本發(fā)明涉及圖像處理方法
技術領域：
，尤其涉及一種火車車輪踏面圖像畸形校正方法及系統(tǒng)。
背景技術：
：隨著鐵路運輸的高速化和重載化發(fā)展，鐵路運輸安全問題日益突出。輪對是鐵路運輸車輛的核心部件之一，輪對踏面作為車輛與鋼軌間的直接接觸部分，直接承擔著車輛與鋼軌間的所有作用力，工作環(huán)境惡劣，因此輪對踏面缺陷成為了輪對主要故障之一。輪對踏面故障會影響輪軌接觸狀態(tài)，給車體造成周期性的沖擊，對轉向架的其它部件和軌道路基造成損害，并且強烈的振動會對運輸客貨產生不利的影響。如果不能及時發(fā)現(xiàn)，隨著時間累積會造成很大的安全隱患，因而加強輪對踏面狀態(tài)檢測對保障行車安全具有重要意義。國內外學者對輪對踏面故障檢測技術進行了深入的研究。美國的mermec公司研發(fā)的w-inspect系統(tǒng)利用高分辨率相機和特定的補償光源獲得車輪整個踏面的圖像并對獲取的圖像進行分析，判別輪對踏面的擦傷和剝離等故障，檢測速度可以達到30km/h；德國的hegenscheidt-mfd公司的argus_ii系統(tǒng)通過將兩個超聲波探頭向接觸的車輪發(fā)送瑞利面波形式的超聲波脈沖并檢測循環(huán)信號的響應的方式來獲取車輪信息，并利用一定的標準分析信號幅值進行判斷踏面故障，其檢測效果很好，但設備成本很高；西南交通大學的踏面損傷在線檢測系統(tǒng)是基于光學的擦傷檢測方法，其設計思路是當車輪從鋼軌經過時必然引起鋼軌的形變，正常車輪引起的形變是恒定的，而存在踏面缺陷的車輪經過必然發(fā)生形變的變化，因此可以通過光學傳感器分析一段鋼軌的形變來判斷車輪踏面是否有缺陷，雖然其具有較高精度，但受鋼軌振動影響較大且僅能提供一個踏面缺陷的閾值判斷情況，而無法返回確切的缺陷狀況；西北工業(yè)大學的田麗麗設計的在線式踏面?zhèn)麚p檢測系統(tǒng)利用3組面陣相機拍攝經過的車輪，實現(xiàn)了對各個踏面圖像的分割和損傷區(qū)域定位；南京航空航天大學的孫冉使用三組線陣相機對車輪踏面圖像進行檢測，與面陣相機相比避免了踏面圖像光照不均勻的情況。踏面故障類型復雜，簡單的聲音和振動信號閾值判斷并不能得到足夠的踏面狀態(tài)信息，因此圖像檢測這種全踏面信息檢測方式成為了當前的主流。由于圖像采集設備位置設置的限制無法實現(xiàn)踏面正視視角圖像的提取，傳統(tǒng)方法側視視角采集圖像后往往直接根據踏面曲面圖像進行故障定性判斷，此類方法首先未考慮圖像采集方位與踏面相對位置的變化對成像的影響，更重要的是提取的踏面曲面帶有嚴重畸變，無法對缺陷部分面積進行定量計算、精確分析。技術實現(xiàn)要素：本發(fā)明所要解決的技術問題是如何提供一種可以準確分割并校正側視視角踏面圖像的圖像畸形校正方法及系統(tǒng)，為踏面缺陷面積的精確計算打下基礎。為解決上述技術問題，本發(fā)明所采取的技術方案是：一種火車車輪踏面圖像畸形校正方法，其特征在于包括如下步驟：采集運動狀態(tài)下鐵路運輸車輛的車輪踏面圖像；采用msrcr算法對彩色的踏面圖像進行處理用于恢復踏面圖像的真彩色信息；采用改進的彩色圖像標記分水嶺算法得到圖像各連通域脊線圖；根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面；根據踏面曲面圖像橫向和縱向畸變的不同特點順次進行平面橫、縱坐標幾何校正并在此過程中完成踏面區(qū)域的二次分割與視角轉換；輸出踏面正視視角校正圖像。進一步的技術方案在于：所述的采集運動狀態(tài)下鐵路運輸車輛的車輪踏面圖像的方法如下：在軌道外部位置固定若干個相機組成相機陣列，并在軌道的內側等間隔設置相同數量接近傳感器，每部相機對應一個接近傳感器，車輪每經過一個接近傳感器就觸發(fā)對應的相機對車輪進行一次拍照，相機陣列采集的同一車輪不同位置圖像包含完整輪對圖像信息。進一步的技術方案在于：所述的采用改進的彩色圖像標記分水嶺算法得到圖像各連通域脊線圖的方法如下：獲得踏面的彩色圖像梯度圖，進行形態(tài)學開閉重構；對圖像rgb彩色分量的極大值進行取或運算，保留各個彩色分量極大值信息得到區(qū)域極大值后進行先開運算后腐蝕的處理，完成前景標記；對圖像rgb彩色分量進行均值運算、ost閾值分割以及分水嶺變換，得到背景標識后使用方形模版進行膨脹處理完成背景標記；通過極小值標定方法得到修改后的彩色圖像梯度圖；對修改后的彩色圖像梯度圖進行分水嶺變換后得到圖像各連通域脊線圖；根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面。進一步的技術方案在于，所述的橫坐標幾何校正方法如下：首先利用踏面曲面的灰度特點每行非零像素中前半部分的最大值來計算各行中輪輞側面與踏面的交界點位置，利用求平均的方法計算輪緣與踏面交界點位置；使用圖像r分量兩個交界點從踏面區(qū)域圖像中截取出每行的踏面部分去除畸變嚴重的輪緣輪輞區(qū)域；通過r分量分割的踏面區(qū)域對g分量和b分量矩陣進行分割處理；將各顏色分量的各行的踏面區(qū)域使用最近鄰重采樣方法采樣成指定寬度；利用各分量重采樣得到的各行的向量重構出踏面圖像。進一步的技術方案在于，所述的縱坐標幾何校正方法如下：利用計算出的數學模型對橫坐標校正后的踏面圖像在縱軸方向進行非線性映射重構；對重構后的圖像縱坐標進行雙線性插值得到寬高比例與實際比例相同的踏面圖像。本發(fā)明還公開了一種火車車輪踏面圖像畸形校正系統(tǒng)，其特征在于包括：圖像采集模塊，用于采集運動狀態(tài)下鐵路運輸車輛的車輪踏面圖像；圖像預處理模塊：采用msrcr算法對彩色的踏面圖像進行處理，用于恢復踏面圖像的真彩色信息；圖像初次分割模塊：用于采用改進的彩色圖像標記分水嶺算法得到圖像各連通域脊線圖并根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面；圖像校正及二次分割模塊：用于根據踏面曲面圖像橫向和縱向畸變的不同特點順次進行平面橫、縱坐標幾何校正并在此過程中完成踏面區(qū)域的二次分割與視角轉換；圖像輸出模塊：用于輸出踏面正視視角校正圖像。進一步的技術方案在于：所述圖像采集模塊包括在軌道外部位置固定若干個相機組成相機陣列，并在軌道的內側等間隔設置相同數量接近傳感器，每部相機對應一個接近傳感器，車輪每經過一個接近傳感器就觸發(fā)對應的相機對車輪進行一次拍照，相機陣列采集的同一車輪不同位置圖像包含完整輪對圖像信息。進一步的技術方案在于：所述圖像初次分割模塊用于獲得踏面的彩色圖像梯度圖，進行形態(tài)學開閉重構；對圖像rgb彩色分量的極大值進行取或運算，保留各個彩色分量極大值信息得到區(qū)域極大值后進行先開運算后腐蝕的處理，完成前景標記；對圖像rgb彩色分量進行均值運算、ost閾值分割以及分水嶺變換，得到背景標識后使用方形模版進行膨脹處理完成背景標記；通過極小值標定方法得到修改后的彩色圖像梯度圖；對修改后的彩色圖像梯度圖進行分水嶺變換后得到圖像各連通域脊線圖；根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面。進一步的技術方案在于：所述圖像校正及二次分割模塊包括橫坐標幾何校正模塊以及縱坐標幾何校正模塊；所述橫坐標幾何校正模塊首先利用踏面曲面的灰度特點每行非零像素中前半部分的最大值來計算各行中輪輞側面與踏面的交界點位置，利用求平均的方法計算輪緣與踏面交界點位置；使用圖像r分量兩個交界點從踏面區(qū)域圖像中截取出每行的踏面部分去除畸變嚴重的輪緣輪輞區(qū)域；通過r分量分割的踏面區(qū)域對g分量和b分量矩陣進行分割處理；將各顏色分量的各行的踏面區(qū)域使用最近鄰重采樣方法采樣成指定寬度；利用各分量重采樣得到的各行的向量重構出踏面圖像。進一步的技術方案在于：所述圖像校正及二次分割模塊包括橫坐標幾何校正模塊以及縱坐標幾何校正模塊；所述縱坐標幾何校正模塊利用計算出的數學模型對橫坐標校正后的踏面圖像在縱軸方向進行非線性映射重構；對重構后的圖像縱坐標進行雙線性插值得到寬高比例與實際比例相同的踏面圖像。采用上述技術方案所產生的有益效果在于：所述方法采用改進的彩色圖像標記分水嶺初次分割側視視角踏面曲面圖像，提高了圖像的分割精度，然后根據踏面曲面圖像橫向和縱向畸變的不同特點順次進行平面橫縱坐標幾何校正并在此過程中完成踏面區(qū)域的二次分割與視角轉換，最后得到踏面正視視角校正圖像，改變了傳統(tǒng)檢測方法只能根據側視視角圖像分析踏面是否有損傷而無法確定損傷形狀和大小的缺點，較直觀和精確的分析出損傷區(qū)域的大小，為列檢人員故障等級判定提供了量值依據。經實驗驗證，該方法具有較強的抗干擾能力并取得了理想的檢測精度。附圖說明圖1是本發(fā)明實施例所述方法的流程圖；圖2是本發(fā)明實施例所述方法中霧霾原因下對輪對進行采集的圖像；圖3是本發(fā)明實施例所述方法中對霧霾原因下輪對圖像進行預處理的結果圖；圖4是本發(fā)明實施例所述方法中暗光原因下對輪對進行采集的圖像；圖5是本發(fā)明實施例所述方法中對暗光原因下輪對圖像進行預處理的結果圖；圖6是本發(fā)明實施例所述方法中改進的彩色圖像標記分水嶺算法流程圖；圖7是本發(fā)明實施例所述方法中分水嶺脊線圖；圖8是本發(fā)明實施例所述方法中前景標識和背景標識疊加圖；圖9是本發(fā)明實施例所述方法中彩色標記連通域效果圖；圖10是本發(fā)明實施例所述方法中標記分割區(qū)域疊加原圖；圖11是本發(fā)明實施例所述方法中踏面圖像校正流程圖；圖12是本發(fā)明實施例所述方法中踏面區(qū)域直接線形變換圖；圖13是本發(fā)明實施例所述方法中輪輞側面寬度變化示意圖；圖14是本發(fā)明實施例所述方法中紅色分量的亮度分布圖；圖15是本發(fā)明實施例所述方法中紅色分量單行中的亮度分布曲線圖；圖16是本發(fā)明實施例所述方法中橫坐標校正后的近似投影模型圖；圖17是本發(fā)明實施例所述方法中縱坐標校正原理示意圖；圖18是本發(fā)明實施例所述系統(tǒng)的原理框圖；圖19是本發(fā)明實施例中踏面分割結果圖；圖20是本發(fā)明實施例中橫坐標校正結果圖；圖21是本發(fā)明實施例中縱坐標校正后結果圖；圖22是本發(fā)明實施例中參考對角點位置示意圖；圖23是本發(fā)明實施例中方格寬度與實際值比較圖；圖24是本發(fā)明實施例中方格高與實際值比較圖；圖25是本發(fā)明實施例中側視踏面圖像；圖26是本發(fā)明實施例中正視視角踏面圖像；圖27是本發(fā)明實施例中通過所述方法校正后的踏面圖像；圖28是本發(fā)明實施例所述方法中各連通域所占比例圖；圖29是本發(fā)明實施例所述方法中模板圖像；圖30是本發(fā)明實施例所述方法中使用模板處理原圖的結果圖。具體實施方式下面結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發(fā)明內涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施例的限制。如圖1所示，本發(fā)明實施例公開了一種火車車輪踏面圖像畸形校正方法及系統(tǒng)，包括如下步驟：s101：采集運動狀態(tài)下鐵路運輸車輛的車輪踏面圖像；s102：采用msrcr算法對彩色的踏面圖像進行處理用于恢復踏面圖像的真彩色信息；s103：采用改進的彩色圖像標記分水嶺算法得到圖像各連通域脊線圖。根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面；s104：根據踏面曲面圖像橫向和縱向畸變的不同特點順次進行平面橫、縱坐標幾何校正并在此過程中完成踏面區(qū)域的二次分割與視角轉換；s105：輸出踏面正視視角校正圖像。由于鐵路車輛轉向架機械設計的特點，車輪踏面無法完整地暴露在外界可視范圍內，同時動態(tài)檢測過程中由于鐵路安全限界要求無法完成其正視視角圖像采集，因而踏面圖像檢測方法多采用軌道側部位置固定多部相機配合車輪傳感器順次采集踏面圖像。具體的，本發(fā)明實施例中，所述的采集運動狀態(tài)下鐵路運輸車輛的車輪踏面圖像的方法如下：在軌道外部位置固定若干個相機組成相機陣列，并在軌道的內側等間隔設置相同數量接近傳感器，每部相機對應一個接近傳感器，車輪每經過一個接近傳感器就觸發(fā)對應的相機對車輪進行一次拍照，相機陣列采集的同一車輪不同位置圖像包含完整輪對圖像信息。需要說明的是，所述相機一般為高速工業(yè)相機，能夠完成短時間內的連續(xù)拍照。圖像采集過程中往往會受到外界環(huán)境的干擾，對后續(xù)的圖像分割和目標識別等處理造成影響。如圖2所示，霧霾天采集到的圖像對比度和亮度低，顏色出現(xiàn)偏移和失真，使得圖像細節(jié)變得模糊。此外，如圖4所示，轉向架中一般會有一側車輪處于背光處，其色彩差別較小，影響圖像質量。針對以上兩種常見情況，本發(fā)明實施例采用msrcr算法對彩色踏面圖像進行處理來恢復圖像的真彩色信息，效果如圖3和圖5所示。對處理前后的圖像應用各個評價指標檢驗處理效果如表1所示：表1各圖像評價標準分析統(tǒng)計表(邊緣強度使用的是sobel邊緣檢測算子)從表1中數據對比可知預處理后圖像質量明顯提高，特別是圖像細節(jié)和色彩對比度有了很大的改善，為后續(xù)圖像分割做好了準備。采用改進的彩色圖像標記分水嶺算法得到圖像各連通域脊線圖并根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面；與灰度域的標記分水嶺算法不同，本發(fā)明所述方法直接計算彩色圖像梯度圖，使得到的彩色圖像梯度更準確且更接近人眼的直觀感受。本發(fā)明改進的標記分水嶺算法在前景標記的過程中通過3個彩色分量的極大值圖進行邏輯或運算，盡可能保留各個彩色分量極大值信息得到區(qū)域極大值，背景標記的過程中，將圖像的三個顏色分量進行均值計算來減少物體間不同顏色對標記結果的影響。算法具體流程如圖6所示，得到各步驟效果圖如圖7-10所示。圖6中，所述流程為：s1031：獲得踏面的彩色圖像梯度圖，進行形態(tài)學開閉重構；s1032：對圖像rgb彩色分量的極大值進行取或運算，保留各個彩色分量極大值信息得到區(qū)域極大值后進行先開運算后腐蝕的處理，完成前景標記；s1033：對圖像rgb彩色分量進行均值運算、ost閾值分割以及分水嶺變換，得到背景標識后使用方形模版進行膨脹處理完成背景標記；s1034：通過極小值標定方法得到修改后的彩色圖像梯度圖；s1035：對修改后的彩色圖像梯度圖進行分水嶺變換后得到圖像各連通域脊線圖；根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面。分水嶺求出脊線圖后提取踏面區(qū)域的具體方法如下：(1)對各連通域進行標記。使用標記函數對上一步的分水嶺變換產生的各個連通域進行標記，返回標記矩陣l和對應的標記數目n。(2)找到點數最多的連通域。在所有連通域中尋找感興趣的區(qū)域需要先分析感興趣區(qū)域獨有的特征。在本發(fā)明中，從實驗結果圖中不難發(fā)現(xiàn)踏面區(qū)域的面積要遠大于其他區(qū)域，因此本發(fā)明中通過求點數最多的標簽來尋找踏面區(qū)域所對應的區(qū)域。實際操作時首先使用的是直方圖統(tǒng)計函數對n個標簽對應的連通域的點數進行統(tǒng)計，然后找出點數其中最多的標簽lm。在實驗中標記分水嶺處理后得到的脊線圖中有46個連通域，圖28為各區(qū)域在圖像中所占比例的直方圖，在圖中第29個區(qū)域為踏面區(qū)域。從圖中可以看出踏面區(qū)域在圖像中占的比例要遠大于其他區(qū)域，所以可以通過尋找圖像中像素點最多的連通域來尋找踏面區(qū)域。(3)找出標簽lm對應的區(qū)域。使用搜索函數在標記矩陣l中確定出lm標簽對應連通域的所有點的坐標。(4)使用連通域lm對原圖進行處理。利用上一步驟得到的點的坐標創(chuàng)建一個lm區(qū)域為1其余區(qū)域為0的模板，然后利用創(chuàng)建的模板矩陣點乘原圖中的各顏色分量矩陣就可以最終得到單獨的踏面區(qū)域圖像。圖9為利用上述方法提取出的踏面區(qū)域圖像。從圖29-圖30中可以看出，利用本發(fā)明設計的方法成功從分水嶺變換的到的脊線圖中分離出了踏面區(qū)域，并成功利用提取的踏面區(qū)域從原圖中提取了踏面區(qū)域的彩色圖像。由于在踏面區(qū)域圖像中光照和顏色分布復雜很難獲得穩(wěn)定的分割結果，在實際處理中，圖像增強算法中參數與標記分水嶺算法中的基于重建的開閉運算中模板大小的選擇都會對分割結果造成影響，很難獲取單獨的踏面圖像。如圖4-14中所示，分割出的踏面區(qū)域雖然比較整齊，但是除了包含踏面外還包含了輪緣部分區(qū)域和輪輞側面的部分。因此，在進行標記分水嶺處理之后還需要簡單對圖像進行分割徹底去除踏面外的圖像區(qū)域。由于提取的踏面圖像為曲面且相機是從側面拍攝，導致獲取的踏面區(qū)域圖像存在嚴重的幾何畸變，難以建立精確的數學模型對踏面缺陷面積進行定量計算。通過分析圖像畸變的原因可知，橫向畸變主要是相機視角引起的線性畸變，而縱向畸變主要是車輪形狀引起的非線性畸變，兩者之間相互獨立，因此如流程圖11所示，可以將踏面區(qū)域的幾何校正分為橫坐標校正和縱坐標校正兩個步驟進行。具體步驟如下：s1041：首先利用踏面曲面的灰度特點每行非零像素中前半部分的最大值來計算各行中輪輞側面與踏面的交界點位置，利用求平均的方法計算輪緣與踏面交界點位置；s1042：使用圖像r分量兩個交界點從踏面區(qū)域圖像中截取出每行的踏面部分去除畸變嚴重的輪緣輪輞區(qū)域；s1043：通過r分量分割的踏面區(qū)域對g分量和b分量矩陣進行分割處理；s1044：將各顏色分量的各行的踏面區(qū)域使用最近鄰重采樣方法采樣成指定寬度；s1045：利用各分量重采樣得到的各行的向量重構出踏面圖像。s1046：利用計算出的數學模型對橫坐標校正后的踏面圖像在縱軸方向進行非線性映射重構；s1047：對重構后的圖像縱坐標進行雙線性插值得到寬高比例與實際比例相同的踏面圖像。踏面圖像橫坐標校正：根據線性畸變的校正原則，只需要將踏面區(qū)域圖像的所有行線性拉伸成等寬就可以恢復出原本的踏面圖像。但如果直接對分割出的踏面區(qū)域進行拉伸得到的結果如圖12所示，可以看出拉伸后圖像仍存在嚴重的畸變，這是由于輪輞側面區(qū)域在整個踏面區(qū)域寬度并不一致，如圖13所示，踏面區(qū)域圖像中每行的輪輞寬度對應于輪輞側面圓環(huán)的水平截線寬度，而在圓環(huán)中所有的水平截線過圓心的cd處最短，從cd處向兩端移動寬度逐漸增大。與此同時，輪輞側面以及輪緣內側與踏面并不處于同一平面上，變換后的圖像中輪輞、輪緣區(qū)域與踏面區(qū)域的比例與實際比例相差很大。由于輪輞側面以及輪緣內側區(qū)域并非踏面擦傷、剝離、碾堆等主要損傷的發(fā)生位置，因此在線性變換之前必須去除踏面區(qū)域圖像每行中的輪輞側面以及輪緣內側區(qū)域，即對分水嶺算法分割后的圖像進行二次分割。如果使用3個顏色分量進行行線性變換，變換結果的寬度可能會有細微差別，導致后期恢復彩色圖像時出現(xiàn)錯誤。因而僅對紅色分量進行行分割，然后使用紅色分量分割得到的踏面部分對其它分量矩陣進行分割處理，最后使用所有分量重組踏面的彩色圖像。踏面紅色分量亮度分布特點，如圖14所示，紅色的“山脊”部分位于車輪的突出部分就是踏面與輪輞的交界處其亮度比周圍區(qū)域的要高，而輪緣和踏面的交界處位于車輪的內凹部分黃色和藍色的“谷底”，其亮度比周圍像素要低。因此可以考慮利用兩個交界處的灰度特點來分割踏面區(qū)域圖像。如圖15所示，踏面與輪輞的交界處位于每行中的前半部分最大值點，踏面與輪緣的交接處則位于每行后半部分的最小值附近。因而可以通過求每行非零像素中前半部分的最大值來計算各行中輪輞側面與踏面的交界點位置。由于輪緣與踏面的交界線并不明顯且輪緣在圖像中的寬度整體變化很小，直接用后半段最小值計算輪緣與踏面的交界點會造成很大的誤差，因此使用均值法計算輪緣與踏面交界點位置，即首先計算出每行后半段的最小值距離與該行末尾的距離，然后計算所有行距離的平均值得到輪緣的近似寬度，最后將每行距離行尾輪緣寬度的點作為輪緣與踏面的近似交界點。利用求出的兩個交界點從踏面區(qū)域圖像中分割每行的踏面部分。在去除輪輞側面以及輪緣內側區(qū)域后，由于不同水平線上踏面區(qū)域的寬度不同，因此本發(fā)明將踏面區(qū)域逐行重采樣為指定寬度，這樣既不影響圖像紋理，又減少計算時間。最后，將三個顏色分量重組為彩色圖像就能得到橫坐標校正后的圖像。踏面圖像縱坐標校正在橫坐標校正完成后踏面圖像可以近似看成相機的正視視角圖像，如圖16所示，離拍攝時車輪的圓心距離為2.828m，踏面投影面高度為0.727m，由此可得踏面圖像中點相機的光路與相機中軸的最大夾角為θ，而其它較遠位置處拍攝圖像角度θ更小，因此在計算縱坐標校正模型時可以將光路簡單視為平行于相機中軸。在建立縱坐標校正的數學模型時，將圖像中踏面區(qū)域近似認作120°的踏面圓弧區(qū)域，而圖像中心線認作與車輪圓心平齊，如圖17所示?；谝陨蟽蓚€條件可以將縱坐標的非線性畸變問題看作是弧bd上的點按照弦bd等間隔采樣造成的，因而可以將縱坐標的校正問題轉換成求圓弧bd等間隔點采樣值的問題。如圖17所示弧bd上的點a對應弦bd上的點c。設laoc＝θ，半徑bo＝r，則弧ab的長度為rθ，弦ab的長度為2rsin(θ/2)，線段bc的長度為y，則可得由此得到弧bd上點與弦bd上的點的對應關系，具體的校正步驟如下：(1)假定橫坐標校正后的圖像為m*n的矩陣，則在計算開始時根據弧長與弦長的比例定義一個相應大小的矩陣，本發(fā)明中圓心角為120°，因此需要定義1.21m*n的矩陣。(2)使用最近鄰插值法將上一步中創(chuàng)建的矩陣的所有坐標按照式(1)映射到橫坐標校正后的矩陣中。(3)為了使校正后的圖像的橫縱坐標的比例與實際比例相同，將矩陣的縱坐標用雙線性插值的方法將矩陣拉伸成指定長度。通過對踏面圖像橫、縱坐標進行校正，完成了踏面區(qū)域彩色圖像坐標的校正。如圖18所示，本發(fā)明實施例還公開了一種火車車輪踏面圖像畸形校正系統(tǒng)，包括：圖像采集模塊101，用于采集運動狀態(tài)下鐵路運輸車輛的車輪踏面圖像；圖像預處理模塊102：采用msrcr算法對彩色的踏面圖像進行處理，用于恢復踏面圖像的真彩色信息；圖像初次分割模塊103：采用改進的彩色圖像標記分水嶺算法得到圖像各連通域脊線圖。根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面；圖像校正及二次分割模塊104：用于根據踏面曲面圖像橫向和縱向畸變的不同特點順次進行平面橫、縱坐標幾何校正并在此過程中完成踏面區(qū)域的二次分割與視角轉換；圖像輸出模塊105：用于輸出踏面正視視角校正圖像。進一步的，如圖18所示，所述圖像采集模塊101包括在軌道外部位置固定的若干個相機1011以及軌道內側等間隔設置的若干個接近傳感器1012，每部相機對應一個接近傳感器，車輪每經過一個接近傳感器就觸發(fā)對應的相機對車輪進行一次拍照，相機陣列采集的同一車輪不同位置圖像包含完整輪對圖像信息。進一步的，所述圖像初次分割模塊103用于獲得踏面的彩色圖像梯度圖，進行形態(tài)學開閉重構；對圖像rgb彩色分量的極大值進行取或運算，保留各個彩色分量極大值信息得到區(qū)域極大值后進行先開運算后腐蝕的處理，完成前景標記；對圖像rgb彩色分量進行均值運算、ost閾值分割以及分水嶺變換，得到背景標識后使用方形模版進行膨脹處理完成背景標記；通過極小值標定方法得到修改后的彩色圖像梯度圖；對修改后的彩色圖像梯度圖進行分水嶺變換后得到圖像各連通域脊線圖；根據采集踏面圖像特點，尋找圖像中像素點最多的連通域對踏面圖像進行初次分割，提取出踏面曲面。進一步的，所述圖像校正及二次分割模塊104包括橫坐標幾何校正模塊1041以及縱坐標幾何校正模塊1042；所述橫坐標幾何校正模塊1041首先利用踏面曲面的灰度特點每行非零像素中前半部分的最大值來計算各行中輪輞側面與踏面的交界點位置，利用求平均的方法計算輪緣與踏面交界點位置。使用圖像r分量兩個交界點從踏面區(qū)域圖像中截取出每行的踏面部分去除畸變嚴重的輪緣輪輞區(qū)域；通過r分量分割的踏面區(qū)域對g分量和b分量矩陣進行分割處理；將各顏色分量的各行的踏面區(qū)域使用最近鄰重采樣方法采樣成指定寬度；利用各分量重采樣得到的各行的向量重構出踏面圖像。所述縱坐標幾何校正模塊1042利用利用計算出的數學模型對橫坐標校正后的踏面圖像在縱軸方向進行非線性映射重構；對重構后的圖像縱坐標進行雙線性插值得到寬高比例與實際比例相同的踏面圖像。為驗證本方法分割校正踏面的準確性，在車輪踏面處粘貼34mm*34mm正方形網格標定紙作為圖像檢測結果的尺度評價標準。由于標定紙顏色與踏面背景差別很大，因此會影響到標記分水嶺算法對踏面的正常分割，所以驗證實驗中使用的初次分割得到的曲面圖像是無標定紙情況下得到的車輪踏面輪廓分割相同位置采集的帶有標定紙車輪踏面區(qū)域圖像，如圖19所示。踏面圖像中分割提取出的是近似120°的踏面區(qū)域，將踏面近似看作圓柱面后可計算提取出踏面實際對應的長方形區(qū)域。其中踏面滾動圓周長的三分之一為880mm，貨車車輪踏面區(qū)域的寬度為103mm。在驗證實驗中提取的踏面區(qū)域在圖像中的寬度都在100個像素左右，因此為了保證圖像低失真度也為了方便對踏面區(qū)域內損傷實際面積的計算，最終選擇將踏面區(qū)域圖像重采樣為880*103大小的圖片，也就是圖像中1個像素距離代表1mm距離。為了不讓方格紙影響到對兩條交界線的提取，在二次分割去除圖像中輪輞和輪緣區(qū)域時，對方格紙區(qū)域的計算區(qū)間進行了調整，避開了方格區(qū)域，其余操作與提取正常橫坐標校正過程相同，最終將踏面區(qū)域的圖像重采樣為103列。橫坐標校正后的圖像，如圖20所示，可知方格紙的黑色方格的寬度大致相同，與預期結果相符。同時也可以看出在縱坐標方向方格的高度與橫坐標方向上的寬度并不相同，并且每個方格的高度也各不相同?？v坐標的校正過程是純數學運算，因此不受方格紙的影響，計算過程與正常車輪時完全相同。首先利用公式(1)將圖20進行非線性映射，在此次實驗中圖20的像素為480*103，因此需要將其先映射到的581*103矩陣中。指定的踏面區(qū)域圖像像素為880*103，因此還需要對圖像在縱坐標上進行重采樣。如圖21為最終縱坐標校正后的圖像。本發(fā)明使用標定紙中黑白方格的尺寸作為參照物來驗證幾何校正的結果。在具體計算方格尺寸時，是使用方格的對角點坐標相減的方法。如圖22所示圓圈所在的點就是用來計算方格大小的參考對角點，藍色的圈標記的方格為計算誤差時使用的方格。人工讀取的坐標點坐標分別為[61,117]，[93,154]，[26,149]，[60,184]，[93,218]，[26,218]，[59,253]，[94,288]，[26,288]，[61,323]，[95,355]。由此計算出的方格大小分別為35*32,32*37,34*35,33*30,34*36,33*35,33*35,34*35,33*35,35*35,35*35,33*35,34*32。方格寬度的校正結果主要受橫坐標校正的影響，如圖23校正后方格的寬度與實際值比較所示，橫坐標校正的結果與實際值最多相差2像素，即橫坐標的誤差在6％左右。方格的高度校正結果主要受縱坐標校正的影響。如圖19可知，圖片上部的輪輞與踏面的交界處并沒有正確的識別出來，相關位置的標定紙還存在明顯的畸變。如圖24方格高與實際值比較圖所示，自上而下的前4個方格的高度誤差較其它方格要大很多，最高達到4個像素的誤差，誤差為12％左右。針對霧霾(pm2.5＝260-475μg/m3)、弱光(100-500lx)和正常光照(500-2000lx)狀態(tài)，各采集10張輪對圖像分別使用上述方法對踏面圖像進行分割校正。定義檢測分割圖像中標定板各個網格中心點橫坐標誤差為hx，縱坐標誤差為zx，與實際網格中心點位置誤差為fx，則根據單張圖像中網格中心點位置誤差平均值從精確度和穩(wěn)定性角度應用各指標對各環(huán)境狀態(tài)下采集樣本數據誤差進行評價，評價結果如下表2表2誤差分析表環(huán)境狀態(tài)檢測次數中心點誤差平均值/mma類不確定度/mmb類不確定度/mm合成不確定度/mm正常102.0980.8120.10.818霧霾102.7350.8490.10.854弱光102.4720.9040.10.910由表2可知在設定環(huán)境條件下踏面圖像檢測誤差保持在2.0-2.8mm之間，由誤差不確定度分析系統(tǒng)最大誤差不確定度為0.910mm,因此檢測總體誤差可以維持在3.71mm以內，因此該方法可以滿足檢測車輪踏面長度40mm缺陷或剝離故障的要求，為踏面擦傷、剝離、碾堆等故障面積的計算提供較為精確的量值參考。定義本方法的圖像分割校正精度為px＝p(x)/po(x),其中px表示人工分割校正踏面圖像x故障區(qū)域像素點集相比于分割曲面校正正視視角踏面圖像故障像素點集位置的匹配度，p(x)表示使用上文方法得到的校正踏面圖像故障區(qū)域與正視視角校正踏面故障區(qū)域相同的像素點集，po(x)表示使用人工分割方法得到的正視視角校正踏面像素點集。各視角踏面故障圖像對比圖如圖25-27所示，圖像缺陷部位分析結果如表3所示。檢驗故障圖像在其它檢測環(huán)境下分割效果，分割精度px均保持在90％左右，可以實現(xiàn)對踏面故障缺陷部位面積的準確判斷，為缺陷等級的分類提供數值參考。表3圖像缺陷部位分析表所述方法采用改進的彩色圖像標記分水嶺初次分割側視視角踏面曲面圖像，提高了圖像的分割精度，然后根據踏面曲面圖像橫向和縱向畸變的不同特點順次進行平面橫縱坐標幾何校正并在此過程中完成踏面區(qū)域的二次分割與視角轉換，最后得到踏面正視視角校正圖像，改變了傳統(tǒng)檢測方法只能根據側視視角圖像分析踏面是否有損傷而無法確定損傷形狀和大小的缺點，較直觀和精確的分析出損傷區(qū)域的大小，為列檢人員故障等級判定提供了量值依據。經實驗驗證，該方法具有較強的抗干擾能力并取得了理想的檢測精度。當前第1頁12