1中，制备高亮标记点的方法包括：
S10、利用激光打标机在不干胶纸上切割制作圆形标记点，清理不干胶纸表面，在不干胶纸表面喷涂压敏涂料底漆，喷涂完成后，将不干胶纸隔尘放置常温环境中12小时挥发固化，固化完成后用1500目砂纸打磨胶纸上的底漆涂层，直至粗糙度小于0.8；
S11、清理胶纸底漆表面，在胶纸底漆涂层上喷涂压敏涂料面漆，喷涂完成后，将不干胶纸隔尘放置常温环境中6小时挥发固化，固化完成后用1500目砂纸打磨压敏涂层，直至粗糙度小于0.8，清洁模型表面，完成高亮圆形标记点制备，标记点上压敏漆厚度要大于模型表面压敏漆厚度以保证标记点发光强度大于模型涂层发光强度；
S12、撕开不干胶纸，将切割分离的圆形标记点粘贴在模型涂层预定位置处，完成带压敏涂层的模型上高亮标记点的制备。
3.如权利要求1所述的压敏漆图像标记点自动识别方法，其特征在于，在S3中，将任一试验状态的无风图像作为模板，在模板上手动依次点选模型上高亮标记点，并按点选的顺序依次保存标记点在图像上的像素坐标位置数据，以生成用于无风图像和有风序列图像标记点比对的模板图像及坐标数据。
4.如权利要求1所述的压敏漆图像标记点自动识别方法，其特征在于，在S4中，所述质心坐标集合Ⅰ的获取方式为：
S40、对于第一个试验状态下的无风图像、有风图像，分别按照光强间隔分为不同的图像区域，在每个图像区域中搜索光强联通域；
S41、在所有图像区域搜索完毕后，获得对应的联通域集合，通过分别计算每个联通域的质心获得质心坐标集合Ⅰ；
其中，所述光强间隔是将第一个试验状态下的无风图像、有风图像按最小阈值到满井阈值区间等分得到，且光强间隔小于1000。
5.如权利要求4所述的压敏漆图像标记点自动识别方法，其特征在于，在S4中，粗定位采用4联通联通域搜索方法实现，则联通域计算的最小阈值为：
I_average+A_F*(I_max-I_average)
上式中，I_average为模型区域光强灰度的平均值，I_max为模型区域光强灰度的最大值，A_F为阈值系数，满井阈值为相机光电转换的满井值；
联通域质心采用质心法计算，则质心位置由下式求得：
上式中，x i ,y i 为联通域中像素点坐标，I为像素点灰度值，x c ,y c 为联通域质心。
6.如权利要求1所述的压敏漆图像标记点自动识别方法，其特征在于，在S6中，所述特征值包括面积、圆形率、长轴尺寸、短轴尺寸、长短轴比值；
所述比对阈值包括面积阈值、圆形率阈值、长短轴比值阈值；
所述比对规则为：在将特征值与比对阈值进行比对时，若质心坐标集合Ⅱ中的质心点满足以下任一条件，则将对应质心点删除；
条件一、质心坐标集合Ⅱ中质心点所处连通域的面积大于面积阈值；
条件二、质心坐标集合Ⅱ中质心点所处连通域的圆形率小于圆形率阈值；
条件三、质心坐标集合Ⅱ中质心点所处连通域的长短轴比值大于长短轴比值阈值。
7.如权利要求1所述的压敏漆图像标记点自动识别方法，其特征在于， 在S7中，标记点识别与编号方式为：
计算模板中的第一个像素点坐标与质心坐标集合Ⅲ中所有质心的距离，将与模板第一个像素距离最近的质心标记为1#标记点，采用上述标记方式依次获得所有标记点的坐标并标注序号，完成第一个试验状态下各图像的标记点识别与编号。
8.一种压敏漆图像自动配准方法，其特征在于，在采用如权利要求1-7任一项所述的压敏漆图像标记点自动识别方法对压敏漆图像标记点进行自动识别后，所述压敏漆图像的自动配准方法包括：
S8、将无风图像、有风图像的标记点坐标序列做相似变换拟合，获得对应的配准拟合关系式；
S9、基于上述配准拟合关系式，将第一个试验状态有风图像配准到第一个试验状态无风图像位置，完成第一个试验状态的有风与无风图像配准；
S10、重复S4-S9流程，完成所有试验状态中有风图像与无风图像的配准。
9.如权利要求8所述的压敏漆图像自动配准方法，其特征在于，在S8中，所述配准拟合关系式采用非反射相似变化关系式，通过求解如下方程获得：
其中，x,y为有风图像序列标记点坐标，x',y'为无风图像序列标记点坐标，t x 为图像中横坐标平移矢量，t y 为图像中纵坐标平移矢量，s为图像缩放尺度，θ为图像旋转角度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311725458.9A CN117409226B (zh) | 2023-12-15 | 2023-12-15 | 一种压敏漆图像标记点自动识别与配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311725458.9A CN117409226B (zh) | 2023-12-15 | 2023-12-15 | 一种压敏漆图像标记点自动识别与配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409226A true CN117409226A (zh) | 2024-01-16 |
| CN117409226B CN117409226B (zh) | 2024-03-19 |
Family
ID=89494780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311725458.9A Active CN117409226B (zh) | 2023-12-15 | 2023-12-15 | 一种压敏漆图像标记点自动识别与配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409226B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8606011B1 (en) * | 2012-06-07 | 2013-12-10 | Amazon Technologies, Inc. | Adaptive thresholding for image recognition |
| CN106895952A (zh) * | 2017-03-24 | 2017-06-27 | 大连理工大学 | 基于视觉测量技术风洞模型振动的抑制方法 |
| CN112784832A (zh) * | 2021-02-09 | 2021-05-11 | 西南科技大学 | 一种物体标记点识别方法及装置 |
| CN113834625A (zh) * | 2021-10-13 | 2021-12-24 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种飞行器模型表面压力测量方法及系统 |
| CN114323543A (zh) * | 2022-03-10 | 2022-04-12 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种提高压敏漆试验效率的方法 |
| US20220284071A1 (en) * | 2020-03-04 | 2022-09-08 | Karl Louis Denninghoff | Transitory salient attention capture to draw attention to digital document parts |
| CN115343014A (zh) * | 2022-10-18 | 2022-11-15 | 湖南第一师范学院 | 一种荧光标记点位误差修正方法、装置、设备及存储介质 |
-
2023
- 2023-12-15 CN CN202311725458.9A patent/CN117409226B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8606011B1 (en) * | 2012-06-07 | 2013-12-10 | Amazon Technologies, Inc. | Adaptive thresholding for image recognition |
| CN106895952A (zh) * | 2017-03-24 | 2017-06-27 | 大连理工大学 | 基于视觉测量技术风洞模型振动的抑制方法 |
| US20220284071A1 (en) * | 2020-03-04 | 2022-09-08 | Karl Louis Denninghoff | Transitory salient attention capture to draw attention to digital document parts |
| CN112784832A (zh) * | 2021-02-09 | 2021-05-11 | 西南科技大学 | 一种物体标记点识别方法及装置 |
| CN113834625A (zh) * | 2021-10-13 | 2021-12-24 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种飞行器模型表面压力测量方法及系统 |
| CN114323543A (zh) * | 2022-03-10 | 2022-04-12 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种提高压敏漆试验效率的方法 |
| CN115343014A (zh) * | 2022-10-18 | 2022-11-15 | 湖南第一师范学院 | 一种荧光标记点位误差修正方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 任强: "高速图像处理中的硬件加速技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 08, 15 August 2021 (2021-08-15), pages 138 - 467 * |
| 刘祥等: "基于0.6ｍ量级三声速风洞的压敏漆试验技术", 《航空学报》, vol. 41, no. 7, 25 July 2020 (2020-07-25), pages 123085 - 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409226B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| Ahn et al. | Circular coded target for automation of optical 3D-measurement and camera calibration | |
| CN102135417B (zh) | 一种全自动三维特征提取方法 | |
| CN109919984A (zh) | 一种基于局部特征描述子的点云自动配准方法 | |
| CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
| CN107218928B (zh) | 一种复杂多管路系统检测方法 | |
| CN109887015A (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
| CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
| CN108416342A (zh) | 一种结合细节点和细线结构的指纹识别方法 | |
| CN113834625B (zh) | 一种飞行器模型表面压力测量方法及系统 | |
| CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
| CN109341668B (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
| CN107330927B (zh) | 机载可见光图像定位方法 | |
| CN110223355B (zh) | 一种基于双重极线约束的特征标志点匹配方法 | |
| CN112132886A (zh) | 一种航空零件圆孔圆心快速定位及圆度检测方法 | |
| CN114332348A (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
| CN112013788A (zh) | 基于叶片局部前缘曲线特征标定转动中心的方法 | |
| CN117409226B (zh) | 一种压敏漆图像标记点自动识别与配准方法 | |
| CN116189006A (zh) | 一种支持三维数据的遥感影像建筑物提取方法 | |
| CN109766903A (zh) | 一种基于曲面特征的点云模型曲面匹配方法 | |
| CN111415378B (zh) | 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法 | |
| Kampel et al. | Robust 3D reconstruction of archaeological pottery based on concentric circular rills | |
| CN109458955B (zh) | 基于平面度约束的离轴圆条纹投影测量零相位点求解方法 | |
| CN112990373B (zh) | 基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统 | |
| CN115790539A (zh) | 一种合作靶标水下摄影测量方法 |
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 |