【技术实现步骤摘要】
本专利技术属于光学计量，具体涉及一种基于无监督机器学习的十字图像中心定位方法。
技术介绍
1、自准直仪和和中心偏测量仪是一种利用对光学元件的光轴中心偏移量测量的光学仪器，此类仪器一般是通过对返回十字图像的中心坐标的计算来对光轴的偏移量进行测量。对此类仪器来说，目标图像定位的重复性越好，以及精确度越高，此类测量仪器的测量精度就越高。所以关于如何通过图像处理来准确而又快速获得十字像的中心坐标一直是此类仪器研究的热门话题。
2、目前，利用卷积神经网络cnn通过人为标定的手段来训练十字像定位的精确度。或者利用监督机器学习的支持向量机(svm)来进行图像中心的定位。上述方法均需对算法加以训练和标定，而在实际测量过程中，由于镜头畸变和光瞳函数衍射的影响，相机采集到的图像并不能和之前训练好的图像保持完全一致，从而造成测量精度误差。
3、传统算法对于十字像中心位置的定位有很多，有利用横纵坐标累计求和的，有分区域计算质心并拟合的，也有直接利用霍夫变换直线检测的。但是这类算法由于在实际处理图像时，因为其复杂性会遇到多个特征点，从而具有鲁棒性差的特点。
技术实现思路
1、本专利技术的目的在于解决上述存在的一个或多个问题，而提供了为此我们在传统算法的基础上提出了一种基于无监督机器学习的十字图像中心定位方法，实现对十字靶标的中心很好的定位。
2、为实现上述目的，本专利技术所提供的技术解决方案是：
3、一种基于无监督机器学习的十字图像中心定位方法，包括以下步骤：
4、步骤1：获取十字图像，并将十字图像转化为灰度图像；
5、步骤2：利用自适应阈值法对灰度图像进行二值化操作，得到二值化图像；
6、步骤3：利用先腐蚀后膨胀的形态学方法对二值化图像进行处理，去除二值化图像的白噪音和暗噪音；
7、步骤4：利用canny算法提取步骤3处理后的二值化图像边缘，得到边缘图像；
8、步骤5：利用hough变换检测边缘图像角点，得到角点坐标；
9、步骤6：利用无监督机器学习的k-mean算法对角点坐标进行聚类，最终计算出十字中心点坐标。
10、进一步的，利用人眼感光细胞对rgb各个组分颜色的感光强弱，将目标图像转化为灰度图像，表示为：
11、gray＝0.3r+0.59g+0.1b
12、其中，gray代表灰度图像的单通道像素值，r代表目标图像的红色通道像素值，g代表目标图像的绿色通道像素值，b代表目标图像的蓝色通道像素值。
13、进一步的，步骤2中，将目标像素点的周围取包括目标图像的块区域，基于块区域内像素点灰度值的平均值，计算出像素阈值；
14、将像素点的像素值与像素阈值进行比较，若像素值大于像素阈值，则该像素值赋值为225；若像素值小于像素阈值，则该像素值赋值为0；遍历灰度图像中各个区域位置的像素值，完成灰度图像二值化。
15、进一步的，像素阈值通过下式计算得到：
16、
17、其中，t代表像素阈值，c代表人为设置的参数阈值，lij代表块区域(i，j)位置的像素值，代表块区域内像素点灰度值的平均值，r、c代表块区域矩阵的行数和列数。
18、进一步的，块区域的面积大小为奇数。
19、进一步的，步骤3中，利用结构矩阵对二值化图像通过下述公式进行腐蚀操作：
20、(fθb)(x,y)＝min{f(x＝x',y＝y')-b(x',y')|(x',y')∈db}
21、其中，(fθb)(x,y)代表腐蚀操作后的二值化图像在位置(x,y)的像素值，fθb代表灰度腐蚀，f代表二值化图像，b代表结构矩阵，db代表b的定义域也就是要计算的图像区域，将结构矩阵通过每次平移覆盖二值化图像中的每一个方位(x',y')，用结构矩阵中每一个结构元素的像素值减去二值化图像的对应像素值，并取所得到的值中的最小值作为腐蚀操作后的二值化图像在位置(x,y)的像素值。
22、进一步的，步骤3中，利用结构元素对二值化图像通过下式进行膨胀操作：
23、
24、其中，代表膨胀操作后的二值化图像在位置(x,y)的像素值，代表灰度膨胀，b代表结构矩阵，db代表要计算的图像区域，将结构矩阵通过平移覆盖图像中的每一个方位(x',y')，在每个结构矩阵运动到的位置区域，取矩阵内的每一个元素像素值与二值化图像矩阵对应坐标下像素值的积和的最大值作为膨胀操作后的二值化图像在位置(x,y)的像素值。
25、进一步的，步骤4中，先利用高斯滤波对步骤3处理后的二值化图像进行平滑操作，再计算每个像素的梯度，利用非极大值抑制算法去除每一个梯度sobel矩阵运动到的块区域内最大幅值的像素点，根据双阈值法划分强、弱边缘，最后消除孤立的弱边缘，得到边缘图像。
26、进一步的，步骤4中的具体步骤为：
27、步骤4-1、具体操作为首先高斯滤波对步骤3处理后的二值化图像进行平滑操作:
28、h(x,y)＝g(x，y)*i(x,y)
29、g(x，y)为高斯滤波器，i(x,y)为要计算的图像。*代表卷积操作，h(x,y)代表计算后的图像；
30、步骤4-2、其次再利用sobel算子计算图像梯度m(x，y)和方向θ(x，y)：
31、
32、步骤4-3、再利用非极大值抑制算法去除最大赋值的极值点：
33、
34、其中ml为人为设定的低阈值，其和计算出的图像像素平均梯度值有关，δx，δy为梯度方向的偏移值(δx＝cosθ(x，y)，δy＝sinθ(x，y))；
35、步骤4-4、最后再用双阈值法消除孤立弱边缘：
36、
37、mh为设置的高阈值，strong、weak和non-edge分别代表强边缘、弱边缘和无边缘，最终消除弱边缘和无边缘便是提取出的边缘。
38、进一步的，步骤6中，计算十字中心点坐标的具体步骤为：
39、步骤6-1：将角点坐标随机生成k个中心点坐标；
40、步骤6-2：遍历所有角点，根据角点与中心点的位置关系(坐标之间的欧式距离)将每个角点归类到不同中心；
41、
42、公式中x1，y1代表点1坐标，x2，y2代表点2坐标，d代表两个随机点间的欧式距离，根据计算出的欧式距离，将与中心点坐标欧式距离相近的点归为一类。
43、步骤6-3：计算每个聚类角点坐标的平均值，并将平均值的角点坐标作为新的中心点坐标；
44、步骤6-4：判断新的中心点坐标是否收敛；若中心点坐标不收敛，则重复步骤6-2、步骤6-3，直至新的中心点坐标收敛，输出聚类结果，根据聚类结果对几个聚类中心坐标求平均值，最终得到十字中心点坐标。
45、本专利技术的优点是：
46、本专利技术所提供的基于无监督机器学习的十字图像中心定本文档来自技高网...
【技术保护点】
1.一种基于无监督机器学习的十字图像中心定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤1中，将目标图像转化为灰度图像，表示为：
3.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤2中，将目标像素点的周围取包括目标图像的块区域，基于块区域内像素点灰度值的平均值，计算出像素阈值；
4.根据权利要求3所述的十字图像中心定位方法，其特征在于，像素阈值通过下式计算得到：
5.根据权利要求3所述的十字图像中心定位方法，其特征在于，块区域的面积大小为奇数。
6.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤3中，利用结构矩阵对二值化图像通过下述公式进行腐蚀操作：
7.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤3中，利用结构元素对二值化图像通过下式进行膨胀操作：
8.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤4中，先利用高斯滤波对步骤3处理后的二值化图像进行平滑操作，再计算每个像素的梯度，利用非极大值抑制
9.根据权利要求8所述的十字图像中心定位方法，其特征在于，步骤4中的具体步骤为：
10.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤6中，计算十字中心点坐标的具体步骤为：
...【技术特征摘要】
1.一种基于无监督机器学习的十字图像中心定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤1中，将目标图像转化为灰度图像，表示为：
3.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤2中，将目标像素点的周围取包括目标图像的块区域，基于块区域内像素点灰度值的平均值，计算出像素阈值；
4.根据权利要求3所述的十字图像中心定位方法，其特征在于，像素阈值通过下式计算得到：
5.根据权利要求3所述的十字图像中心定位方法，其特征在于，块区域的面积大小为奇数。
6.根据权利要求1所述的十字图像中心定位方法，其特征在于，步骤3中，利用结构矩阵对二值化图像通...
【专利技术属性】
技术研发人员：贾云峰，尤越，姜昌录，刘卫平，康登魁，陈洁婧，王楠茜，李辉，
申请(专利权)人：西安应用光学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。