CN1290049C - 强反射背景下粗糙纹理工件图像特征点自动提取方法 - Google Patents

Abstract

强反射背景下粗糙纹理工件图像特征点自动提取方法，其特征在于：先对采集到的数字图像进行预处理，再采用基于灰度梯度的图像自动分割方法对图像进行图像分割，得到目标特征区域，而后提取目标特征边缘点，最后通过迭代最小二乘曲线拟合算法计算得出粗糙纹理工件图像特征点的解析形式。本发明可以完全剔除强背景光和被测特征表面粗糙纹理影响，较好地解决了目标图像灰度分布动态范围较大所带来的问题，获得了较高的图像特征点自动提取精度，算法稳定、可靠。

Description

强反射背景下粗糙纹理工件图像特征点自动提取方法

所属技术领域

本发明涉及一种在线高精度测量的图像特征点测量方法，特别是强反射背景下粗糙纹理工件图像特征点自动提取方法。

背景技术

随着现代加工工业的发展，越来越多的微细精密工件需要高精度在线测量。但很多工件的关键特征的周围是强反射表面，而被测特征的表面的粗糙度系数较大，反射系数较低，表面纹理复杂，从而导致视觉测量系统采集的图像中，目标图像灰度分布动态范围较大，目标区域与背景区域灰度整体差异不明显，且目标区域中有相当部分像素灰度甚至低于背景区域像素。

目前图像自动图像分割的方法主要使用基于边缘的分割方法和基于区域的分割方法。前者受噪声和被测区域内细节的影响较大，导致在目标区域内部出现许多虚假边缘，严重干扰了对真实边缘的定位；后者抗噪声性能较好，但在目标区域中存在较大孔洞、孤立斑块或者将背景中的高光区域也误分为目标，导致边缘定位的准确性很差。二者都无法解决强反射背景光下粗糙纹理工件图像的自动分割，也因此不能准确快速地自动提取特征点。

发明内容

本发明的技术解决问题：为了解决强反射背景下粗糙纹理工件图像特征点自动提取困难的问题，本发明提供一种强反射背景下粗糙纹理工件图像特征点自动提取方法，实现粗糙纹理工件图像特征点的自动提取，不仅测量速度快、精度高，而且可以获得较好的边缘定位性和抗噪声能力。

本发明的技术解决方案：强反射背景下粗糙纹理工件图像特征点自动提取方法，其特征在于：先对采集到的数字图像进行预处理，再采用基于灰度梯度的图像自动分割方法对图像进行图像分割，得到目标特征区域，而后提取目标特征边缘点，最后通过迭代最小二乘曲线拟合算法计算得出粗糙纹理工件图像特征点的解析形式：

$y=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_i{x}^i,$ N是多项式最高阶次

式中i为边缘点数，(x，y)为边缘点系数，a为待求多项式系数。

本发明中基于灰度梯度的图像自动分割方法，实现步骤如下：

(1)对采集到的原图像计算每一像素在一定邻域内的梯度；

(2)在图像两侧背景区域对应选取同样大小的两个小块，各自计算其平均梯度；

(3)在两块背景区域之间滑动采样窗口，则平均梯度最大的窗口认定为位于目标区域内；

(4)计算采样的目标区域平均梯度与采样的背景区域平均梯度的几何均值；

(5)以目标区域平均梯度和背景区域平均梯度二者的几何均值为梯度阈值，对梯度图进行二值化；

(6)对分割结果进行后处理，消除背景区域中的孤立点和目标区域中的孔洞。

本发明与现有技术相比的优点在于：本发明可以完全剔除强背景光和被测特征表面粗糙纹理影响，较好地解决了目标图像灰度分布动态范围较大所带来的问题，获得了较高的图像特征点自动提取精度，算法稳定、可靠。

附图说明

图1为本发明的流程图；

图2为本发明中被测工件原始采集图像；

图3为现有技术的基于区域法的图像自动分割结果；

图4为现有技术的基于边缘法的图像自动分割结果；

图5为本发明中原始采集图像经SobeI算子卷积运算后梯度图像；

图6为本发明的基于灰度梯度法的图像自动分割结果。

具体实施方式

如图1所示，本发明的方法过程是：先对原始采集图像进行滤波去噪等预处理，再经基于灰度梯度的图像自动分割和边缘提取，将图像的特征点从背景中提取出来，最后对特征点进行迭代最小二乘曲线拟合，计算得到对应工件表面特征点的解析形式，

$y=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_i{x}^i,$ N是多项式最高阶次

式中i为边缘点数，(x，y)为边缘点系数，a为待求多项式系数。将边缘点的坐标(x，y)带入上面表达式，多次重复迭代，求出多项式的系数a，就可得到工件表面特征点的解析形式。

本发明中基于灰度梯度的图像自动分割方法具体的实现步骤如下：

(1)对采集到的原图像使用SobeI算子卷积计算每一像素在一定邻域内的梯度；把SobeI算子的两个模板分别与输入图像卷积，可以分别得到二维图像的X方向梯度f_x和y方向梯度f_y和，再计算梯度算子

$g(x,y)=|\▿f(x,y)|=\sqrt{{\left(\frac{\∂f(x,y)}{\∂x}\right)}^2+{\left(\frac{\∂f(x,y)}{\∂y}\right)}^2}.$

SobeI算子的运算模板为：

$\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

梯度运算后的图像如图5所示。

(2)在图像两侧背景区域对应选取同样大小的两个小块，各自计算其平均梯度；

(3)在两块背景区域之间滑动采样窗口，则平均梯度最大的窗口认定为位于目标区域内；

(4)计算采样的目标区域平均梯度与采样的背景区域平均梯度的几何均值；

(5)以目标区域平均梯度和背景区域平均梯度二者的几何均值为梯度阈值，对梯度图进行二值化；

(6)对经过粗分割的图像进行形态学后处理(主要是对局部阈值分割后的二值图像做先闭后开形态学运算以及对大于结构元素的孔洞进行单独的孔洞填充)，得到内部连通、边界光滑的目标区域，消除背景区域中的孤立点和目标区域中的孔洞。基于灰度梯度法的图像自动分割结果如图6所示。

被测工件原始采集图像如图2所示，从图中可以看出，图像中间区域的目标特征的灰度变化动态范围较大，目标区域与背景区域边界不明显，背景区域的很多像素的灰度值甚至高于目标特征的灰度值。

图3是现有技术中的基于区域法的图像自动分割结果，从图中看出这种分割方法得到匪夷所思的分割效果，完全不能应用到这类图像的自动分割中。

图4是现有技术中的基于边缘法的图像分割结果。从图中可以看出，图像目标区域内部会检测出很多虚假边缘，严重干扰了对真实边缘的定位，难以完成图像特征点的自动提取。

图6是基于灰度梯度法的图像自动分割结果。从图中看出，本发明的基于灰度梯度的图像分割方法可以完全剔除背景影响，提取出较为完整的被测工件区域。

最后，从分割出的图像目标特征中提取边缘点，使用迭代最小二乘的曲线拟合法，对目标特征点进行拟合，削弱乃至消除噪声对边缘点的影响，最后得到对应工件表面特征点的解析形式。

迭代最小二乘法进行拟合的方法的步骤为：首先采用经典最小二乘方法拟合出边缘曲线，而后剔除所有误差高于平均误差一定倍数的边缘点，对于剩下的数据集，以前一次拟合的结果为初值重新拟合，如此反复进行，直到拟合出的参数不再发生显著变化或不再有可以剔除的边缘点为止。

Claims (2)

1、强反射背景下粗糙纹理工件图像特征点自动提取方法，其特征在于：先对采集到的数字图像进行预处理，再采用基于灰度梯度图像自动分割方法对图像进行分割，得到目标特征区域，而后提取目标特征边缘点，最后通过迭代最小二乘曲线拟合算法计算得出粗糙纹理工件图像特征点的解析形式：

$y=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}{a}_i{x}^i,$ N是多项式最高阶次

式中i为边缘点数，(x，y)为边缘点系数，a为待求多项式系数。

2、根据权利要求1所述的强反射背景下粗糙纹理工件图像特征点自动提取方法，其特征在于：所述的基于灰度梯度图像自动分割方法步骤如下：

(1)对采集到的原图像计算每一像素在一定邻域内的梯度；

(2)在图像两侧背景区域对应选取同样大小的两个小块，各自计算其平均梯度；

(3)在两块背景区域之间滑动采样窗口，则平均梯度最大的窗口认定为位于目标区域内；

(4)计算采样的目标区域平均梯度与采样的背景区域平均梯度的几何均值；

(5)以目标区域平均梯度和背景区域平均梯度二者的几何均值为梯度阈值，对梯度图进行二值化；

(6)对分割结果进行后处理，消除背景区域中的孤立点和目标区域中的孔洞。

Images