CN108550144B - 基于灰度信度的激光光条序列图像质量评价方法 - Google Patents

基于灰度信度的激光光条序列图像质量评价方法 Download PDF

Info

Publication number
CN108550144B
CN108550144B CN201810308847.4A CN201810308847A CN108550144B CN 108550144 B CN108550144 B CN 108550144B CN 201810308847 A CN201810308847 A CN 201810308847A CN 108550144 B CN108550144 B CN 108550144B
Authority
CN
China
Prior art keywords
light bar
reliability
section
gray scale
light
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.)
Active
Application number
CN201810308847.4A
Other languages
English (en)
Other versions
CN108550144A (zh
Inventor
刘巍
逯永康
赵海洋
李辉
张仁伟
张洋
贾振元
马建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810308847.4A priority Critical patent/CN108550144B/zh
Publication of CN108550144A publication Critical patent/CN108550144A/zh
Application granted granted Critical
Publication of CN108550144B publication Critical patent/CN108550144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明基于灰度信度的激光光条序列图像质量评价方法属于图像处理和计算机视觉领域，涉及一种基于灰度信度的激光光条序列图像质量评价方法。该方法基于光条的截面评价信度，引入截面光条宽度参数，采用截面光条灰度信度来评价截面光条；然后采用平均光条截面灰度信度和灰度信度均匀度分别评价单光条亮度和均匀度；基于单光条的灰度信度评价方法构建光条信度结构相似度评价，采用光条灰度信度分析光条序列图像灰度信度的亮度、对比度、结构相似性特征评价光条序列图像质量。该方法改进了光条宽度增加时，光条的截面评价信度难以有效评价光条截面灰度特征的问题，用该方法分析光条序列图像的相似度，数字化定义其质量，鲁棒性好。

Description

基于灰度信度的激光光条序列图像质量评价方法
技术领域
本发明属于图像处理和计算机视觉领域，涉及一种基于灰度信度的激光光条序列图像质量评价方法。
背景技术
随着计算机科学技术与高速数字成像技术的发展，计算机视觉测量作为一项非接触式测量技术，因测量速度快、实时性好、较高的测量精度以及鲁棒性等优点被广泛用于航空航天、工业生产、现代医疗、文物古迹保护等诸多领域，例如机器人的导航、目标跟踪、运动分析等方面。在立体视觉测量***中，激光器作为辅助光源，向被测对象表面投射激光光条，两台摄像机从不同角度采集激光光条图像，后经图像处理算法提取光条中心作为特征信息，最后重建被测物体截面的形状和轮廓。在此测量***中，激光光条的图像处理是测量的重要环节。而在图像处理过程中，首先要进行图像检测，评价图像质量。复杂的照明环境和被测对象表面材质特性等因素影响光条的图像质量，进而降低线结构光视觉传感器的实际使用测量精度，因此，客观、准确地评价激光光条图像质量影响线结构光视觉测量的准确性，在实际测量过程中具有重要意义。关于图像质量评价的方法，按照有无参考图像可分为全参考、弱参考和无参考。其中，全参考图像质量评价是对比分析待评价图像与标准参考图像并获得参考图像的全部信息，弱参考图像质量评价是获得标准参考图像的部分特征信息；而无参考图像质量评价是直接对失真图像进行评价。立体视觉测量***没有标准的参考图像，但左右两台摄像机同时拍摄被测对象时，两幅图像中相同的光条特征能够相互作为参考。因此，可以利用左右摄像机从不同角度拍摄的被测物特征彼此对照、相互参考。目前，激光光条图像的评价方法主要是在分析单个激光光条图像特性的基础之上，根据光条的灰度特征分布来评价图像质量。
清华大学的赵博华等于2011年在《清华大学学报》(自然科学版) 第51卷第4期发表了《光切法形貌测量***的图像照度评价方法》，从图像照度的角度，提出了一种基于图像平均归一化灰度值指标的图像质量评价方法，该方法建立了被测范围照度与平均归一化灰度值的对应关系，在理想光照条件下采集光刀图像，得到其平均归一化灰度值的分布范围，再通过改变测量区域的照度，得到不同照度下的采集图像平均归一化灰度值，根据理论分析以及光刀图像灰度分割提取的有效光条信息的结果，划分出图像平均归一化灰度值的3个区间： (0,0.001]、(0.001,0.2]、(0.2,1]，分别对应照度过低、照度适合以及照度过大的图像。但该方法缺乏对激光光束的质量评价。国防科学技术大学的贺元兴等人于2012年在《激光与光电子学进展》第49卷第5 期发表了《激光束远场能量集中度的评价指标探讨》，基于光斑尺寸和发散角等分析了光束传输因子、斯特雷尔比、能量比等光束质量评价指标，该类方法从激光能量密度出发，考虑了激光光束，但需己知理想参考光束或其他激光器参数，在实际应用场合不太实用。
发明内容
本发明为克服现有技术缺陷，发明了一种基于灰度信度的激光光条序列图像质量评价方法，改进了在光条产生二次反射导致光条宽度增加的情况下，激光光条的截面评价信度难以有效评价光条截面灰度特征的问题，通过光条平均灰度信度和灰度信度均匀度评价单光条图像灰度亮度和均匀度质量，根据光条的信度结构相似度评价方法分析光条序列图像的相似度，数字化定义光条序列图像质量，该方法可以很好地对光条序列图像质量进行评价。
本发明的技术方案是一种基于灰度信度的激光光条序列图像质量评价方法，其特征是，以光条截面灰度建立单激光光条灰度信度，以去除基底噪声后的截面光条总亮度定义激光光条的截面评价信度，然后引入截面光条宽度参数，采用光条截面灰度信度评价截面光条，基于光条截面灰度信度值，采用平均光条截面灰度信度和灰度信度均匀度分别评价单光条亮度和均匀度；最后，基于单光条的灰度信度评价方法构建光条信度结构相似度评价，进而采用光条灰度信度分析光条序列图像灰度信度的亮度、对比度、结构相似性特征，对光条序列图像进行质量评价，方法的具体步骤如下：
第一步：获取激光光条图像
搭建结构光视觉测量***，将左右相机3、4，激光发生器2、 NI控制器5与图像工作站6连接，然后将被测对象1放置在左右相机3、4的景深范围之内，利用标定板对左右相机3、4进行标定，激光发生器2向被测对象1投射激光，同时左右相机3、4捕捉被测对象表面的激光光条，并将采集到的激光光条图像存入图像工作站6，等待进一步处理；
第二步：获取单光条的截面评价信度
根据单激光光条的灰度特征分析，单激光光条以光条截面灰度建立光条灰度信度，以去除基底噪声后的截面光条总亮度定义激光光条的截面评价信度，由公式(1)得到截面评价信度：
ERCS(u)＝TGCS(u)-NBCS(u) (1)
其中，ERCS(u)为光条第u行截面的评价信度值，TGCS(u)为光条第u 行截面的光条总灰度，NBCS(u)为光条第u行截面的基底噪声，以阈值T对对光条进行直接分割，基于几何中心法对光条中心进行粗提取，以该中心点定义为预提中心点CPE，第u行的预提中心点图像坐标为
Figure BDA0001621751370000041
所截取的光条宽度为2ru，光条第u行截面的光条总灰度 TGCS(u)可表示为：
Figure BDA0001621751370000042
其中，f(u,v)为图像在第u行第v列的图像灰度值，以光条边界向两侧分别扩展ru个宽度作为基底噪声，则光条第u行截面的基底噪声NBCS(u)为：
Figure BDA0001621751370000043
则激光光条的截面评价信度ERCS(u)推导为：
Figure BDA0001621751370000044
第三步：基于截面光条灰度信度评价截面光条
光条在光照影响下产生二次反射，造成光条宽度增加，激光光条的截面评价信度难以有效评价光条截面灰度特征，因此引入截面光条宽度参数，采用截面光条灰度信度评价截面光条，表示为：
Figure BDA0001621751370000051
其中，GRCS(u)为光条第u行截面的灰度信度值；
基于光条截面灰度信度值，采用平均光条截面灰度信度和灰度信度均匀度分别评价单光条亮度和均匀度，表达式为：
Figure BDA0001621751370000052
其中，
Figure BDA0001621751370000053
为第i个激光光条序列图像的平均光条截面灰度信度，
Figure BDA00016217513700000510
为第i个激光光条序列图像的灰度信度均匀度。光条图像的初始行值为u1，末尾行值为un，且满足u1…un∈N*；
第四步：基于信度结构相似度的激光序列图像评价
基于单光条的灰度信度评价方法构建光条信度结构相似度评价，进而采用光条灰度信度分析光条序列图像灰度信度的亮度、对比度、结构相似性特征，对光条序列图像的进行质量评价，
由公式(7)计算灰度信度相似性，由公式(8)计算灰度信度对比度相似性：
Figure BDA0001621751370000054
Figure BDA0001621751370000055
其中，
Figure BDA0001621751370000056
和
Figure BDA0001621751370000057
是图像的平均光条截面灰度信度，
Figure BDA0001621751370000058
和
Figure BDA0001621751370000059
是图像的灰度信度均匀度，C1和C2为了避免分母为零而设的小常数，
灰度信度结构相似性是通过光条灰度信度的协方差表征激光光条的结构对比性，由公式(9)计算灰度信度结构相似性：
Figure BDA0001621751370000061
其中，
Figure BDA0001621751370000062
是激光光条x和激光光条y的灰度信度的协方差，代表两个光条间的结构对比度，为实现光条的协方差计算，以标准图像光条长度为基准，将评价图像进行差值计算，进而计算两个光条的对比度，表达式为：
Figure BDA0001621751370000063
分别计算左右相机所采集的序列图像的平均光条截面灰度信度 (AGRCS)和灰度信度均匀度(UGRCS)，并将首帧图像作为参考图像，计算序列图像与之信度结构相似度，
由公式(5)-(10)推导出公式(11)获得基于信度结构相似度的激光序列图像评价：
GRSSIM(x,y)＝[LR(x,y)]α[CR(x,y)]β[SR(x,y)]γ (11)
其中，LR(x,y)、CR(x,y)、SR(x,y)为两图像之间的灰度信度亮度相似性、灰度信度对比度相似性和信度结构相似性；α、β、γ分别是灰度信度亮度、灰度信度对比度和灰度信度结构相似性在该图像评价模型中所占的自适应比重因子。
本发明的有益效果是该方法先获取单光条的截面评价信度，引入截面光条宽度参数，采用截面光条灰度信度评价截面光条，解决了光条宽度增加，导致激光光条的截面评价信度难以有效评价光条截面灰度特征的问题，对激光光束的质量进行有效的评价。在激光光条图像特征信息较少情况下，基于单光条的灰度信度评价方法构建光条信度结构相似度评价，进而采用光条灰度信度分析光条序列图像灰度的亮度、对比度、结构相似性特征，最终实现了激光光条序列图像质量的评价。用该方法分析光条序列图像的相似度，数字化定义其质量，鲁棒性好，易于实际应用。
附图说明
图1是光条图像采集***，其中，1-被测工件，2-激光发生器，3-左相机，4-右相机，5-NI控制器，6-图像处理工作站。
图2是激光光条序列图像质量评价流程图
具体实施方式
下面结合附图和技术方案详细说明本发明的具体实施。
本实施例中，被测物体为机翼上壁板，将波长460nm蓝紫线激光投射到机翼上壁板上，采用配置广角镜头的摄像机拍摄光条图像。摄像机型号为view works VC-12MC-M/C 65摄像机，分辨率： 4096×3072，图像传感器：CMOS，帧率：全画幅，最高64.3fps，重量：420g。广角镜头型号为EF 16-35mm f/2.8L II USM，参数如下所示，镜头焦距：f＝16-35mm，APS焦距：25.5-52.5，光圈：F2.8，镜头尺寸：82×106。拍摄条件如下：图片像素为4096×3072，镜头焦距为25mm，物距为750mm，视场约为850mm×450mm。
第一步：获取激光光条图像
搭建结构光视觉测量***，如图1所示，将左右相机3、4，激光发生器2、NI控制器5与图像工作站6连接，然后将被测对象1 放置在左右相机3、4的景深范围之内，利用标定板对左右相机3、4 进行标定，激光发生器2向被测对象1投射激光，同时左右相机3、 4捕捉被测对象表面的激光光条，并将采集到的激光光条图像存入图像工作站6，等待进一步处理；
第二步：获取单光条的截面评价信度
根据单激光光条的灰度特征分析，单激光光条以光条截面灰度建立光条灰度信度，以去除基底噪声后的截面光条总亮度定义激光光条的截面评价信度，由公式(1)确定截面评价信度，以阈值T对对光条进行直接分割，基于几何中心法对光条中心进行粗提取，以该中心点定义为预提中心点CPE，第u行的预提中心点图像坐标为(u,vpue)，所截取的光条宽度为2ru，由公式(2)得到光条第u行截面的光条总灰度TGCS(u)。以光条边界向两侧分别扩展ru个宽度作为基底噪声，由公式(3)得到光条第u行截面的基底噪声NBCS(u)，最终由公式(4) 得到激光光条的截面评价信度ERCS(u)。
第三步：基于截面光条灰度信度评价截面光条
光照影响下，光条产生二次反射造成光条宽度增加，激光光条的截面评价信度难以有效评价光条截面灰度特征，因此引入截面光条宽度参数，采用截面光条灰度信度评价截面光条，由公式(5)得到光条第u行截面的灰度信度值。基于光条截面灰度信度值，采用公式(6) 获得的平均光条截面灰度信度和灰度信度均匀度分别评价单光条亮度和均匀度。
第四步：基于信度结构相似度的激光序列图像评价
激光光条图像特征信息较少，基于单光条的灰度信度评价方法构建光条信度结构相似度评价，进而采用光条灰度信度分析光条序列图像灰度信度的亮度、对比度、结构相似性特征，对光条序列图像进行质量评价。由公式(7)计算灰度信度相似性，由公式(8)计算灰度信度对比度相似性，灰度信度结构相似性是通过光条灰度信度的协方差表征激光光条的结构对比性，由公式(9)计算灰度信度结构相似性；然后以标准图像光条长度为基准，将评价图像进行差值计算，进而计算两个光条的对比度。最终由公式(11)可获得基于信度结构相似度的激光序列图像评价模型。
该方法通过灰度信度亮度相似性、灰度信度对比度相似性和灰度信度结构相似性等特征，完成激光光条序列图像质量的评价。

Claims (1)

1.一种基于灰度信度的激光光条序列图像质量评价方法，其特征是，该方法用光条截面灰度建立单激光光条灰度信度，以去除基底噪声后的截面光条总亮度定义激光光条的截面评价信度，然后引入截面光条宽度参数，采用光条截面灰度信度评价截面光条；基于光条截面灰度信度值，采用平均光条截面灰度信度和灰度信度均匀度分别评价单光条亮度和均匀度；最后，基于单光条的灰度信度评价方法构建光条信度结构相似度评价，进而采用光条灰度信度分析序列光条灰度信度的亮度、对比度、结构相似性特征，对序列光条进行质量评价；方法的具体步骤如下：
第一步：获取激光光条图像
搭建结构光视觉测量***，将左、右相机(3、4)、激光发生器(2)、NI控制器(5)与图像工作站(6)连接，然后将被测对象(1)放置在左、右相机(3、4)的景深范围之内，利用标定板对左、右相机(3、4)进行标定，激光发生器(2)向被测对象(1)投射激光，同时左、右相机(3、4)捕捉被测对象表面的激光光条，并将采集到的激光光条图像存入图像工作站(6)，等待进一步处理；
第二步：获取单光条的截面评价信度
根据单激光光条的灰度特征分析，单激光光条以光条截面灰度建立光条灰度信度，以去除基底噪声后的截面光条总亮度定义激光光条的截面评价信度，由公式(1)得到截面评价信度：
ERCS(u)＝TGCS(u)-NBCS(u) (1)
其中，ERCS(u)为光条第u行截面的评价信度值，TGCS(u)为光条第u行截面的光条总灰度，NBCS(u)为光条第u行截面的基底噪声，以阈值T对对光条进行直接分割，基于几何中心法对光条中心进行粗提取，以该中心点定义为预提中心点CPE，第u行的预提中心点图像坐标为
Figure FDA0002305523070000021
所截取的光条宽度为2ru，光条第u行截面的光条总灰度TGCS(u)可表示为：
Figure FDA0002305523070000022
其中，f(u,v)为图像在第u行第v列的图像灰度值，以光条边界向两侧分别扩展ru个宽度作为基底噪声，则光条第u行截面的基底噪声NBCS(u)为：
Figure FDA0002305523070000023
则激光光条的截面评价信度ERCS(u)推导为：
Figure FDA0002305523070000024
第三步：基于截面光条灰度信度评价截面光条
光条在光照影响下产生二次反射，造成光条宽度增加，激光光条的截面评价信度难以有效评价光条截面灰度特征，因此引入截面光条宽度参数，采用截面光条灰度信度评价截面光条，表示为：
Figure FDA0002305523070000025
其中，GRCS(u)为光条第u行截面的灰度信度值；
基于光条截面灰度信度值，采用平均光条截面灰度信度和灰度信度均匀度分别评价单光条亮度和均匀度，表达式为：
Figure FDA0002305523070000031
其中，
Figure FDA0002305523070000032
为第i个光条序列图像的平均光条截面灰度信度，
Figure FDA0002305523070000033
为第i个光条序列图像的灰度信度均匀度，光条图像的初始行值为u1，末尾行值为un，且满足u1…un∈N*；
第四步：基于信度结构相似度的激光序列图像评价
基于单光条的灰度信度评价方法构建光条信度结构相似度评价，进而采用光条灰度信度分析序列光条灰度信度的亮度、对比度、结构相似性特征，对序列光条进行质量评价，
由公式(7)计算灰度信度亮度相似性，由公式(8)计算灰度信度对比度相似性：
Figure FDA0002305523070000034
Figure FDA0002305523070000035
其中，
Figure FDA0002305523070000036
和
Figure FDA0002305523070000037
是图像的平均光条截面灰度信度，
Figure FDA0002305523070000038
和
Figure FDA0002305523070000039
是图像的灰度信度均匀度，C1和C2为了避免分母为零而设的小常数，
灰度信度结构相似性是通过光条灰度信度的协方差表征激光光条的结构对比性，由公式(9)计算灰度信度结构相似性：
Figure FDA00023055230700000310
其中，
Figure FDA00023055230700000311
是激光光条x和激光光条y的灰度信度的协方差，代表两个光条间的结构对比度，为实现光条的协方差计算，以标准图像光条长度为基准，将评价图像进行差值计算，进而计算两个光条的对比度，表达式为：
Figure FDA0002305523070000041
分别计算左右相机所采集的序列图像的平均光条截面灰度信度AGRCS和灰度信度均匀度UGRCS，并将首帧图像作为参考图像，计算序列图像与之信度结构相似度，
由公式(5)-(10)推导出公式(11)获得基于信度结构相似度的激光序列图像评价：
GRSSIM(x,y)＝[LR(x,y)]α[CR(x,y)]β[SR(x,y)]γ (11)
其中，LR(x,y)、CR(x,y)、SR(x,y)为两图像之间的灰度信度亮度相似性、灰度信度对比度相似性和信度结构相似性；α、β、γ分别是灰度信度亮度、灰度信度对比度和灰度信度结构相似性在该图像评价模型中所占的自适应比重因子；
该方法通过灰度信度亮度相似性、灰度信度对比度相似性和灰度信度结构相似性等特征，完成激光光条序列图像质量的评价。
CN201810308847.4A 2018-04-09 2018-04-09 基于灰度信度的激光光条序列图像质量评价方法 Active CN108550144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810308847.4A CN108550144B (zh) 2018-04-09 2018-04-09 基于灰度信度的激光光条序列图像质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810308847.4A CN108550144B (zh) 2018-04-09 2018-04-09 基于灰度信度的激光光条序列图像质量评价方法

Publications (2)

Publication Number Publication Date
CN108550144A CN108550144A (zh) 2018-09-18
CN108550144B true CN108550144B (zh) 2020-04-07

Family

ID=63514394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810308847.4A Active CN108550144B (zh) 2018-04-09 2018-04-09 基于灰度信度的激光光条序列图像质量评价方法

Country Status (1)

Country Link
CN (1) CN108550144B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112816187B (zh) * 2021-01-06 2022-12-13 北京工业大学 一种激光光斑的质量判定方法
CN113834447B (zh) * 2021-09-23 2023-08-29 江苏集萃智能光电***研究所有限公司 一种户外复杂环境下高动态激光光条自适应成像处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986322A (zh) * 2010-11-22 2011-03-16 南京大学 结构光光条中心点信度评价方法
CN104897174A (zh) * 2015-06-19 2015-09-09 大连理工大学 基于置信度评价的图像光条噪声抑制方法
CN105928472A (zh) * 2016-07-11 2016-09-07 西安交通大学 一种基于主动斑投射器的三维形貌动态测量方法
CN107578420A (zh) * 2017-08-21 2018-01-12 大连理工大学 一种自适应光条图像阈值分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8064684B2 (en) * 2003-04-16 2011-11-22 Massachusetts Institute Of Technology Methods and apparatus for visualizing volumetric data using deformable physical object

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986322A (zh) * 2010-11-22 2011-03-16 南京大学 结构光光条中心点信度评价方法
CN104897174A (zh) * 2015-06-19 2015-09-09 大连理工大学 基于置信度评价的图像光条噪声抑制方法
CN105928472A (zh) * 2016-07-11 2016-09-07 西安交通大学 一种基于主动斑投射器的三维形貌动态测量方法
CN107578420A (zh) * 2017-08-21 2018-01-12 大连理工大学 一种自适应光条图像阈值分割方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Accuracy improvement in laser stripe extraction for large-scale triangulation scanning measurement system;Yang Zhang 等;《Optical Engineering》;20151031;第54卷(第10期);全文 *
Image Quality Assessment: From Error Visibility to Structural Similarity;Zhou Wang 等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20040430;第13卷(第4期);全文 *
互参考激光光条图像质量评价;贾振元 等;《光学精密工程》;20151130;第23卷(第11期);全文 *
光切法形貌测量***的图像照度质量评价方法;赵博华 等;《清华大学学报( 自然科学版)》;20110430;第51卷(第4期);全文 *
基于光条信度评价的线结构光传感器曝光时间优化;李涛涛 等;《光学学报》;20180131;第38卷(第1期);全文 *
激光束远场能量集中度的评价指标探讨;贺元兴 等;《激光与光电子学进展》;20120323;全文 *

Also Published As

Publication number Publication date
CN108550144A (zh) 2018-09-18

Similar Documents

Publication Publication Date Title
CN108986070B (zh) 一种基于高速视频测量的岩石裂缝扩展实验监测方法
CN110118528B (zh) 一种基于棋盘靶标的线结构光标定方法
CN112669393A (zh) 一种激光雷达与相机联合标定方法
CN108335286B (zh) 一种基于双线结构光的在线焊缝成型视觉检测方法
CN112116619B (zh) 一种基于结构约束的多线结构光***条纹中心线提取方法
CN109489566B (zh) 锂电池隔膜材料分切宽度检测方法、检测***及装置
CN102589516B (zh) 一种基于双目线扫描摄像机的动态距离测量***
CN101819024B (zh) 一种基于机器视觉的二维位移检测方法
CN105973171A (zh) 一种光轴与安装基准面平行度测试装置及方法
CN110261069B (zh) 一种用于光学镜头的检测方法
CN107203743B (zh) 一种人脸深度跟踪装置及实现方法
CN110220481A (zh) 手持式视觉检测设备及其位姿检测方法
CN108550144B (zh) 基于灰度信度的激光光条序列图像质量评价方法
CN111179335A (zh) 一种基于双目视觉的立木测定方法
CN112561983A (zh) 一种测算表面弱纹理且不规则堆料体积的装置及方法
CN102967261B (zh) 一种基于数字散斑相关法的激光位移测量方法
FR3122941A3 (fr) Système et méthode de calcul du volume et de la masse d’un tas de matériaux basés sur la technologie de reconnaissance d’image
CN106888344A (zh) 摄像模组及其像面倾斜的获取方法和调整方法
CN115330684A (zh) 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法
TWI590196B (zh) 液面監測方法
CN113552133B (zh) 一种电芯裙边开裂检测方法及视觉检测装置
CN108844469B (zh) 一种基于激光测试工件台阶高度的方法及***
CN105391998B (zh) 微光夜视仪分辨率自动检测方法和装置
CN108180825B (zh) 一种基于线结构光的长方体形物体三维识别与定位方法
CN112508995A (zh) 一种基于tof相机的煤流量实时动态计量方法

Legal Events

Date Code Title Description
PB01 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