專利名稱：強反射背景下粗糙紋理工件圖像特征點自動提取方法
技術領域：
本發(fā)明涉及一種在線高精度測量的圖像特征點測量方法，特別是強反射背景下粗糙紋理工件圖像特征點自動提取方法。
背景技術：
隨著現代加工工業(yè)的發(fā)展，越來越多的微細精密工件需要高精度在線測量。但很多工件的關鍵特征的周圍是強反射表面，而被測特征的表面的粗糙度系數較大，反射系數較低，表面紋理復雜，從而導致視覺測量系統(tǒng)采集的圖像中，目標圖像灰度分布動態(tài)范圍較大，目標區(qū)域與背景區(qū)域灰度整體差異不明顯，且目標區(qū)域中有相當部分像素灰度甚至低于背景區(qū)域像素。
目前圖像自動圖像分割的方法主要使用基于邊緣的分割方法和基于區(qū)域的分割方法。前者受噪聲和被測區(qū)域內細節(jié)的影響較大，導致在目標區(qū)域內部出現許多虛假邊緣，嚴重干擾了對真實邊緣的定位；后者抗噪聲性能較好，但在目標區(qū)域中存在較大孔洞、孤立斑塊或者將背景中的高光區(qū)域也誤分為目標，導致邊緣定位的準確性很差。二者都無法解決強反射背景光下粗糙紋理工件圖像的自動分割，也因此不能準確快速地自動提取特征點。

發(fā)明內容
本發(fā)明的技術解決問題為了解決強反射背景下粗糙紋理工件圖像特征點自動提取困難的問題，本發(fā)明提供一種強反射背景下粗糙紋理工件圖像特征點自動提取方法，實現粗糙紋理工件圖像特征點的自動提取，不僅測量速度快、精度高，而且可以獲得較好的邊緣定位性和抗噪聲能力。
本發(fā)明的技術解決方案強反射背景下粗糙紋理工件圖像特征點自動提取方法，其特征在于先對采集到的數字圖像進行預處理，再采用基于灰度梯度的圖像自動分割方法對圖像進行圖像分割，得到目標特征區(qū)域，而后提取目標特征邊緣點，最后通過迭代最小二乘曲線擬合算法計算得出粗糙紋理工件圖像特征點的解析形式y(tǒng)=Σi=0Naixi,]]>N是多項式最高階次式中i為邊緣點數，(x，y)為邊緣點系數，α為待求多項式系數。
本發(fā)明中基于灰度梯度的圖像自動分割方法，實現步驟如下(1)對采集到的原圖像計算每一像素在一定鄰域內的梯度；(2)在圖像兩側背景區(qū)域對應選取同樣大小的兩個小塊，各自計算其平均梯度；(3)在兩塊背景區(qū)域之間滑動采樣窗口，則平均梯度最大的窗口可以認定為位于目標區(qū)域內；(4)計算采樣的目標區(qū)域平均梯度與采樣的背景區(qū)域平均梯度的幾何均值；(5)以該梯度均值為梯度閾值，對梯度圖進行閾值化；(6)對分割結果進行后處理，消除背景區(qū)域中的孤立點和目標區(qū)域中的孔洞。
本發(fā)明與現有技術相比的優(yōu)點在于本發(fā)明可以完全剔除強背景光和被測特征表面粗糙紋理影響，較好地解決了目標圖像灰度分布動態(tài)范圍較大所帶來的問題，獲得了較高的圖像特征點自動提取精度，算法穩(wěn)定、可靠。


圖1為本發(fā)明的流程圖；圖2為本發(fā)明中被測工件原始采集圖像；圖3為現有技術的基于區(qū)域法的圖像自動分割結果；圖4為現有技術的基于邊緣法的圖像自動分割結果；圖5為本發(fā)明中原始采集圖像經Sobel算子卷積運算后梯度圖像；圖6為本發(fā)明的基于灰度梯度法的圖像自動分割結果。
具體實施例方式
如圖1所示，本發(fā)明的方法過程是先對原始采集圖像進行濾波去噪等預處理，再經基于灰度梯度的圖像自動分割和邊緣提取，將圖像的特征點從背景中提取出來，最后對特征點進行迭代最小二乘曲線擬合，計算得到對應工件表面特征點的解析形式，y=Σi=0Naixi,]]>N是多項式最高階次式中i為邊緣點數，(x，y)為邊緣點系數，α為待求多項式系數。將邊緣點的坐標(x，y)帶入上面表達式，多次重復迭代，求出多項式的系數α，就可得到工件表面特征點的解析形式。
本發(fā)明中基于灰度梯度的圖像自動分割方法具體的實現步驟如下(1)對采集到的原圖像使用Sobel算子卷積計算每一像素在一定鄰域內的梯度；把Sobel算子的兩個模板分別與輸入圖像卷積，可以分別得到二維圖像的X方向梯度fx和y方向梯度fy和，再計算梯度算子g(x,y)=|▿f(x,y)|=(∂f(x,y)∂x)2+(∂f(x,y)∂y)2.]]>Sobel算子的運算模板為-101-202-101]]>-1-2-1000121]]>梯度運算后的圖像如圖5所示。
(2)在圖像兩側背景區(qū)域對應選取同樣大小的兩個小塊，各自計算其平均梯度；(3)在兩塊背景區(qū)域之間滑動采樣窗口，則平均梯度最大的窗口可以認定為位于目標區(qū)域內；(4)計算采樣的目標區(qū)域平均梯度與采樣的背景區(qū)域平均梯度的幾何均值；
(5)以該梯度均值為梯度閾值，對梯度圖進行閾值化；(6)對經過粗分割的圖像進行形態(tài)學后處理(主要是對局部閾值分割后的二值圖像做先閉后開形態(tài)學運算以及對大于結構元素的孔洞進行單獨的孔洞填充)，得到內部連通、邊界光滑的目標區(qū)域，消除背景區(qū)域中的孤立點和目標區(qū)域中的孔洞?；诨叶忍荻确ǖ膱D像自動分割結果如圖6所示。
被測工件原始采集圖像如圖2所示，從圖中可以看出，圖像中間區(qū)域的目標特征的灰度變化動態(tài)范圍較大，目標區(qū)域與背景區(qū)域邊界不明顯，背景區(qū)域的很多像素的灰度值甚至高于目標特征的灰度值。
圖3是現有技術中的基于區(qū)域法的圖像自動分割結果，從圖中看出這種分割方法得到匪夷所思的分割效果，完全不能應用到這類圖像的自動分割中。
圖4是現有技術中的基于邊緣法的圖像分割結果。從圖中可以看出，圖像目標區(qū)域內部會檢測出很多虛假邊緣，嚴重干擾了對真實邊緣的定位，難以完成圖像特征點的自動提取。
圖6是基于灰度梯度法的圖像自動分割結果。從圖中看出，本發(fā)明的基于灰度梯度的圖像分割方法可以完全剔除背景影響，提取出較為完整的被測工件區(qū)域。
最后，從分割出的圖像目標特征中提取邊緣點，使用迭代最小二乘的曲線擬合法，對目標特征點進行擬合，削弱乃至消除噪聲對邊緣點的影響，最后得到對應工件表面特征點的解析形式。
迭代最小二乘法進行擬合的方法的步驟為首先采用經典最小二乘方法擬合出邊緣曲線，而后剔除所有誤差高于平均誤差一定倍數的邊緣點，對于剩下的數據集，以前一次擬合的結果為初值重新擬合，如此反復進行，直到擬合出的參數不再發(fā)生顯著變化或不再有可以剔除的邊緣點為止。
權利要求
1.強反射背景下粗糙紋理工件圖像特征點自動提取方法，其特征在于先對采集到的數字圖像進行預處理，再采用基于灰度梯度圖像自動分割方法對圖像進行分割，得到目標特征區(qū)域，而后提取目標特征邊緣點，最后通過迭代最小二乘曲線擬合算法計算得出粗糙紋理工件圖像特征點的解析形式y(tǒng)=Σi=0Naixi,]]>N是多項式最高階次式中i為邊緣點數，(x，y)為邊緣點系數，a為待求多項式系數。
2.根據權利要求1所述的強反射背景下粗糙紋理工件圖像特征點自動提取方法，其特征在于所述的基于灰度梯度圖像自動分割方法步驟如下(1)對采集到的原圖像計算每一像素在一定鄰域內的梯度；(2)在圖像兩側背景區(qū)域對應選取同樣大小的兩個小塊，各自計算其平均梯度；(3)在兩塊背景區(qū)域之間滑動采樣窗口，則平均梯度最大的窗口可以認定為位于目標區(qū)域內；(4)計算采樣的目標區(qū)域平均梯度與采樣的背景區(qū)域平均梯度的幾何均值；(5)以該梯度均值為梯度閾值，對梯度圖進行閾值化；(6)對分割結果進行后處理，消除背景區(qū)域中的孤立點和目標區(qū)域中的孔洞。
全文摘要
強反射背景下粗糙紋理工件圖像特征點自動提取方法，其特征在于先對采集到的數字圖像進行預處理，再采用基于灰度梯度的圖像自動分割方法對圖像進行圖像分割，得到目標特征區(qū)域，而后提取目標特征邊緣點，最后通過迭代最小二乘曲線擬合算法計算得出粗糙紋理工件圖像特征點的解析形式。本發(fā)明可以完全剔除強背景光和被測特征表面粗糙紋理影響，較好地解決了目標圖像灰度分布動態(tài)范圍較大所帶來的問題，獲得了較高的圖像特征點自動提取精度，算法穩(wěn)定、可靠。
文檔編號G01B11/00GK1667351SQ20051001153
公開日2005年9月14日 申請日期2005年4月6日 優(yōu)先權日2005年4月6日
發(fā)明者趙慧潔, 屈玉福, 趙淵博 申請人:北京航空航天大學