CN102425989A - 基于图像检测的二维特征尺寸测量方法 - Google Patents

Abstract

本发明属于计算机视觉检测技术领域，涉及一种基于图像检测的二维特征尺寸测量方法，依次执行下列步骤：(1)在所采集的图像上沿预测量的二维特征轮廓依次选择若干点；(2)进行形状拟合，确定初步选择的形状曲线；(3)以该初步选择的形状曲线为中心线，沿着该曲线的法向矢量向两侧扩展同样的像素距离，分别生成两条定位曲线，以这两条曲线为边界线来限定图像处理的区域；(4)利用灰度跳变方法在所限定的图像处理的区域，进行边界搜索，提取形状边界；(5)进行特定形状约束的数据拟合，从而得到所需形状参数。本发明可精确提取二维特征的轮廓数据，具有精度高、稳定性高等特点。

Description

基于图像检测的二维特征尺寸测量方法

技术领域

本发明属于计算机视觉检测技术领域，涉及一种二维特征尺寸测量方法。 

背景技术

随着生产与科学技术的迅速发展，对测量方法的精确度、效率以及自动化程度的要求也越来越高。图像检测技术将被测对象的图像做为信息的载体，从中提取有用的信息，用它实现非接触，高精度，快速及自动化检测。图像测量技术适应了测量需求发展趋势，成为微小结构、曲面轮廓以及孔距等二维特征尺寸的重要测量方法。 

二维特征尺寸是评价加工精度的重要依据，如加工圆孔的直径、圆孔之间的位置关系、沟槽阵列的间距、楔形结构的角度等。然而，由于采集图像信息复杂，直接对图像进行全局处理会受到众多噪声的影响，而得不到精确且稳定的二维特征信息，因此，大多二维特征图像测量系统往往采用手动操作的方式进行特征信息的提取。而在进行手动选择时，由于受到主观感觉的影响和点选位置的不确定性，再加上图片的分辨率高，在显示时会存在缩小显示，实际看到选择点的位置会存在几个像素的偏差是在所难免的，同样造成了手动选择的不准确和不稳定。因此，有必要开发一种精确稳定的二维特征尺寸测量方法。 

发明内容

本发明的目的是，克服现有技术的上述不足，提出一种能够提高寸测量的稳定性和精度的二维特征尺寸测量方法。本发明是一种综合了人机交互处理和局部特征自动定位方法，进一步地，借助B样条曲线对非规则轮廓进行统一描述，还适应更多曲线或不规则形状等复杂结构的测量。本发明的技术方案如下： 

一种基于图像检测的二维特征尺寸测量方法，依次执行下列步骤： 

(1)在所采集的图像上沿预测量的二维特征轮廓依次选择若干点； 

(2)进行形状拟合，确定初步选择的形状曲线； 

(3)以该初步选择的形状曲线为中心线，沿着该曲线的法向矢量向两侧扩展同样的像素距离，分别生成两条定位曲线，以这两条曲线为边界线来限定图像处理的区域。 

(4)利用灰度跳变方法在所限定的图像处理的区域，进行边界搜索，提取形状边界； 

(5)根据步骤(4)提取的形状边界，进行特定形状约束的数据拟合，从而得到所需形状参数。 

作为优选实施方式，如果曲线的二维特征不是直线或二次曲线，步骤(2)采用三次B样条曲线插值的方法，得到进行形状拟合的数据点；所述的像素距离为10～20像素；设确定初步选择的形状曲线为v＝f(u)或u＝g(v)，其中(u，v)为图像坐标横纵坐标，在步骤(4)中依据初步选择的形状曲线的横、纵坐标范围u_rang和v_rang进行搜索循环方向的确定，若u_rang＞v_rang，以横坐标作为循环方向，反之以纵坐标为循环方向。 

本发明可精确提取二维特征的轮廓数据，以该数据作为特征量计算基准，测量结果避免了人工选择的主观性，因此，测量具有精度高、稳定性高等特点。同时，采用三次B样条曲线进行选择点拟合，因此，选择形状不局限于常见的直线、圆等规则形状，还可实现曲线或不规则形状的选择定位和测量。 

附图说明

图1处理流程图。 

图2图像处理区域确定流程图。 

图3图像处理区域自动定位示意图。 

图4边界提取流程图。(a)主流程(b)边界搜索模块。 

图5边界提取算法示意图。 

图6刀具角度测量效果图。 

具体实施方式

图1是本发明的整体处理流程。首先，进行图像采集，获取预测量结构的图像信息。传统处理方法是直接通过手动选择结构边缘的一些特征点，并计算选择点的图像坐标，进而依据图像坐标和实际尺寸的转换关系(系统标定参数，参考文献)，实现特征量的计算和测量，如图1中虚线流程。可以看出手动选择点位置精度是测量精度的关键，鉴于手动选择测量和全局图像处理的不稳定性，本发明设计了基于手动选择再进行特征自动定位的方法。在手动选择基础上，自动选择点的周围小区域内进行图像处理，通过边界提取精确定位选择边界的轮廓，然后对精确提取的边界数据进行预定形状的拟合，结合系统标定参数从而实现特征形状参数的精确测量。 

图2是依据用户选择自动确定图像处理区域流程图。首先对用户选择点数组A进行形状拟合，确定初步选择形状曲线方程v＝f(u)或u＝g(v)，其中(u，v)为图像坐标横纵坐标。然后以该曲线为中心线，沿着该曲线的法向矢量向两侧扩展同样的像素距离d，分别生成两条定位曲线，以这两条曲线为边界线来限定图像处理的区域，这里d一般选择10～20像素，如图3所示。然后，在限定好的区域中进行图像处理，精确提取形状边界。 

进行边界提取的方法较多，这里利用灰度跳变原理进行边界搜索，即边界被认为是灰度值跳变点组成。图4是进行边界搜索算法流程图。首先依据初选择形状的横纵坐标范围u_rang和v_rang进行搜索循环方向的确定，若u_rang＞v_rang，以横坐标作为循环方向，反之以纵坐标为循环方向。这里以横坐标作为循环方向为例，假设横坐标的起始坐标分别为u_start和u_stop，横坐标u在[u_start，u_stop]内进行循环，其中任意点坐标u_i，带入曲线方程v＝f(u)，得纵坐标v_i，同时求解该点p(u_i，v_i)的切线斜率t＝f′(u)|u＝u_i，切线倾斜角为θ＝atan(t)，如图5所示，求解得该点处垂直于曲线的直线方程u＝tv+u_i+tv_i。沿该垂直直线上进行灰度跳变搜索，即在纵坐标v的范围内[v_i-dcos(θ)，v_i+dcos(θ)]进行循环搜索，比较相邻点的灰度差找到图像灰度跳变最大处p′，即为选择点p处精确的边界点。依次循环搜索，得到所有精确的边界点阵列数据B。然后，对数据阵列B进行特定形状约束的数据拟合，如直线、圆、 椭圆等二次曲线拟合等，从而得到与手动选择无关的精确稳定的形状参数。 

本发明可对常见的直线、二次曲线(圆、椭圆、抛物线等)等规则形状进行特征量边界提取，并进一步实现直线距离、直线夹角、圆半径、圆的位置关系等特征量计算。另外，因为是在选择轮廓周围区域进行图像处理，因此，对于不规则形状来说，只要用户沿边界依次选择点就可以实现不规则图形的特征量边界提取，这里采用三次B样条曲线对用户选择的不规则形状进行统一描述， 

$C\left(u\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{N}_{i,p}\left(u\right)P_i,a\≤u\≤b---\left(1\right)$

其中{P_i}为n+1个控制点；变量u的任何一个值对应连续曲线上唯一的点；{N_i，p(u)}是p次B样条基函数，这里p＝3，即为三次B样条。对数据阵列A进行B样条曲线插值拟合，即 

$Q_k=C\left({\stackrel{\‾}{u}}_k\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{N}_{i,p}\left({\stackrel{\‾}{u}}_k\right)P_i,k=0,...,n---\left(2\right)$

其中A＝{Q_k}，k＝0，…，n。即：n+1个控制点可以确定n+1个方程，使用最小二乘法很容易通过求解方程组得到其中的基函数参数，从而确定三次B样条曲线方程，曲线的导数C′(u)也就能进一步计算得到，为图像处理区域确定、边界提取方法等提供计算依据，其计算过程均和前面介绍一致。 

图6是实际进行三角形刀具角度(刀具的标称值为70.62°)测量时的处理图。表1是在对同一幅刀具照片进行角度测量时，仅采用手动选择测量10次的重复性，在此组数据中手动选择的位置点尽量保持一致，从数据中可以看出，手动选择得到的测量角度变动大致导致了约0.2°的测量不稳定性。 

对同样的刀具照片进行角度测量，在进行刀具两侧直线选择时故意进行了微量偏差，但使用本发明的方法同样寻找到了所需要的轮廓边缘，同样重复测量10次，如表2所示，从数据中可以看出，测量数据相当稳定，基本上在两个数据上来回变动，且两个数据的偏差只有约0.04°。可以看出算法具有相当好的稳定性。 

表1手动选择重复性 

序号	角度(°)	序号	角度(°)
				1	70.714	6	70.736
2	70.570	7	70.480
				3	70.737	8	70.548
4	70.480	9	70.702
				5	70.608	10	70.516

[0031] 表2自动定位重复性 

序号	角度(°)	序号	角度(°)
				1	70.693	6	70.651
2	70.693	7	70.693
				3	70.651	8	70.693
4	70.693	9	70.693
				5	70.693	10	70.693

另一个应用实例是圆孔测量。在摄像机采集图像时，圆形经过投影变换变为椭圆，因此，实际是采用椭圆的相关参数进行评价。在轮廓选择时人工选择椭圆孔上的点，然后进行三次B样条拟合，再进行边界数据的提取，得到图6所示的边界数据点，通过椭圆拟合得到精确的椭圆边界轮廓，可进一步求解椭圆参数。 

为保证本发明的实施，需要具备必要的硬件环境，即由CCD/COMS摄像机、光学镜头和图像数据采集卡搭建的图像采集系统，并采集预测量二维特征的图像，然后，按下列方法实现尺寸测量： 

(1)在采集图像上沿预测量的二维特征轮廓依次选择若干点，并将选择的数据点图像坐标记录在数组A中； 

(2)针对预选择的二维特征轮廓特征对数组A进行相应的特征方程初步确定v＝f(u)或u＝g(v)，如二维特征为直线，则根据数组A求解直线方程；若为二次曲线，则由数组A拟合得二次曲线或B样条曲线；若为不规则曲线，则由数组A拟合B样条曲线； 

(3)依据选择形状的横纵坐标范围u_rang和v_rang进行搜索循环方向的确定，若u_rang＞v_rang，以横坐标作为循环方向，反之以纵坐标为循环方向； 

(4)若u_rang＞v_rang，并假设横坐标的起始坐标分别为u_start和u_stop。设任意点坐标u_i＝u_start； 

(5)将u_i带入曲线方程v＝f(u)，得纵坐标v_i，同时求解该点p(u_i，v_i)的切线斜率t＝f′(u)|u＝u_i，切线倾斜角为θ＝atan(t)；求解得该点处垂直曲线的直线方程u＝tv+u_i+tv_i；设临时变量Gmax＝0，并设v＝v_i-dcos(θ)，v₁＝v+1； 

(6)将v和v₁带入垂线方程，分别得到两个坐标点(u，v)和(u₁，v₁)，求解两个坐标点的灰度差值绝对值G； 

(7)若G＞Gmax，则记录坐标点p′＝(u，v)；v递增1，v₁递增1； 

(8)循环步骤(6)-(7)，直至v₁＝v_i+dcos(θ)，并将p′保存于数组B中，令B[u_i-u_start]＝p′，即得到精确的边界数据点； 

(9)循环步骤(5)-(8)，直至u_i＝u_stop；得到所有精确的边界点阵列数据B； 

(10)对数组B进行特定形状约束的数据拟合，如直线、圆、椭圆等二次曲线拟合等，从而得到所需形状参数； 

(11)若u_rang≤v_rang，并假设纵坐标的起始坐标分别为v_start和v_stop。设任意点坐标v_i＝v_start； 

(12)将v_i带入曲线方程u＝g(v)，得横坐标u_i，同时求解该点p(u_i，v_i)的切线斜率t＝g′(v)|v＝v_i，切线倾斜角为θ＝atan(t)；求解得该点处垂直曲线的直线方程v＝tv+u_i+ tv_i；设临时变量Gmax＝0，并设u＝u_i-dcos(θ)，u₁＝u+1； 

(13)将u和u₁带入垂线方程，分别得到两个坐标点(u，v)和(u₁，v₁)，求解两个坐标点的灰度差值绝对值G； 

(14)若G＞Gmax，则记录坐标点p′＝(u，v)；u递增1，u₁递增1； 

(15)循环步骤(13)-(14)，直至u₁＝u_i+dcos(θ)，并将p′保存于数组B中，令B[u_i-u_start]＝p′，即得到精确的边界数据点； 

(16)循环步骤(12)-(15)，直至v_i＝v_stop；得到所有精确的边界点阵列数据B； 

(17)对数组B进行特定形状约束的数据拟合，如直线、圆、椭圆等二次曲线拟合等，从而得到所需形状参数。 

Claims (4)

1.基于图像检测的二维特征尺寸测量方法，依次执行下列步骤：

(1)在所采集的图像上沿预测量的二维特征轮廓依次选择若干点；

(2)进行形状拟合，确定初步选择的形状曲线；

(3)以该初步选择的形状曲线为中心线，沿着该曲线的法向矢量向两侧扩展同样的像素距离，分别生成两条定位曲线，以这两条曲线为边界线来限定图像处理的区域。

(4)利用灰度跳变方法在所限定的图像处理的区域，进行边界搜索，提取形状边界；

(5)根据步骤(4)提取的形状边界，进行特定形状约束的数据拟合，从而得到所需形状参数。

2.根据权利要求1所述的基于图像检测的二维特征尺寸测量方法，其特征在于，如果曲线的二维特征不是直线或二次曲线，步骤(2)采用三次B样条曲线插值的方法，得到进行形状拟合的数据点。

3.根据权利要求1所述的基于图像检测的二维特征尺寸测量方法，其特征在于，所述的像素距离为10～20像素。

4.根据权利要求1所述的基于图像检测的二维特征尺寸测量方法，其特征在于，设确定初步选择的形状曲线为v＝f(u)或u＝g(v)，其中(u，v)为图像坐标横纵坐标，在步骤(4)中依据初步选择的形状曲线的横、纵坐标范围u_rang和v_rang进行搜索循环方向的确定，若u_rang＞v_rang，以横坐标作为循环方向，反之以纵坐标为循环方向，利用灰度跳变方法在所限定的图像处理的区域，进行边界搜索。

Images