CN117853429A - 一种标定图像质量评价方法 - Google Patents
一种标定图像质量评价方法 Download PDFInfo
- Publication number
- CN117853429A CN117853429A CN202311794482.8A CN202311794482A CN117853429A CN 117853429 A CN117853429 A CN 117853429A CN 202311794482 A CN202311794482 A CN 202311794482A CN 117853429 A CN117853429 A CN 117853429A
- Authority
- CN
- China
- Prior art keywords
- calibration
- image
- evaluated
- convolution
- steps
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06V10/443—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 matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种标定图像质量评价方法,包括步骤1、获取待评价图像T,其包含标定板参考图像R中的所有标定特征点;步骤2、利用点锐度算法对待评价图像T的整体清晰度进行评价;步骤3、提取标定特征点:步骤4、非局部梯度图像评价;具体包括:构建并计算非局部梯度;计算平均变化程度相似度、结构相似度;计算待评价图像T的质量评分。本发明以黑白相间的棋盘格作为标定特征,采用标准棋盘格图像作为参考,消除了个体因素对标定图像质量评价的影响,评价准确性和鲁棒性高且易于实现自动化评价流程。本发明既考虑标定图像整体的质量,也更进一步地关注图像中标定特征点区域的图像质量,极大地提高图像中标定特征点的提取精度。
Description
技术领域
本发明涉及机器视觉技术领域,特别是一种标定图像质量评价方法。
背景技术
伴随着计算机视觉、人工智能以及机器人等相关技术的发展,机器视觉系统正越来越广泛的应用于各种工业场景,能够极大地提高工业产线的柔性和自动化程度。目前机器视觉系统主要可以实现识别、测量、定位和检测四大功能,其中在进行测量和定位时,需要对由工业相机和镜头组成的图像采集系统进行光学模型标定。该光学模型的标定精度直接影响着系统的测量和定位精度。
机器视觉系统的标定可分为单目标定、双目标定、多目标定以及机器人与视觉系统的手眼标定,上述标定主要是为了标定系统中相机的内外参数以及相机与系统中其他模块的外参数。
目前通用的标定方法都是基于张氏标定法,主要是视觉系统识别棋盘格标定板上的标定特征点来实现标定。视觉系统对标定特征点的提取精度是实现高精度标定的基础,因此获取高质量标定图像对实现高精度标定至关重要。
目前图像评价方法可分为主观评价和客观评价两大类。主观评价方法以人的主观评价为准,易受观测着的个体因素影响,难以应用于实际生产中。消除个体因素的客观评价方法是目前研究的主流方向。根据评价过程中有无真实图像作为参考,可将其分为全参考、部分参考以及无参考三种图像评价算法。无参考在进行质量评价过程中缺乏参考,对于细节处的质量难以准确且鲁棒地获得。全参考评价方法实则是比较待评价图像与参考图像之间的相似度,但该方法侧重于对整体图像的质量进行评价,由于待评价图像背景因素的影响,此类方法难以对棋盘格角点处的细节进行关注。与此同时,标定过程中相机需要变换姿态,故而棋盘格图像在待评价图像中的位置不一,导致获取高质量参考图像较为困难。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种标定图像质量评价方法,该标定图像质量评价方法既能够关注整体图像质量也能够很好的关注到图像的细节质量,极大地提高了图像中标定特征点的提取精度,从而能够准确地对标定图像的质量进行评价。
为解决上述技术问题,本发明采用的技术方案是:
一种标定图像质量评价方法,包括如下步骤。
步骤1、获取待评价图像T:采用相机A在设定位置对标定板参考图像R进行拍摄,得到待评价图像T;其中,标定板参考图像R具有m个标定特征点;待评价图像T包含标定板参考图像R中的所有标定特征点。
步骤2、待评价图像T整体质量判断:利用点锐度算法对待评价图像T的整体清晰度进行评价;当待评价图像T的点锐度p不低于点锐度最小阈值pmin时,进入步骤2;否则,判断待评价图像T的质量评分为G=0。
步骤3、提取标定特征点:分别提取标定板参考图像R和待评价图像T中所有标定特征点的像素值,从而获得标定特征点集PR和PT;
步骤4、非局部梯度图像评价,具体包括如下步骤:
步骤4-1、构建非局部梯度:针对标定特征点集PR和PT中的第i个标定特征点,分别构建非局部梯度μR(i)和μT(i);其中,1≤i≤m。
步骤4-2、计算非局部梯度μR(i),具体为:
A、构建方领域Ω:对标定特征点集PR中的第i个标定特征点构建以/>为中心的方领域Ω,且方领域Ω的每条边均具有(2t+1)个像素点。
B、计算偏差NGR(j):设方领域Ω内第j个像素点的像素值为rj,则NGR(j)的计算公式:
C、计算μR(i):通过计算方领域Ω内所有NGR(j)的均值,从而得到μR(i)。
步骤4-3、计算非局部梯度μT(i):采用步骤4-2的方法,得到标定特征点集PT中第i个标定特征点对应的偏差NGT(j)和非局部梯度μT(i)。
步骤4-4、计算平均变化程度相似度S1(i):根据μR(i)和μT(i)计算获得,具体计算公式为:
式中,λ为大于零的任意常数。
步骤4-5、计算结构相似度S2(i),具体计算公式为:
式中,为NGR(j)的方差,/>为NGT(j)的方差,σR,T(i)为NGR(j)和NGT(j)的协方差。
步骤4-6、计算待评价图像T的质量评分G,具体计算公式为:
式中,0≤G≤1。
步骤4-2中,方领域Ω涉及的t的取值范围为20≤t≤100,具体根据待评价图像T中标定板参考图像R所占比值K进行确定;当K值越大,则t值也越大。
步骤1中,标定板参考图像R为黑白相间棋盘格;标定特征点为黑白相间棋盘格的角点。
步骤2中,点锐度p的计算公式为:
式中,m和n分别表示待评价图像T的长度与宽度。
df表示待评价图像T灰度的变化幅值。
dx表示像素之间的距离增量。
点锐度p表征图像中每个像素点灰度值的扩散程度,p值越大,扩散程度越大,则待评价图像T越清晰。
步骤3中,标定特征点集PT的获取方法,包括如下步骤。
步骤3-1、计算相似度c:采用高斯核进行卷积,计算出待评价图像T中每个像素点与标定特征点的相似度c。
步骤3-2、c值筛选:对步骤3-1中的c值进行筛选,从而得到标定特征点集PT的标定特征点集,并记为
步骤3-1中,高斯核具有4种,分别为A卷积核、B卷积核、C卷积核和D卷积核。
步骤3-1中,相似度c的计算公式为:
其中:
式中,为当前像素点与标定板参考图像R无倾斜时经A和B卷积核卷积后标定特征点的相似度。
为当前像素点与标定板参考图像R倾斜时经A和B卷积核卷积后标定特征点的相似度。
为当前像素点与标定板参考图像R无倾斜时经C和D卷积核卷积后标定特征点的相似度。
为当前像素点与标定板参考图像R倾斜时经C和D卷积核卷积后标定特征点的相似度。/>分别为待评价图像T与n×n的高斯核卷积所得,分别表示标定板参考图像R无倾斜时A、B、C和D四种卷积核的卷积响应值。
分别为待评价图像T与n×n的高斯核卷积所得,分别表示标定板参考图像R倾斜时A、B、C和D四种卷积核的卷积响应值。
μ1为的均值。
μ2为的均值。
步骤3-2中,采用非极大值抑制算法对步骤3-1中的c值进行筛选。
当G≥0.9时,能满足0.05mm及以上的图像标定需求。
步骤4-1中,m个μR(i),共同构成μR;m个μT(i),共同构成μT;则μR和μT的具体表达式为:
μR={μR(1)、μR(2)、…、μR(i)…、μR(m)}
μT={μT(1)、μT(2)、…、μT(i)…、μT(m)}
式中,μR(1)、μR(2)、…、μR(i)…、μR(m)分别为标定板参考图像R中第1个、第2个、第i个和第m个标定特征点的非局部梯度。
μT(1)、μT(2)、…、μT(i)…、μT(m)分别为待评价图像T中第1个、第2个、第i个和第m个标定特征点的非局部梯度。
本发明具有如下有益效果:
1、本发明属于半参考评价方法,该方法相对于传统方法既能够关注整体图像质量也能够很好的关注到图像的细节质量,极大地提高了图像中标定特征点的提取精度。另外,参考模板图像易于获取,便于实现自动化标定。
2、在对视觉系统进行标定时,通过实验证明,使用本发明的图像标定方法对标定图像进行筛选后,视觉系统的标定精度能够提升20%-30%。
3、本发明能消除个体因素对标定图像质量评价的影响,评价准确性和鲁棒性高且实现自动化评价流程。
附图说明
图1显示了本发明一种标定图像质量评价方法的流程图。
图2显示了本发明使用的棋盘格标定板的示意图。
图3显示了本发明中棋盘格标定板无倾斜时,标定特征点在A、B、C、D四种卷积核下的A、B、C、D四种角点结构形式的示意图。
图4显示了本发明中棋盘格标定板倾斜时,标定特征点在A、B、C、D四种卷积核下的A、B、C、D四种角点结构形式的示意图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
如图1所示,一种标定图像质量评价方法,包括如下步骤。
步骤1、获取待评价图像T:采用相机A在设定位置对标定板参考图像R进行拍摄,得到待评价图像T。
上述相机A可以是待标定相机,评估其拍摄图像质量;也可以是已标定相机,评估其在不同位置的标定图像质量。
上述标定板参考图像R具有m个标定特征点;待评价图像T包含标定板参考图像R中的所有标定特征点。
本实施例中,上述标定板参考图像R优选为如图2所示的黑白相间棋盘格;标定特征点为黑白相间棋盘格的角点。
步骤2、待评价图像T整体质量判断:利用点锐度算法对待评价图像T的整体清晰度进行评价;当待评价图像T的点锐度p不低于点锐度最小阈值pmin时,进入步骤2;否则,判断待评价图像T的质量评分为G=0。
上述点锐度p的计算公式优选为:
式中,m和n分别表示待评价图像T的长度与宽度。
df表示待评价图像T灰度的变化幅值。
dx表示像素之间的距离增量。
点锐度p表征图像中每个像素点灰度值的扩散程度,p值越大,扩散程度越大,则待评价图像T越清晰。
步骤3、提取标定特征点:分别提取标定板参考图像R和待评价图像T中所有标定特征点的像素值,从而获得标定特征点集PR和PT。
其中,标定特征点集PT的获取方法,包括如下步骤。
步骤3-1、计算相似度c:采用高斯核进行卷积,计算出待评价图像T中每个像素点与标定特征点的相似度c。
进一步,上述高斯核具有4种,分别为A卷积核、B卷积核、C卷积核和D卷积核。因而,相似度c的计算公式优选为:
其中:
式中,为当前像素点与标定板参考图像R无倾斜时经A和B卷积核卷积后标定特征点的相似度。
为当前像素点与标定板参考图像R倾斜时经A和B卷积核卷积后标定特征点的相似度。
为当前像素点与标定板参考图像R无倾斜时经C和D卷积核卷积后标定特征点的相似度。
为当前像素点与标定板参考图像R倾斜时经C和D卷积核卷积后标定特征点的相似度。
分别为待评价图像T与n×n的高斯核卷积所得,分别表示标定板参考图像R无倾斜时A、B、C和D四种卷积核的卷积响应值。其中,n≥7且为奇数;其滤波后图像分别如图3所示。
分别为待评价图像T与n×n的高斯核卷积所得,分别表示标定板参考图像R倾斜时A、B、C和D四种卷积核的卷积响应值;其滤波后图像分别如图4所示。
μ1为的均值。
μ2为的均值。
步骤3-2、c值筛选:对步骤3-1中的c值优选采用非极大值抑制算法进行筛选,从而得到标定特征点集PT的标定特征点集,并记为
上述标定特征点集PR可以直接从程序内部获取,也可采用上述高斯核进行卷积,具体卷积方法同标定特征点集PT,这里不再赘述,从而得到
步骤4、非局部梯度图像评价,具体包括如下步骤。
步骤4-1、构建非局部梯度:针对标定特征点集PR和PT中的第i个标定特征点,分别构建非局部梯度μR(i)和μT(i);其中,1≤i≤m。
上述m个μR(i),共同构成μR;m个μT(i),共同构成μT;则μR和μT的具体表达式为:
μR={μR(1)、μR(2)、…、μR(i)…、μR(m)}
μT={μT(1)、μT(2)、…、μT(i)…、μT(m)}
式中,μR(1)、μR(2)、…、μR(i)…、μR(m)分别为标定板参考图像R中第1个、第2个、第i个和第m个标定特征点的非局部梯度。
μT(1)、μT(2)、…、μT(i)…、μT(m)分别为待评价图像T中第1个、第2个、第i个和第m个标定特征点的非局部梯度。
步骤4-2、计算非局部梯度μR(i),具体为:
A、构建方领域Ω:对标定特征点集PR中的第i个标定特征点构建以/>为中心的方领域Ω,且方领域Ω的每条边均具有(2t+1)个像素点。
上述方领域Ω涉及的t的取值范围为20≤t≤100,具体需根据待评价图像T中标定板参考图像R所占比值K进行确定;当K值越大,则t值也越大。
B、计算偏差NGR(j):设方领域Ω内第j个像素点的像素值为rj,则NGR(j)的计算公式:
C、计算μR(i):通过计算方领域Ω内所有NGR(j)的均值,从而得到μR(i),具体为:
步骤4-3、计算非局部梯度μT(i):采用步骤4-2的方法,得到标定特征点集PT中第i个标定特征点对应的偏差NGT(j)和非局部梯度μT(i),具体为:
式中,rj为方领域Ω内第j个像素点的像素值;方领域Ω以为中心,且其每条边均具有(2t+1)个像素点。
步骤4-4、计算平均变化程度相似度S1(i):根据μR(i)和μT(i)计算获得,具体计算公式为:
式中,λ为大于零的任意常数。
步骤4-5、计算结构相似度S2(i),具体计算公式为:
式中,为NGR(j)的方差,/>为NGT(j)的方差,σR,T(i)为NGR(j)和NGT(j)的协方差。
步骤4-6、计算待评价图像T的质量评分G,具体计算公式为:
式中,0≤G≤1,G值越大图像T与参考图像R越接近,图像质量越高;当G≥0.9时,能满足0.05mm及以上的图像标定需求。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种标定图像质量评价方法,其特征在于:包括如下步骤:
步骤1、获取待评价图像T:采用相机A在设定位置对标定板参考图像R进行拍摄,得到待评价图像T;其中,标定板参考图像R具有m个标定特征点;待评价图像T包含标定板参考图像R中的所有标定特征点;
步骤2、待评价图像T整体质量判断:利用点锐度算法对待评价图像T的整体清晰度进行评价;当待评价图像T的点锐度p不低于点锐度最小阈值pmin时,进入步骤2;否则,判断待评价图像T的质量评分为G=0;
步骤3、提取标定特征点:分别提取标定板参考图像R和待评价图像T中所有标定特征点的像素值,从而获得标定特征点集PR和PT;
步骤4、非局部梯度图像评价,具体包括如下步骤:
步骤4-1、构建非局部梯度:针对标定特征点集PR和PT中的第i个标定特征点,分别构建非局部梯度μR(i)和μT(i);其中,1≤i≤m;
步骤4-2、计算非局部梯度μR(i),具体为:
A、构建方领域Ω:对标定特征点集PR中的第i个标定特征点构建以/>为中心的方领域Ω,且方领域Ω的每条边均具有(2t+1)个像素点;
B、计算偏差NGR(j):设方领域Ω内第j个像素点的像素值为rj,则NGR(j)的计算公式:
C、计算μR(i):通过计算方领域Ω内所有NGR(j)的均值,从而得到μR(i);
步骤4-3、计算非局部梯度μT(i):采用步骤4-2的方法,得到标定特征点集PT中第i个标定特征点对应的偏差NGT(j)和非局部梯度μT(i);
步骤4-4、计算平均变化程度相似度S1(i):根据μR(i)和μT(i)计算获得,具体计算公式为:
式中,λ为大于零的任意常数;
步骤4-5、计算结构相似度S2(i),具体计算公式为:
式中,为NGR(j)的方差,/>为NGT(j)的方差,σR,T(i)为NGR(j)和NGT(j)的协方差;
步骤4-6、计算待评价图像T的质量评分G,具体计算公式为:
式中,0≤G≤1。
2.根据权利要求1所述的标定图像质量评价方法,其特征在于:步骤4-2中,方领域Ω涉及的t的取值范围为20≤t≤100,具体根据待评价图像T中标定板参考图像R所占比值K进行确定;当K值越大,则t值也越大。
3.根据权利要求1所述的标定图像质量评价方法,其特征在于:步骤1中,标定板参考图像R为黑白相间棋盘格;标定特征点为黑白相间棋盘格的角点。
4.根据权利要求1所述的标定图像质量评价方法,其特征在于:步骤2中,点锐度p的计算公式为:
式中,m和n分别表示待评价图像T的长度与宽度;
df表示待评价图像T灰度的变化幅值;
dx表示像素之间的距离增量;
点锐度p表征图像中每个像素点灰度值的扩散程度,p值越大,扩散程度越大,则待评价图像T越清晰。
5.根据权利要求1所述的标定图像质量评价方法,其特征在于:步骤3中,标定特征点集PT的获取方法,包括如下步骤:
步骤3-1、计算相似度c:采用高斯核进行卷积,计算出待评价图像T中每个像素点与标定特征点的相似度c;
步骤3-2、c值筛选:对步骤3-1中的c值进行筛选,从而得到标定特征点集PT的标定特征点集,并记为
6.根据权利要求5所述的标定图像质量评价方法,其特征在于:步骤3-1中,高斯核具有4种,分别为A卷积核、B卷积核、C卷积核和D卷积核。
7.根据权利要求6所述的标定图像质量评价方法,其特征在于:步骤3-1中,相似度c的计算公式为:
其中:
式中:
为当前像素点与标定板参考图像R无倾斜时经A和B卷积核卷积后标定特征点的相似度;/>为当前像素点与标定板参考图像R倾斜时经A和B卷积核卷积后标定特征点的相似度;为当前像素点与标定板参考图像R无倾斜时经C和D卷积核卷积后标定特征点的相似度;为当前像素点与标定板参考图像R倾斜时经C和D卷积核卷积后标定特征点的相似度;分别为待评价图像T与n×n的高斯核卷积所得,分别表示标定板参考图像R无倾斜时A、B、C和D四种卷积核的卷积响应值;
分别为待评价图像T与n×n的高斯核卷积所得,分别表示标定板参考图像R倾斜时A、B、C和D四种卷积核的卷积响应值;
μ1为的均值;
μ2为的均值。
8.根据权利要求6所述的标定图像质量评价方法,其特征在于:步骤3-2中,采用非极大值抑制算法对步骤3-1中的c值进行筛选。
9.根据权利要求1所述的标定图像质量评价方法,其特征在于:当G≥0.9时,能满足0.05mm及以上的图像标定需求。
10.根据权利要求1所述的标定图像质量评价方法,其特征在于:步骤4-1中,m个μR(i),共同构成μR;m个μT(i),共同构成μT;则μR和μT的具体表达式为:
μR={μR(1)、μR(2)、…、μR(i)…、μR(m)}
μT={μT(1)、μT(2)、…、μT(i)…、μT(m)}
式中,μR(1)、μR(2)、…、μR(i)…、μR(m)分别为标定板参考图像R中第1个、第2个、第i个和第m个标定特征点的非局部梯度;
μT(1)、μT(2)、…、μT(i)…、μT(m)分别为待评价图像T中第1个、第2个、第i个和第m个标定特征点的非局部梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311794482.8A CN117853429A (zh) | 2023-12-25 | 2023-12-25 | 一种标定图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311794482.8A CN117853429A (zh) | 2023-12-25 | 2023-12-25 | 一种标定图像质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117853429A true CN117853429A (zh) | 2024-04-09 |
Family
ID=90532271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311794482.8A Pending CN117853429A (zh) | 2023-12-25 | 2023-12-25 | 一种标定图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853429A (zh) |
-
2023
- 2023-12-25 CN CN202311794482.8A patent/CN117853429A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909693B (zh) | 3d人脸活体检测方法、装置、计算机设备及存储介质 | |
CN110490936B (zh) | 车辆摄像头的标定方法、装置、设备及可读存储介质 | |
CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
CN111083365B (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
Semeniuta | Analysis of camera calibration with respect to measurement accuracy | |
CN109086675B (zh) | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 | |
CN111401324A (zh) | 图像质量评估方法、装置、存储介质及电子设备 | |
CN110766095B (zh) | 基于图像灰度特征的缺陷检测方法 | |
DE102015005267A1 (de) | Informationsverarbeitungsvorrichtung, Verfahren dafür und Messvorrichtung | |
CN110261069B (zh) | 一种用于光学镜头的检测方法 | |
CN110533686A (zh) | 线阵相机行频与物体运动速度是否匹配的判断方法及系统 | |
CN113012234A (zh) | 基于平面变换的高精度相机标定方法 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN114565565A (zh) | 一种视觉测量目标中心亚像素定位方法 | |
CN117557806A (zh) | 硅棒生长视觉监测方法、装置、设备及存储介质 | |
TWI697846B (zh) | 物體辨識方法及其裝置 | |
CN117853429A (zh) | 一种标定图像质量评价方法 | |
CN114972084A (zh) | 一种图像对焦准确度评价方法及系统 | |
CN209279912U (zh) | 一种物体三维信息采集装置 | |
CN110956640B (zh) | 一种异源图像边缘点检测与配准方法 | |
CN113670268A (zh) | 基于双目视觉的无人机和电力杆塔距离测量方法 | |
CN110232711B (zh) | 面向海产品抓取的双目视觉实时感知定位方法、系统、装置 | |
JP2565585B2 (ja) | スクライブライン交差領域の位置検出方法 | |
CN117522784B (zh) | 一种基于齿距离分割补偿的齿轮件图像检测方法及系统 | |
CN118015005B (zh) | 一种基于机器视觉的泛碱检测方法及便携式检测装置 |
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 |