结构光光条提取的混合图像处理方法
结构光光条中心的提取算法
相关 运算 来得 到光 条 每点 的近似 法线 方 。针 对具
体 问题采 用 了抛物 线拟 合法 和基 于光 条骨架 的方 向模 板法 ， 并对 实 验结果 做 了分析 。
为 了解 决线 结 构 光 条纹 中心 定 位 的 问 题 ， 国 内外学 者对 此做 了大 量研 究 Ｊ 目前 的很 多算 。 法 都是 基 于边 缘 法 、 值 法 （ 何 中心 法 ） 极 值 阈 几 、 法 和重 心法 等展 开 的。提取 光条 中心 的边 缘法 和 阈值 法算 法 简单 ， 运行 速度 快 ， 精度 较低 。极 大 但
摘 要 ： 在线结 构光测 量系统 中 ， 光条 中心的准确 提取 是影响 整个测 量系统 精度 的关 键 因素之
一
。
由于被 测物体表 面的性质 等系统噪声 的影 响 ， 使得 精确 提取光 条 中心存在一 定 的难 度。采
用 了抛物线 拟合 法和基 于光条骨架 的方 向模板 法对 采集 的光条 图像进行 光条 中心提取 ， 实验 结 果表 明当光条 图像 的曲率 较大时 ， 基于光条骨架 的方 向模板 法能够有效 、 准确 的提 取光 条中心。
１ 基 本 原 理及 算 法
１ １ 抛物 线拟 合法 ．
线 激光 源发 射 的激光 平 面投射 在被测 物体 表
面形成 的光 条在 其宽 度方 向上 光强 近似服 从 高斯 分 布 。基 于光条 强 度 的这 一 特 点 ， 以对 光 条 强 可 度 进行 基 于最小 二乘 法 的二次抛 物线 拟合 ］ 。 基 于最 ／， Ｊ－乘 法 的 二 次 抛 物 线 拟 合 数 学 原 － 理 ¨ 。 ： 有一 组 实验 数 据 （ ， ， 。是 设 ｙ ） ｋ＝１ ２ … ， ，， ｍ。可 由参 数 口 ，。ｎ 确定 抛物 线 。口 ，
线结构光条纹自适应中心提取优化算法
线结构光条纹自适应中心提取优化算法
线结构光条纹自适应中心提取优化算法是一种基于投影变换的方法，它可以有效地提取和分析线结构光条纹。
该方法主要包括四个步骤：首先，对投影图像进行模糊处理，使用模糊处理可以有效地消除
图像中不必要的细节；其次，计算投影变换后的边缘信号，以检测带
有结构光条纹信息的边缘；第三，基于投影变换和模糊处理后的边缘
信息，采用一种局部拟合算法，提取出投影变换后的线结构光条纹的
中心；最后，使用去噪算法进一步优化线结构光条纹自适应中心的提
取效果。
线结构光条纹自适应中心提取优化算法的优势主要体现在三个方面：首先，该算法能够从投影图像中有效提取线结构光条纹的中心点；其次，该算法采用投影变换和模糊处理等技术，使得提取精度更高，
同时也更加稳定；第三，该算法采用了去噪算法进行优化，从而使提
取出的线结构光条纹的中心更加精确。
此外，线结构光条纹自适应中
心提取优化算法的可扩展性也很好，可以应用于各种不同的图像上，
从而大大提高精度和实时性。
线结构光条纹自适应中心提取优化算法在实际应用中可以解决复
杂环境中线缝隙检测、机器视觉准确识别和机器人路径规划等问题。
例如，可以应用于线结构光条纹车辆定位和跟踪、智能车辆安全驾驶
系统以及智能机器人导航等相关领域。
综上所述，线结构光条纹自适应中心提取优化算法是一种高效的
方法，用于检测线结构光条纹的中心位置。
该算法具有较高的准确性
和可扩展性，可用于智能车辆安全驾驶、机器人导航和机器视觉准确
识别等领域。
大视场下线结构光光条中心的快速提取-XuFeng
万方数据
应用光学２０１０，３１（３） 张瑞瑛，等：大视场下线结构光光条中心的快速提取
·４３３·
围下，相机拍摄视场也较大，造成图像处理时易受 非被测物体的干扰，特别是在户外环境下，背景干 扰尤为强烈。针对这一特点，本文提出用基于感兴 趣区域（ＲＯＩ）的最大类问方差法阈值分割再用灰 度重心法细化的处理方法。实验证明：这种方法提 取光条中心精度高、用时短，并且抗背景干扰能力 强，在户外环境下无需对图像采集系统进行封闭式 设计。
ＺＨＡＮＧ Ｒｕｉ—ｙｉｎｇ，ＺＨＯＵ Ｐｉｎｇ，ＦＥＮＧ Ｘｕ，ＬＩ Ｓｏｎｇ，ＳＨＵ Ｑｉａｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ，Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ ４３００７９，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｒｅｅ—ｄｉｍｅｎｓｉｏｎａｌ ｔｅｓｔｉｎｇ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｌｉｎｅ—ｓｔｒｕｃｔｕｒｅｄ ｌｉｇｈｔ，ｅｘｔｒａｃｔｉｎｇ ｔｈｅ ｃｅｎｔｅｒ ｏｆ ａ ｌｉｎｅ—ｓｔｒｕｃｔｕｒｅｄ ｌｉｇｈｔ ｓｔｒｉｐｅ ｑｕｉｃｋｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ ｉｓ ａ ｋｅｙ ｐｒｏｂｌｅｍ．Ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｃｅｎｔｅｒ ｏｆ ｌｉｎｅ—ｓｔｒｕｃｔｕｒｅｄ ｌｉｇｈｔ ｗｉｔｈ ａ ｌｅｎｇｔｈ ｏｆ ２ ｍｅｔｅｒ ｉｎ ａ ｌａｒｇｅ ｆｉｅｌｄ ｏｆ ｖｉｅｗ ａｎｄ ｓｔｒｏｎｇ ｎｏｉｓｅ ｂａｃｋｇｒｏｕｎｄ，ａｎ ｅｘａｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ（ＲＯＤ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ＲＯＩ ｆｏｒ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｉｓ ｄｅｆｉｎｅｄ ｂｙ ｕｓｉｎｇ ｓｔａｔｉｓｔｉｃ ｍｅｔｈｏｄ，ｔｈｅｎ Ｏｔｓｕ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｆｏｒ ｔｈｒｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｂａｒｙｃｅｎｔｅｒ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｔｏ ｅｘａｃｔ ｔｈｅ ｃｅｎｔｅｒ ｗｉｔｈｉｎ ＲＯＩ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｅｘｔｒａｃｔｉｎｇ ｔｉｍｅ ｏｆ ａ １ ２８０×１ ０２４ ｓｉｚｅｄ ｐｉｃｔｕｒｅ ｏｆ ａ ｌｉｎｅ－ｓｔｒｕｃｔｕｒｅｄ ｌｉｇｈｔ ｗａｓ ａｂｏｕｔ ４７ ｍｓ ｉｎ Ｖｉｓｕａｌ Ｃ＋＋６．０ ｂｙ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ｅｘｔｒａｃｔｉｏｎ ｗａｓ ｐｒｏｖｅｄ ａｃｃｕｒａｔｅ．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｒｅｄｕｃｅｓ ｔｈｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｏｆ ｓｔｒｏｎｇ ｂａｃｋｇｒｏｕｎｄ ｎｏｉｓｅ ｉｎ ｌａｒｇｅ ｆｉｅｌｄ ｏｆ ｖｉｅｗ ａｎｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ｅｘｔｒａｃｔｉｏｎ ｓｐｅｅｄ ｏｆ ｌｉｎｅ—ｓｔｒｕｃｔｕｒｅｄ ｌｉｇｈｔ． Ｋｅｙ ｗｏｒｄｓ：ｌｉｎｅ ｓｔｒｕｃｔｕｒｅｄ ｌｉｇｈｔ；ｌｉｇｈｔ ｓｔｒｉｐｅ ｃｅｎｔｅｒ；ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ（ＲＯＩ）；Ｏｔｓｕ ｍｅｔｈｏｄ； ｂａｒｙｃｅｎｔｅｒ ｍｅｔｈｏｄ
结构光测量系统中光条中心的提取算法
第24卷 第1期2009年3月 北京机械工业学院学报Journal of Beijing I nstitute ofM achineryVol.24No.1Mar.2009文章编号:1008-1658(2009)01-0042-04结构光测量系统中光条中心的提取算法刘枝梅,邓文怡,娄小平(北京信息科技大学 光电信息与通信工程学院,北京100192)摘 要:在线结构光视觉测量系统中,光条中心的提取精度直接影响到整个系统的测量结果。
由于光条宽度不同、光照不均匀及待测物体表面性质的差异,使得精确地提取光条中心存在一定难度。
根据线结构光的特点提出了2种提取算法,分别为二值形态学细化算法和高斯分布的曲线拟合算法。
实验结果表明,2种算法在测量中均具有可行性,且后者提取精度较高,更适合于光条中心线提取。
关 键 词:线结构光;光条中心提取;计算机视觉中图分类号:TP391 文献标识码:AExtracti on a lgor ithm of li ght str i pes cen ter i n them ea surem en t system of structured li ghtL I U Zhi2mei,DENG W en2yi,LOU Xiao2p ing(School of Phot oelectric I nfor mati on and Telecommunicati on Engineering,Beijing I nfor mati on Science and Technol ogy University,Beijing100192,China)Abstract:I n the visi on measurement syste m of line2structed light,the extracting p recisi on of light stri pes center affects the p recisi on of measure ment syste m directly.It is quite difficult t o extract light stri pes center p recisely because of different light2stri pes widths,uneven illum inati on and differences in the nature of the objects surface.According t o the characteristics of line2structured light,t w o extracting algorith m s of light stri pes center were p r oposed including t w o2value mor phol ogical thinning algorithm and Gaussian distributi on curve fitting algorith m.The experi m ent results show that t w o algorithm s are feasible in measure,and the latter with higher p recisi on,is more fit for the extracting of light stri pes center2line.Key words:line2structured light;light stri pes center extracti on;computer visi on 物体三维轮廓的测量有多种方法。
如何利用图像处理技术实现图像拼接
如何利用图像处理技术实现图像拼接图像拼接是指将多个不完整或局部的图像拼接在一起，以生成一张完整的图像。
图像拼接技术在计算机视觉和图形学领域中得到广泛应用，可以用于实现全景图像、卫星地图、医学影像等各种应用场景。
利用图像处理技术实现图像拼接主要包括以下几个步骤：特征提取、特征匹配、几何校正和图像融合。
特征提取是图像拼接的关键步骤之一。
特征提取是为了提取图像中具有代表性和稳定性的特征点或者特征描述子，以用于后续的特征匹配。
常见的特征提取方法包括SIFT（尺度不变特征变换）、SURF（加速稳健特征）和ORB（Oriented FAST and Rotated BRIEF）等。
接下来是特征匹配。
特征匹配是为了找到两幅图像中对应的特征点，从而建立它们之间的几何关系，为后续的几何校正做准备。
特征匹配方法可以根据特征描述子的相似度、几何关系和一致性进行选择。
常见的特征匹配算法包括FLANN（快速库近似最近邻搜索）和RANSAC（随机抽样一致性）等。
几何校正是指通过对图像进行变换和旋转，将特征匹配后的图像对准。
在几何校正过程中，需要计算图像之间的旋转和平移变换矩阵。
对于大规模的图像拼接任务，可能需要考虑相机畸变校正和透视变换等问题。
几何校正方法包括仿射变换和透视变换等。
最后是图像融合。
图像融合是将拼接后的图像进行混合和平滑处理，使得拼接的边界平滑自然，达到无缝融合的效果。
图像融合方法主要包括线性混合、多分辨率融合和优化算法等。
通过合理选择图像融合方法，可以获得更好的拼接效果。
除了以上步骤，还可以通过一些先进的技术来提升图像拼接效果。
例如，利用深度学习可以提取更高级的图像特征，并实现更准确的特征匹配。
多视图几何和结构光等技术也可以用于实现更精确的几何校正。
总之，利用图像处理技术实现图像拼接是一个复杂而有挑战性的任务。
通过特征提取、特征匹配、几何校正和图像融合等步骤的组合应用，可以实现高质量的图像拼接结果。
随着计算机视觉和图形学技术的不断发展，图像拼接的方法和效果也在不断提升，为各种应用场景提供了更好的解决方案。
[指南]结构光图像预处理
![[指南]结构光图像预处理](https://img.taocdn.com/s3/m/3faf3eef915f804d2a16c130.png)
结构光图像的分割 图像分割算法一般基于亮度值的两个基本特性之一：不连续性和相似性。
最大类 间法— 大津法
边缘检测
边缘提取首先检测出图像局部特性的不连续性，然后再将 这些不连续的边缘像素连成完备的边界。
边缘算子，曲线拟合，模板匹配。实际应用中常采用较成 熟的边缘算子法。
[指南]结构光图像预处理
图像增强
空间域（滤波）增强： 平滑滤波—减噪； 均值滤波—除噪的同时存在模糊效应，随领域的增大，模糊程度变大，解 决方法:采用阈值法； 统计滤波器：非线性空间滤波器。其响应基于滤波器包含的区域中像素的 排序，然后由统计排序结果决定的值代替中心像素的灰度值。中值滤波器 是常见的一种。优点：去除脉冲噪声，椒盐噪声的同时能保留边缘的细节。 一般窗口大小为3x3。
理想情况: 阶跃
线条：
实际情况： 阶跃线条：来自一介导数：二介导数：
大视场下线结构光光条中心的快速提取
ｂｃｇｏ ｎ ａ ｋ ｒ ｕ ｄ，ａ ｘ ｃ ｉｎ ｍｅ ｈ ｄ ｂ ｓ ｄｏ ｅ ｉｎ ｏ ｎ ｅ ｅ ｔ（ ｎｅ ａ ｔ ｔ ｏ ａ ｅ ｎｒ ｇｏ ｆｉｔｒ ｓ ＲＯＩ ｓｐ ｏ ｏ ｅ ．Ｆｉ ｔｙ， ｏ ）ｉ ｒ ｐ ｓ ｄ ｒ ｌ ＲＯＩｆ ｒ ｓ ｏ
ｉ ｇ ｒ ｃ ｓ ｉ ｇ ｉ ｅ ｉ ｅ ｙ ｕ ｉ ｇ ｓ ａ ｉｔｃ ｍｅ ｈ ｄ，ｔ ｅ ｓ ｔ ｏ ｓ ｕ ｅ ｏ ｈ ｅ ｈ ｌ ｍａ ｅ ｐ ｏ ｅ ｓｎ ｓ ｄ ｆ ｄ ｂ ｓｎ ｔ ｔｓ ｉ ｔ ｏ ｎ ｈ ｎ Ｏｔ ｕ ｍｅ ｈ ｄ ｉ ｓ ｄ ｆ ｒ ｔ ｒ ｓ ｏ ｄ ｓ ｇ ｎ ａ ｉｎ ａ ｄ ａ ｙ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔｏ ｎ ｂ ｒ ｃ ｎ ｅ ｍｅ ｈ ｄ ｉ ｓ ｄ ｏ ｅ ａ ｔ ｈ ｅ ｔ ｒ ｗｉｈ ｎ ｔｏ ｓ ｕ ｅ ｔ ｘ ｃ ｔ ｅ ｃ ｎ ｅ ｔ ｉ ＲＯＩ Ｅ ｐ ｒｍｅ ｔ ． ｘ ｅｉ ｎｓ ｓ ｏ ｄ ｔ ａ ｈ ｘ ｒ ｃ ｉ ｇ ｔ ｆ ａ １ ２ ０× １ ０ ４ ｓ ｚ ｄ ｐ ｃ ｕ ｅ ｏ ｉ ｅ ｓ ｒ ｃ ｕ ｅ ｉ ｈ ｓ ｈ ｗｅ ｈ ｔ ｔ ｅ ｅ ｔａ ｔ ｉ ｎ ｍｅ ｏ ８ ２ ｉｅ ｉｔ ｒ ｆ ａ ｌ — ｔ ｕ ｔ ｒ ｄ ｌ ｔ ｗａ ｎ ｇ
中 图 分 类 号 ：Ｔ ３ １ ４ Ｐ ９． １ 文 献标 志码 ：Ａ
Ｒａ ｉ ｘ ｒ ｃ ｉ ｎ ｏ ｉ ｅ ｓ ｒ ｃ ｕ ｅ ｉ ｈ ｔ ｉ ｅ ｉ ａ ｇ ｉ ｌ ｆ ｖ ｅ ｐ ｄ ｅ ｔ ａ ｔｏ ｆ ｌｎ — ｔ ｕ ｔ ｒ ｄ ｌｇ ｔ ｓ ｒ ｐ ｎ ｌ ｒ ｅ ｆ ｅ ｄ ｏ ｉ ｗ
第３卷 第３ １ 期
２１ ０ ０年 ５月
应 用 光 学
Ｊ ｕ ｎ ｌ ｆＡｐ ｌ ｄＯｐ ｉｓ ｏ ｒ ａ ｐ ｉ ｔ ｏ ｅ ｃ
结构光条纹图像分割方法
结构光条纹图像分割方法朱真;杜轶诚;秦绪佳;陈胜男【摘要】结构光视觉三维重建中，结构光条纹分割与提取是关键。
提出一种结构光条纹分割方法，该方法首先采用多尺度 Ret-inex 算法对条纹图像暗部细节进行增强，然后使用 K 均值聚类算法对图像的高光区域进行检测，并在图像高光区域约束下提出基于最小偏态分布指标的图像分割技术，计算出高光区域和非高光区域两个分割阈值；最后对处理后的图像进行双阈值分割，获得最终的条纹图像分割结果。
实验结果表明该方法能够有效处理结构光条纹图像的分割。
%Segmenting and extracting structured light stripe is the key in 3D reconstruction of structured light vision.In this paper,we present a segmentation method for structured light stripe image.The method first uses multi-scale Retinex algorithm to enhance the details of darkness part of the stripe image,then uses k-means clustering algorithm for detecting the high-light areas of the image.We also proposed an image segmentation technique which is based on minimum bias-normal distribution index,at the constraints of image’s high-light area it calculates two segmentation thresholds for high-light areas and non-high-light areas.Finally,it makes dual thresholds segmentation on processed image and extracts the final segmentation result of stripe images.Experimental results show that this method can effectively deal with the segmentation of structured light stripe image.【期刊名称】《计算机应用与软件》【年(卷),期】2016(033)008【总页数】5页(P206-210)【关键词】条纹图像;多尺度 Retinex;K 均值聚类;条纹分割【作者】朱真;杜轶诚;秦绪佳;陈胜男【作者单位】浙江工业大学计算机科学与技术学院浙江杭州 310023;浙江工业大学计算机科学与技术学院浙江杭州 310023;浙江工业大学计算机科学与技术学院浙江杭州 310023;浙江工业大学计算机科学与技术学院浙江杭州 310023【正文语种】中文【中图分类】TP391基于结构光投射的三维重建技术广泛应用于计算机视觉等领域，通过结构光投射可以重构出被测物体的三维几何信息。
一种实时准确的线结构光条纹中心提取方法
Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ，１ ９ ９ ８ ， ２ ０ （ ２ ） ： １ １ ３ － １ ２ ５ ．
＝
（ ∑
Ｐ ｉ ∈ 【 ｐ ） ＞ ｇ ｔ ｈ
ｘ ｆ （ ｐ ） ） ／ （ ∑ 厂 （ ｐ ） ） ， Ｙ ＝ （ ∑
Ｐ ｉ Ｅ （ Ｐ ｉ ） ＞ ｇ ｔ ｈ
Ｐ ｌ Ｅ ｔ ｐ ｉ ） ＞ ｇ ｔ ｈ
ｘ ｆ （ ｐ ） ） ／ （ ∑ ｆ （ ｐ ） ） ．（ ６ ）
①选取轮廓关键点集合 中距离最远 的两个关键点 ｑ 。 和ｑ 分别作为起始扫描点和结束扫描点 ，
设置起始扫描点集 ＝ ｝，横截面分块集合 Ｕ ｃ ＝ ｛ ｝ ． ② 以起 始 扫描点 集 的 中心 点 为 圆 心 ，轮 廓 关 键 点 集 合 中距 离 圆心 最 近 的关 键 点 为 半 径作 圆 ，
则该圆与轮廓的交点集 、起始扫描点集 所组成的区域为所求分块 ，更新横截面分块集合 Ｕ ＝ ｕ ｕ … 更新起始扫描点集 ＝ ．若 ｑ ∈ ，则返 回② ，否则跳转至③． ③按照 ２ ）中分段法向量计算方法 ，计算 中每个横截面分块 中边缘分段的法向量 ，并 以所有
Ｐ ｉ Ｅ ｌ ｚ ｔ ｆ （ ｐ ｉ ） ＞ ｇ ｔ ｈ
其中， ｍ为 幂次 ，且 ０ ＜ｍ ＜ １，其 迭代过 程 如下 ： ①利 用 １ ． ２小 节 中的灰 度重 心法 提取 光刀 初始 中心 ． ② 设 置一个 步 进 Ａ ｍ（ １＞３ ｍ ＞０ ），更 新 ｍ ＝ １一Ａ ｍ ，按 公式 （ ６ ） 计算 新 的光刀 中心
＝
（ ∑ × ｐ ） ） ／ （ ∑ ｆ （ ｐ ） ） ， Ｙ 。 ＝ ∑ ［ × ｐ ） ］ ／ （ ∑ ｆ （ ｐ ） ） ． （ ５ ） Ｐ ｉ Ｅ ｚ ＝ Ｊ （ ｐ ｉ ） ＞ｇ ｔ ｈ Ｐ ｉ ∈ ｚ ： 【 ｐ １ ）＞ ｇ 山 Ｐ ｉ Ｅｌ ； ｌ ， ｔ Ｐ ｉ ） ＞ ｇ ｔ ｈ Ｐ ｉ ∈￡ Ｊ （ ｐ ｉ ） ｇ ｔ ｈ
光条中心提取
光条中心提取
光条中心提取是一种常用的图像处理技术，其主要目的是提取图像中的光条中心线。
在机器视觉和自动化控制等领域，光条中心提取常用于机器人视觉引导、工业检测、道路识别等方面。
光条中心提取的主要步骤如下:
1.滤波：首先，由于图像中存在噪点和干扰，需要进行高斯滤波等去噪处理，以增强图像的清晰度和对比度。
2.二值化：将图像转化为黑白二值图像，同时保留光条区域，并抑制掉其他区域的影响。
3.边缘检测：通过边缘检测算法（如Canny算法等）提取光条的边缘信息，并对边缘进行闭合处理，以得到光条的连续线条。
4.求取中心线：通过像素遍历，确定每个光条边缘的中心点坐标，并连接各点，得到光条的中心线。
5.优化处理：由于提取得到的光条中心线存在一定的误差和噪声，可以通过插值、拟合等技术，对光条中心线进行优化处理，以提高其精度和可靠性。
总之，光条中心提取是一种在机器视觉和自动化控制领域使用广泛的图像处理技术，其主要依赖于二值化、边缘检测、中心线提取等基本算法，并可结合其他图像处理技术进行完善和优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
・图像和信息处理・结构光光条提取的混合图像处理方法33周富强33,陈 强,张广军(北京航空航天大学仪器科学与光电工程学院,北京100083)摘要:将大模板高斯递归实现引入到结构光条纹中心提取中,提出了一种基于感兴趣区域(ROI)的结构光条纹中心混合图像处理方法。
结合图像的阈值化和膨胀算法,自动分割出结构光条所在区域作为光条提取的ROI,利用高斯卷积递归实现获得ROI内光条纹各点的Hessian矩阵,并确定光条纹各点的法线方向,最后在法线方向利用泰勒级数展开求得ROI内光条纹中心的亚像素图像坐标。
实验表明,基于ROI的结构光条纹中心混合图像处理方法具有精度高、鲁棒性好和自动化程度高等特点,所提出的算法大大地减少了结构光条纹提取的冗余计算,实现了光条纹中心线的快速高精度提取。
在保证光条提取的精度和鲁棒性前提下,所提出的算法将光条提取速度提高了10多倍,为结构光视觉三维测量的实时应用奠定了基础。
关键词:结构光视觉;条纹;感兴趣区域;亚像素中图分类号:TP391.41 文献标识码:A 文章编号:100520086(2008)1121534204C omposite im age p rocessing for center extraction of stru ctu red light strip eZHOU Fu2qiang33,CHEN Qiang,ZHANG G uang2jun(School of Instrument Science&Opto2electronics Engineering,Beihang University,Beijing100083,China)Abstract:Recursive implement algorithm of G aussian convolution with tremendous template size has been applied to the cen2 ter extrication of structured light stripe.A composite image processing method to detect the sub2pixel center of structuredlight stripe based on region2of2interest(ROI)is proposed.By combining image threshold with image dilation,ROIs of struc2 tured2light are automatically segmented in a measured image.The normal directions of light stripe in ROI is determ ined byHessian matrix,which is obtained from recursive implement of G aussian convolution.The sub2pixel center of the light stripescan be found in normal directions with T aylor series expansion.Experiments show that the proposed method drastically re2 duces the redundancy computation and implements high2accurate center extrication of structured light stripe with high speed.K ey w ords:Structured2light vision;stripe ROI;sub pixels1 引 言 结构光视觉三维测量具有非接触、动态响应快、系统柔性好等特点,广泛应用于产品快速设计和加工质量控制、逆向工程以及自动控制等诸多领域[1～4]。
结构光视觉三维测量技术通过向被测对象投射相应模式的结构光,由摄像机拍摄变形光条图像,基于光学三角原理获取物体表面三维信息,已成为解决物体表面形貌测量、空间位置测量、三维运动信息获取等许多在线测量的最有效途径。
在结构光视觉测量系统中,结构光光条经过被测物体表面的深度变化而受到调制,反映到图像中则发生了畸变,其畸变的程度包含了激光器、CCD摄像机之间的相对位置信息以及被测物体表面的深度信息。
要想获得这些信息,必须从包含光条的图像中获取光条中心的图像坐标。
因此,在结构光视觉检测中,获取结构光光条中心的高精度图像坐标是结构光视觉传感器校准[5]及获得被测物体三维轮廓[6]的关键步骤。
常见的光条中心线提取方法有灰度阈值法、极值法、梯度阈值法等,这些方法实现简单,但精度不高。
贺俊吉等[7]在光条截面上进行高斯或抛物线拟合,再通过求其极值点来得到光条纹中心的亚像素位置,该方法只适合于图像中法线方向变化不大的直线光条纹。
图像中的光条可以理解为曲线结构或有一定宽度的线条。
Steger[8]利用Hessian矩阵得到图像中的道路和血管等类似条纹的法线方向,然后求法线方向上的极值点得到条纹中心线的亚像素位置。
Steger方法具有精度高,鲁棒性好等优点,广泛应用于航拍图像和医学图像的自动分割。
Steger方法包含对整幅图像的至少5次大模板高斯卷积运算,因此计算量非常大,很难实现光条纹中心线的快速提取,难以满足实时性要求高的应用场合,如钢轨磨耗动态检测。
光电子・激光第19卷第11期 2008年11月 Journal of Optoelectronics・Laser Vol.19No.11 Nov.2008 3 收稿日期:2007209220 修订日期:2007211223 3 基金项目:国家自然科学基金资助项目(50605002);教育部新世纪优秀人才支持计划资助项目(NCET20520194);航空科学基金资助项目(05151062) 33E2m ail:zfq@ 在Steger 算法的基础上,提出了一种结构光条纹中心混合图像处理方法,结合阈值化和膨胀等算法,自动分割出结构光条所在区域作为光条提取的感兴趣区域(ROI ),利用高斯卷积递归实现获得ROI 内光条纹各点的Hessian 矩阵,并确定光条纹各点的法线方向,最后在法线方向利用泰勒级数展开求得ROI 内光条纹中心的亚像素图像坐标。
该方法只对光条所在的ROI 进行大模板高斯卷积运算,从而大大地减少了结构光条纹提取的冗余计算,实现了光条纹中心线的快速高精度提取。
2 光条中心线的法线方向的轮廓数学模型 如图1所示,在光条中心曲线的法线方向上,光条图像“灰度”由中心到两侧的变化曲线表现为一维曲线特征,用s (t )表示这一曲线,n (t )表示光条的法线方向。
理想的光条一般具有一定宽度,在法线方向上,s (t )表现为对称的条状特征。
但真实光条的两侧过渡区域内灰度变化并不是阶跃变化,而是表现为平滑过渡的缓慢变化特征,因此更适合用抛物线模型来描述光条的灰度轮廓。
s (t )=h (1-(t/w )2 |t |≤w0 |t |>w(1) 其中t 表示在法线方向n (t )上偏离光条中心点的距离,w 是光条宽度,h 表示光条的灰度值。
根据由公式(1)所表示的光条中心线的法线方向的轮廓模型,条纹中心的图像坐标提取的关键是获得光条法线方向,然后在法线方向获得轮廓对称中心o 的图像坐标。
图1 光条中心线的法线方向的轮廓模型Fig.1 S ection m od el o f th e center cu rve o f light 2strip e3 光条感兴趣区域的自动分割算法 从图2(a )所示的光条图像可以看出,结构光条图像具有高对比度和细长形状等特征。
基于这些特征,本文提出一种自动分割结构光条纹感兴趣区域(ROI )的混合图像分割算法,主要包括阈值化、连通分量提取和膨胀等算法。
阈值化处理的主要目的是获得表现为高灰度值的光条ROI 的初始区域。
在结构光视觉三维测量中,表现有结构光光条的像素趋向于取允许的最大灰度值(此时为255)。
相应的背景与光条图像的灰度值相差较大,在带有滤光片的结构光视觉系统更是如此,如图1(a )所示。
图2(a )为结构光光条的原始图像,图2(b )显示了该图像的直方图,表现为明显的双峰态分布,且背景与光条之间的波谷十分明显,因此阈值的选择范围较宽,可以选择200～250之间任何一个灰度值作为阈值,皆能得到较好的阈值化分割,对于其他结构光视觉测量情况类似。
图2(c )为阈值化处理后的二值图像C 。
图2 光条R OI 的自动分割Fig.2 Autom atic segm ent for R OI o f light strip e 对阈值化后的二值图像C,采用基于条件膨胀的连通分量提取算法获得光条所在区域。
其主要算法为: X k =(X k-1 B 1)∩C k =1,2,3…(2) 其中X 0=p 是光条区域内的任意一点(可以选择灰度值为255的点),B 1是一个3×3的方形结构元,如果X k =X k -1,算法收敛,则结果为提取出的连通分量,令提取后的有效区域为Y =X k 。
提取出连通分量后,除了包含结构光光条在内的连通分量外,由于被测物体的反射或散射,图像可能存在一些散乱的小面积干扰区域,甚至背景中可能存在大面积的高亮度区域,因此必须先要消除这些非结构光光条的干扰区域。
下面定义区域的形状因子为: S =F /(πd 2max )(3) 其中F 为区域轮廓的面积,d max 为区域的中心到轮廓像素的最大距离。
对于圆或者接近圆的区域,S 接近1,而对于细长区域,S 的取值非常小。
对于提取出的连通分量Y ,首先由面积约束,消除一些小的干扰区域,然后利用形状因子,消除S >0.1的区域,由此可以得到结构光光条ROI 的候选区域,如图2(d )所示。
由于ROI 的候选区域是经过阈值化得来的,因此有可能ROI 不包含光条两侧的弱灰度值(暗)的区域,则会影响后续光条中心的提取精度。
由此,在ROI 候选区域基础上,需要进一步扩大光条所在的ROI ,采用膨胀算法来实现ROI 的扩大。
则最后得到光条的有效ROI 为: I ROI =Y B 2(4) 其中B 1为半径为5像素以上的圆形结构元。
・5351・第11期 周富强等:结构光光条提取的混合图像处理方法 综上所述,结构光光条图像的ROI 自动分割算法的主要步骤为: ①阈值化处理,获得二值图像。