图像尺寸检测

关键词：检测

图像尺寸检测（精选八篇）

图像尺寸检测篇1

镜头畸变的产生原因取决于相机镜头的生产工艺和安装工艺,对于一般定焦相机往往可认为是由若干个畸变常数所得到的,故理论上可以认为只需一次标定即可解决。实际上,标定效果既受图像处理和标定数学模型[2]所影响,亦受到成像质量的好坏所左右,标定图像若与之后的图像质量偏差较大时,会造成图像处理效果出现偏差,导致标定效果大打折扣,实际的标定并非一次到位,需要间隔一段时间重新进行标定。故研制方便快捷的标定系统是目前相机标定的一个发展趋势。目前国内外具有代表性的相机标定方法包括了Faig[3]提出的对于相机内外部参数标定的非线性优化算法、Tsai[4]给出的基于径向约束的两步标定法(RAC),以及张正友的基于平面格网标定法和张永军的基于平面格网[5]和二维直接线性变换方法等。这些优秀的标定方法给工程应用提供了有力的理论依据,但在实用性和精度上仍有必要进一步深入研究,其发展趋势大致如下:(1)从畸变模型方面考虑,研究适用于高精度测量的标定方法。(2)结合特定的标定对象,研制实用型标定系统。(3)从通用性出发,研究灵活稳健的自标定算法。在线阵相机标定中,鉴于主体畸变为径向畸变,以Tsai的RAC[6]两步法算法应用最为广泛。在建立世界坐标到图像坐标的转换模型基础上,对图像坐标引入畸变参数,建立畸变数学模型,再通过Levenberg-Marqyardt(LM)或Newton Raphson(NR)算法对初始结果进行深度优化以得到精确值,平均精度可达1/4 000,深度方向精度可达1/8 000。本文通过改进RAC算法,结合检测对象,设计了适用于测量设备的标准件,研究了实用型标定方法。

1 线阵CCD几何成像原理

摄像机的三维世界坐标转换到图像坐标的几何模型如图1所示。设被测物体所在的世界世界坐标系为OwXwYwZw,Yw为被测物体的运动方向,相机坐标系为OuXuYuZu,图像坐标系为OXY,Y为被测物体的运动方向。3个坐标系的各坐标轴分别平行。由图像坐标系与世界坐标系的线性关系,可实现世界坐标到图像坐标的转换。

其中,s为比例因子,ax,ay分别为u轴,v轴上归一化焦距。R、t分别为世界坐标系转换到相机坐标的旋转矩阵和平移矩阵。在系统中,测量物在Z轴方向固定,采集图为一维图像,故可将Y、Z轴单位化,由式(1)和式(2)可得

$u = (a \cdot X_{w} + t) \frac{1}{d x} + u_{0}$ (4)

实际上,实际镜头并不是理想的透视成像模型,这使得物体在成像过程中并不位于线性模型中所描述的位置X,而是畸变后的实际像平面坐标X′。故有

X=X′+δx (5)

其中,δx为畸变值,其大小与图像点坐标在图像中的位置相关。

切向畸变[7]对线阵CCD影响很小,一般忽略不计,故只考虑径向畸变。径向畸变的修正量可由以下多项式模型表示

δx=(u-u0)(k1r2+k2r4+…) (6)

其中,r为图像上所求点到光心的距离。至此,由式(4)和式(6)可得物体从世界坐标转化到图像实际图像坐标的映射关系。

2 标准件设计

标准件如图2所示,各阶梯按从小到大分布,最大不超过CCD相机的最大视野。如图3所示,取各阶梯中间部分为测量范围,测量的径向尺寸为该阶梯的径向尺寸,从而避免各阶梯间接合处加工不好而导致该范围内径向尺寸测量结果不稳定。

3 畸变校正过程实现

传统的畸变校正是利用标定板对图像进行全图标定,当图像过大时,会造成标定时间过长而影响图像检测的实时性,无法满足工业上图像检测的实时性要求。为保证畸变校正的精确度和效率,本系统对畸变校正模型进行优化。由于该系统检测目标为径向尺寸,设标准件各阶梯径向尺寸为li,则li=Xi1-Xi2,联合式(4)和式(6)得

(7)

由该方程组可将平移向量t消去,令dx/a=a,故有

取初始值u0为图像的中心坐标,k1、k2、k3、…等均为零,利用Sobel算子提取出各阶梯上下两端的亚像素边缘坐标,再将各阶梯的径向尺寸li代入则可求得a的初始值,将求得的a、u0代入式(8),用Levenberg-Marquardt(LM)深度优化算法进行优化搜索[8],得到a、u0、k1、k2、k3、…的精确解。该方法可消去坐标转换中的平移参数矩阵[9],降低了算法复杂度,提高了标定[10]过程的运算速度。

4 实验结果与分析

本文所讨论的镜头径向畸变算法[11]已经在汽车发动机气门检测系统得到应用,系统所使用的线阵CCD采用的是分辨率为8 192×1的线阵相机[12],标准件如图4所示,通过微距位移[13]平台,令标准件进行微步距移动,经扫描采集可得到如图2所示的实物图。用VS2008将算法进行编程实现,通过10组阶梯的边缘坐标对方程组(7)进行求解,可得a、u0、k1、k2、k3、…的精确解。表1为通过畸变校正后的测量数据与真实数据的对比。由表1数据可得,标准件经过畸变校正后的测量数据与给定的标准数据偏差在0.014～1.3 μm之间,满足工业上测量的高精度测量标准。

为验证畸变校正算法的可行性,任意抽检了数种气门进行测量,表2为畸变校正前后及标称值的数据。通过数据分析可知,畸变校正前的测量误差为4.5 μm以上,通过畸变校正,可以使测量精度提高到2 μm内,通过径向畸变校正提高测量精度是可行的。

5 结束语

线阵CCD在工业高精度测量中有着较大的优势,其高分辨率可以更细致地还原被测物的真实边缘,有效提高测量精度。在本检测系统的研发中,除采用高分辨率和高精度的线阵CCD工业数字相机和高档相机镜头外,还开展了如下工作:

(1)设计了镜头畸变校正用的阶梯状标准件,该标准件加工精度高,保证了标定物的高精度要求,为接下来的畸变校正工作提供了稳定且可靠的标定物。同时,该标准件大幅提高了标定物对各类相机的适应性,为镜头畸变校正应用于线阵CCD的理论依据提供了强有力的物质依托。通过线阵相机高分辨率的优势和镜头畸变校正方法的有机结合,实现了高精度图像尺寸检测。

(2)本系统对Tsai的RAC标定法进行改进,由传统的点对点畸变校正转换为尺寸/尺寸的畸变校正,从而建立误差补偿曲线的高次拟合函数,实现镜头畸变校正[14]。该方法简化了畸变参数个数,降低了算法的复杂度,从而提高了镜头畸变校正的效率,满足实际检测过程的实时性要求。通过使用该方法,系统检测精度可提高至2 μm,满足实际测量中的高精度图像尺寸检测要求。

图像边缘检测相关算法研究篇2

关键词:图像边缘检测;算法

中图分类号:TP301.6 文献标识码:A文章编号:1007-9599 (2010) 09-0000-01

Research on Image Edge Detection Algorithms

Zhang Benqun

(Guizhou Xingyi Normal University for Nationalities,Xingyi562400,China)

Abstract:In this paper,two types of image edge detection methods is firstly introduced.

Image edge judging indices,which are wrong detection rate and positioning accuracy,then illustrated.Finally,corresponding traditional image edge detection algorithms,such as Roberts Operator,Sobel Operator,LOG operator and Otsu Operator are all discussed in details.

Keywords:Image edge detection;Algorithm

作為计算机视觉的经典性研究课题,图像边缘的研究已有较长历史,涌现了许多方法,本文将这些方法分为两大类:①基于空间域上微分算子的经典方法。②基于图像滤波的检测方法,并论述其中一些经典的图像边缘检测算法。

一、两类图像边缘检测方法

(一)基于空间域上微分算子的经典方法。在阶跃型边缘的正交切面上,阶跃边缘点周围的图像灰度I(x)表现为一维阶跃函数I(x)=μ(x),边缘点位于图像灰度的跳变点。根据边缘点的特性,人们提出了基于图像灰度一阶导数、梯度、二阶导数以及更为复杂的LaPlace算子等提取图像边缘的方法。

(二)基于图像滤波的检测方法。在实际图像中,边缘和噪声均表现为图像灰度有较大的起落,同是高频信号,但相对来说边缘具有更高的强度。

二、图像边缘评价指标

为了评估边缘提取效果,人们提出了形式多样的评价指标,其中误检率和定位精度是两个最常用的指标。前者指实际边缘点漏检和虚假边缘点误检两种错误发生的概率。设原图像E(x,y)和滤波后图像的信噪比为SNR,当SNR大时,噪声对边缘检测的干扰小,真实边缘容易被检测,噪声引起的虚假边缘点相对减少,图像边缘的误检率降低;反之,当SNR小时,边缘的误检率将升高。由此可见,图像边缘的误检率是滤波后图像户的信噪比(SNR)单调下降函数,我们可以用图像的信噪比(SNR)近似表示图像边缘的误检率。用大尺度的滤波器去抑制原图像的噪声,可靠地识别噪声;而用小尺度滤波器为图像边缘精确定位。这就是常说的多尺度边缘提取算法。多尺度的图像边缘检测方法已成为图像边缘检测的重要发展方向。

三、几种经典的边缘检测算法论述

(一)Roberts算子。RobertS边缘检测算子根据任意一对互相垂直方向上的差分可用来计算梯度的原理,采用对角线方向相邻两像素之差,即:

(1)

有了△xf和△yf之后,很容易计算出Roberts的梯度幅值R(i,j),适当取门限T,作如下判断:R(i,j>T,(i,j)为阶跃状边缘点,{R(i,j)}为边缘图像。RobertS算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。它适合于得到方向不同的边缘,对不同方向的边缘都比较敏感,检测水平和万垂直边缘的效果好于斜向边缘,定位精度高。但是在进行差分计算的过程中对噪声敏感,即有噪声影响的像素点可能被检测为边缘点。

(二)Sobel算子。对数字图像{f(i,j)}的每个像素点,考察它上、下、左、右邻点灰度加权差,与之接近的邻点的权值大。定义Sobel算子如(2),其中卷积算子如(3)所示。取适当门限T,作如下判断:若S(i,j)>T,即(i,j)为阶跃状边缘点,{S(i,j)}为边缘图像。

S(i,j)=∣△xf∣+∣△yf∣=∣(f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)-f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1))∣+∣(f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)-f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1))∣(2)

(3) (4)

Sobel算子很容易在空间上实现,Sobel边缘检测器不但产生较好的边缘检测效果,而且受噪声的影响也比较少。

(三)LOG算子。前面介绍的梯度算子和拉普拉斯算子实际上都是微分或差分算法,因此算法对噪声十分敏感。所以,在边缘检测前,必须滤除噪声。Marr和Hildreth将高斯滤波和拉普拉斯边缘检测结合在一起,形成LOG(Laplace-Gauss)算法。LOG边缘检测器的基本特征是:1.平滑滤波器是高斯滤波器;2.增强步骤采用二阶导数(二维拉普拉斯函数);3.边缘检测判断依据是二阶导数零交叉点并对应一阶导数的较大峰值;4.使用线性内插方法在子像素分辨率水平上估计边缘的位置。

(四)Otsu算法。Otsu算法正是利用概率论的知识,通过计算最大类间方差而得到分割阈值的。

结束语:本文对相关的经典图像边缘检测算法进行了回顾和分析,并论述了其实用优势和不足,这些算法在实际的计算数学工程中,得到了广泛的应用,并不断被人们改进。

参考文献:

[1]朱红高.图像边缘检测技术研究现状[J].制造业自动化,2010,01

基于图像的物体尺寸测量算法研究篇3

在数字化和自动化时代,人们倾向于用更快捷有效的方法替代传统的手工工作,如在一些自动化生产车间、物流公司的配送系统,往往需要便捷获取物体(如箱子)尺寸,方法是手工测量或肉眼估计,效率和精度不高。目前,国内外已开展了物体识别、图像矫正等方面的研究,但是直接通过参照物标定未知目标尺寸的例子还比较少[1,2,3,4,5]。在物体识别方面,常见的是用数据训练识别器,然后再对物体进行识别(比如人脸识别)。

在图像处理方面,透视变形是最常见也是影响较大的因素,对透视变形的矫正,已经有一些技术[6,7,8],但只是对已知物体尺寸进行校正(如A4文档矫正)或者同比例(保持长宽比)情况下对目标进行矫正,而针对一张张独立图片还没有适合的方法。

本文开发了一款基于Android手机平台的物体长度测量APP。运用图像处理技术,直接对手机相册里的图片进行目标识别、矫正和计算,得到物体尺寸。

1 算法设计

为实现从任意给定的一张图片中识别出目标物体并计算尺寸,需要经过图片预处理(过滤去噪)、边缘检测、目标识别匹配、透视变形矫正和参照对比等步骤。每一环节的处理效果及速度,都会对最终结果产生明显影响。

1.1 预处理

图像处理中,首先需要对给定图片数据进行预处理,预处理主要是进行去噪、锐化、图像增强等操作,目的是为后期处理减少干扰,突出目标。本文处理的图片随机拍照生成,拍摄背景、拍摄条件不尽相同,可能导致背景噪声干扰淹没目标物,因而预处理目标是确保原始信息不丢失且关键信息得到增强。

1.1.1 卷积运算

对图像进行卷积运算,可突出图像细节,增强对比度。卷积运算是利用一个矩阵核对一个小区域进行操作,即掩码运算。

要得到图像某个特定位置的卷积值,可用下列方法计算:①将核的锚点放在该特定位置像素上,同时,核内其它值与该像素邻域的各像素重合;②将核内各值与相应像素值相乘,并将乘积相加;③将所得结果放到与锚点对应的像素上;④对图像所有像素重复上述过程。

1.1.2 锐化

图像锐化是补偿图像的轮廓,增强图像边缘及灰度跳变部分,使图像变得清晰。在计算机图像处理中可用微分运算和高通滤波器来实现图像锐化,即对空间域和频域进行锐化。

根据频率分析,任何一幅图像都是由决定图像反差的低频信号和决定图像细节的高频信号组成,所以频率域图像的锐化可以采用高通滤波器滤波,以加强图像所需的高频信号。

1.1.3 降采样和插值

对图片进行一次降采样,可以降低图片的数据量,减少计算量,然后进行插值恢复,保持图像关键信息的完整性。可以去噪滤波,消除背景噪声和预处理带来的部分噪声。

1.2 边缘检测

边缘检测是目标识别的前提,也是整个算法流程中非常重要的一环。边缘是指其周围像素灰度急剧变化的那些像素集合,它是图像最基本的特征。边缘存在于目标、背景和区域之间,所以,它是图像分割的重要依据。有许多方法用于边缘检测,一般分为基于查找和基于零穿越两类方法。基于查找方法通过寻找图像一阶导数中最大和最小值来检测边界,通常是将边界定位在梯度最大的方向。

在边缘检测算法中,大多数情况下仅仅需要边缘检测器指出边缘出现在图像某一像素点附近,而没有必要指出边缘的精确位置或方向。本文只需要确定目标轮廓,不需要具体位置信息,步骤如下:

1.2.1 图像色彩通道提取

检测算子操作的都是单通道灰度图或二值图,传统做法是直接对源图像进行灰度化或者二值化处理,通过一定的阈值截断数据,这就丢失了不同色彩通道下的目标信息。不同拍照环境下,目标与背景的色彩区分度较大。比如目标是黄色,而背景是蓝色,综合进行二值化的结果是目标与背景的边界没那么明显。如果进行色彩通道提取然后再处理,在一种色彩通道下,能很好地将目标与背景分割开。

常见的图片只涉及RGB三原色,所以本文做法是每次提取3种颜色的一种,然后再进行边缘检测处理。

1.2.2 检测算子选取

常见的边缘检测算子有Roberts Cross算子、Prewitt算子、Sobel算子、Canny算子等。其中,Sobel算子和Canny算子效果较好。

Sobel算子是一阶微分算子,它利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的阈值来取舍。Sobel算子是算子模板,它由两个算子核构成,一个核对垂直边缘响应最大,另一个核对水平边缘响应最大。2个卷积的最大值作为该点的输出值。本文给出2个算子对同一图像的边缘检测效果。

从图1-图3可以看出,Canny算子对图像的边缘信息保留较好,出现的轮廓断裂或缺失情况小,而Sobel算子检测后的轮廓图很模糊,边缘信息丢失很厉害。本文检测算子采用Canny算子。

1.2.3 阈值自适应获取

Canny使用了滞后阈值。滞后阈值需要两个阈值———高阈值与低阈值。假设图像中的重要边缘都是连续曲线,这样就可以跟踪给定曲线中的模糊部分,避免将没有组成曲线的噪声像素当成边缘。从一个较大阈值开始,标识出比较确信的真实边缘,使用前面导出的方向信息,从这些真正的边缘开始在图像中跟踪整个边缘。跟踪时本文使用一个较小阈值,这样就可以跟踪曲线的模糊部分直至回到起点。

设置阈值过高可能会漏掉重要信息;阈值过低,枝节信息又变得很重要,很难给出一个适用于所有图像的通用阈值。传统方法是让用户根据经验手动输入两个阈值,这不但麻烦,而且同样的阈值对不同的图片检测效果不一样,缺乏泛化能力。本文提出了基于类间距的自适应阈值算法。该算法一般都能求出两个高低阈值,如果自适应获取失败,就采用最常用的经验值作为默认值。

1.3 目标识别

确定好目标轮廓线后就可对目标进行识别处理。识别之前,还应考虑实际情况对轮廓线进一步筛选。实际应用中目标物的尺寸在整个图片中属于大物体,前面步骤处理后,一些类似的小物体也保留下来,而这些需要剔除。剔除方法是面积筛选法,只有当闭合轮廓线面积满足某个面积阈值时才被保留。这样既排除了干扰,也加快了处理速度。

轮廓线由许多点组成,轮廓线保存的就是这些点,这些点存在着大量冗余。例如确定一个矩形,只需要4个点。对已经保留下来的轮廓线进行一次几何曲线拟合,用一个只包含最少点的几何曲线来表示原来的轮廓线,会大大降低数据量,减少存储空间,同时也加快了后续处理速度。

拟合算法采用的是Ramer-Douglas-Peucker algorithm(RDP)算法。该算法递归地从原始点集选取两点作为线段,然后找离线段最远的点。如果这个点到线段的距离大于阈值就保留,否则剔除。阈值一般采用比较常用的经验值0.02。

目标识别方法很多,图像纹理特征、几何特征、模式分类器都可以作为识别依据,其中几何特征法针对规则目标的识别具有高效快捷、数据量小的优点。因此,本文采用几何特征法进行识别。

一张包含参照物和目标物的图片经过预处理、边缘检测、轮廓拾取等步骤,将参照物和目标同时进行识别,提高了处理效率。

采用了多通道的分别检测识别方法,同一个目标物会被多次识别,解决此问题的方法是去重:如果两次识别的目标物大小一样,特定点(如中心或左顶角)的坐标位置一样,那么就认为是同一物体,只保留一份即可。

1.3.1 参照物识别

(1)参照物选取。参照物选取原则:①不能和待识别的矩形或立方体混淆干扰;②参照物自身应当易识别,且始终保持一致。基于上述考虑,本文选择圆(球)作为参照物。圆(球)的投影能保持很好的一致性。

(2)参照物几何特性。对于圆来说,它的几何特性比较特殊,具有“1”的特性:任何小于1的几何图形都不是圆。考虑到实际情况,图片的拍摄质量、透视形变等原因,在实际识别过程中,阈值设置为0.8,当大于这个值时就判定为圆。

图片除了参照物的圆外还可能存在多个干扰圆,解决方法是确保参照物圆是所有圆里最大的一个。

1.3.2 平面目标(矩形)识别

平面目标识别主要是对一个照片里多个目标物(矩形)进行识别,这些矩形可以任意角度旋转,推荐最大个数不超过10个,否则会导致取景框装不下,需要将拉长距缩小,导致识别和计算精度下降。

识别过程:①判断拟合曲线的顶点数是否为4;②计算4个角的余弦值。由于只知道4个顶点坐标,所以需要3个1组分别计算余弦值;③筛选。理想情况下,如果4个余弦值都为0,则代表目标物是一个矩形。考虑到实际情况下图片的拍摄质量和透视变形,4个余弦值只会与0很接近。解决方法是求4个余弦值的最大值,然后判断最大值是否小于阈值0.3。如果是,则目标物是一个矩形;④去重。如果同一个目标已被检测,则以后直接跳过,不更新矩形集合;⑤排序。经过以上步骤,可以获得一个矩形集合,但是这个集合里可能还有一些边边角角的干扰小矩形被收录。这时可根据面积,对所有矩形进行排序,把面积大的用户感兴趣的目标列出来,其它的剔除或者跳过处理。

1.3.3 立体目标(长方体)识别

对于立体目标,从一个角度拍最多只能看到3个面,透视变形现象较严重。正对着相机的2个面会变形拉伸为梯形,而顶部的一个面则直接变形为菱形。基于以上考虑,需将识别规则进行修改:

(1)单个识别。一张图片里只能保留一个立体目标(长方体),且尽量居于图片正中央,这样可以减轻透视变形。

(2)判定拟合几何曲线的顶点是否为4,透视现象导致矩形退化为一般的四边形。

(3)去重。同平面目标一样,立体目标也会由于多通道提取检测识别而出现多次检测,解决方法也是及时去重,保留一份结果。

(4)排序定位。经过上述步骤识别出的目标,可能包含顶部已经废掉的菱形及其它四边形,此时需要对这些四边形进行一个基于面积的排序,只取面积最大的和次最大的两个,这就是本文后续计算尺寸需要的2个面。

1.4 透视矫正

物体成像过程是一个单点投影过程,该过程无可避免地产生了透视变形。透视变形最直接的效应是远小近大、平行线相交。落脚到目标物上,导致目标的几何形状发生改变,或水平或竖直方向进行了拉伸或缩小。如果仅仅为了识别出目标物,则可通过一定算法将变形后的目标识别出来,但是目标在像素空间的尺寸已经发生了改变;如果要进一步计算目标的实际尺寸,就必须对目标进行校正,才能保证结果的精确性。

目前国内外对透视校正有一些研究,针对的是一些特定目标的校正,复杂度高,缺乏通用性。例如袁国栋[9]的“逆向投影点绘制算法”、郑全新[10]的“基于消失线的长方体表面透视变形校正方法”等,需要事先知道相机的内部参数、拍摄时的距离角度等外部条件,计算过程复杂。苗立刚[11]的“基于形态学的文档图像透视校正算法”需要事先知道目标物大小,如A4纸的尺寸。代秦[12]的“基于改进变换和透视变换的透视图像矫正”则需要事先知道几个不变的坐标,求出转换矩阵,同样不适合本文的研究目标。

基于上述考虑,必须在便捷简易和精度上折中,并且不可能有100%的矫正效果。所以在拍摄之前,为了获得更高的精度,拍照过程应尽量减小透视变形。在平面目标(矩形)模式下,物体变形不是很严重,本文采用最小包围矩形来进行校正。

在靠近相机的一端,目标物几乎没有形变,可以这些像素点为基点,逐步向外扩展,构造一个可以最小包围目标物的外接矩形,这样就可以将缩小的边拉回到正常尺寸。为了提高计算效率,可以直接以这个外接矩形尺寸为准,省去将目标物进行校正拉伸的过程。

在平面目标识别过程中,由于目标可以旋转,所以这个最小包围矩形不是水平的,而是根据目标物最靠近相机的2条直线进行逐步扩展,构造一个最小外接矩形。

在立体目标识别模式下,由于观察角度问题,立体物体的两个面不能同时正对相机,必会导致某个面透视变形严重。通过观察图像可知,正对相机的目标高边几乎没有形变,而目标的宽边和长边则变形严重。

针对这种变形,本文采用余弦纠正法。首先计算形变的面靠近低端和水平线的夹角,然后以低端的那条边和水平线构成一个直角三角形。低端的那条边可以根据形变面的顶点坐标距离求得,然后根据余弦值,再反推出斜边的长度,即为校正后的边长。最后强调一点的是,在拍摄立体目标图片时,相机最好稍微仰视目标拍照,这样校正效果比较好。对于一些立体识别变形严重情况,推荐采用平面目标识别,每次识别立体目标的一个面,这样可提高精度。

1.5 参照计算

经过上述步骤处理,可以得到经过校正的参照物和目标物的像素空间尺寸。此时只需要进行一个等比计算,即可获得目标尺寸。

对于平面目标,每个目标尺寸计算公式如下:

其中Owidth、Oheight是目标三维空间实际尺寸,Ow、Oh为目标像素空间尺寸,Cr是参照物的像素空间尺寸,R是参照物的三维空间尺寸,可从外界输入。

对于立体目标,由于两个面会提供四组长宽数据,其中高度数据是重复的。实验中发现,校正后的尺寸会稍偏小,所以为了进一步校正,选取高度数据里最大的值,计算公式如下:

其中Owidth、Olength、Oheight是目标三维空间实际尺寸,O1w、O2l、O1h、O2h为目标两个面的像素空间尺寸,Cr是参照物的像素空间尺寸,R是参照物的三维空间尺寸,可从外界输入。

2 实验结果

目前,图像处理比较流行和成熟的第三方库是OpenCV[13,14],它是一个开源的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上。它是轻量级的,而且高效,由一系列C函数和少量C++类构成,主要使用C/C++编程,同时提供了Python、Java等语言接口,实现图像处理和计算机视觉的很多通用算法。

OpenCV提供了Point、Rect、Mat等基本数据结构,可以省去结构设计和底层操作,开发程序时专注于问题域自身算法的设计和实现,降低了实现复杂度,提高了灵活度。本文基于OpenCV 2加以实现。

为了设定核心算法和框架,便于优化修改,本文先在PC端实现算法。图像处理代码实现注重效率和检测效果,本文采用的是经典的面向过程编程方法,对关键算法的函数实现进行封装和优化。下面以立体目标识别计算为例,介绍几个核心函数的实现。

2.1 目标物去重

多通道的反复检测处理,对同一个目标可能会多次检测,但是只能保留一份,其它的需要排除掉。采用方法是基于位置和面积的判别。

2.2 自适应法确定高低

采用OSTU算法实现一个自适应算法。

2.3 目标检测识别

目标检测识别是较关键部分,综合了很多其它算法过程。其中多通道提取算法可以用OpenCV的mixChannels()函数实现,边缘搜索可以用findContours()实现。实现过程中关键是算法的组合及库函数的参数选取。

2.4 尺寸计算

识别过程中可能会收录一些小尺寸目标,这些需要剔除。部分图片是矩形,有时会错误地识别,这也需要剔除。剔除方法是如果目标物尺寸跟图片尺寸相仿,那么目标其实是整个图片,应当剔除。

在找到计算尺寸需要的目标两个面后,需要对每个面的4个顶点按纵坐标y为序进行排序,再根据这4个点进行余弦值求解以及实际边长计算。

2.5 手动辅助

面对一些质量很差的图片,在自动的3D和2D都无法识别时,就需要引入人工干预。干预方法很简单,用户只需指定要识别的物体关键顶点即可。

本文在PC机上对一些核心算法进行了优化和改进,最终目标是部署到Android平台上运行。从一个平台迁移到另一个平台,需要考虑很多因素。其中,核心算法都是基于OpenCV库,而OpenCV虽然提供Java接口,但Java接口是OpenCV2.3版本以后才有,稳定性和提供的支持不够完善。支持最好、效率最高的还是C/C++代码,而Android系统的前端是Java语言,目前很成熟、灵活,平台移植需要在不影响效率的情况下进行。

采用Java的JNI接口机制(java native interface)。该机制提供了C/C++原生代码和Java代码的混合编程机制,与本文所需一致。选好接口后,要考虑数据的传递。数据在不同模块间传递,然后处理,数据结构的选取也影响程序运行效率。在Android前端,通过拍照或选图,初始化一个位图对象,然后将位图的像素数据以数组形式通过JNI传递给后台的C/C++模块,C/C++模块再以这个像素数组重构出一个图片的Mat对象,然后按照PC端的预处理、检测、识别、校正等操作,将目标尺寸以数组形式返回,在前端显示。

为了便于后续功能拓展及更好地追踪后台模块处理情况,在返回值数组加了一个小技巧,保证正常情况下可返回尺寸。如果出现异常,如参照物识别、目标识别失败等,会返回错误标志及已经成功完成的操作,这样前端可以在了解错误原因的同时获取已经成功的操作,不必重复原来的过程,提高了效率。

3 结语

通过以上测试和结果分析,本文方法在大多数场景下可以正确快捷地实现平面及立体目标物的识别和尺寸计算(见图4)。目标尺寸的计算结果精确到小数点后4位,识别和计算过程简捷,实现了开发简便快捷手机端APP的目标。

图像处理在螺丝尺寸测量中的应用篇4

关键词：图像处理,平滑滤波,阈值分割,螺丝旋转,点坐标提取,宽度计算

引言：

近年来，随着科技的进步，人们生活水平得到逐步的提高，自动化技术的发展日益加快，流水线上早有机器取代人工的趋势。流水线上对产品的检测方法有（1）人工测量，人的视觉比较万能化，但容易疲劳，而且人为因素较多，标准不统一，速度慢误差较大，使得结果准确性不能保证。（2）图像处理法，即通过CCD摄像头捕捉图像，然后基于嵌入式系统进行图像处理、判断，较精确的计算出结果并进行比较。机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成。尤其是在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度，易于实现信息集成。

本设计针对图像处理法测螺丝部分尺寸并与合格品数据进行比较，采用此算法，准确、快速、高效的判断螺丝是否合格。

1、螺丝尺寸测量算法

由CCD摄像头获得图像后，对图像采用线性平滑滤波处理，以消除图片中存在的毛刺和噪声。滤波后用阈值分割算子对图片进行轮廓提取，然后判断螺丝方向并转为垂直方向，最后进行点的提取计算，其处理计算的基本流程图如图1所示。

2、算法步骤及结果

2.1 线性平滑滤波

一幅图像的噪声可能来自不同的干扰，包括电子传感器的噪声、相片颗粒的噪声和通道误差，可以使用经典统计学滤波技术来减少这些噪声的影响。本系统中误差主要来自于CCD相机或者通道传输误差，它们通常作为空间上不联系的离散和孤立的像素的变化出现，在灰度值上显得和他们相邻的像素有着明显的不同，通常比普通图像成分更具有更高的空间频率频谱。因此，对于噪声的清除，简单的低通滤波器是比较有效的。由线性平滑滤波后输出的图像G j, !k"可以根据下面的关系，使用L×L的脉冲响应序列H j, !k"，通过输入图像的离散卷积来形成：

式中C=L+!1"/2。利用居中卷积表示法，其中输入和输出阵列都相对于对方进行居中，并且将G j, !k"的宽度为L+!1"/2个像素的外部边界设置为零。

为了进行噪声清除，H应为低通形式的，具有所有的正元素。采用3×3个像素的脉冲响应阵列：

2.2 轮廓提取

阈值选择：根据图1（照片的灰度图）可以看出背景及螺丝的主要分布。因此决定了算子threshold中mingray和maxgray的取值。经过此算子对图片进行灰度筛选得到图2。

threshold算子选择的输入图像中灰度值g符合以下条件的像素：

图像经过阈值选择后，还需要经过区域膨胀，将图像内部填充完整为下一步做准备。对膨胀后区域计算提取连通区域，在选择时采用8连通区域，即围绕某一像素周围相邻及对角线上的相邻像素也包括进来，与4连通域相比可有更好的选择性，即可产生较少的连通域，加快处理速度。其处理后每个连续烟雾区域形成一个连通区域，此外，分割得到的干扰区域也被作为独立的区域返回，可以非常容易地将这些区域从分割结果中剔除，本设计采用基于区域面积的滤波。图3为膨胀处理后的图片。

根据区域面积，即每个区域所含像素点的个数进行滤波。无论正面与顶视图连续的面积都较大，不连续的面积较小，在正面的面积阈值为50000-70000时效果较好，顶视图的面积阈值为15000-20000时效果较好。用ConnectedRegions表示滤波前连续的区域，SelectedRegions表示滤波后输出的区域，area (ConnectedRegions) 表示ConnectedRegions的面积，则其关系式如下，效果如图4所示：50000<area (ConnectedRegions) <70000

2.3 正面的方向获取及转正，顶视图圆相似度计算

图像转正对于定位有较大的好处，可以比较简单的完成长度的计算。经过转正后，不同朝向的图片也可以通过统一方式处理，简化了处理计算的过程。

可以根据算子orientation＿region计算出图像偏移角度Phi，计算输出值存在OrientationRegion中。在空地区的情况下，所有参数值0。Phi的计算公式如下：

Phi=-0.5*atan2 (2.0*M11, M02-M20)

在得到图像角度后，再用area＿center计算面积area和输入区域的中心，该区域被定义为一个区域的像素数，该中心是行或列的所有像素平均值坐标。其中area为区域面积，RowCenter和ColumnCenter分别为中心点的行坐标和列坐标。在方向转正之前还要通过算子得到转正后的对应坐标和角度，因此可以使用vector＿angle＿to＿rigid (Row1, Column1, Angle1, Row2, Column2, Angle2, HomMat2D) 算子得到二维变换所需的变换矩阵。Row1, Column1, Angle, 表示原坐标系的坐标和角度。Row2, Column2, Angle2表示要转到坐标系的对应坐标和角度, Rad (x) :x为转换后与行的顺时针最小角度。HomMat2D输出的变换矩阵。

vector＿angle＿to＿rigid为一个严格的仿射变换算子。比如，一个变换包含了一个角度旋转和一个位置移动，他是由对应的点和相应的角度计算得到一个均匀的变换矩阵HomMat2D，矩阵包括两个组成部分：一个旋转矩阵R和一个位移向量t:

二维变换算子适用于任意二维仿射变换, 即缩放, 旋转, 平移和倾斜 (倾斜) , 输入图像为Region, 返回转换的区域为RegionAffineTrans。图5为经过二维变换的图像,

经上一步得到顶视图的轮廓之后这里将进行顶视圆的相似度计算，计算顶视图圆的相似度，从而判断是否是圆。其中用到的主要算子是circularity (Regions:::Circularity) ，该算子可计算出输入地区的圆的相似性，相似值返回到Circularity中。

计算：如果F是该区域面积最大的最大距离

从中央到所有轮廓像素，形状因子C

被定义为：

为圆时形状因子C是1。

2.4 正面边境点提取，顶视图圆判断及顶部平整度判断

经过图像二维变换后，最后进行轮廓点的提取。算子get＿region＿runs访问螺丝区域的游程编码，返回每行所对应的列起点和终点，Row为行存储，列的终点和起点分别存于ColumnBegin和ColumnEnd中。经过对上述算子中得出的点的处理就会得到一些关于螺丝轮廓方面的信息，比如：螺丝的长long=NumberLines*c=|RowRegionRuns|*c，"c为像素与实际长度转换的相应的系数，它与相机离实物的距离和图片总像素有关";螺丝的最大宽度width=maxDiameter*c=max (Diameter) *c,

"其中Diameter等于ColumnEndSelected-ColumnBeginSelect-ed+1"。

判断顶视图是否是圆的条件因要求各异，主要判断公式如下：Circularity>x。Circularity为圆相似度。

通过对正面图片0度转换所得的边界点计算可以判断顶部的平整度。即0度转换后，用算子get＿region＿runs得其边界点，RowRegionRuns[190-246]在ColumnEnd中所对应的值为顶部轮廓的列坐标点。在这些坐标点中找出最大值与最小值，通过判断公式ColumnEnd[max]-ColumnEnd[min]<a来判断;满足条件将被判为顶部平整。

结果显示图片如图5.

3、结束语

基于图像处理技术，设计了一种快速、准确、高效计算螺丝尺寸的算法，为基于图像处理的螺丝检测提供了算法设计参照。在计算螺丝尺寸中，解决了各类人为因素带来的影响，提高了生产效率和生产的自动化程度，使检测效果较为准确，并可实现实时、智能化检测，给流水线上螺丝检测带来极大的方便。随着工业自动程度的普及，在未来自动检测领域中必将会有着重大应用。

参考文献

[1]William K.Pratt.Digital Image Processing.北京:

[2]Carsten Steger, Markus Ulrich, Christian Wiedemann.Machine Vision Algorithms and Applications[M].北京:清华大学出版社, 2008

[3]Ghazali, K.H., Razali, S., Mustafa, M.M., Hussain, A.Machine Vision System for Automatic Weeding Strategy in Oil Palm Plantation using Image Filtering Technique 7-11 April 2008 Page (s) :1-5

[4]Callaghan, M.J.;McGinnity, T.M.;McDaid, L.Evolving task specificalgorithms for machine vision applications Volume 1, 4-7 July 2005 Page (s) :371-374 vol.1

[5]Bulanon, D.M.;Kataoka, T.;Okamoto, H.;Hata, S.Development of areal-time machine vision system for the apple harvesting robot Volume 1, 4-6 Aug.2004 Page (s) :595-598 vol.1

[6]Nat.Centre for Eng.in Agric., Toowoomba.The use of machine vision for assessment of fodder quality[J].Mechatrnics and Machine Vision inPractice, 2007:179-184.

图像尺寸检测篇5

随着科学技术和我国经济条件的发展,各种建筑已经渗透到国民经济和人们日常生活中的每一个角落。建筑设计与开发离不开各种各样的建筑外形,因此,建筑外形的检测成了一项既基础又重要的工作。在目前的建筑设计和生产的过程中,建筑外形的测量主要采用人工检测,即通过直尺、游标卡尺、千分尺、万能工具显微镜等传统测量工具进行测量。但是这些传统的测量手段容易受到测头形状、大小以及测量力度的影响,其测量精度和实现效率比较低,而且测量精度和效率通常与操作者的工作状态和工作经验相关,这样一来,是不能达到一些工业企业对越来越高的精度要求的。

这种情况促使了国内外许多科研学者和工程师对建筑外形的测量方法进行了大量的理论分析与实验,力求找到测量建筑外形尺寸的最优方法。随着机器视觉技术和数字图像处理技术的不断发展,基于机器视觉的检测技术在工业生产自动化系统中得到越来越广泛的应用,使得工业测量水平进一步提高。近年来,我国工业检测中逐渐重视机器视觉技术的应用。机器视觉技术是一门现代测量技术,它是以现代光学为基础,融合了计算机视觉、计算机图像学、光电子学、信息处理等技术。其最大的特点就是与被测对象无接触,因此具有很多优点,如对被测零件不会产生任何损伤、高效率、高精度、工作范围大、客观、柔性好、抗干扰能力强,因此十分可靠。目前,在现代制造业中已经成功地研究和使用基于机器视觉的测量方法,具有较好的应用前景。但目前来说,建筑外形的边缘特征在一定程度上来讲比较复杂。传统基于机器视觉的建筑外形检测方法在零件图像受到随机噪声干扰的情况下,测量精度将受到很大的影响。因此,基于灰度图像的建筑外形测量方法,还没有被完全的用于工业机械生产当中。正是基于以上背景,对基于灰度图像建筑外形测量的研究,不仅对于学术领域,对于工业设计和生产,乃至国民经济的发展,均有着重要的意义。

在建筑测绘过程中,掌握施工建筑的外形尺寸是更好地提供服务的保证。以往通过人工测量建筑物的相关尺寸,效率是非常低的,这影响了整个建筑施工的时间而且浪费人力。本文主要研究的是基于灰度图像边缘提取的建筑物尺寸测量方法,通过多位置的摄像机对建筑物进行图像采集,然后通过灰度图像边缘提取建筑的边缘尺寸,根据模型就可以获取目标建筑的外形尺寸信息。

图像的灰度变换处理是图像处理技术中一种非常基础、直接的空间域图像处理方法,也是图像数字化软件和图像显示软件的一个重要组成部分。灰度变换是指根据某种目标条件按一定的变换关系逐点改变原图像中每一个像素灰度值的方法。目的是为了改善画质,使图像的显示效果更加清晰。灰度变换有时又被称为图像的对比度增强或对比度拉伸。例如为了显示出图像的细节部分或提高图像的清晰度,需要将图像整个范围的灰度级或其中某一段 (x,y) 灰度级扩展或压缩到 (x′,y′) ,这些都要求采用灰度变换方法[1,2]。

1 灰度图像分析

1.1图像边缘检测相关方法

在图像分割中,边缘检测方法可以说是人们研究得最多的方法,它试图通过检测包含不同区域的边缘来解决图像分割问题。图像边缘是图像最基本的特征之一,往往携带着一幅图像的大部分信息。而边缘存在于图像的不规则结构和不平稳现象中,也即存在于信号的突变点处,这些点给出了图像轮廓的位置,这些轮廓常常是我们在图像处理时所需要的非常重要的一些特征条件,这就需要我们对一幅图像检测并提取出它的边缘。而边缘检测算法则是图像处理问题中经典技术难题之一,它的解决对于我们进行高层次的特征描述、识别和理解等有着重大的影响;鉴于边缘检测在许多方面都有着非常重要的使用价值,所以人们一直在致力于研究和解抉如何构造出具有良好性质及好的效果的边缘检测算子的问题。

图像中相邻的不同区域间总存在边缘,边缘处象素的灰度值不连续,这种不连续性可通过求导数来检测到。对于阶跃状边缘,其位置对应一阶导数的极值点,对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测,它是一种并行边界技术。常用的一阶微分算子有Roberts算子、Prewitt算子、和Sobel算子,二阶微分算子有Laplacian和Krish算子等。在实际中各种微分算子常用小区域模板来一表求,微分运算是利用模板与图像卷积来实现。这些算子对噪声敏感,只适合于噪声较小不太复杂的图像。

由于边缘和噪声都是灰度不连续点,在频域均为高频分量,直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LOG算子和Canny算子是具有平滑功能的二阶和一阶微分算子,边缘检测效果较好。其中LOG算子是采用Laplacian算子求高斯函数的二阶导数,Canny算子是高斯函数的一阶导数,它们在噪声抑制和边缘检测之间取得了较好的平衡。

1.2 图像边缘检测方法的研究与现状

根据使用知识的与层次,可以将图像分割分为数据驱动与模型驱动两大类。其中数据驱动分割直接对当前图像数据进行操作,虽然也可使用有关先验知识,但不依赖于知识;模型驱动分割则直接建立在先验知识的基础上。这样分类更符合当前图像分割的技术要点。

常见的数据驱动分割包括基于边缘检测的分割、基于区域的分割、边缘与区域相结合的分割等。

基于边缘检测的分割的基本思想是先检测图像中的边缘点,再按一定策略连接成分割区域。其难点在于边缘检测的抗噪性和检测精度的矛盾,若提高检测精度,则噪声产生的伪边缘会导致不合理的轮廓:若提高抗噪性,则会产生轮廓漏检和位置偏差。

边缘检测和分割是图像分析的经典难题。经典的物体边缘检测方法是边缘检测局部算子法,最基本的一类边缘检测算子是微分算子。除了LOG算子和Calmy算子外,其它的算子利用了一阶方向导数在边缘处取最大值这一规律。而LOG算子和Canny算子基于的是二阶导数的零交叉技术。这一类算子类似于高通滤波,有增强高频分量的作用,但对噪声是敏感的。另一类边缘检测方法是基于边缘拟合的检测方法,能够部分克服噪声影响,如Huckel算法,Haralick斜面模型,标记松弛法。其中标记松弛法利用了统计学中概率分布的概念。

多尺度方法是一种有效的边缘检测技术。其思路是:在大尺度下抑制噪声,可靠地识别边缘;在小尺度下精确定位。一般地,多尺度方法都是利用图像金字塔,以减少计算量为主要目标;而Canny利用了不同尺度的高斯函数的一次微分与图像卷积,取局部极大值点为边缘点,由粗到精确定图像边缘,获得了较好的结果。但是,Canny算子采用高斯函数的一次微分作为卷积核,算法计算量大,且不能确定边缘的类型。

Fourier分析是现代工程中应用最广泛的数学方法之一,但它不适宜表示陡然变化的信号,同时在分析图像信号的瞬时特性方面,Fourier分析也显得软弱无力。灰度变换是近年来兴起的热门信号处理技术,其良好“时频”局部特性特别适合图像处理。虽然灰度图像分析展开的时间并不长,但有着广泛的应用前景。

1.3灰度变化原理

现在大部分的彩色图像都采用的是RGB颜色模式,在对采集图像进行处理时,要分别对RGB三种分量进行处理,实际上RGB并不能反映图像的形态特征,只是从光学的原理上进行颜色的调配。将彩色图像转化成为灰度图像的过程称为图像的灰度化处理,彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255个值可取,这样一个像素点就有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其一个像素点的变化范围为255种。所以在数字图像处理中一般先将各种格式的图像转变成灰度图像,以使后续图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度,亮度等级的分布和特征[3,4]。

在RGB颜色模型中,其中R=G=B的值叫做灰度值,由彩色转化为灰度的过程叫做灰度化处理,灰度化的处理方法主要有以下三种:

1)最大值法:取R,G,B中最大的值作为灰度值,处理后的灰度图像亮度较高,如下:

2)平均值法:取R,G,B之和的平均值作为灰度值,处理后的灰度图像亮度较为柔和,如下:

3)加权平均值法:根据相应的参数指标R,G,B获取不同的权值wr,wg,wb,然后取其加权平均值作为灰度值,取不同的权值,获取的灰度图像也不同,如下:

根据实验以及人眼对于颜色的敏感度证明 ,wr,wg,wb权值取以下值可以获取最理想的灰度图像,即wr= 0.30,wg= 0.59,wb= 0.11。图像灰度化处理前后的对比图像如图1所示。

1.4图像灰度变化的方法

通过多个位置的摄像机采集的目标建筑立体图像,各个像素与某一灰度值相对应。设原始图像像素的灰度值D = f(x,y) ,图像处理后的像素灰度值为D′= g(x,y) ,则灰度增强可表示为:

图像的二值化处理是图像进行灰度变化的主要方法,图像的二值化有利于减少数据量,并能突出目标图像的轮廓,有利于图像的进一步处理,其过程为:设定一个阈值T ,如果图像中某像素的灰度值小于该阈值,则将该像素的灰度值设置为0,否则灰度值设置为255[5,6]。函数表达式如下:

所有灰度大于或等于阈值的像素被判定为属于特定物体,其灰度值用255表示,否则这些像素点被排除在物体区域以外,灰度值为0,表示背景或者例外的物体区域。

3 图像边缘提取方法

3.1图像处理

首先,将采集到的原始建筑物图像进行图像增强处理,其过程如下。

(1)图像校正

由于采集到的原始图像是通过光学摄像机获取的,通常情况光学传感器的输入输出特性都不是线性的,因此为了获取更好的图像效果,就需要对原始图像进行校正处理。设摄像机的输入信号为L ,输出为I ,则有:

根据已知的电信号强度,估计原始的光信号强度:

图像校正的关键是确定γ的值。由式6得出:

即log I与log L成线性关系。通过测试靶图,即:设置光图像,检测电信号图像,选取一组log I与log L的数据,用于计算γ的值。

(2)对比度展宽

为了提取所需要的目标图像,需要对图像进行对比度展宽,设原始图像的灰度级为f( f∈[0,255]),处理后图像的灰度级为g(g∈[0,255])。图像进行对比度展宽的原理是对像素进行灰度级映射,将原始图像的像素灰度f(i,j) 映射为新的像素灰度g(i,j) ,二者之间的关系如图2所示。

表达式为:

(3)灰度窗切片

在灰度窗(如图3)内只显示指定灰度级范围内的信息,对灰度窗切片(如图4)其目的就是为了抑制非重要信息的对比度,分割目标物区域,其与非目标物用不同灰度值描述,从而提取目标图像。

3.2目标图像的边缘提取

在图像处理中,每个像素按式10迭代,直至整个网络收敛,输出二值信号,将整个图像函数转化为动态系统。

其中, vxij(t) , vykl(t) 是像素c(i,j) 的状态,A(i,j; k,l) 是反馈算子,B(i,j; k,l) 是控制算子,进行图像边缘提取的算法流程如下:

1)微分方程转化为差分方程,便于计算机运算。令Rx= 1,则其等效的一阶差分方程为:

2)像素值范围调整。将灰度图像像素值 [0,255] 变换至 [-1,1] 的范围内。

3)图像边界修改。在图像四周另加上一圈边界,新边界像素的灰度值等于原边界像素的灰度值,则图像规模和像素规模都由原先的M×N增加为 (M + 2)×(N + 2) ,这样原先的边界像素就变成了内部像素。为了不改变原来图像的形态,可以在原矩阵周围加一圈零元素。

4 仿真实验

采用MATLAB软件进行编程,运用上述算法对图像进行处理。仿真实验结果对比如图5所示。

本方法可以完整地提取图像中目标物体的边缘,且处理速度与图像大小无关,易于硬件实现,这使得它在图像实时处理方面还有很大的发展潜力。

结语

图像尺寸检测篇6

大尺寸物体测量是指测量对象的长、宽、高超过一定的范围。传统的测量方法采用大型卡尺、大型千分尺和大型千分杆等工具,近些年出现用超声波、激光等工具,但都面临着使用不方便、工具体积较大、测量精度不高、速度慢以及设备成本高等问题[1,2]。采用视觉技术对大尺寸物体进行测量,可以达到非接触、速度快、精度高等效果。

实际应用中,为获取高清晰度的图像,以便图像处理时减小误差,对镜头焦距的选择比较苛刻。由于镜头焦距和视角之间有一定的关系[3],即焦距越小,视角越大;最小工作距离越短,视野越大。这样一幅图像可能无法显示测量对象的整体,若要重现一幅完整图像,需把几幅图像拼接在一起,去除重合部分,根据标注关系算出图像的实际尺寸。

本文选择中型客车为对象,以测量车辆轮廓为应用背景[4],对比几种常用的拼接算法,如算法耗时、拼接效果等,选择最优的拼接算法用于车型轮廓检测。

1 图像拼接

镜头参数关系如图1所示,镜头视角θ=tan-1。当焦距f一定时,视角越大,成像也越大;同时当成像面的尺寸一定时,焦距越长,视角越小。例如俗称的广角镜头,其焦距就很短。

当视角范围内的图像无法包括拍摄对象的整体时,需要进行图像拼接。数字图像拼接技术是机器视觉领域的一个重要分支,利用图像变换、重采样和图像融合等技术将几张有重合部分的不完整图片拼接起来,从而得到宽视角和较高分辨率的图像[5]。拼接技术使普通的数码相机也能获得所需要的图像,降低了成像设备的要求。目前,图像拼接技术广泛应用于计算机视觉、图像处理、计算机图形学、医学图像分析等领域。图像拼接过程主要包括3个步骤:图像预处理、图像匹配和图像融合[6],如图2所示。

1)图像预处理

对原始图像进行直方图匹配、平滑滤波、增强变换等基本操作,使图像匹配精度与速度得到提高。图像预处理包括:图像投影、图像去噪、图像修正等。

2)图像匹配

数字图像拼接的质量主要取决于图像的匹配精度。图像匹配的目的是找到待配准图像与参考图像的模板或特征点的对应位置,使数字图像序列之间相互重叠部分的坐标点能够对准。图像匹配算法既要保证匹配时的精度,又要减小计算量。

3)图像融合

由于地形存在微小差别或拍摄条件不同等因素造成图像灰度(或亮度)差异,或者图像匹配结果存在一定配准误差。为了尽可能减少遗留变形或图像间的亮度(或灰度)差异对拼接效果的影响,在图像拼接后需进行图像融合。

2 图像拼接算法

图像拼接算法大致可以分为:柱面/球面/立方体全景图拼接、基于透视变换的拼接、基于仿射变换的拼接、基于图像检索的图像拼接。

在成像过程中,工业镜头因小孔成像原理会带来一定程度的透视畸变,即照片上看到的近大远小现象。除非镜头平面和被摄平面保持绝对垂直,否则透视畸变不可避免。图3为理想的摄取图片,但因相机的畸变效应,实际所拍效果如图4所示。图像畸变造成选择图像重合区域变得困难,特别是拍摄物体尺寸较大时,畸变现象比较明显。在图5中当待拼接图像A1、A2由于畸变效应变成图像B1、B2时,如何选择匹配区域以及匹配特征点关系到图像拼接的质量,也成为选择拼接算法的考察依据。

在众多特征匹配算法中,角点特征因具有信息量丰富、便于测量和表示、能够适应环境光照变化、几何变形等优点而成为许多特征匹配算法的首选。现有的角点检测算法大致可分为3类:基于灰度图像、基于二值图像、基于轮廓曲线。

2.1 FAST角点检测算法

FAST算法是一种简单快速的角点检测算法,其特征检测步骤:

1)从原图片中选取一个像素点p,判断它是否是一个特征点。首先设它的密度为Ip(即像素值),并设定一个合适的阈值t。

2)考虑该像素点周围的16个像素。图6为以p点为中心的邻域模板示意图,邻域为一个3×3的Bresenham圆,这16个像素点中的每一个像素点都可以假设为式(1)3种状态之一。

其中,“p→x”表示待测点p的邻域点;d、s、b分别表示“p→x”点比待测点p暗、相似或者亮。

3)如果在这16个像素的圆上有n个连续的像素点,它们的像素值都比Ip+t大,或者都比Ip-t小,那么它就是一个角点。

4)为了快速排除大部分非角点,可只检查1、9、5和13四个位置的像素。如果p是一个角点,那么上述4个像素点中至少有3个像素值都大于Ip+t或者小于Ip-t,否则p不可能是一个角点。

在选取的16个像素点中,如有n个像素同时比中心点p亮或者暗,就称此点p为角点,即p点判断的根据是亮度。n一般取9～12时,能得到较多角点信息,并具有较快运算速度。当n变化时,FAST算法的运行时间、检测到的角点数量等都会随之改变。

2.2 其他几种检测算法

常用的角点检测算法还有Harris算法、SURF算法、SIFT算法等。

1) Harris算子是一种点特征提取算子,是在Moravec算子的基础上改进得出的算法。其优点在于简单且较为稳定,但是检测精度只能达到像素级别,对于尺度缩放和放射变换较大的情况基本失效,且检测速度相对较慢。

2) SURF算法作为尺度不变特征变换算法的加速版,可以用于计算机视觉领域,例如物体识别或者三维重建。算法采用积分图像、Haar小波变换和近似的Hessian矩阵运算来提高实践效率,且Haar小波变换具有增加鲁棒性的功能。

3) SIFT特征匹配算法是目前特征点匹配研究领域的热点与难点,其匹配能力较强,在某种程度上对任意角度拍摄的图像也具备较为稳定的特征匹配能力[9,10]。

3 四种拼接算法的实验对比

由于算法的参数设置对图片处理时间和处理效果的影响很大,每种算法均使用其最优参数进行试验,如FAST算法中n的取值为12。试验中所选取的图片尺寸:720×960,处理器:Intel(R) Core(TM) i5-3317U,内存:DDR3 SDRAM 4G,显卡:英特尔HD Graphics 4000,操作系统:Microsoft Windows 7旗舰版。算法处理结果如表1所示,实验处理原图如图7所示,检测示意图像如图8所示。

从表1中的数据可以看出:相同配置的电脑上处理同一幅图像,SIFT算法用时最长,Harris算法用时最短;检测到的特征点数目FAST算法最多,Harris算法最少。综合考虑,FAST算法能在较短的运行时间内检测出较多的图像特征数目,比较适合对时间有严格要求的车辆外廓检测系统。

此外,FAST算法是在SUSAN的基础上改进得来的,继承了SUSAN算法抗噪能力强等优点,在图像预处理阶段不需要去噪处理,从而在一定程度上提高了算法的运算速度与检测精度。

4 结语

本文将机器视觉技术应用于物体尺寸检测,并在Visio Studio加Opencv平台上测试了4种常用的角点检测算法,得出其运行结果并进行了比较。在众多特征匹配算法中,角点特征检测算法因能提取出丰富的信息量、便于工具测量和数据表示、程序适应性强等优点而成为特征匹配算法的首选。本文给出了几种算法的实验结果以及运行图像,得出FAST角点检测算法在算法运行时间和检测特征点数目方面具有优越性的结论,为车辆轮廓检测中图像拼接算法的选择提供了实验数据的支持。

参考文献

[1]李伟,戚晓艳,李香.浅析大尺寸测量的意义及发展趋势[J].电脑编程技巧与维护,2012,8(8):112-113.

[2]张福民,曲兴华,戴建芳,等.现场大尺寸测量量值溯源[J].天津大学学报,2008,41(10):1167-1170.

[3]郁道银,谈恒英.工程光学[M].3版.北京:机械工程出版社,1998.

[4]周小波,朱勇.一种新型的车辆外廓尺寸检测系统的设计[J].仪表技术与传感器,2014(4):102-105.

[5]武岫缘,龙永新,高总总.基于SIFT-ACO的图像拼接算法[J].湖南工业大学学报,2014,28(1):76-80.

[6]邵向鑫.数字图像拼接核心算法研究[D].长春:吉林大学,2010.

[7]刘红.并行快速特征点匹配算法研究[D].重庆:重庆大学,2012.

[8]李鹏程,曾毓敏,张梦.基于改进Harris的图像拼接算法[J].南京师范大学学报:工程技术版,2014,14(1):70-75.

[9]廖飞,叶玮琼,王鹏程,等.基于SIFT特征匹配的图像拼接算法[J].湖南工业大学学报,2014,28(1):71-75.

图像尺寸检测篇7

图像测量技术是近些年快速发展的新型测量技术,该技术是集合光学、计算机技术、图像处理技术等科学技术为一体的检测方式,通过合理处理被检测物体图像边缘获取物体集合参数,确保光、机、电、计算机技术有机结合[1]。文中介绍了基于CCD图像传感器的测量系统,设计借助数字图像处理技术实施非接触式尺寸检测方法,从而实现对微小零件孔心距、直径等自动测量效果。

1 高精密微小零件测量原理及结构

微小零件尺寸测量系统主要包括光学显微镜、CCD摄像机、照明系统等设备。其结构如图1 所示。微小零件尺寸工作原理如下:照明系统发射的平行光线促使被测试物体产生相应的阴影轮廓,采用光学显微镜放大在CCD摄像机上成像[2]。

CCD把所接收的图像信号转变为电荷信号,由数字接口卡存储在计算机内存系统中,借助计算机软件对收集的图像展开处理、存储等操作,同时准确计算微小零件的尺寸。

由于被检测物体属于薄板类零件,未获取最佳的照明效果,并适时提升被检测图像的对比度,从而提升图像处理边缘提取进度。该系统使用背光平行照明,有助于提取被检测物体的有效轮廓,提升图像测量准确度和精度。

2 微小零件缺陷检测系统设计方案

计算机视觉就是采用人眼进行检测,只是其将人的每个器官采用机器代替而已。以镜头替代人眼,图像传感器芯片替代视网膜,计算机或相机的图像单元替代大脑,算法软件替代有关的判断知识,其总和能形成设定的视觉检测任务的检测系统。微小零件表面缺陷检测系统分为光学照明系统、机械传输系统、图像采集、处理系统,光学照明系统主要由光源、镜头两个部分组成,图像采集系统包含CCD摄像机、图像采集卡[3]。上述系统对收集的图像展开合理的处理,对存在缺陷的零件进行定位,并展开合理的分类。其技术标准如下:微小零件的表面缺陷识别精度大于 ±10 μm ;误检率不得大于5%。系统的多个部分选择对检测结果发挥着重要作用,因此,在选定镜头、CCD摄像机、图像采集卡上必须严格按照原先设定的标准合理选择。

2.1 选择合理的镜头

光线进入摄像机必须通过镜头,因此,选择合理的镜头成为首要考虑对象。本设计中,被检测零件的生产线是由单个通过,每一次检测必须完成某个零件测量即可。为达到微小零件检测要求,镜头的视场设计的直径大于10 mm,零件表面斑点大小控制在0.1 mm。如果设计的系统使用768×576 标准摄像机,相机的分辨率为0.017 mm/pixel,从而能正确区分各类斑点情况[4]。本研究使用CV⁃A50IR相机,该型号的相机体积绞线,设置1 2 寸CCD芯片,其帧速率设定为30 f/s,信噪比为60 d B。借助RS 232C接口能够完成对相机的各项设置,该相机不仅可以感知可见光,还能接收相应的红外光。该相机使用SWIR⁃25 镜头,这种镜头能够设置在1 寸感光芯片相机内运用。

2.2 照明方式

因微小零件有其相应的特殊性,本研究采用最常用的环形光,环形照明不单单可以直接照明背侧物体,将其安装在镜头上为镜头周围提供均匀的光线,占用极小的空间,比较适用于不能发生镜面发射物体上,这种光源可以加强物体阴暗部位对比情况。摄像头及时采集微小零件发射的光获得相应的表面图像,本文检测系统使用高亮度LED冷光源,这种光源由320 粒发光二极管密集组合而成,其最大直径控制在55 mm照射范围之中,光强均匀分布。

2.3 CCD摄像机

本设计使用的图像采集工具为CCD摄像机,该相机能够将收集的图像转变为电脑可以识别的数字信号。CCD相机上部配备大量对光照较敏感的元件,上述小的光感元件称作像素。CCD相机工作原理为:如果CCD相机收集相应的图像传输信号,能够自动识别并转换成为数字信号,并传输至电脑系统展开合理的处理[5]。传输信号过程中电容、信噪比、分辨率等因素影响传输图像的质量,在此微小零件缺陷检测CCD相机设置的参数如表1 所示。

2.4 图像处理操作

数字图像处理就是把图像信号转化为数字信号,借助计算机对其展开合理处理的过程。图像处理软件主要包含图像采集、预处理、二值化处理、参数显示及输出等。

2.4.1 图像预处理操作

对图像进行预处理采用平滑处理措施,从而有效减少噪声。因均值滤波平滑功能会导致图像边缘逐渐模糊,其中值滤波不仅可以除去脉冲噪声,也有效除去图像线条细节[6]。本次设计使用边缘保持滤波器,其具体计算过程如下:

根据每个灰度图像的像素点[i,j]断定合理带下的邻域(例如:3×3 邻域),依次求解[i,j]左上角、左下角邻域,右上角或右下角邻域灰度分布均匀度V,随之选定最小均匀对应区域的均质当作本像素点新灰度值。新灰度均匀度计算公式如下:

2.4.2 图像二值化

本文使用边缘提取算法借助灰度图像分割法,把目标图像分割成为目标、背景,为便于处理图像,可以把灰度图像转换成为二值图像。通常情况下,图像主要由物体、背景、噪声三部分组合而成,为便于分离物体及图像区域分离,必须对图像实施分割处理[7]。

本次测量过程中,因图像只有一个物体,物体与背景两者间的对比度极大。假设图像内感兴趣像素点灰度呈现正态分布状态,其密度用P1(x)表示,方差数值分别使用 μ1,σ12。假定背景点灰度呈现正态分布,其密度用P2(x) 表示,均值、方差分布采用 μ2,σ22。假设目标像点数占据整个图像总点数的百分比为Q,背景点为(1-Q),其混合概率密度计算公式如下:

如果设定的门限为T值,目标点错划成为背景点的密度计算公式如下:

将背景点错划成为目标的概率如下:

总的错误概率计算公式为:

若令,得出-QP1(T)+(1-Q)P2(T)=0。由此得出:

当 σ12= σ22= σ2,得到:

2.5 图像边缘检测

传统图像边缘检测方法主要借助特定算子(Roberts算子、Sobel算子等)粗略计算图像的边缘,随之设定合理的阈值获取图像轮廓,如此图像轮廓会受到阈值大小的影响[8]。文中使用灰度图像提取边缘点,使用滑动平均梯度边缘检测方法,具体计算公式如下:

式中:f (i,j) 表示像素点;(x,y) 为灰度值;M=1,2,4,…,2n(n表示正整数)。

式中:PMx(i,j)能准确反映(i,j)点沿着x方向的灰度变化率,并在一定程度抑制噪声干扰,如果M值越大,抑制噪声能力更强。

2.6 微小零件缺陷系统设计的软件系统

本文的微小零件缺陷检测系统软件系统主要由图像采集、处理缺陷识别和数据存档等部分组成。传感器判定是否有工件通过,如果没有工件通过,该软件系统处在等待状态。如果传感器有工件通过,图像采集系统会依据自身需求合理使用图像采集卡下层函数,预先设定准备好的采集通道及模式,最终把CCD收集的零件表面图像数据直接传递给计算机处理系统。此时,图像处理系统会将CCD传输获取的图像数据展开相应的处理,计算机会预先设定所有企业使用的标准比数据,图像处理系统依据上述数据对零件图像展开合理的判断处理。

系统运行过程中通过操作窗口除去光圈灵敏度系数及缺陷检测系数,从而进入正常的工作运行状态,系统运行过程中通过外接硬件合理控制信号,软件系统如图2 所示。

3 检测实例及结果

3.1 微小齿轮测量试验

本次研究对一个微小齿轮(m=0.2,Z=30)中心孔直径展开测量。首先通过图像灰度图分布情况获取该图像灰度阈值,并依据阈值把对像实施二值化处理,随之采用形态学运算测试图像边缘,获得相应的图像曲线,最后依据Hough变换获取被检测孔的半径及圆心,检测实例如图3 所示。

3.2 分析检测结果

为了对比CCD相机测量方法与直接采用显微镜测量结果,使用两种方法对微小齿轮的中心孔依次测量10 次,表2 为两种方法测量结果。

由表2 可知,通过10 次测量,采用显微镜检测中心孔之间平均值d1=3.501 9 mm,方差为0.000 029 37,均值为0.005 05;使用CCD测量其中心孔直径平均值d2=3.502 84 mm,方差=0.000 019 716 2,均差为0.003 939。

3.3 分析系统测量精度

本次设计设定的CCD像素个数为1 392×1 040,其成像面积控制在8.979 mm×6.709 mm,微型齿轮的尺寸小于10 mm×10 mm。因图像无法充满整个图像区域,每一个像素相对应的齿轮面积最大控制为0.1×10-3mm2,微型零件的尺寸误差通常控制在几个微米,因此,对于检测微型零件尺寸误差而言精度不足,必须借助放大的措施提升被检测物体的精度值。

4 结语

总之,基于图像处理的微小零件尺寸测量与计算机数据处理能力的合理集合,该检测系统具有精度高、测量速度快的优点,成为传统检测仪器升级换代的检测产品,具有极高的应用和推广价值。

摘要：图像测量方法具有非接触性、信息量丰富、动态范围大等一系列优点,成为易变形零件尺寸、零件孔心距等自动测量常用的手段。在此详细介绍基于CCD图像高精密微小零件尺寸检测系统,提出采用数字图像技术对微小零件尺寸实施非接触性测量法,主要由图像采集、二值化、边缘检测、软件设计等组成,从而获得被检测物体精确的参数值,并通过微小齿轮中心孔直径这一实例验证图像检测方法准确性和可行性。

关键词：高精密微小零件,尺寸,图像校对,非接触性测量

参考文献

[1]赵彻,徐熙平.图像处理技术在微小尺寸自动测量中的应用[J].电子测试,2014(7):110-111.

[2]祁磊,任明武.基于纸币透射图像的新旧检测[J].现代电子技术,2015,38(6):101-104.

[3]李勇,胡瑞钦.微小孔尺寸形状的脱模与图像测量[J].纳米技术与精密工程,2013,11(4):341-347.

[4]刘凌云,罗敏,方凯,等.基于图像拼接的尺寸精密检测算法研究[J].制造技术与机床,2012,17(11):106-110.

[5]王健全,田欣利,张保国,等.微小曲率半径的图像处理测量方法[J].装甲兵工程学院学报,2012,26(3):84-87.

[6]祁晓玲,赵霞霞,靳伍银,等.基于机器视觉的轴类零件几何尺寸测量[J].组合机床与自动化加工技术,2013,9(1):65-67.

[7]刘斌,沈康,魏兆超,等.基于线结构光视觉技术的微小直径高精度测量系统[J].仪器仪表学报,2014,11(z2):126-129.