CN106506899A - 一种基于机器视觉的图像采集与重建方法及装置 - Google Patents
一种基于机器视觉的图像采集与重建方法及装置 Download PDFInfo
- Publication number
- CN106506899A CN106506899A CN201510575093.5A CN201510575093A CN106506899A CN 106506899 A CN106506899 A CN 106506899A CN 201510575093 A CN201510575093 A CN 201510575093A CN 106506899 A CN106506899 A CN 106506899A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- path
- image acquisition
- polygon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/387—Composing, repositioning or otherwise geometrically modifying originals
- H04N1/3876—Recombination of partial images to recreate the original image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/024—Details of scanning heads ; Means for illuminating the original
- H04N1/028—Details of scanning heads ; Means for illuminating the original for picture information pick-up
- H04N1/03—Details of scanning heads ; Means for illuminating the original for picture information pick-up with photodetectors arranged in a substantially linear array
- H04N1/031—Details of scanning heads ; Means for illuminating the original for picture information pick-up with photodetectors arranged in a substantially linear array the photodetectors having a one-to-one and optically positive correspondence with the scanned picture elements, e.g. linear contact sensors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/024—Details of scanning heads ; Means for illuminating the original
- H04N1/032—Details of scanning heads ; Means for illuminating the original for picture information reproduction
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的图像采集与重建方法,其包括如下步骤:1)通过全幅图像数字化采集仪设置的图像采集机构,对具有特定形状或设有图案信息的待测物料进行图像采集;2)设置一图像处理机构,对采集的图像依次进行:a)CIS拼接处理;b)图像一致性校正处理;c)图像高精度重采样处理;d)位图转矢量处理,获得并输出矢量数据;3)根据输出的矢量数据,对待测物料所具有的特定形状或设置的图案信息进行矢量化重建。本发明还公开了实施上述方法的装置。本发明可实现图像的自动拼接、呈现完美的宽幅图像、实现快速图像校正、具有很强的图像轮廓边缘细节的保真能力,其位图转矢量算法处理能够完成对扫描对象位图轮廓的准确提取,获得高精度的轮廓图像。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的图像采集与重建方法及装置。
背景技术
目前,进行图像采集后获得的图像一般的幅面都比较小,如A4/A3幅面的扫描仪或者数字化仪等,可以采集图像的一般也是比较薄的图纸等,对于比较厚的实体物品,如鞋底等实体物品的形状,则不能准确地进行扫描。
为了实现对实物的全幅面图像扫描,目前需将多根CIS图像传感器并列后进行拍照扫描,形成长条状图像采集组合相机,将每根CIS扫描的图像顺序组合成为一张宽幅图像,以进行一次性全幅图像采集,然而最终图像必然是邻接的两个CIS通道呈现上下交替错位,且在接缝处有重叠区域,必须消除水平重叠和纵向错位,才能保证采集的图像真实反映扫描对象。
CIS作为一种图像传感器,其感光单元一般是CMOS和CCD,其光场则由线阵排列的LED点阵提供,这种线阵排列的LED产生的光照强弱分布函数不是均匀的,而且每个感光单元对光子的响应率并不完全一致,即使是同一个感光单元对不同光照强度的响应也并非线性。因而表现在图像上,将出现两种现象,一种是竖条纹,一种是图像不均匀,往往需要进行图像的校正处理。
现有技术中,处理大幅面的物料图像数据的矢量化过程非常繁琐复杂,其要从实体物料变成线条文件,一般通过人工对实物进行测量之后直接采用相关绘图软件进行线条绘制,或者局部拍照,在计算机中拼接完整后,将拼接后的整幅图片嵌入相关绘图软件中,由人工在图片上进行线条临摹描绘,无论是前者还是后者,其过程步骤多,操作麻烦,人工技术水平依赖性高,而且存在成本高、时间长、精度低等缺陷。
现有的做矢量文件的方法和特点如下:一是用扫描仪对物料扫描,再用PS等相关软件进行手动描线,达到做出矢量文件的目的;二是用数字化仪对物料点读,达到矢量文件的目的;其速度慢,精度低,专业操作水平要求高,管理成本高。
总之,现有的针对实物的图像采集与矢量重建方法,其获得的图像轮廓边缘细节的保真能力差,不能更好的优化矢量化步骤,更不能满足大幅度图像采集后的图像矢量重建,对扫描对象位图轮廓的不能准确提取、精度不高。
发明内容
本发明是针对现有技术中的不足,提供一种基于机器视觉的图像采集与重建方法及装置,以解决现有图像采集或重建中存在的精度低、保真效果差及图像幅面过小等问题。
为实现上述目的,本发明采用的技术方案是:
一种基于机器视觉的图像采集与重建方法,其包括如下步骤:
1)采用全幅图像数字化采集仪,通过设置的图像采集机构,对具 有特定形状或设有图案信息的待测物料进行图像采集;
2)设置一图像处理机构,对采集的图像依次进行如下处理:
a)CIS拼接处理;
b)图像一致性校正处理;
c)图像高精度重采样处理;
d)位图转矢量处理,并将获得的矢量数据输出;
3)根据输出的矢量数据,对待测物料所具有的特定形状或设置的图案信息进行矢量化重建。
所述的全幅图像数字化采集仪包括平台及与该平台相对运动设置的图像采集机构,所述的图像采集机构包括由若干图像传感器连续排列后拼接而成的长条状图像采集组合相机。其中所述图像传感器为CIS线性图像传感器。
所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下方或上方,或所述图像采集机构为两个,所述平台通过移动机构设于该两个图像采集机构的中间。所述移动机构包括使平台与图像采集机构相对运动的导轨,及丝杆传动组件或带轮传动组件。
所述的CIS拼接处理包括如下步骤:
(a.1)将所述的图像采集机构内设置多根CIS图像传感器且整体呈“之”字型排列,所述的多根CIS图像传感器的相邻两根CIS在水平方向有重叠区域、垂直方向有错位区域,且设定重叠区域、错位区域、每根CIS扫描的宽度均固定;
(a.2)在水平方向将0-L像素、L-2L像素分别设为相邻的第一根CIS通道图像数据、第二根CIS通道图像数据;
(a.3)制作可覆盖整个图像采集区域的具有丰富对位标志的拼接纸,之后输入拼接纸图像,利用拼接工具手动将所述相邻两根CIS交接处的重叠区域整体向左移动像素w、两者的错位区域整体向上移动像素h,直到图像中不存在水平重叠区域和上下错位区域,同时利用软件后台算法记录下拼接参数w、h,并生成配置文件,之后每次扫描图像时只需加载配置文件,即可实现图像的自动拼接。
所述的图像一致性校正处理包括下列步骤:
(b.1)采集一张饱和亮场白图和一张暗场黑图,得到校正数据;
(b.2)采用两点校正法,按如下公式进行图像校正:
其中,G校正(x,y)为校正后的图像数据,G原始(x,y)为原始图像数据,G亮场为校正工具得到的饱和亮场数据,G暗场为校正工具得到的暗场数据,C为校正因子,通常取255。
所述的图像高精度重采样是在后端通过立方插值算法来实现的。
所述的位图转矢量处理是通过位图转矢量算法实现的,包括如 下步骤:
(d.1)将位图分解为封闭路径集合,其构成黑白区域之间的边界:
(d.1.1)假定位图放置在一个坐标系且每个像素的转角都有整形坐标,同时进一步假定背景为白色,前景为黑色,且超出位图边界的区域的被假定为白色填充;
(d.1.2)构造一个有向图G:设定p是一个整形坐标的点,且该点与4个像素相邻,若这4个像素不是同一种颜色则这个点p被称作顶点;假定v和w是顶点,且v和w的欧几里得距离为1,则认为此时有一条从v到w的边,该直线片段将v和w分为一个黑色像素和一个白色像素,当从v移向w使黑色像素在该直线片段的左边、白色像素在其右边,则形成所述的有向图G;
(d.1.3)假定一个路径是一系列顶点(v0,…,vn),对所有的i=0,…,n-1都有一条从vi到vi+1的边;如果vn=v0,一条路径被称为封闭;路径的长度为边的个数;则通过路径分解可以实现将有向图G分解为封闭路径,即找到一个封闭路径的集合使G的每条边都只出现一次;
(d.1.4)从位图到路径的具体方法为:从一对有不同颜色的相邻像素开始,通过选择某一行最左边的黑色像素,两个被选择的像素在一条边上相遇,通过改变这条边的朝向使黑色像素在边的左边、白色像素在边的右边;通过迭代继续扩张这条路径,使新的边相对于边的方向都有一个黑色像素在其左边、一个白色像素在其右边,在像素间沿着边移动时每遇到一个转角,则需要根据周围像素的颜色来决定是直走、左转或右转;通过不断迭代直到返回假定的封闭图的起点为止, 从而完成位图中一个封闭轮廓路径的搜索,之后通过反转使所有像素的颜色从位图中移除,重新定义新图,之后对该新图继续递归应用所述的路径分解算法,直到没有黑色像素余留,得到位图中所有封闭路径的集合;
(d.1.5)在完成(d.1.4)过程中,设定如下转向策略:
左:表示在需要转向时一直左转;
右:表示在需要转向时一直右转;
黑:表示更倾向于链接黑色像素单元;
白:表示更倾向于链接白色像素单元;
最少链接:表示更倾向于链接当前点邻域内出现的最少颜色;
最多链接:表示更倾向于链接当前点邻域内出现的最多颜色;
随机链接:表示随机转向;
(d.1.6)清除杂点干扰:设定一个路径内部面积阈值t来消除封闭路径的细小轮廓,且路径面积的计算公式如下:
area=∫ydx=∫yx'dt (2)
其中,area为路径面积,x为图像像素行坐标,y为图像像素列坐标,t为阈值变量。
(d.2)将经过步骤(d.1)所得的封闭路径集合转化为一条近似该路径的最优多边形:
(d.2.1)设定直线路径:
设定在平面坐标系中两点z0(x0,y0)和z1(x1,y1),且两点间的最大距离为d(z0,z1)=max{|x1–x0|,|y1–y0|},则离点(1/2,1/2) 最大距离为最多1/2的点的集合是那些以(1/2,1/2)为中心的点;同时设定坐标平面的任两点a,b,令表示链接a和b直线的直线片段,给点一组非封闭的路径p={v0,…,vn},则线片段近似这条路径;如果d(v0,a)≤1/2,d(vn,b)≤1/2,并且对于每一个i=1,…,n-1,存在点ci使得d(vn,b)≤1/2;对于一条路径p={v0,…,vn},其在索引i上的方向为vi+1-vi,i=0,…,n-1,且存在四种可能的方向:(0,1),(1,0),(0,-1),和(-1,0);当一条路径可以被线片段近似而且上述4种方向都没有出现,则称该条路径是直的,同样,该路径的所有的子路径也是直的;
(d.2.2)获取多边形:
当p={vj,…,vn}是一封闭路径,则有vn=v0,路径的长度为n;当任一对索引i,j∈{0,…,n-1}定义一个子路径pi,j,其中路径vi,…,vj,i<=j或路径vi,…,vn-1,v0,…,vj,j<i,记为对i和j之间的环形差异,当i£j时当j<i时 因此子路径pi,j的长度被精确为jΘi;对于封闭路径,下述加法和减法均对n取模;
假设从封闭路径p中构建一个多边形,当且子路径pi-1,j+1按步骤(d.2.1)所述算法是直的,则此时存在一个可能从i到j的可能的片段;或当子路径可以在两边方向上均扩张1个像素,且保持是直的,则一个子路径对应一个可能的片段;
一个多边形是一序列索引i0£i1£…£im-1,对于每个k=0,…,m-2,及从im-1到i0,有一个从ik到ik+1的可能的片段;
(d.2.3)惩罚:
最优多边形的设定为一个拥有更少片段的多边形,其比一个拥有更多片段的多边形更优;当多边形中的片段数相同时,要选出最优多边形,则赋予每个片段一个惩罚,并按照如下方式来选择最优多边形:
假定一个从i到j的片段,记为直线片段赋予这个片段的惩罚等于的欧几里得长度乘以一个路径上的每个点到欧几里得距离的标准差,具体计算公式如下:
其中,表示某点距离一条直线的欧几里得距离,当该点偏离直线片段越小,则受到的惩罚越小,则组成的多边形更优;
(d.2.4)优化多边形:
将给定的封闭路径p={v0,…,vn}视为一个有顶点0,…,n-1的有向图,当从i到j有可能的片段,则路径有从i指向j的箭头;对于序列 赋予一个惩罚(k,P),其中k是箭头的数量,P是他们的惩罚的和,当k<k’或k=k’且P<P’,则(k,P)比(k’,P’)是更优的多边形,使得最优多边形为在一个有向图中的一个最优的环形,之后采用标准图论算法来寻找有向图中的最优环形,则最优环形可在时间复杂度为O(nm)内找到,其中n是输入路径的大小,m是最长的可能片段长度;
(d.3)将多边形转化为光滑的矢量轮廓:
(d.3.1)调整多边形顶点位置使其符合源位图:
经过前述步骤(d.2)后得到一个多边形{i0,…,im-1}关联一个封闭路径{v0,…,vn},索引i0,…,im-1及其关联的作为多边形顶点的点 当多边形为环形时将索引取模m;
关联每个顶点ik、一个点ak在坐标系,使ak离很近,而且对于多边形任意两个连续顶点ik和ik+1,结果线片段是合理接近于源子路径的;
其中,点ak是通过如下算法来放置的:
对每个连续的顶点ik和ik+1,获得最佳近似点的直线Lk,k+1,使这些点离直线的欧几里得距离最小化;当ik-1,ik和ik+1是连续的顶点,则将点ak放置在Lk-1,k和Lk,k+1的交叉处;但为了使ak不远离原定点当Lk-1,k和Lk,k+1的交点在该单位正方形里,将ak作为单位正方形里的最大距离的点,使得从ak到Lk-1,k和Lk,k+1的欧几里得距离的平方和为最小;当Lk-1,k和Lk,k+1的交点不在该单位正方形里,将ak放置在离交叉点很近的点;
(d.3.2)通过贝塞尔曲线算法进行贝塞尔曲线连接,以获取矢量轮廓的曲线部分,其中贝塞尔曲线算法具体如下:
贝塞尔曲线由4个控制点z0,z1,z2,z3和参数方程z=(1-t)3z0+3t(1-t)2z1+3t2(1-t)z2+t3z3给定,限制通过z0z1和z3z2的直线交叉于点O,设定曲线为凸的、且改变方向小于180度,则z1位于z0和O之间,z2位于z3和O之间;通过一个坐标系的线性转化,假定z0=(-1,0),z3=(1,0),O=(0,1),得到的特殊贝塞尔曲线都有两个参数决定,α,β∈[0,1],z1=(-1+α,α),z2=(1-β,β);
设定并限制α=β,得到的贝塞尔曲线和x轴包围的面积等于3/10*(2α+2β-αβ)或3/10*(4-(2-α)(2-β),则可以用相等的参数 近似任何参数α和β的曲线;同时通过设定当α=β,最高点将在t=1、2时到达,其对应的y坐标为3α/4.
(d.3.3)通过如下算法实现转角检测和平滑化:
假定多边形的顶点为vi+1,…,ak-1,bi=(ai+ai+1)/2,b0,…,bk-1为多边形边的中点,对于每个i,转角bi-1,ai,bi,将有一个光滑曲线来近似;
先在点ai上画一个单位正方形、平行于的线Li、且使ai的周围接触到正方形及接近直线令c为Li和的交点、γ为的长度和的商、令α=4γ/3,且贝塞尔曲线链接bi-1和bi、该曲线的三条切线为Li,aibi;
之后,将贝塞尔曲线涉及的参数α来进行转角检测及决定最终从bi-1到bi的曲线;当α£1时在该顶点绘制一条光滑的贝塞尔曲线;当α>1,则不存在凸的贝塞尔曲线来链接bi-1和bi并相切于Li,此时可检测到一个转角、且通过两条相交于点ai的直线片段链接bi-1和bi,设定转角阈值参数αmax,当α<αmax时顶点为圆角、当α>αmax时顶点为转角,且αmax越小导致更多的转角,αmax越大导致更多的圆角,当αmax>3/4,将完全没有转角,输出全是光滑曲线;转角检测完成后,α值调整在0.55~1之间;
(d.3.4)曲线优化:
经前述步骤(d.3.3)处理之后输出的结果曲线由贝塞尔曲线片段 和直线片段构成,通过如下算法以找到一条单一的贝塞尔曲线来近似给定的一组更短的贝塞尔曲线,使结果曲线由更少的片段来构成:
假定一条曲线C、C与直线和相切、和的交点O,使被曲线C包围的面积和原曲线片段包围的面积相等,可得贝塞尔曲线中的参数α、算出面积,之后得到一条近似于给定片段的曲线C;
之后检测曲线C,且当检测到曲线C近似于给定片段,则给其一个惩罚值,具体检测的算法如下:对于每个i=1,…,n-1,点zi在C上平行于ai、ai+1的切线,令di为点zi到线片段aiai+1的欧几里得距离,同时对于每个i=1,…,n,曲线C上的点z’平行于bi-1bi的切线,令di’为z’i到线片段Li的欧几里得距离,如果z’i和Li和ai一样的一边,记为正,否则为负,当di<e,di’>-e,且zi在线aiai+1上的正交投影位于ai和ai+1之间,e为常量且设为0.2、可调整,同时设定惩罚为所有di和di’的平方和;
之后,通过最短路径算法来分解给定的曲线片段至可接受的近似,先优化片段数量,然后再优化总的惩罚量;
通过完成上述步骤(d.1)~(d.3),最后输出一序列的曲线集,且每个曲线都是由一系列的直线片段和贝塞尔曲线片段构成,并采用冗余编码的方式存储所得曲线集。
进一步,所述的步骤(d.2.1)中路径采用如下算法实现路径为直的:
设定平直度为一个3元组属性,假设路径p={v0,…,vn}没有出现所述步骤(d.2.1)中设定的直线路径的方向,则当且仅当对于所有 索引的3元组(i,j,k)使0£i<j<k£n时,p是直的;且在该直线p上通过vi和vk存在一个点w使d(vj,w)≤1,通过平直测试算法,对所有3元组(i,j,k)进行测试;当最坏的情况下,时间复杂度为O(n3),此时,通过计算每对(i,j)约束所有将来的的位置,当i固定、j增长时,只要检查一次每个j的约束,其中一个约束由最多两个不等式构成、且可在固定的时间内被更新和检查,使得在最坏的情况下找到一个给定长度n的封闭路径所有直的子路径时间复杂度仅为O(n2)。
进一步,所述的步骤(d.2.3)中Pi,j的公式采用如下公式替代:
令(x,y)=ik-1-vi,(x,y)=(vi+vj)/2,则
其中:
为的平方的数学期望值,k=i,…j。
一种实现上述基于机器视觉的图像采集与重建方法的装置,该装置采用全幅图像数字化采集仪,其包括平台及与该平台相对运动设置的图像采集机构,该图像采集机构包括由若干图像传感器连续排列后拼接而成的长条状图像采集组合相机,其中所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下 方或上方,或所述图像采集机构为两个,所述平台通过移动机构设于该两个图像采集机构的中间;所述的移动机构包括使平台与图像采集机构相对运动的导轨、滑座及驱动组件;该图像采集机构还包括可使所述长条状图像采集组合相机相对于所述平台上下调整的U型机构及配合该U型机构运动的螺钉螺栓、滑座及驱动组件;所述图像传感器为CIS线性图像传感器。
本发明的优点在于:
1、本发明方法及装置,采用多根CIS图像传感器连续排列后拼接而成的长条状图像采集组合相机,可实现对大幅面平面物料或卷型物料、鞋底等实体物品进行一次性全幅图像采集;同时针对大幅面图像采集获得的图像数据,采用特定的CIS拼接算法,消除多根CIS拍照后图像存在的水平重叠和纵向错位;同时本发明利用软件后台算法记录下拼接参数w、h,并生成配置文件,之后每次扫描图像时只需加载配置文件,即可实现图像的自动拼接,呈现完美的宽幅图像,可精准地保证采集的图像真实反映扫描对象。
2、本发明可实现快速图像校正,消除图像中的竖条纹、图像不均匀等现象;具有很强的图像轮廓边缘细节的保真能力,同时对于边缘锯齿失真的校正效果突出。
3、本发明采用独特的位图转矢量算法处理,能够完成对扫描对象位图轮廓的准确提取,获得高精度的轮廓图像。
下面结合附图与具体实施方式,对本发明进一步详细说明。
附图说明
图1为本发明的实施例1的全幅图像数字化采集仪的整体结构示意图;
图2为图1的C部局部放大示意图;
图3为本发明的实施例2的全幅图像数字化采集仪的整体结构示意图;
图4为图3的A部局部放大示意图;
图5为图3的另一视角结构示意图;
图6为图5的B部局部放大示意图;
图7为本发明的两根CIS拼接模型的示意图;
图8为本发明的两根CIS未拼接图像数据的内存布局的示意图;
图9为本发明的CIS传感器光场图的示意图;
图10为本发明的位图到路径中路径扩张算法的示意图;
图11为本发明的路径定义为直或非直的示意图;
图12为本发明的同一路径最优与非最优多边形的示意图;
图13为本发明的一个典型的贝塞尔曲线的示意图;
图14为本发明的一个两参数的贝塞尔曲线家族的示意图;
图15为本发明的转角检测及光滑化的示意图;
图16为本发明的曲线优化的示意图;
图17为本发明的流程图。
具体实施方式
实施例1:本实施例提供的基于机器视觉的图像采集与重建方法,包括如下步骤:
1)采用全幅图像数字化采集仪,通过设置的图像采集机构,对具有特定形状或设有图案信息的待测物料进行图像采集;
2)设置一图像处理机构,对采集的图像依次进行如下处理:
a)CIS拼接处理;
b)图像一致性校正处理;
c)图像高精度重采样处理;
d)位图转矢量处理,并将获得的矢量数据输出;
3)根据输出的矢量数据,对待测物料所具有的特定形状或设置的图案信息进行矢量化重建。
参见图1-图2,所述的全幅图像数字化采集仪包括平台1及与该平台相对运动设置的图像采集机构2,所述的图像采集机构2包括由若干图像传感器连续排列后拼接而成的长条状图像采集组合相机3。其中所述图像传感器为CIS线性图像传感器。所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下方或上方,或所述图像采集机构为两个,所述平台通过移动机构设于该两个图像采集机构的中间。所述的移动机构包括使平台与图像采集机构相对运动的导轨7、滑座6及驱动组件。该图像采集机构还包括可使所述长条状图像采集组合相机相对于所述平台上下调整的U型机构4及配合该U型机构运动的螺钉螺栓5、滑座6及驱动组件。
所述的CIS拼接处理包括如下步骤:
(a.1)将所述的图像采集机构内设置多根CIS图像传感器且整体呈“之”字型排列,所述的多根CIS图像传感器的相邻两根CIS在水平方向有重叠区域、垂直方向有错位区域,且设定重叠区域、错位区 域、每根CIS扫描的宽度均固定;
(a.2)在水平方向将0-L像素、L-2L像素分别设为相邻的第一根CIS通道图像数据、第二根CIS通道图像数据;
(a.3)制作可覆盖整个图像采集区域的具有丰富对位标志的拼接纸,之后输入拼接纸图像,利用拼接工具手动将所述相邻两根CIS交接处的重叠区域整体向左移动像素w、两者的错位区域整体向上移动像素h,直到图像中不存在水平重叠区域和上下错位区域,同时利用软件后台算法记录下拼接参数w、h,并生成配置文件,之后每次扫描图像时只需加载配置文件,即可实现图像的自动拼接。
在前述CIS拼接处理中,因本发明为实现宽幅,采用多根CIS图像传感器进行图像采集,其物理上排列结构为“之”字型,相邻两根CIS在水平方向有重叠区域,垂直方向有错位,如果简单的将每根CIS扫描的图像顺序组合成为一张宽幅图像,最终图像必然是邻接的两个CIS通道呈现上下交替错位,且在接缝处有重叠区域,故为了保证采集的图像真实反映扫描对象,必须消除水平重叠和纵向错位。
本实施例为了便于论且不是一般性,只分析最简单的两根CIS的情形,见说明书附图7,其为两根CIS拼接模型,设定重叠区域固定,错位固定;每根CIS扫描宽度固定;从图7可知,对于水平方向的重叠区域,原始图像数据在通道邻接处是有冗余的,因而邻接的CIS间只需取其一即可;而垂直方向的错位,则需要将其中一根CIS通道的数据整体上移;因而从图像空间考虑,只需要按照某种映射关系将图像数据进行空间重构,就能从源图像中还原真实图像数据;
为此,首先分析未经拼接下图像数据在内存中布局方式,仍然以两根CIS作参考,其布局情况如图8所示:图8(a)中,从0像素到L像素为第一根CIS通道图像数据,从L像素到2L像素为第二CIS通道图像数据;其中以L为中心左右两边的红色区域表示两根CIS水平重叠区域,反映了CIS水平方向的数据冗余;而第一根CIS尾部的黑色区域和第二根CIS首部的黑色区域表示两根CIS在一次扫描中物理上没有互相覆盖到的区域,反映了两根CIS在垂直方向的错位。由图可知,第一根CIS第一行数据应该和第二根CIS第h行衔接,因为他们扫描的是物理上的同一行,而且第二根CIS还需要在横向上偏移w个像素,因为这w个像素跟第一根CIS尾部重叠。因而只要知道w和h这两个参数,就能完整的进行图像还原,在程序上只需要简单的进行指针的偏移,其偏移伪码如下:
为了获取w和h参数,制作一张可覆盖整个扫描区域的具有丰富 对位标志的拼接纸,并编写了一款用于手动拼接的工具软件,通过输入拼接纸图像后,可在拼接工具中通过手动将每根CIS重叠区域的图像可视化左右和上下移位,直到图像中无水平重叠区域和上下错位区域停止,此时软件后台算法已经记录下所需的拼接参数,即上文中提到的w和h参数,并最终生成配置文件。此后,每次扫描图像时只需加载配置文件,即可实现图像的自动拼接,呈现完美的宽幅图像。
进一步,所述的图像一致性校正处理包括下列步骤:
(b.1)采集一张饱和亮场白图和一张暗场黑图,得到校正数据;
(b.2)采用两点校正法,按如下公式进行图像校正:
其中,G校正(x,y)为校正后的图像数据,G原始(x,y)为原始图像数据,G亮场为校正工具得到的饱和亮场数据,G暗场为校正工具得到的暗场数据,C为校正因子,通常取255。
当相机采集均匀、纯色物体时,理论上应该得到一张像素强度值相同的图像,而事实上,图像的中不同位置的强度起伏较大,主要原因是(1)传感单元彼此响应不一致(2)图像传感器边缘效应(3)光照不均匀(4)背景噪声;对均匀目标响应的不一致,导致图像出现不同区域明暗不一,在CIS中这将导致出现竖条纹。
为了消除这种竖条纹,需要对图像进行校正,采用的校正算法即所谓的平场校正算法,可以有效的校正CIS传感器对均匀目标,均匀光场响应的不一致性,从而最终消除图像竖条纹现象。
通过考察一个象元对不同光强的输入响应,发现响应强度和光入 射强度大致呈正比例关系;通过输出不同的象元的光响应直线,对比发现,他们的斜率和起点均不相同,这也解释了在对均匀目标成像时表现出的不一致性。因而理想情况下对图像的校正目的就是要是不同象元的光响应直线起点(即0输入偏置)一致,直线斜率一致(即增益),实际中不可能达到完全一致,但可以校正到基本一致。
CIS作为一种图像传感器,其感光单元一般是CMOS和CCD,其光场则由线阵排列的LED点阵提供,这种线阵排列的LED产生的光照强弱分布函数不是均匀的,具体可由图9揭示;而且每个感光单元对光子的响应率并不完全一致,即使是同一个感光单元对不同光照强度的响应也并非线性。因而表现在图像上,将出现两种现象,一种是竖条纹,一种是图像不均匀、尤其在多根CIS拼接的情况下,这种现象尤为明显;要克服CIS这种固有缺陷,必须要对图像进行平场校正,从软件上提升图像的质量。
本实施例由于针对的应用对图像颜色精度要求较低,故采用的是两点校正法,这种方式既能满足整个***对于校正需求(主要是要消除图像中的竖条纹现象),又可以实现快速图像校正。
进一步,所述的图像高精度重采样是在后端通过立方插值算法来实现的;
由于宽幅图像数据量较大,前端采集属于慢速设备,无法应对实时性要求,因而,前端对图像的分辨率做出了平衡,但为了获取更高精度的轮廓图像,本实施例在后端进行了图像的高精度重采样操作,采用的算法为立方插值算法,而且立方插值算法会同时考虑邻域内像 素点的灰度值影响和灰度变化率的影响,因而具有很强的图像轮廓边缘细节的保真能力,同时对于边缘锯齿失真的校正效果突出。
进一步,所述的位图转矢量处理是通过位图转矢量算法实现的。位图转矢量算法需要完成对扫描对象位图轮廓的准确提取,并将轮廓路径以函数的方式保存起来。该算法主要分为三个步骤:第一,位图被分解为一些路径,他们构成了黑白区域之间的边界;第二,每条路径都被近似成为一个最优多边形;第三,每个多边形都转化成为光滑的轮廓。其具体包括如下步骤:
(d.1)将位图分解为封闭路径集合,其构成黑白区域之间的边界:
(d.1.1)假定位图放置在一个坐标系且每个像素的转角都有整形坐标,同时进一步假定背景为白色,前景为黑色,且超出位图边界的区域的被假定为白色填充;
(d.1.2)构造一个有向图G:设定p是一个整形坐标的点,且该点与4个像素相邻,若这4个像素不是同一种颜色则这个点p被称作顶点;假定v和w是顶点,且v和w的欧几里得距离为1,则认为此时有一条从v到w的边,该直线片段将v和w分为一个黑色像素和一个白色像素,当从v移向w使黑色像素在该直线片段的左边、白色像素在其右边,则形成所述的有向图G;
(d.1.3)假定一个路径是一系列顶点(v0,…,vn),对所有的i=0,…,n-1都有一条从vi到vi+1的边;如果vn=v0,一条路径被称为封闭;路径的长度为边的个数;则通过路径分解可以实现将有向图G分解为封闭路径,即找到一个封闭路径的集合使G的每条边都只出现一次;
(d.1.4)从位图到路径的具体方法为:从一对有不同颜色的相邻像素开始,通过选择某一行最左边的黑色像素,两个被选择的像素在一条边上相遇,通过改变这条边的朝向使黑色像素在边的左边、白色像素在边的右边;通过迭代继续扩张这条路径,使新的边相对于边的方向都有一个黑色像素在其左边、一个白色像素在其右边,也就是说,在像素间沿着边移动时每遇到一个转角,则需要根据周围像素的颜色来决定是直走、左转或右转,其路径扩张算法可见图10;通过不断迭代直到返回假定的封闭图的起点为止,从而完成位图中一个封闭轮廓路径的搜索,之后通过反转使所有像素的颜色从位图中移除,重新定义新图,之后对该新图继续递归应用所述的路径分解算法,直到没有黑色像素余留,得到位图中所有封闭路径的集合。
(d.1.5)在前述步骤中图10的最后一种情况下,选择左转和右转对于路径分解算法的成功与否没有影响,不论哪种方式都将以封闭路径的集合结束,但却会对封闭路径的形状产生影响。为此,在完成(d.1.4)过程中,设定如下转向策略:
左:表示在需要转向时一直左转;
右:表示在需要转向时一直右转;
黑:表示更倾向于链接黑色像素单元;
白:表示更倾向于链接白色像素单元;
最少链接:表示更倾向于链接当前点邻域内出现的最少颜色;
最多链接:表示更倾向于链接当前点邻域内出现的最多颜色;
随机链接:表示随机转向;
(d.1.6)清除杂点干扰:设定一个路径内部面积阈值t来消除封闭路径的细小轮廓,且路径面积的计算公式如下:
area=∫ydx=∫yx'dt (2)
其中,area为路径面积,x为图像像素行坐标,y为图像像素列坐标,t为阈值变量。
(d.2)将经过步骤(d.1)所得的封闭路径集合转化为一条近似该路径的最优多边形:
(d.2.1)设定直线路径:
设定在平面坐标系中两点z0(x0,y0)和z1(x1,y1),且两点间的最大距离为d(z0,z1)=max{|x1–x0|,|y1–y0|},则离点(1/2,1/2)最大距离为最多1/2的点的集合是那些以(1/2,1/2)为中心的点;同时设定坐标平面的任两点a,b,令表示链接a和b直线的直线片段,给点一组非封闭的路径p={v0,…,vn},则线片段近似这条路径;如果d(v0,a)≤1/2,d(vn,b)≤1/2,并且对于每一个i=1,…,n-1,存在点ci使得d(vn,b)≤1/2;对于一条路径p={v0,…,vn},其在索引i上的方向为vi+1-vi,i=0,…,n-1,且存在四种可能的方向:(0,1),(1,0),(0,-1),和(-1,0),当一条路径可以被线片段近似而且上述4种方向都没有出现,则称该条路径是直的,同样,该路径的所有的子路径也是直的,图11显示了直和非直的路径,图中,点表示源位图坐落于转角而非中心的顶点,显示的正方形不是像素、而是路径点周围的像素;路径的顶点以原点显示,它们1/2的临近像素以方形显示,其中 (a),(b),和(d)是直的,(c)和(e)不是直的,(e)显示了一个非直的路径例子,虽然它被一些线片段近似,但是4种方向都在路径中出现了。
进一步,所述的步骤(d.2.1)中路径采用如下算法实现路径为直的:
设定平直度为一个3元组属性,假设路径p={v0,…,vn}没有出现所述步骤(d.2.1)中图11显示的方向,则当且仅当对于所有索引的3元组(i,j,k)使0£i<j<k£n时,p是直的;且在该直线p上通过vi和vk存在一个点w使d(vj,w)≤1,通过平直测试算法,对所有3元组(i,j,k)进行测试;当最坏的情况下,时间复杂度为O(n3),此时,通过计算每对(i,j)约束所有将来的的位置,当i固定、j增长时,只要检查一次每个j的约束,其中一个约束由最多两个不等式构成、且可在固定的时间内被更新和检查,使得在最坏的情况下找到一个给定长度n的封闭路径所有直的子路径时间复杂度仅为O(n2)。
上述算法的实现中,采用了一种优化保证在最坏的情况下找到一个给定长度n的封闭路径所有直的子路径时间复杂度仅为O(n2),其方法的精髓在于计算每对(i,j),约束所有将来的vk的位置,如果i是固定的而j是增长的,只要检查一次每个j的约束就可以,而且,一个约束由最多两个不等式构成并且可以在固定的时间内被更新和检查。
(d.2.2)获取多边形:
当p={vj,…,vn}是一封闭路径,则有vn=v0,路径的长度为n;当任一对索引i,j∈{0,…,n-1}定义一个子路径pi,j,其中路径vi,…, vj,i<=j或路径vi,…,vn-1,v0,…,vj,j<i,记为对i和j之间的环形差异,当i£j时当j<i时 因此子路径pi,j的长度被精确为jΘi;对于封闭路径,下述加法和减法均对n取模;
假设从封闭路径p中构建一个多边形,当且子路径pi-1,j+1按步骤(d.2.1)所述算法是直的,则此时存在一个可能从i到j的可能的片段;也就是说,当子路径可以在两边方向上均扩张1个像素,且保持是直的,则一个子路径对应一个可能的片段;某条直的路径两边端点的特殊“裁剪”对于整个轮廓矢量算法的输出十分重要,没有特将在转角处导致奇怪的现象,根据d.2.1的定义任何长度3的路径为直的,因此它被保证总有一个可能的片段从i到i+1。一个多边形是一序列索引i0£i1£…£im-1,对于每个k=0,…,m-2,及从im-1到i0,有一个从ik到ik+1的可能的片段;图12显示了同一个路径的两个可能的多边形,即同一路径下最优和非最优的多边形,同时图12中的多边形片段没有真正的必须近似他们对应的子路径,他们只是简单呈现了一个近似线片段存在的事实。(d.2.3)惩罚:
经过前述步骤现已找到的所有可能的多边形,要从所有多边形中寻找一个最优的,本实施例将最优多边形设定为一个拥有更少片段的多边形,其比一个拥有更多片段的多边形更优,如图12中,左边多边形有14个片段,而右边的有17个片段,因而左边的比右边的更优;当多边形中的片段数相同时,要选出最优多边形,需赋予每个片段一 个惩罚,并按照如下方式来选择最优多边形:
假定一个从i到j的片段,记为直线片段如图11中带*线条;赋予这个片段的惩罚等于的欧几里得长度乘以一个路径上的每个点到欧几里得距离的标准差,具体计算公式如下:
其中,表示某点距离一条直线的欧几里得距离,当该点偏离直线片段越小,则受到的惩罚越小,则组成的多边形更优;这些点偏离片段越远,受到的惩罚越大。
进一步,此处中Pi,j的公式可采用如下公式替代:
令(x,y)=ik-1-vi,(x,y)=(vi+vj)/2,则
其中:
为的平方的数学期望值,k=i,…j。
可以通过提前算好一个的累加值表,为每一个数量总计qk的值。建好表后,这将使算法的时间消耗与空间呈线性关系。
(d.2.4)优化多边形:
将给定的封闭路径p={v0,…,vn}视为一个有顶点0,…,n-1的有向 图,当从i到j有可能的片段,则路径有从i指向j的箭头;对于序列 赋予一个惩罚(k,P),其中k是箭头的数量,P是他们的惩罚的和,当k<k’或k=k’且P<P’,则(k,P)比(k’,P’)是更优的多边形,此时,找到一个最优多边形被降为在一个有向图中找到一个最优的环形,通过采用标准图论算法来寻找有向图中的最优环形,则最优环形可在时间复杂度为O(nm)内找到,其中n是输入路径的大小,m是最长的可能片段长度;
这个优化使算法只需考虑局部领域,因为每一次考虑整个路径,优化多边形的每部分可能取决于其他的布冯,在前面计算一个位图路径的阶段,和接下来把多边形转为矢量轮廓的阶段,都是局部的,即他们每次只查看很少的相邻的点。
(d.3)将多边形转化为光滑的矢量轮廓:
在算法最后的阶段是将前面获得的多边形转化为光滑的矢量轮廓。
(d.3.1)调整多边形顶点位置使其符合源位图:
经过前述步骤(d.2)后得到一个多边形{i0,…,im-1}关联一个封闭路径{v0,…,vn},索引i0,…,im-1及其关联的作为多边形顶点的点 当多边形为环形时将索引取模m;
因为设定多边形为环形,所以按照惯例把索引取摸m,为了计算惩罚,将多边形的顶点i精确的放置在对应路径的vi,即在坐标系有整形坐标的点,这种放置顶点允许高效的计算惩罚,这在优化范围内并不是必要的。
此时,先关联每个顶点ik、一个点ak在坐标系,使ak离很近,而且对于多边形任意两个连续顶点ik和ik+1,结果线片段是合理接近于源子路径的;
其中,点ak是通过如下算法来放置的:
对每个连续的顶点ik和ik+1,获得最佳近似点的直线Lk,k+1,使这些点离直线的欧几里得距离最小化;当ik-1,ik和ik+1是连续的顶点,则将点z3放置在Lk-1,k和Lk,k+1的交叉处最好;但为了使ak不远离原定点当Lk-1,k和Lk,k+1的交点在该单位正方形里,将ak作为单位正方形里的最大距离的点,使得从ak到Lk-1,k和Lk,k+1的欧几里得距离的平方和为最小;当Lk-1,k和Lk,k+1的交点不在该单位正方形里,将ak放置在离交叉点很近的点,即放置在离很近的点;(d.3.2)通过贝塞尔曲线算法进行贝塞尔曲线连接,以获取矢量轮廓的曲线部分,其中贝塞尔曲线算法具体如下:
贝塞尔曲线由4个控制点z0,z1,z2,z3和参数方程z=(1-t)3z0+3t(1-t)2z1+3t2(1-t)z2+t3z3给定,限制通过z0z1和z3z2的直线交叉于点O,设定曲线为凸的、且改变方向小于180度,则z1位于z0和O之间,z2位于z3和O之间;通过一个坐标系的线性转化,假定z0=(-1,0),z3=(1,0),O=(0,1),这种特殊的贝塞尔曲线都有两个参数决定,α,β∈[0,1],z1=(-1+α,α),z2=(1-β,β),图15给出了这种情况下α和β的值每次乘以0.2的贝塞尔曲线,且控制点z1和z2显示为不同于O、z1、z3的圆点;从图中发现贝塞尔曲线在任何特殊水平线上视觉上都几乎无法曲风,除了大概α或者β非常接 近于0的情况;使算法从不产生α,β很小的贝塞尔曲线,这样可以避免后面的可能性,于是,设定并限制α=β,可消除一个角度,简化找最优曲线;
在线性变化的情况下,贝塞尔曲线如图14所示;如果给定z0和z3,这里有两个在O位置的自由度,而且一个额外的自由度取决于α的选择,通过设置α=β,第四个自由度被消除了。
综上分析,得到的贝塞尔曲线和x轴包围的面积等于3/10*(2α+2β-αβ)或3/10*(4-(2-α)(2-β),同时从图14可以得出两曲线包围的面积相同,两曲线相似。于是,可以用相等的参数近似任何参数α和β的曲线;同时通过设定当α=β时,最高点将在t=1、2时到达,其对应的y坐标为3α/4。
(d.3.3)通过如下算法实现转角检测和平滑化:
在算法的最后阶段的输入是d.3.1中调整后的多边形,假定多边形的顶点为vi+1,…,ak-1,bi=(ai+ai+1)/2,b0,…,bk-1为多边形边的中点,对于每个i,转角bi-1,ai,bi,将有一个光滑曲线来近似,如图15(d)中所示;
接下来,先在点ai上画一个单位正方形、平行于的线Li、且使ai的周围接触到正方形及接近直线令c为Li和的交点、γ为的长度和的商、令α=4γ/3,且贝塞尔曲线用参数α链接bi-1和bi、该曲线的三条切线为Li,aibi;
之后,将参数α来进行转角检测及决定最终从bi-1到bi的曲线;当α£1时在该顶点绘制一条光滑的贝塞尔曲线,如图15(a)-(c),当α>1,则不存在凸的贝塞尔曲线来链接bi-1和bi并相切于Li,此时可检测到一个转角、且通过两条相交于点ai的直线片段链接bi-1和bi;
上述算法中,转角检测可以通过设定转角阈值参数αmax,当α<αmax时顶点为圆角、当α>αmax时顶点为转角,且αmax越小导致更多的转角如图15(b)所示,αmax越大导致更多的圆角如图15(c)所示,当αmax>3/4,将完全没有转角,输出全是光滑曲线;转角检测完成后,α值调整在0.55和1之间;
α>0.55是为了阻止曲线太平,因为α<0.55常导致奇怪的图像;而α<1是为了保证结果贝塞尔曲线是凸的。
α=0.55常使圆形物体被良好的近似出来,是因为理论上,
前述可以看出,该转角检测算法有如下特点:尖锐的角度和长片段更有利于转角,因此,将会在两个短片段相较于一个很小角度或者两个很长的片段相交于一个轻微角度的地方检测到转角。
(d.3.4)曲线优化:
经前述步骤(d.3.3)处理之后输出的结果曲线由贝塞尔曲线片段和直线片段构成,该曲线集已经十分接近最终输出结果,但可以做最后一个优化,即尝试通过连接临近的贝塞尔曲线来优化,这阶段的优化目的主要是为了将结果曲线由更少的片段来构成。
首先,仅仅尝试去连接临近的曲线片段,对于转角和直线片段不做考虑;其次只连接角度凸的曲线片段,即他们都向右或者向左转弯; 最后连接总的方向改变少于179度的曲线片段。基于此,使得仅要考虑的是如图16所示的片段序列。
接下来,需要找到一条单一的贝塞尔曲线来近似给定的一组更短的贝塞尔曲线,假定一条曲线C、C与直线和相切、可以找到 和的交点O,依据步骤d.3.2的讨论只留下了一个自由度在需要考虑的曲线中,即参数α,此时使被曲线C包围的面积和原曲线片段包围的面积相等,可确定参数α、算出面积,之后得到一条特殊的近似于给定片段的曲线C,如图16所示。
之后需要检测曲线C是否真的近似给定的曲线片段,当检测到曲线C近似于给定片段,则给其一个惩罚值,并用是否相切来验证,具体检测的算法如下:对于每个i=1,…,n-1,点zi在C上平行于ai、ai+1的切线,令di为点zi到线片段aiai+1的欧几里得距离,同时对于每个i=1,…,n,曲线C上的点z’平行于bi-1bi的切线,令di’为z’i到线片段Li的欧几里得距离,如果z’i和Li和ai一样的一边,记为正,否则为负,当di<e,di’>-e,且zi在线aiai+1上的正交投影位于ai和ai+1之间,e为常量且设为0.2、可调整,同时设定惩罚为所有di和di’的平方和;
最后,通过最短路径算法来分解给定的曲线片段至可接受的近似,先优化片段数量,然后再优化总的惩罚量。
通过完成上述步骤完成了整个位图到矢量轮廓的算法,最后输出一序列的曲线集,且每个曲线都是由一系列的直线片段和贝塞尔曲线片段构成,并采用冗余编码的方式存储所得曲线集。
一种实现上述基于机器视觉的图像采集与重建方法的装置,该装置采用全幅图像数字化采集仪,其包括平台及与该平台相对运动设置的图像采集机构,该图像采集机构包括由若干图像传感器连续排列后拼接而成的长条状图像采集组合相机,其中所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下方或上方,或所述图像采集机构为两个,所述平台通过移动机构设于该两个图像采集机构的中间;所述的移动机构包括使平台与图像采集机构相对运动的导轨、滑座及驱动组件;该图像采集机构还包括可使所述长条状图像采集组合相机相对于所述平台上下调整的U型机构及配合该U型机构运动的螺钉螺栓、滑座及驱动组件;所述图像传感器为CIS线性图像传感器。
实施例2:本实施例提供的基于机器视觉的图像采集与重建方法及装置,与实施例1基本相同,其中基于机器视觉的图像采集与重建方法与实施例相同,而实施该基于机器视觉的图像采集与重建方法的装置,不同之处在于:
参见图3-6,所述的全幅图像数字化采集仪包括平台1及与该平台相对运动设置的图像采集机构2,该图像采集机构2设有由若干图像传感器连续排列后拼接而成的图像采集组合相机21,所述的图像传感器为CIS线性图像传感器,所述的图像采集组合相机21通过升降机构22设于图像采集机构2上,可使其上下移动从而调整相对于 平台1的距离,所述升降机构22包括设于图像采集组合相机两侧的导轨及驱动组件,所述图像采集机构的前侧设有压平辊轮23;所述的驱动组件可以是电机、丝杆,气缸、推杆等等形式,通过该升降机构22可以灵活调整图像采集组合相机21相对于平台1的距离以方便采集不同物料;本实施例中升降机构22包括导轨、滑座及固定螺钉螺栓,通过手动的方式调整,然后由螺丝螺栓锁紧固定。所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下方或上方,或所述图像采集机构为两个,所述平台通过移动机构设于该两个图像采集机构的中间,所述的移动机构包括使平台与图像采集机构相对运动的导轨,及丝杆传动组件或带轮传动组件。当所述图像采集机构为两个时,所述平台采用透明的形式(如透明玻璃、塑料制品等),则设于平台两侧的图像采集机构便可以同时对物料两面进行全幅图像采集。本实施例通过导轨11、电机12及同步带13形成移动机构,使图像采集机构2移动式设置于平台1上方。
本发明并不限于上述实施方式,采用与本发明上述实施例相同或近似方法或装置,而得到的其他基于机器视觉的图像采集与重建方法及装置,均在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的图像采集与重建方法,其特征在于,其包括如下步骤:
1)采用全幅图像数字化采集仪,通过设置的图像采集机构,对具有特定形状或设有图案信息的待测物料进行图像采集;
2)设置一图像处理机构,对采集的图像依次进行如下处理:
a)CIS拼接处理;
b)图像一致性校正处理;
c)图像高精度重采样处理;
d)位图转矢量处理,并将获得的矢量数据输出;
3)根据输出的矢量数据,对待测物料所具有的特定形状或设置的图案信息进行矢量化重建。
2.根据权利要求1所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的全幅图像数字化采集仪包括平台及与该平台相对运动设置的图像采集机构,所述的图像采集机构包括由若干图像传感器连续排列后拼接而成的长条状图像采集组合相机。
3.根据权利要求2所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下方或上方,或所述图像采集机构 为两个,所述平台通过移动机构设于该两个图像采集机构的中间;其中,所述移动机构包括使平台与图像采集机构相对运动的导轨,及丝杆传动组件或带轮传动组件。
4.根据权利要求1所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的CIS拼接处理包括如下步骤:
(a.1)将所述的图像采集机构内设置多根CIS图像传感器且整体呈“之”字型排列,所述的多根CIS图像传感器的相邻两根CIS在水平方向有重叠区域、垂直方向有错位区域,且设定重叠区域、错位区域、每根CIS扫描的宽度均固定;
(a.2)在水平方向将0-L像素、L-2L像素分别设为相邻的第一根CIS通道图像数据、第二根CIS通道图像数据;
(a.3)制作可覆盖整个图像采集区域的具有丰富对位标志的拼接纸,之后输入拼接纸图像,利用拼接工具手动将所述相邻两根CIS交接处的重叠区域整体向左移动像素w、两者的错位区域整体向上移动像素h,直到图像中不存在水平重叠区域和上下错位区域,同时利用软件后台算法记录下拼接参数w、h,并生成配置文件,之后每次扫描图像时只需加载配置文件,即可实现图像的自动拼接。
5.根据权利要求1所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的图像一致性校正处理包括下列步骤:
(b.1)采集一张饱和亮场白图和一张暗场黑图,得到校正数据;
(b.2)采用两点校正法,按如下公式进行图像校正:
其中,G校正(x,y)为校正后的图像数据,G原始(x,y)为原始图像数据,G亮场为校正工具得到的饱和亮场数据,G暗场为校正工具得到的暗场数据,C为校正因子,通常取255。
6.根据权利要求1所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的图像高精度重采样是通过立方插值算法来实现的。
7.根据权利要求1所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的位图转矢量处理是通过位图转矢量算法来实现的,具体包括如下步骤:
(d.1)将位图分解为封闭路径集合,其构成黑白区域之间的边界:
(d.1.1)假定位图放置在一个坐标系且每个像素的转角都有整形坐标,同时进一步假定背景为白色,前景为黑色,且超出位图边界的区域的被假定为白色填充;
(d.1.2)构造一个有向图G:设定p是一个整形坐标的点,且该点与4个像素相邻,若这4个像素不是同一种颜色则这个点p被称作顶点;假定v和w是顶点,且v和w的欧几里得距离为1,则认为此时有一条从v到w的边,该直线片段将v和w分为一个黑色像素和一个白色像素,当从v移向w使黑色像素在该直线片段的左边、白色像素在其右边,则形成所述的有向图G;
(d.1.3)假定一个路径是一系列顶点(v0,…,vn),对所有的i=0,…,n-1都有一条从vi到vi+1的边;如果vn=v0,一条路径被称为封闭;路 径的长度为边的个数;则通过路径分解可以实现将有向图G分解为封闭路径,即找到一个封闭路径的集合使G的每条边都只出现一次;
(d.1.4)从位图到路径的具体方法为:从一对有不同颜色的相邻像素开始,通过选择某一行最左边的黑色像素,两个被选择的像素在一条边上相遇,通过改变这条边的朝向使黑色像素在边的左边、白色像素在边的右边;通过迭代继续扩张这条路径,使新的边相对于边的方向都有一个黑色像素在其左边、一个白色像素在其右边,在像素间沿着边移动时每遇到一个转角,则需要根据周围像素的颜色来决定是直走、左转或右转;通过不断迭代直到返回假定的封闭图的起点为止,从而完成位图中一个封闭轮廓路径的搜索,之后通过反转使所有像素的颜色从位图中移除,重新定义新图,之后对该新图继续递归应用所述的路径分解算法,直到没有黑色像素余留,得到位图中所有封闭路径的集合;
(d.1.5)在完成(d.1.4)过程中,设定如下转向策略:
左:表示在需要转向时一直左转;
右:表示在需要转向时一直右转;
黑:表示更倾向于链接黑色像素单元;
白:表示更倾向于链接白色像素单元;
最少链接:表示更倾向于链接当前点邻域内出现的最少颜色;
最多链接:表示更倾向于链接当前点邻域内出现的最多颜色;
随机链接:表示随机转向;
(d.1.6)清除杂点干扰:设定一个路径内部面积阈值t来消除封闭路 径的细小轮廓,且路径面积的计算公式如下:
area=∫ydx=∫yx'dt (2)
其中,area为路径面积,x为图像像素行坐标,y为图像像素列坐标,t为阈值变量。
(d.2)将经过步骤(d.1)所得的封闭路径集合转化为一条近似该路径的最优多边形:
(d.2.1)设定直线路径:
设定在平面坐标系中两点z0(x0,y0)和z1(x1,y1),且两点间的最大距离为d(z0,z1)=max{|x1–x0|,|y1–y0|},则离点(1/2,1/2)最大距离为最多1/2的点的集合是那些以(1/2,1/2)为中心的点;同时设定坐标平面的任两点a,b,令表示链接a和b直线的直线片段,给点一组非封闭的路径p={v0,…,vn},则线片段近似这条路径;如果d(v0,a)≤1/2,d(vn,b)≤1/2,并且对于每一个i=1,…,n-1,存在点ci使得d(vn,b)≤1/2;对于一条路径p={v0,…,vn},其在索引i上的方向为vi+1-vi,i=0,…,n-1,且存在四种可能的方向:(0,1),(1,0),(0,-1),和(-1,0);当一条路径可以被线片段近似而且上述4种方向都没有出现,则称该条路径是直的,同样,该路径的所有的子路径也是直的;
(d.2.2)获取多边形:
当p={vj,…,vn}是一封闭路径,则有vn=v0,路径的长度为n;当任一对索引i,j∈{0,…,n-1}定义一个子路径pi,j,其中路径vi,…,vj,i<=j或路径vi,…,vn-1,v0,…,vj,j<i,记为对i和j 之间的环形差异,当i£j时当j<i时 因此子路径pi,j的长度被精确为jΘi;对于封闭路径,下述加法和减法均对n取模;
假设从封闭路径p中构建一个多边形,当£n-3且子路径pi-1,j+1按步骤(d.2.1)所述算法是直的,则此时存在一个可能从i到j的可能的片段;或当子路径可以在两边方向上均扩张1个像素,且保持是直的,则一个子路径对应一个可能的片段;
一个多边形是一序列索引i0£i1£…£im-1,对于每个k=0,…,m-2,及从im-1到i0,有一个从ik到ik+1的可能的片段;
(d.2.3)惩罚:
最优多边形的设定为一个拥有更少片段的多边形,其比一个拥有更多片段的多边形更优;当多边形中的片段数相同时,要选出最优多边形,则赋予每个片段一个惩罚,并按照如下方式来选择最优多边形:
假定一个从i到j的片段,记为直线片段赋予这个片段的惩罚等于的欧几里得长度乘以一个路径上的每个点到欧几里得距离的标准差,具体计算公式如下:
其中,表示某点距离一条直线的欧几里得距离,当该点偏离直线片段越小,则受到的惩罚越小,则组成的多边形更优;
(d.2.4)优化多边形:
将给定的封闭路径p={v0,…,vn}视为一个有顶点0,…,n-1的有向 图,当从i到j有可能的片段,则路径有从i指向j的箭头;对于序列 赋予一个惩罚(k,P),其中k是箭头的数量,P是他们的惩罚的和,当k<k’或k=k’且P<P’,则(k,P)比(k’,P’)是更优的多边形,使得最优多边形为在一个有向图中的一个最优的环形,之后采用标准图论算法来寻找有向图中的最优环形,则最优环形可在时间复杂度为O(nm)内找到,其中n是输入路径的大小,m是最长的可能片段长度;
(d.3)将多边形转化为光滑的矢量轮廓:
(d.3.1)调整多边形顶点位置使其符合源位图:
经过前述步骤(d.2)后得到一个多边形{i0,…,im-1}关联一个封闭路径{v0,…,vn},索引i0,…,im-1及其关联的作为多边形顶点的点 当多边形为环形时将索引取模m;
关联每个顶点ik、一个点ak在坐标系,使ak离很近,而且对于多边形任意两个连续顶点ik和ik+1,结果线片段是合理接近于源子路径的;
其中,点ak是通过如下算法来放置的:
对每个连续的顶点ik和ik+1,获得最佳近似点的直线Lk,k+1,使这些点离直线的欧几里得距离最小化;当ik-1,ik和ik+1是连续的顶点,则将点ak放置在Lk-1,k和Lk,k+1的交叉处;但为了使ak不远离原定点当Lk-1,k和Lk,k+1的交点在该单位正方形里,将ak作为单位正方形里的最大距离的点,使得从ak到Lk-1,k和Lk,k+1的欧几里得距离的平方和为最小;当Lk-1,k和Lk,k+1的交点不在该单位 正方形里,将ak放置在离交叉点很近的点;
(d.3.2)通过贝塞尔曲线算法进行贝塞尔曲线连接,以获取矢量轮廓的曲线部分,其中贝塞尔曲线算法具体如下:
贝塞尔曲线由4个控制点z0,z1,z2,z3和参数方程z=(1-t)3z0+3t(1-t)2z1+3t2(1-t)z2+t3z3给定,限制通过z0z1和z3z2的直线交叉于点O,设定曲线为凸的、且改变方向小于180度,则z1位于z0和O之间,z2位于z3和O之间;通过一个坐标系的线性转化,假定z0=(-1,0),z3=(1,0),O=(0,1),得到的特殊贝塞尔曲线都有两个参数决定,α,β∈[0,1],z1=(-1+α,α),z2=(1-β,β);
设定并限制α=β,得到的贝塞尔曲线和x轴包围的面积等于3/10*(2α+2β-αβ)或3/10*(4-(2-α)(2-β),则可以用相等的参数 近似任何参数α和β的曲线;同时通过设定当α=β,最高点将在t=1、2时到达,其对应的y坐标为3α/4.
(d.3.3)通过如下算法实现转角检测和平滑化:
假定多边形的顶点为vi+1,…,ak-1,bi=(ai+ai+1)/2,b0,…,bk-1为多边形边的中点,对于每个i,转角bi-1,ai,bi,将有一个光滑曲线来近似;
先在点ai上画一个单位正方形、平行于的线Li、且使ai的周围接触到正方形及接近直线令c为Li和的交点、γ为的长度和的商、令α=4γ/3,且贝塞尔曲线链接bi-1和bi、该曲线的三条切线为Li,aibi;
之后,将贝塞尔曲线涉及的参数α来进行转角检测及决定最终从 bi-1到bi的曲线;当α£1时在该顶点绘制一条光滑的贝塞尔曲线;当α>1,则不存在凸的贝塞尔曲线来链接bi-1和bi并相切于Li,此时可检测到一个转角、且通过两条相交于点ai的直线片段链接bi-1和bi,设定转角阈值参数αmax,当α<αmax时顶点为圆角、当α>αmax时顶点为转角,且αmax越小导致更多的转角,αmax越大导致更多的圆角,当αmax>3/4,将完全没有转角,输出全是光滑曲线;转角检测完成后,α值调整在0.55~1之间;
(d.3.4)曲线优化:
经前述步骤(d.3.3)处理之后输出的结果曲线由贝塞尔曲线片段和直线片段构成,通过如下算法以找到一条单一的贝塞尔曲线来近似给定的一组更短的贝塞尔曲线,使结果曲线由更少的片段来构成:
假定一条曲线C、C与直线和相切、和的交点O,使被曲线C包围的面积和原曲线片段包围的面积相等,可得贝塞尔曲线中的参数α、算出面积,之后得到一条近似于给定片段的曲线C;
之后检测曲线C,且当检测到曲线C近似于给定片段,则给其一个惩罚值,具体检测的算法如下:对于每个i=1,…,n-1,点zi在C上平行于ai、ai+1的切线,令di为点zi到线片段aiai+1的欧几里得距离,同时对于每个i=1,…,n,曲线C上的点z’平行于bi-1bi的切线,令di’为z’i到线片段Li的欧几里得距离,如果z’i和Li和ai一样的一边,记为正,否则为负,当di<e,di’>-e,且zi在线aiai+1上的正交投影位于ai和ai+1之间,e为常量且设为0.2、可调整,同时设定惩罚为所有di和di’的平方和;
之后,通过最短路径算法来分解给定的曲线片段至可接受的近似,先优化片段数量,然后再优化总的惩罚量;
通过完成上述步骤(d.1)~(d.3),最后输出一序列的曲线集,且每个曲线都是由一系列的直线片段和贝塞尔曲线片段构成,并采用冗余编码的方式存储所得曲线集。
8.根据权利要求7所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的步骤(d.2.1)中路径采用如下算法实现路径为直的:
设定平直度为一个3元组属性,假设路径p={v0,…,vn}没有出现所述步骤(d.2.1)中设定的直线路径的方向,则当且仅当对于所有索引的3元组(i,j,k)使0£i<j<k£n时,p是直的;且在该直线p上通过vi和vk存在一个点w使d(vj,w)≤1,通过平直测试算法,对所有3元组(i,j,k)进行测试;当最坏的情况下,时间复杂度为O(n3),此时,通过计算每对(i,j)约束所有将来的的位置,当i固定、j增长时,只要检查一次每个j的约束,其中一个约束由最多两个不等式构成、且可在固定的时间内被更新和检查,使得在最坏的情况下找到一个给定长度n的封闭路径所有直的子路径时间复杂度仅为O(n2)。
9.根据权利要求7所述的基于机器视觉的图像采集与重建方法,其特征在于,所述的步骤(d.2.3)中Pi,j的公式采用如下公式替代:
令(x,y)=ik-1-vi,(x,y)=(vi+vj)/2,则
其中:
为的平方的数学期望值,k=i,…j。
10.实施权利要求1~9之一所述的基于机器视觉的图像采集与重建方法的装置,其特征在于,该装置采用全幅图像数字化采集仪,其包括平台及与该平台相对运动设置的图像采集机构,该图像采集机构包括由若干图像传感器连续排列后拼接而成的长条状图像采集组合相机,其中所述的平台固定设置,所述图像采集机构通过移动机构设于平台上方或下方,或所述图像采集机构为两个,通过移动机构分别设于平台上方和下方;或者,所述图像采集机构固定设置,所述平台通过移动机构设于图像采集机构下方或上方,或所述图像采集机构为两个,所述平台通过移动机构设于该两个图像采集机构的中间;所述的移动机构包括使平台与图像采集机构相对运动的导轨、滑座及驱动组件;该图像采集机构还包括可使所述长条状图像采集组合相机相对于所述平台上下调整的U型机构及配合该U型机构运动的螺钉螺栓、滑座及驱动组件;所述图像传感器为CIS线性图像传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510575093.5A CN106506899B (zh) | 2015-09-08 | 2015-09-08 | 一种基于机器视觉的图像采集与重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510575093.5A CN106506899B (zh) | 2015-09-08 | 2015-09-08 | 一种基于机器视觉的图像采集与重建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106506899A true CN106506899A (zh) | 2017-03-15 |
CN106506899B CN106506899B (zh) | 2019-02-12 |
Family
ID=58287536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510575093.5A Active CN106506899B (zh) | 2015-09-08 | 2015-09-08 | 一种基于机器视觉的图像采集与重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106506899B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170138A (zh) * | 2017-12-18 | 2018-06-15 | 深圳市奇虎智能科技有限公司 | 扫地机控制方法及装置 |
CN108510462A (zh) * | 2018-04-12 | 2018-09-07 | 福州英迪格成像技术有限公司 | 一种校正摄像头曝光响应的方法及终端 |
CN108550113A (zh) * | 2018-04-17 | 2018-09-18 | 东莞市金翔光电科技有限公司 | 图像扫描输出方法、装置、计算机设备和存储介质 |
CN108596876A (zh) * | 2018-03-28 | 2018-09-28 | 潍坊路加精工有限公司 | 一种自动设置检测区域的方法 |
CN108961213A (zh) * | 2018-05-29 | 2018-12-07 | 江苏本川智能电路科技股份有限公司 | 一种实现批量化检验钻孔品质的设备及其检测方法 |
CN110049340A (zh) * | 2019-04-03 | 2019-07-23 | 浙江工业大学 | 一种基于亚像素的图像矢量化方法 |
CN110136155A (zh) * | 2019-05-19 | 2019-08-16 | 绵阳逢研科技有限公司 | 一种图案边缘轨迹智能提取方法及其应用 |
CN110232724A (zh) * | 2019-06-13 | 2019-09-13 | 大连民族大学 | 一种汉字字体图像矢量表示方法 |
CN110248163A (zh) * | 2019-06-27 | 2019-09-17 | 湖州米欧康电子科技有限公司 | 一种监控摄像的图像输出方法及*** |
CN110446354A (zh) * | 2019-08-23 | 2019-11-12 | 惠州中京电子科技有限公司 | 一种应用于led的pcb板高精度尺寸成型方法 |
CN112135009A (zh) * | 2020-11-25 | 2020-12-25 | 恒银金融科技股份有限公司 | 一种多通道cis图像校准方法 |
CN112215272A (zh) * | 2020-09-29 | 2021-01-12 | 重庆大学 | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 |
CN117351064A (zh) * | 2023-11-20 | 2024-01-05 | 广州中望龙腾软件股份有限公司 | 填充累计面积计算方法、装置、存储介质及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200523765A (en) * | 2004-01-06 | 2005-07-16 | Ulead Systems Inc | A method for creating a vector representation of a image. |
JP2008112385A (ja) * | 2006-10-31 | 2008-05-15 | Canon Inc | 画像処理装置、画像処理装置の制御方法、及び制御プログラム |
WO2011127361A3 (en) * | 2010-04-08 | 2011-12-22 | Omnyx LLC | Image quality assessment including comparison of overlapped margins |
CN103106254A (zh) * | 2013-01-21 | 2013-05-15 | 南京大学 | 多边形矢量数据文件的并行拼接方法 |
CN203813848U (zh) * | 2014-02-27 | 2014-09-03 | 东莞市智觉电子科技有限公司 | 全幅图像数字化采集仪 |
CN104618625A (zh) * | 2015-01-30 | 2015-05-13 | 电子科技大学 | Cis大幅面扫描仪的图像融合拼接方法 |
-
2015
- 2015-09-08 CN CN201510575093.5A patent/CN106506899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200523765A (en) * | 2004-01-06 | 2005-07-16 | Ulead Systems Inc | A method for creating a vector representation of a image. |
JP2008112385A (ja) * | 2006-10-31 | 2008-05-15 | Canon Inc | 画像処理装置、画像処理装置の制御方法、及び制御プログラム |
WO2011127361A3 (en) * | 2010-04-08 | 2011-12-22 | Omnyx LLC | Image quality assessment including comparison of overlapped margins |
CN103106254A (zh) * | 2013-01-21 | 2013-05-15 | 南京大学 | 多边形矢量数据文件的并行拼接方法 |
CN203813848U (zh) * | 2014-02-27 | 2014-09-03 | 东莞市智觉电子科技有限公司 | 全幅图像数字化采集仪 |
CN104618625A (zh) * | 2015-01-30 | 2015-05-13 | 电子科技大学 | Cis大幅面扫描仪的图像融合拼接方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170138A (zh) * | 2017-12-18 | 2018-06-15 | 深圳市奇虎智能科技有限公司 | 扫地机控制方法及装置 |
CN108596876A (zh) * | 2018-03-28 | 2018-09-28 | 潍坊路加精工有限公司 | 一种自动设置检测区域的方法 |
CN108596876B (zh) * | 2018-03-28 | 2020-07-03 | 潍坊路加精工有限公司 | 一种自动设置检测区域的方法 |
CN108510462A (zh) * | 2018-04-12 | 2018-09-07 | 福州英迪格成像技术有限公司 | 一种校正摄像头曝光响应的方法及终端 |
CN108550113A (zh) * | 2018-04-17 | 2018-09-18 | 东莞市金翔光电科技有限公司 | 图像扫描输出方法、装置、计算机设备和存储介质 |
CN108961213A (zh) * | 2018-05-29 | 2018-12-07 | 江苏本川智能电路科技股份有限公司 | 一种实现批量化检验钻孔品质的设备及其检测方法 |
CN108961213B (zh) * | 2018-05-29 | 2022-04-05 | 江苏本川智能电路科技股份有限公司 | 一种实现批量化检验钻孔品质的设备及其检测方法 |
CN110049340B (zh) * | 2019-04-03 | 2020-11-13 | 浙江工业大学 | 一种基于亚像素的图像矢量化方法 |
CN110049340A (zh) * | 2019-04-03 | 2019-07-23 | 浙江工业大学 | 一种基于亚像素的图像矢量化方法 |
CN110136155A (zh) * | 2019-05-19 | 2019-08-16 | 绵阳逢研科技有限公司 | 一种图案边缘轨迹智能提取方法及其应用 |
CN110232724A (zh) * | 2019-06-13 | 2019-09-13 | 大连民族大学 | 一种汉字字体图像矢量表示方法 |
CN110248163A (zh) * | 2019-06-27 | 2019-09-17 | 湖州米欧康电子科技有限公司 | 一种监控摄像的图像输出方法及*** |
CN110248163B (zh) * | 2019-06-27 | 2021-04-09 | 湖州米欧康电子科技有限公司 | 一种监控摄像的图像输出方法及*** |
CN110446354A (zh) * | 2019-08-23 | 2019-11-12 | 惠州中京电子科技有限公司 | 一种应用于led的pcb板高精度尺寸成型方法 |
CN112215272A (zh) * | 2020-09-29 | 2021-01-12 | 重庆大学 | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 |
CN112135009A (zh) * | 2020-11-25 | 2020-12-25 | 恒银金融科技股份有限公司 | 一种多通道cis图像校准方法 |
CN112135009B (zh) * | 2020-11-25 | 2021-03-16 | 恒银金融科技股份有限公司 | 一种多通道cis图像校准方法 |
CN117351064A (zh) * | 2023-11-20 | 2024-01-05 | 广州中望龙腾软件股份有限公司 | 填充累计面积计算方法、装置、存储介质及计算机设备 |
CN117351064B (zh) * | 2023-11-20 | 2024-03-01 | 广州中望龙腾软件股份有限公司 | 填充累计面积计算方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106506899B (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106506899A (zh) | 一种基于机器视觉的图像采集与重建方法及装置 | |
RU2421814C2 (ru) | Способ формирования составного изображения | |
US8401274B2 (en) | Image processing apparatus and method | |
US6040911A (en) | Reference image forming method and pattern inspection apparatus | |
US7817854B2 (en) | Method and apparatus for identifying the rotation angle and bounding rectangle of a digitized form | |
CN109035170B (zh) | 基于单网格图分段映射的自适应广角图像校正方法及装置 | |
CN102790841A (zh) | 书籍的书脊区域中数字图像的检测和校正方法 | |
CN107103622A (zh) | 三维成像*** | |
EP2522951A1 (en) | Stereo camera device | |
CN108550113A (zh) | 图像扫描输出方法、装置、计算机设备和存储介质 | |
US11073689B2 (en) | Method and system for calibrating a wearable heads-up display to produce aligned virtual images in an eye space | |
CN114878595B (zh) | 一种书本印刷质量检测方法 | |
CN102831578B (zh) | 图像处理方法和图像处理设备 | |
CN102592302A (zh) | 数字化卡通智能动检***及动检方法 | |
CN112215770B (zh) | 一种图像处理方法及***及装置及介质 | |
CN107392948A (zh) | 一种分振幅实时偏振成像***的图像配准方法 | |
CN116128748A (zh) | 一种基于有效区域提取算法的鱼眼图像校正方法及*** | |
JP2003143421A (ja) | 画像処理装置および画像処理方法 | |
CN110910442B (zh) | 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法 | |
CN113850734A (zh) | 融合泊松方程的遥感影像自动化匀色方法 | |
CN113792739A (zh) | 一种通用型车牌文本识别方法 | |
CN100459656C (zh) | 用于校正读取图象缺陷的图象处理 | |
JP4732392B2 (ja) | 3次元形状データ生成方法 | |
CN116862815B (zh) | 图像传感器拼缝校正方法、***、电子装置及存储介质 | |
CN117934310B (zh) | 基于深度学习的血管荧光图像与rgb图像融合*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |