一种针对多线结构光条纹图像的自动提取方法技术

本发明专利技术公开了一种针对多线结构光条纹图像的自动提取方法，所述自动提取方法包括定位条纹的检测、测量条纹概率区检测及测量条纹检测；具体地，首先在采集图像中大致定位出粗条纹即定位条纹的位置和轮廓，并提取定位条纹的质心坐标；然后基于定位条纹与测量条纹即细条纹之间的相互关系确定测量条纹可能存在的概率区；最后在测量条纹概率区内提取测量条纹并确定其质心位置；本发明专利技术的针对多线结构光条纹图像的自动提取方法，简单有效，极大压缩了条纹提取所需时间和工作量，不再过于依赖科研人员的经验和专业素质，在保证检测结果稳定性、客观性的基础上，还显著提高了条纹提取的效率和成功率。

【技术实现步骤摘要】
一种针对多线结构光条纹图像的自动提取方法
本专利技术涉及一种针对多线结构光条纹图像的自动提取方法，属于机器视觉技术和数字图像处理

技术介绍
结构光视觉测量技术作为一种非接触式检测手段，凭借其高精度、实时性以及可控性等突出优势在现代工业三维测量领域获得了广泛应用；其中依托激光源的结构光三维检测是该类测量技术的重要手段，通过投射线结构光激光条纹到被测物体表面，利用相机采集因物体表面几何形状调制而变形的结构光条纹，分析条纹变形程度与被测物体表面几何形状之间的相互关系，反求出物体表面几何形状的物理信息，最终完成针对工业零部件的尺寸测量和三维形貌恢复。结构光三维检测能否快速、高精度重构出被测物体表面的几何形状，除了需要精确提取条纹质心以及推导出被测物体表面特征点与图像中对应灰度点之间的转换关系外，还需要一套足够好的条纹勾画工具，用于精确快速地勾画出包含有目标条纹的感兴趣区域(RegionofInterest,ROI)。目前，针对ROI区域的自动勾画往往局限在单线结构光条纹的检测过程中，通常采用自适应阈值法、置信度、大津阈值法等手段来实现；但当面临多线结构光条纹时，由于需要勾画的ROI区域过多且主要依靠手工勾画，使得这部分工作变得异常繁琐、耗时，降低了结构光的检测效率；同时在实际操作过程中，单线结构光条纹检测效率偏低，需要实时移动被测物体或结构光源以完成针对被测物体整个表面的扫描，这其中相互间的位移会额外引入测量误差，给结构光检测的可靠性带来干扰，限制了该类技术在实际工业生产中的推广应用。因此，近些年来学术界针对多线结构光条纹ROI区域的自动分割、提取十分关注。针对多线结构光条纹图像的自动分割、提取直到目前仍没有得到圆满解决，这主要是由于图像中结构光条纹的复杂性、多样性以及数目众多；当多线结构光条纹投射到被测物体表面时，由于物体表面几何形状、材质复杂多样，且相互间差别很大，导致相机采集到的结构光图像中条纹存在突变、弯折等变形；同时受检测环境干扰，采集图像存在对比度不均匀、背景反射光干扰、条纹模糊且粗细不一等缺陷；因此，传统分割、提取方法难以实现自动化，需要大量的人工干预，有必要针对多线结构光条纹图像自动分割、提取方法进行深入研究。
技术实现思路
为解决上述问题，本专利技术提出了一种针对多线结构光条纹图像的自动提取方法，针对图像中目标条纹的实际分布进行匹配，自动获取目标条纹所在概率区域，进而成功提取目标条纹，在保证结构光三维检测精度的基础上，有效提高检测的自动化水平和效率。本专利技术的针对多线结构光条纹图像的自动提取方法，所述自动提取方法包括定位条纹的检测、测量条纹概率区检测及测量条纹检测，基于知识模型的相关理论，将采集图像中结构光条纹的自动提取划分成以下三个环节：一是大致确定粗结构光条纹(即定位条纹)的位置、轮廓；二是确定细结构光条纹(即测量条纹)可能存在的概率区域；三是在测量条纹概率区内检测出对应的测量条纹；其中，上述3个环节所对应的不同区域相互间都存在着依赖关系：定位条纹是测量条纹概率区的参考对象，而测量条纹概率区又是测量条纹的参考对象；因此，上述3个环节在任务执行上存在着时间上的先后顺序；具体地，首先在采集图像中大致定位出粗条纹的位置和轮廓，并提取定位条纹的质心坐标；然后基于定位条纹与测量条纹之间的相互关系确定测量条纹可能存在的概率区；最后在测量条纹概率区内提取测量条纹并确定其质心位置。进一步地，所述定位条纹的检测其操作方法如下：依据定位条纹相比于测量条纹，宽度值更大，灰度值也更高的特性，分别应用灰度阈值GT二值化、数量阈值NT筛选出面积最大的连通区域，将定位条纹筛选出来并提取条纹质心坐标。再进一步地，所述定位条纹的检测其具体操作方法如下：第一步，定位条纹概率区，采用函数roipoly手动设置定位条纹的大致概率区范围，然后自动对概率区进行噪声滤波；一般此类结构光采集图像中存在的噪声主要是椒盐噪声，故采用二维中值滤波函数medfilt2；第二步，图像自适应GT二值化，依托概率区设定定位条纹的处理区，并对处理区内每一列上的像素点作均值化处理，获取该列的灰度阈值系数GT，并以此二值化该列上的所有像素点；循环操作，最终完成整个处理区内所有列上像素点的二值化；第三步，定位条纹粗提取，定位条纹所在区域，针对二值化后的图像，采用函数bwlabel对处理区中所有连通区域进行编号，并根据处理区内实际情况自适应设定面积阈值系数NT，最终筛选出面积最大的连通区域；第四步，条纹质心坐标提取，针对提取后的定位条纹采用灰度重心法自动提取条纹的质心坐标。相比于测量条纹，定位条纹的宽度值更大，灰度值也更高；因此抓住定位条纹的这一特征，通过设定灰度阈值GT和数量阈值NT两个参数，将定位条纹从众多条纹中区分出来；在检测定位条纹的过程中，不需要太高的精度，只需要进行概率意义上的粗略定位即可，以节省检测时间；针对定位条纹质心坐标提取精度的相关要求也不必太高，其作用在于为下一步确定测量条纹概率区域提供方便。进一步地，所述测量条纹概率区检测其操作方法如下：依据定位条纹之间，测量条纹均匀分布且任意两相邻测量条纹之间的距离固定的特性，设计了一种结构知识模型用于匹配两定位条纹之间的所有测量条纹。再进一步地，所述测量条纹概率区检测其具体操作方法如下：设计一种用于匹配两定位条纹之间的所有测量条纹的结构知识模型，将该模型简称为等分模型，该等分模型共均分为n个基本的形状单元：E1、E2…Ei…En-1、En，其中第i个形状单元Ei对应第i根测量条纹的概率区；每个形状单元划分的具体方式是在确定好第一、第二定位条纹的质心坐标以及条纹宽度w、v后，从第i＝1列开始，以结构光图像中第1列上第一、第二定位条纹上的两质心点坐标为基础，减去各自条纹宽度的一半，然后将剩余区域均分为n+1个子区域，每个子区域的宽度为b1Pixel，如公式1所示；利用c1表示第1列上第一、第二定位条纹上的两质心点间的图像距离，a和e分别表示第一、第二定位条纹的质心距离最近测量条纹质心的图像距离，d表示任意两根测量条纹质心之间的距离，则其相互间关系如公式2所示；bi＝(ci-(wi+vi)/2)/(n+1)(i＝1,2,...)；(1)ci＝ai+ei+(n-1)di(i＝1,2,…)；(2)采用上述等分模型处理定位条纹所在区域，根据处理结果可以得出，等分模型很好地匹配了该区域所有的测量条纹，没有测量条纹与其概率区边缘存在交叉的情况，因此概率区位置的选定全部满足要求。进一步地，所述测量条纹检测其操作方法如下：依据在测量条纹概率区中，概率区只包含着对应的完整测量条纹，因此测量条纹是概率区的真子集的特性，在对应的概率区内提取测量条纹，基于上述特性，测量条纹只需要在对应的概率区内进行提取，这极大减少了运算量，提高了检测效率。再进一步地，所述测量条纹检测其具体操作方法如下：在按照特定顺序选好第i＝1个测量条纹概率区后，在该区域内提取测量条纹：从第j＝1列开始，以第1列上概率区两边缘处像素点p1,1、q1,1为基础，分别汇总该列上两点之间的所有像素点得到灰度和G1,1和行坐标集合row1,1，采用灰度重心法提取该列上测量条纹截面S1,1的质心行坐标centroid1,1，如公式3所示；结合该列的列坐标，本文档来自技高网...

【技术保护点】
1.一种针对多线结构光条纹图像的自动提取方法，其特征在于：所述自动提取方法包括定位条纹的检测、测量条纹概率区检测及测量条纹检测；具体地，首先在采集图像中大致定位出粗条纹的位置和轮廓，并提取定位条纹的质心坐标；然后基于定位条纹与测量条纹之间的相互关系确定测量条纹可能存在的概率区；最后在测量条纹概率区内提取测量条纹并确定其质心位置。

【技术特征摘要】
1.一种针对多线结构光条纹图像的自动提取方法，其特征在于：所述自动提取方法包括定位条纹的检测、测量条纹概率区检测及测量条纹检测；具体地，首先在采集图像中大致定位出粗条纹的位置和轮廓，并提取定位条纹的质心坐标；然后基于定位条纹与测量条纹之间的相互关系确定测量条纹可能存在的概率区；最后在测量条纹概率区内提取测量条纹并确定其质心位置。2.根据权利要求1所述的针对多线结构光条纹图像的自动提取方法，其特征在于，所述定位条纹的检测其操作方法如下：依据定位条纹相比于测量条纹，宽度值更大，灰度值也更高的特性，分别应用灰度阈值GT二值化、数量阈值NT筛选出面积最大的连通区域，将定位条纹筛选出来并提取条纹质心坐标。3.根据权利要求1或2所述的针对多线结构光条纹图像的自动提取方法，其特征在于，所述定位条纹的检测其具体操作方法如下：第一步，定位条纹概率区，采用函数roipoly手动设置定位条纹的大致概率区范围，然后自动对概率区进行噪声滤波；一般此类结构光采集图像中存在的噪声主要是椒盐噪声，故采用二维中值滤波函数medfilt2；第二步，图像自适应GT二值化，依托概率区设定定位条纹的处理区，并对处理区内每一列上的像素点作均值化处理，获取该列的灰度阈值系数GT，并以此二值化该列上的所有像素点；循环操作，最终完成整个处理区内所有列上像素点的二值化；第三步，定位条纹粗提取，定位条纹所在区域，针对二值化后的图像，采用函数bwlabel对处理区中所有连通区域进行编号，并根据处理区内实际情况自适应设定面积阈值系数NT，最终筛选出面积最大的连通区域；第四步，条纹质心坐标提取，针对提取后的定位条纹采用灰度重心法自动提取条纹的质心坐标。4.根据权利要求1所述的针对多线结构光条纹图像的自动提取方法，其特征在于，所述测量条纹概率区检测其操作方法如下：依据定位条纹之间，测量条纹均匀分布且任意两相邻测量条纹之间的距离固定的特性，设计了一种结构知识模型用于匹配两定位条纹之间的所有测量条纹。5.根据权利要求1或4所述的针对多线结构光条纹图像的自动提取方法，其特征在于，所述测量条纹概率区检测其具体操作方法如下：设计一种用于匹配两定位条纹之间的所有测量条纹的结构知识模型，将该模型...

【专利技术属性】
技术研发人员：丁超，唐力伟，曹立军，邵新杰，邓士杰，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：河北,13