CN108921865A - 一种抗干扰的亚像素直线拟合方法 - Google Patents
一种抗干扰的亚像素直线拟合方法 Download PDFInfo
- Publication number
- CN108921865A CN108921865A CN201810682268.6A CN201810682268A CN108921865A CN 108921865 A CN108921865 A CN 108921865A CN 201810682268 A CN201810682268 A CN 201810682268A CN 108921865 A CN108921865 A CN 108921865A
- Authority
- CN
- China
- Prior art keywords
- point
- value
- sub
- fitting
- pix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种抗干扰的亚像素直线拟合方法,对图像进行ROI设置,检测ROI中直线的边缘点,然后对边缘点使用邻域加权的方式进行亚像素细化,计算出边缘点的亚像素梯度值,通过梯度阈值与极性方向综合判断,将符合条件的点进行二次曲线拟合和平滑滤波,作为候选直线边缘点记录下来;之后使用基于边缘点距离权值的直线拟合算法对候选直线边缘点进行多次迭代拟合,得到直线参数,计算拟合的直线与ROI的交点,得到最终目标直线的两个端点。本发明提出了一种基于边缘点距离权值的高精度直线拟合算法,使用多次迭代拟合的策略,极大地降低了离群点、噪声点对目标直线拟合的干扰,具有高鲁棒性、高精确度,抗干扰能力强的优点。
Description
技术领域
本发明属于机器视觉及图像处理检测技术领域,涉及亚像素直线检测,为一种抗干扰的亚像素直线拟合方法。
背景技术
随着工业的发展对工件材料的尺寸要求越来越高,准确地检测工件的尺寸等信息对精密电子制造,精密机械制造起着重要的作用。目前国内多数对工件的直线边缘检测都只是像素级别的,而且受工件加工因素的影响,检测结果的抗干扰能力较差。像素级别的、不稳定的直线检测已经无法满足高精度工业制造领域的需求,限制了高精度工业的发展。
传统的直线检测技术通常是使用边缘检测算子,如Sobel,Prewitt,Canny等,检测出图片中直线区域的边缘信息,再将边缘点用最小二乘法拟合成直线。但是经典的边缘的检测算子检测出的边缘点坐标通常都是整数的,难以精确到亚像素精度,因此会在拟合过程中带入误差。而传统的最小二乘拟合直线的算法容易受到少数距离直线比较远的离群点的干扰,抗干扰能力比较差,不够稳定。因此高精度抗干扰的直线检测技术对高精度工业检测的发展意义重大。
经检索,关于亚像素直线检测目前也很多论文与专利研究,YanPing Cui等人对机械零件直线边缘亚像素定位方法展开研究,建立了三级灰度图像边缘模型的空间矩算子,利用LOG算子定位速度快的特点,确定图像像素级边缘,然后在包含边缘点的邻域内利用空间矩进行边缘的亚像素定位,由Hough变换提取直线边缘像素点,最后采用基于最小二乘原理的直线拟合边缘提取方法,得到亚像素级被检测直线。对空间矩算子亚像素定位算法与像面直线亚像素提取算法的有效性和精度进行了实验研究,结果表明提出的基于空间矩亚像素边缘定位算法与像面直线亚像素提取算法具有较高的精度和稳定性,但是该方法直接传统的最小二乘拟合直线的算法,仍然存在少数距离直线比较远的离群点的干扰,而且提取亚像素边缘的方法过于复杂,不便于在工业领域内推广应用。
中国专利申请CN200710072873.3《基于引脚的形位直线拟合方法》,该申请方案的检测步骤包括1)设置感兴趣区域ROI;2)图像处理;3)粗定位;4)元件特征检测;5)精确定位,在第二步中,发明采用改进行的直线拟合方法,对元件各引脚的中心点进行直线拟合,可去除偏差的点,使直线拟合效果更好,能够满足贴片机元件定位检测***的精度和速度要求,可准确、高效地在贴装过程中进行元器件的检测与识别。但是该发明仅针对芯片引脚的形位进行高精度直线检测,通用性较差。
发明内容
本发明要解决的问题是:为解决传统像素级直线检测精度低,抗干扰能力差的问题,本发明提出了一种抗干扰的亚像素直线拟合方法;本发明有效地解决了像素级边缘检测精度不够的问题,并且能有效地抑制直线边缘离群点的干扰,最终达到高精度抗干扰地检测直线信息的效果。
本发明的技术方案为:一种抗干扰的亚像素直线拟合方法,对图像进行ROI设置,并设置用于边缘点检测的检测信息,包括扫描方向、扫描极性、梯度阈值和滤波瓣宽;根据设置的检测信息,使用Sobel算子及邻域加权计算出给定扫描方向上扫描点的边缘梯度值和角度值,之后利用滤波瓣宽参数,在扫描点周围一个窗口内进行平均,进一步减小噪声点的影响,记录梯度值和角度值均满足要求的扫描点,对满足要求的扫描点进行二次曲线拟合,取二次曲线的极值点作为候选直线边缘点;之后使用基于边缘点距离权值的直线拟合算法对候选直线边缘点进行多次迭代拟合,逐步降低离群点的权重,直到最终结果收敛,最后计算拟合的直线与ROI的交点,得到最终待检测亚像素直线的两个端点。
最终待检测亚像素直线的两个端点即可用于尺寸检测。
进一步的,对图像进行ROI设置,并设置用于边缘点检测的检测信息具体为:
i)对包含待检测直线区域的图片,设置旋转矩形ROI的四个顶点;
ii)设置旋转矩形ROI,ROI内包含待检测直线;
iii)设置直线边缘点采样个数;
iv)设置直线边缘梯度阈值,大于该阈值的被认为是边缘点;
v)设置扫描方向和极性,方向指沿着ROI的哪一条边开始扫描,极性指灰度值的明暗变换,通过直线检测检测出符合设置要求的灰度值明暗变化的特征的直线;
vi)设置滤波瓣宽,滤波瓣宽是指边缘点附近进行梯度值平均的窗口的大小,为了减小噪声点对直线拟合的影响,在边缘点周围的小窗口内进行梯度值平均。
对图像ROI部分沿设置的扫描方向进行扫描时,根据设置的采样点数n,将ROI初始扫描边进行n等分,得到初始的扫描点集合;对于集合中的每一个点沿着扫描方向θ,以步长为1前进,设初始扫描点为(x0,y0),沿着扫描方向的扫描点为:
(x0+cos(θ)*n,y0+sin(θ)*n),n=1,2,3...
直到扫描到ROI初始扫描边的对边停止,由于直线检测的ROI是旋转矩形,对旋转矩形的初始扫描边进行n等分得到的初始扫描点坐标一般都是非整数的,则每次扫描步长前进的值(sinθ,cosθ)也是非整数的,因此得到的扫描点均为亚像素点。
进一步的,使用Sobel算子及邻域加权的方法计算扫描点的亚像素梯度值的步骤为:
根据扫描点邻域内四个整数坐标点的梯度值加权平均得到该扫描点的梯度值,设扫描点的坐标为P(xp,yp),对xp进行向上取整得xu,向下取整得xd,对yp进行向上取整得yu,向下取整得yd,从而得到与点P距离最近的四个整数点坐标:A(xd,yd),B(xu,yd),C(xu,yu)和D(xd,yu),使用Sobel算子对A、B、C、D四个点进行X、Y方向梯度值Gx,Gy的计算,梯度值计算公式为:
Gx=I(x-1,y+1)+2I(x,y+1)+I(x+1,y+1)-I(x-1,y-1)-2I(x+1,y-1)-I(x+1,y-1)
Gy=I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)-I(x+1,y-1)-2I(x+1,y)-I(x+1,y+1)
上式中I(x,y)是指原图像中坐标为(x,y)处的像素灰度值,
计算得A、B、C、D四个点的X、Y方向梯度值为(Gxa,Gya),(Gxb,Gyb),(Gxc,Gyc),(Gxd,Gyd),设:
△x=xp-xd,△y=yp-yd,
△x,△y分别表示xp,yp与其向下取整值xd,yd的距离,亚像素点离其邻域内整像素点的距离越近,则该整像素点对亚像素点的梯度值计算的贡献就越大,△x和△y表征了亚像素点邻域内四个正像素点的权重值,则计算P(xp,yp)梯度值和梯度方向角度值的公式为:
Gxp=(1-△x)*(1-△y)*Gxa+△x*(1-△y)*Gxb+(1-△x)*△y*Gxc+△x*△y*Gxd
Gyp=(1-△x)*(1-△y)*Gya+△x*(1-△y)*Gyb+(1-△x)*△y*Gyc+△x*△y*Gyd
Gxp,Gyp是P点处X,Y方向的梯度值,Gp(x,y)是总的梯度值,θp(x,y)是梯度方向值。
作为优选方式,Sobel算子X,Y方向的卷积核为:
使用滤波瓣宽参数对边缘点的梯度值进行均值滤波,设滤波瓣宽参数为k,在包含点P的一个1x1像素的小窗口内,重新计算k个点的梯度值,然后求这k个点和P点梯度值的平均值作为P点最终的梯度值,通过这种平滑滤波的操作,降低噪声点的影响。
作为优选方式,使用二次曲线拟合的方法精确定位边缘点的位置,计算扫描点的梯度值和角度值后,当某一条扫描线上的扫描点的梯度值大于设定的梯度阈值,并且角度值满足极性的明暗要求时,记录下这条扫描线从该点开始之后的扫描点的亚像素坐标和梯度值,直到遇到的扫描点不满足梯度阈值和极性明暗要求时,停止记录,针对获得的点集进行二次曲线拟合,取二次曲线的极值点作为候选直线边缘点记录下来。
作为优选方式,使用基于边缘点距离权值的直线拟合算法对对候选直线边缘点进行加权最小二乘拟合,其步骤为:
1)设待拟合直线的方程是:
ax+by+c=0
其中参数a,b满足a2+b2=1的约束条件;
2)设待优化最小二乘目标函数为:
其中m为待拟合点的个数,即候选直线边缘点的个数,wi为每个点的权重,λ为给定常数,设为1;
3)通过优化求解使得目标函数值最小的(a,b,c),即得到目标亚像素直线的参数;
其中,在优化求解直线参数的时候要进行多次迭代拟合,每次迭代根据上次迭代的结果计算每个点到直线的距离δi=|axi+byi+c|,来调整每个点的权重,初次拟合时,所有点的权重相同,均为1;
调整权重的方法是:统计所有点到上次迭代拟合的直线的距离δi,得到中位数md=median|δi|,设所述距离的值满足正态分布,即待拟合点离目标直线的距离呈现正态分布,根据正态分布表,使候选直线边缘点有75%的概率不被判为离群点的正态分布参数为0.6745,为了进一步降低边缘点误判的概率,计算权重的筛选标准为md/0.6745再乘以2,最终得到计算权重的公式为:
通过多次迭代拟合,逐步降低离目标直线较远的点的权重,直到迭代结果满足精度要求或迭代次数达到上限,得到目标亚像素直线的参数。
本发明设计的技术方案,与现有技术相比,具有如下显著效果:
(1)本发明基于设定的ROI、扫描方向等参数,既有极强的可配置性,可调整性,能排除拍摄图片中直线区域周围环境的干扰,准确地检测目标区域内的直线,并且受背景噪声的干扰较少,鲁棒性较好;
(2)本发明提出了一种基于邻域加权与二次曲线拟合的计算亚像素点梯度值和角度的方法,并在边缘点周围采用平滑滤波,进一步降低噪声点的影响,可以准确地定位到直线的亚像素级边缘点,;
(3)本发明提出了一种基于边缘点距离权值的高精度直线拟合算法,使用多次迭代拟合的策略,极大地降低了离群点、噪声点对目标直线拟合的干扰,具有高鲁棒性、高精确度,抗干扰能力强的优点。
附图说明
图1是本发明的一种抗干扰的亚像素直线拟合方法的流程图。
图2是本发明中直线检测旋转矩形ROI的示意图。
图3是本发明中亚像素点邻域加权策略计算梯度值的示意图。
图4是本发明中亚像素点二次曲线拟合得到边缘点的示意图。
图5是本发明实施例中工件直线边缘离群点较多时的情况示意图。
图6是传统最小二乘直线拟合算法与本发明的技术方案的检测对比图。
具体实施方式
为解决传统像素级直线检测精度低,抗干扰能力差的问题,本发明提出了一种抗干扰的亚像素直线拟合方法,其流程参见图1,对图像进行ROI设置,并设置用于边缘点检测的检测信息,根据设置的检测信息,使用Sobel算子及邻域加权计算出扫描点的边缘梯度值和角度值,之后利用滤波瓣宽参数进一步减小噪声点的影响,记录梯度值和角度值均满足要求的扫描点,对满足要求的扫描点进行二次曲线拟合,取二次曲线的极值点作为候选直线边缘点;之后使用基于边缘点距离权值的直线拟合算法对候选直线边缘点进行多次迭代拟合,逐步降低离群点的权重,直到最终结果收敛,最后计算拟合的直线与ROI的交点,得到最终待检测亚像素直线的两个端点,端点即可用于尺寸检测。
下面结合附图和实施例对本发明作详细描述:
设置首先图片与检测参数:
i)设置包含待检测直线区域的图片;
ii)设置旋转矩形感兴趣区域ROI(region of interest),ROI内应包含待检测直线,如图2所示;
iii)设置直线边缘点采样个数:60个;
iv)设置直线边缘梯度阈值,大于该阈值的被认为是边缘点;
v)设置扫描方向和极性,方向是指沿着ROI的那一条边开始扫描,极性是指灰度值的明暗变换,直线检测会检测出符合设置的灰度值明暗变化的特征的直线,如从明到暗或从暗到明,本实施例中,扫描方向如图2所示,扫描极性为由明到暗。
vi)设置滤波瓣宽为5,即在边缘点周围的小窗口内采5个点计算梯度值与该边缘点的梯度值求平均。
其次进行直线检测:
1)对待检测图像进行步骤ii)所述的ROI部分提取,得到子图,方便处理;
2)将所得图像ROI部分沿设置的扫描方向进行扫描,通常是沿旋转矩形ROI的一边向其对边扫描,根据设置的采样点数n,将ROI初始扫描边进行n等分,得到初始的扫描点集合;对于集合中的每一个点沿着扫描方向θ,以步长为1前进,θ为扫描方向与图像X轴夹角,设初始扫描点为(x0,y0),沿着扫描方向的扫描点为:
(x0+cos(θ)*n,y0+sin(θ)*n),n=1,2,3...
直到扫描到ROI初始扫描边的对边停止,由于直线检测的ROI是旋转矩形,对旋转矩形的初始扫描边进行n等分得到的初始扫描点坐标一般都是非整数的,则每次扫描步长前进的值(sinθ,cosθ)也是非整数的,因此得到的扫描点均为亚像素点。
3)对每一个扫描到的点,Sobel边缘检测算子只能计算整像素点的梯度值,使用邻域加权和二次曲线拟合的方法进行细化。首先使用Sobel算子和邻域加权计算出给定扫描方向上扫描点的亚像素梯度值和角度值,对梯度值和角度值均满足要求的扫描点,采用二次曲线拟合的方法,取二次曲线的极值点作为边缘点,最后利用滤波瓣宽参数,在边缘点周围一个窗口内进行平滑滤波,进一步减小噪声点的影响,把滤波后的点作为候选直线边缘点记录下来;
因为每一步扫描到的点坐标值均为非整数的,即亚像素点,计算其梯度值和方向成了问题,本发明采用了一种邻域加权与二次曲线拟合的策略,邻域加权与二次曲线拟合的示意图如图3,图4所示。
根据扫描点邻域内四个整数坐标点的梯度值加权平均得到该扫描点的梯度值,设扫描点的坐标为P(xp,yp),对xp进行向上取整得xu,向下取整得xd,对yp进行向上取整得yu,向下取整得yd,从而得到与点P距离最近的四个整数点坐标:A(xd,yd),B(xu,yd),C(xu,yu),D(xd,yu),使用Sobel算子对A、B、C、D四个点进行X、Y方向梯度值Gx,Gy的计算,Sobel算子X,Y方向的卷积核为:
梯度值计算公式为:
Gx=I(x-1,y+1)+2I(x,y+1)+I(x+1,y+1)-I(x-1,y-1)-2I(x+1,y-1)-I(x+1,y-1)
Gy=I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)-I(x+1,y-1)-2I(x+1,y)-I(x+1,y+1)
上式中I(x,y)是指原图像中坐标为(x,y)处的像素灰度值。
计算得A、B、C、D四个点的X、Y方向梯度值为(Gxa,Gya),(Gxb,Gyb),(Gxc,Gyc),(Gxd,Gyd),设:
△x=xp-xd,△y=yp-yd,
△x,△y分别表示xp,yp与其向下取整值xd,yd的距离,本发明认为亚像素点离其邻域内整像素点的距离越近,则该整像素点对亚像素点的梯度值计算的贡献就越大,因此△x和△y表征了亚像素点邻域内四个正像素点的权重值,因此,计算P(xp,yp)梯度值和梯度方向角度值的公式为:
Gxp=(1-△x)*(1-△y)*Gxa+△x*(1-△y)*Gxb+(1-△x)*△y*Gxc+△x*△y*Gxd
Gyp=(1-△x)*(1-△y)*Gya+△x*(1-△y)*Gyb+(1-△x)*△y*Gyc+△x*△y*Gyd
上式中Gxp,Gyp是P点处X,Y方向的梯度值,Gp(x,y)是总的梯度值,θp(x,y)是梯度方向值。
利用上述方法计算每个扫描点的梯度值和角度值后,使用二次曲线拟合的方法精确定位直线边缘点的位置,计算每个扫描点的梯度值和角度值之后,当某一条扫描线上的扫描点的梯度值大于设定的梯度阈值,并且角度值满足极性的明暗要求时,记录下这条扫描线从该点开始之后的扫描点的亚像素坐标和梯度值,直到遇到扫描点不满足梯度阈值和极性明暗要求时,停止记录。针对获得的点集进行二次曲线拟合。因为理想的边缘点附近其梯度值的变化是呈现阶跃型的,然而由于相机拍照感光器件CCD的成像原理,实际拍到的边缘会模糊掉,其梯度值的变化是呈现向下开口的二次曲线形状,因此本发明把通过梯度阈值和角度条件筛选的点集的梯度值进行二次曲线拟合,取二次曲线的极值点作为候选的直线边缘点记录下来,这样利用邻域加权和二次曲线拟合的策略,大大提高了亚像素边缘点的准确性。
之后使用滤波瓣宽参数对边缘点梯度值进行均值滤波。为了降低检测到的边缘点是噪声点而不是直线边缘点对后续直线拟合的影响,假设用户设置的滤波瓣宽参数为k,在该点附近的包含该点的一个小窗口(1x1)内,重新按照上述方法计算窗口内k个点的梯度值,然后把这k个点和该点梯度值的平均值作为该点最终的梯度值。通过类似平滑滤波的操作,进一步降低噪声点的影响。
4)使用基于边缘点距离权值的高精度直线拟合算法对检测到的边缘点进行多次迭代拟合,得到待检测亚像素直线;
①设待拟合直线的方程是:
ax+by+c=0
其中参数a,b满足a2+b2=1的约束条件,确定了直线的角度,这种直线方程的好处是,求某一点(x,y)到直线的距离可以直接将该点带入直线方程,计算出来的值就是该点到直线的距离d=|ax+by+c|。
②设待优化最小二乘目标函数为:
其中m为待拟合点的个数,即候选直线边缘点的个数,wi为每个点的权重,λ为给定常数,通常设为1。传统利用最小二乘法拟合直线的原理是:从一系列点(xi,yi),i=1,2,3...m拟合出一条直线,使得这些点到这条直线的距离的平方和最短,其目标函数是:
尽管上式理论上是正确的,但在实际中可能会遇到问题,因为当优化算法优化到a=b=c=0附近的时候,计算的结果永远是零,但这明显不是合法的直线参数。因此将a2+b2=1的约束条件当做正则化项带入,得到下式:
上述传统的最小二乘拟合直线的算法在离群点较少的情况下拟合效果是不错的,然而在离群点比较多且集中的情况时,就会导致拟合的直线向离群点偏离,与理想结果相差较大。因此本发明赋予每个待拟合点权重,通过调整权重不断降低离群点对拟合算法的影响。通过将权重wi加入上式,得到最终的优化目标函数:
③通过优化求解使得上式值最小的(a,b,c)即为拟合出的直线参数。
在优化求解直线参数的时候要进行多次迭代拟合,每次迭代根据上次迭代的结果计算每个点到直线的距离δi=|axi+byi+c|,来调整每个点的权重,初次拟合时,所有点的权重相同,均为1。
计算权重值的方法是:统计所有点到上次迭代拟合的直线的距离δi,得到其中位数md=median|δi|,本发明假设这些距离值满足正态分布,即待拟合点离目标直线的距离呈现正态分布,大多数点集中在目标直线周围。根据正态分布表,使边缘点有75%的概率不被判为离群点的正态分布参数为0.6745,为了进一步降低边缘点误判的概率,找到真正的离群点,计算权重的筛选标准为md/0.6745再乘一个小的倍数2,最终得到计算权重的公式为:
通过多次迭代拟合,逐步降低离目标直线较远的点的权重,直到迭代结果满足精度要求或迭代次数达到上限,得到最终的直线参数。图5是边缘点扫描结果示意图,图6是传统最小二乘直线拟合算法与本发明的技术方案的检测对比示意图,图6(a)为传统算法,图6(b)为本发明方案,从效果图可以看出,由于工件上边缘的凹陷较多,传统最小二乘拟合方法受到的干扰较大,拟合出的直线明显向下偏离,而本发明的方法则很好的克服了凹陷干扰点的影响,准确检测到了工件的上边缘直线。
5)求取目标直线与ROI的两个交点作为最终检测直线结果的两个端点。通过这两个端点代表的直线可以获知工件边缘的位置和角度信息,进而确定工件的准确姿态的位置,为之后的对位,检测等步骤提供帮助。
本发明主要是对图像中给定ROI进行边缘检测,再将检测到的边缘点拟合成直线,其步骤为:对图像进行ROI设置;再设置边缘点扫描方向、扫描极性和梯度阈值等与检测相关的关键信息;根据设置的检测信息,先使用Sobel算子计算出给定扫描方向上点的边缘梯度值和方向,进行边缘点的粗定位,然后使用邻域加权和二次曲线拟合的方式细化,之后在包含边缘点的小窗口内进行平滑滤波,计算出边缘点的亚像素梯度值;之后使用基于边缘点距离权值的高精度直线拟合算法对检测到的边缘点进行多次迭代拟合,对传统的最小二乘直线拟合算法进行改进,极大地提高了直线拟合的抗干扰性;最后计算拟合的直线与ROI的交点,得到最终目标直线的两个端点。实验结果和大量的工程应用表明,本发明能排除拍摄图片ROI中不属于直线边缘点的离群点的干扰,极大地提高了直线检测的抗干扰性,实现了图片中直线信息的精确定位。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的技术方案并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.一种抗干扰的亚像素直线拟合方法,其特征是对图像进行ROI设置,并设置用于边缘点检测的检测信息,包括扫描方向、扫描极性、梯度阈值和滤波瓣宽;根据设置的检测信息,使用Sobel算子和邻域加权计算出给定扫描方向上扫描点的亚像素梯度值和角度值,对梯度值和角度值均满足要求的扫描点,采用二次曲线拟合的方法,取二次曲线的极值点作为边缘点,最后利用滤波瓣宽参数,在该点周围一个窗口内进行平滑滤波,进一步减小噪声点的影响,把滤波后的点作为候选直线边缘点记录下来;之后使用基于边缘点距离权值的直线拟合算法对候选直线边缘点进行多次迭代拟合,逐步降低离群点的权重,直到最终结果收敛,最后计算拟合的直线与ROI的交点,得到最终待检测亚像素直线的两个端点。
2.根据权利要求1所述的一种抗干扰的亚像素直线拟合方法,其特征是对图像进行ROI设置,并设置用于边缘点检测的检测信息具体为:
i)对包含待检测直线区域的图片,设置旋转矩形ROI的四个顶点;
ii)设置旋转矩形ROI,ROI内包含待检测直线;
iii)设置直线边缘点采样个数;
iv)设置直线边缘梯度阈值,大于该阈值的被认为是边缘点;
v)设置扫描方向和极性,方向指沿着ROI的哪一条边开始扫描,极性指灰度值的明暗变换,通过直线检测检测出符合设置要求的灰度值明暗变化的特征的直线;
vi)设置滤波瓣宽,滤波瓣宽是指边缘点附近进行梯度值平均的窗口的大小,为了减小噪声点对直线拟合的影响,在边缘点周围的小窗口内进行梯度值平均。
3.根据权利要求1所述的一种抗干扰的亚像素直线拟合方法,其特征是对图像ROI部分沿设置的扫描方向进行扫描时,根据设置的采样点数n,将ROI初始扫描边进行n等分,得到初始的扫描点集合;对于集合中的每一个点沿着扫描方向θ,以步长为1前进,设初始扫描点为(x0,y0),沿着扫描方向的扫描点为:
(x0+cos(θ)*n,y0+sin(θ)*n),n=1,2,3...
直到扫描到ROI初始扫描边的对边停止,由于直线检测的ROI是旋转矩形,对旋转矩形的初始扫描边进行n等分得到的初始扫描点坐标一般都是非整数的,则每次扫描步长前进的值(sinθ,cosθ)也是非整数的,因此得到的扫描点均为亚像素点。
4.根据权利要求1所述的一种抗干扰的亚像素直线拟合方法,其特征是使用Sobel算子及邻域加权的方法计算扫描点的亚像素梯度值,步骤为:
根据扫描点邻域内四个整数坐标点的梯度值加权平均得到该扫描点的梯度值,设扫描点的坐标为P(xp,yp),对xp进行向上取整得xu,向下取整得xd,对yp进行向上取整得yu,向下取整得yd,从而得到与点P距离最近的四个整数点坐标:A(xd,yd),B(xu,yd),C(xu,yu)和D(xd,yu),使用Sobel算子对A、B、C、D四个点进行X、Y方向梯度值Gx,Gy的计算,梯度值计算公式为:
Gx=I(x-1,y+1)+2I(x,y+1)+I(x+1,y+1)-I(x-1,y-1)-2I(x+1,y-1)-I(x+1,y-1)Gy=I(x-1,y-1)+2I(x-1,y)+I(x-1,y+1)-I(x+1,y-1)-2I(x+1,y)-I(x+1,y+1)上式中I(x,y)是指原图像中坐标为(x,y)处的像素灰度值,
计算得A、B、C、D四个点的X、Y方向梯度值为(Gxa,Gya),(Gxb,Gyb),(Gxc,Gyc),(Gxd,Gyd),设:
△x=xp-xd,△y=yp-yd,
△x,△y分别表示xp,yp与其向下取整值xd,yd的距离,亚像素点离其邻域内整像素点的距离越近,则该整像素点对亚像素点的梯度值计算的贡献就越大,△x和△y表征了亚像素点邻域内四个正像素点的权重值,则计算P(xp,yp)梯度值和梯度方向角度值的公式为:
Gxp=(1-△x)*(1-△y)*Gxa+△x*(1-△y)*Gxb+(1-△x)*△y*Gxc+△x*△y*Gxd
Gyp=(1-△x)*(1-△y)*Gya+△x*(1-△y)*Gyb+(1-△x)*△y*Gyc+△x*△y*Gyd
Gxp,Gyp是P点处X,Y方向的梯度值,Gp(x,y)是总的梯度值,θp(x,y)是梯度方向值。
5.根据权利要求4所述的一种抗干扰的亚像素直线拟合方法,其特征是Sobel算子X,Y方向的卷积核为:
6.根据权利要求1所述的一种抗干扰的亚像素直线拟合方法,其特征是使用滤波瓣宽参数对边缘点的梯度值进行均值滤波,设滤波瓣宽参数为k,在包含点P的一个1x1像素的小窗口内,重新计算k个点的梯度值,然后求这k个点和P点梯度值的平均值作为P点最终的梯度值,通过这种平滑滤波的操作,降低噪声点的影响。
7.根据权利要求1所述的一种抗干扰的亚像素直线拟合方法,其特征是使用二次曲线拟合的方法精确定位边缘点的位置,计算扫描点的梯度值和角度值后,当某一条扫描线上的扫描点的梯度值大于设定的梯度阈值,并且角度值满足极性的明暗要求时,记录下这条扫描线从该点开始之后的扫描点的亚像素坐标和梯度值,直到遇到的扫描点不满足梯度阈值和极性明暗要求时,停止记录,针对获得的点集进行二次曲线拟合,取二次曲线的极值点作为候选直线边缘点记录下来。
8.根据权利要求1所述的一种抗干扰的亚像素直线拟合方法,其特征是使用基于边缘点距离权值的直线拟合算法对对候选直线边缘点进行加权最小二乘拟合,其步骤为:
1)设待拟合直线的方程是:
ax+by+c=0
其中参数a,b满足a2+b2=1的约束条件;
2)设待优化最小二乘目标函数为:
其中m为待拟合点的个数,即候选直线边缘点的个数,wi为每个点的权重,λ为给定常数,设为1;
3)通过优化求解使得目标函数值最小的(a,b,c),即得到目标亚像素直线的参数;
其中,在优化求解直线参数的时候要进行多次迭代拟合,每次迭代根据上次迭代的结果计算每个点到直线的距离δi=|axi+byi+c|,来调整每个点的权重,初次拟合时,所有点的权重相同,均为1;
调整权重的方法是:统计所有点到上次迭代拟合的直线的距离δi,得到中位数md=median|δi|,设所述距离的值满足正态分布,即待拟合点离目标直线的距离呈现正态分布,根据正态分布表,使候选直线边缘点有75%的概率不被判为离群点的正态分布参数为0.6745,为了进一步降低边缘点误判的概率,计算权重的筛选标准为md/0.6745再乘以2,最终得到计算权重的公式为:
通过多次迭代拟合,逐步降低离目标直线较远的点的权重,直到迭代结果满足精度要求或迭代次数达到上限,得到目标亚像素直线的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682268.6A CN108921865B (zh) | 2018-06-27 | 2018-06-27 | 一种抗干扰的亚像素直线拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682268.6A CN108921865B (zh) | 2018-06-27 | 2018-06-27 | 一种抗干扰的亚像素直线拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921865A true CN108921865A (zh) | 2018-11-30 |
CN108921865B CN108921865B (zh) | 2022-03-18 |
Family
ID=64424153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810682268.6A Active CN108921865B (zh) | 2018-06-27 | 2018-06-27 | 一种抗干扰的亚像素直线拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921865B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949245A (zh) * | 2019-03-25 | 2019-06-28 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
CN110276345A (zh) * | 2019-06-05 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
CN110793512A (zh) * | 2019-09-11 | 2020-02-14 | 上海宾通智能科技有限公司 | 位姿识别方法、装置、电子设备和存储介质 |
CN110827307A (zh) * | 2019-11-04 | 2020-02-21 | 深圳技术大学 | 电子雕刻机高精度图像像素测距方法 |
CN110956078A (zh) * | 2019-10-09 | 2020-04-03 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
CN111383239A (zh) * | 2020-02-24 | 2020-07-07 | 上海航天控制技术研究所 | 基于迭代搜索的火星图像误边缘剔除及轮廓精确拟合方法 |
CN111968144A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种图像边缘点获取方法及装置 |
CN112649814A (zh) * | 2021-01-14 | 2021-04-13 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN112801111A (zh) * | 2020-12-18 | 2021-05-14 | 广东工业大学 | 基于梯度方向的图像直线边缘点分类方法及装置 |
CN112819843A (zh) * | 2021-01-20 | 2021-05-18 | 上海大学 | 一种夜间电力线的提取方法及*** |
CN113077467A (zh) * | 2021-06-08 | 2021-07-06 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN113160223A (zh) * | 2021-05-17 | 2021-07-23 | 深圳中科飞测科技股份有限公司 | 轮廓的确定方法、确定装置、检测设备及存储介质 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
CN114723942A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 锂电池极片的尺寸检测方法、装置、设备及存储介质 |
CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
CN114972575A (zh) * | 2022-04-08 | 2022-08-30 | 湖南科技大学 | 一种基于轮廓边缘的直线拟合算法 |
CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
CN115331119A (zh) * | 2022-10-13 | 2022-11-11 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
CN115984170A (zh) * | 2022-11-28 | 2023-04-18 | 广州航海学院 | 一种四边形晶片角顶点定位方法 |
CN116188512A (zh) * | 2023-04-27 | 2023-05-30 | 合肥埃科光电科技股份有限公司 | 图像处理用直线边缘提取方法、***及电子设备 |
CN117392127A (zh) * | 2023-12-11 | 2024-01-12 | 深圳精智达技术股份有限公司 | 一种显示面板边框的检测方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334263A (zh) * | 2008-07-22 | 2008-12-31 | 东南大学 | 圆形目标的圆心定位方法 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN107516325A (zh) * | 2017-08-22 | 2017-12-26 | 上海理工大学 | 基于亚像素边缘的圆心检测方法 |
-
2018
- 2018-06-27 CN CN201810682268.6A patent/CN108921865B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334263A (zh) * | 2008-07-22 | 2008-12-31 | 东南大学 | 圆形目标的圆心定位方法 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN107516325A (zh) * | 2017-08-22 | 2017-12-26 | 上海理工大学 | 基于亚像素边缘的圆心检测方法 |
Non-Patent Citations (1)
Title |
---|
FREDERIC等: ""Sub-pixel Edge Fitting Using B-Spline"", 《SPRINGER》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949245B (zh) * | 2019-03-25 | 2021-04-16 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
CN109949245A (zh) * | 2019-03-25 | 2019-06-28 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
CN110276345A (zh) * | 2019-06-05 | 2019-09-24 | 北京字节跳动网络技术有限公司 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
CN110276345B (zh) * | 2019-06-05 | 2021-09-17 | 北京字节跳动网络技术有限公司 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
CN110793512A (zh) * | 2019-09-11 | 2020-02-14 | 上海宾通智能科技有限公司 | 位姿识别方法、装置、电子设备和存储介质 |
CN110956078B (zh) * | 2019-10-09 | 2023-06-30 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
CN110956078A (zh) * | 2019-10-09 | 2020-04-03 | 中国人民解放军战略支援部队信息工程大学 | 一种电力线检测方法及装置 |
CN110827307B (zh) * | 2019-11-04 | 2022-04-15 | 深圳技术大学 | 电子雕刻机高精度图像像素测距方法 |
CN110827307A (zh) * | 2019-11-04 | 2020-02-21 | 深圳技术大学 | 电子雕刻机高精度图像像素测距方法 |
CN111383239A (zh) * | 2020-02-24 | 2020-07-07 | 上海航天控制技术研究所 | 基于迭代搜索的火星图像误边缘剔除及轮廓精确拟合方法 |
CN111383239B (zh) * | 2020-02-24 | 2022-06-03 | 上海航天控制技术研究所 | 基于迭代搜索的火星图像误边缘剔除及轮廓精确拟合方法 |
CN111968144A (zh) * | 2020-09-07 | 2020-11-20 | 北京凌云光技术集团有限责任公司 | 一种图像边缘点获取方法及装置 |
CN111968144B (zh) * | 2020-09-07 | 2024-03-29 | 凌云光技术股份有限公司 | 一种图像边缘点获取方法及装置 |
CN112801111A (zh) * | 2020-12-18 | 2021-05-14 | 广东工业大学 | 基于梯度方向的图像直线边缘点分类方法及装置 |
CN112801111B (zh) * | 2020-12-18 | 2023-05-26 | 广东工业大学 | 基于梯度方向的图像直线边缘点分类方法及装置 |
CN112649814B (zh) * | 2021-01-14 | 2022-12-23 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN112649814A (zh) * | 2021-01-14 | 2021-04-13 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN112819843A (zh) * | 2021-01-20 | 2021-05-18 | 上海大学 | 一种夜间电力线的提取方法及*** |
CN113160223A (zh) * | 2021-05-17 | 2021-07-23 | 深圳中科飞测科技股份有限公司 | 轮廓的确定方法、确定装置、检测设备及存储介质 |
CN113077467A (zh) * | 2021-06-08 | 2021-07-06 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
CN113077467B (zh) * | 2021-06-08 | 2021-08-31 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN114972575A (zh) * | 2022-04-08 | 2022-08-30 | 湖南科技大学 | 一种基于轮廓边缘的直线拟合算法 |
CN114723942B (zh) * | 2022-06-08 | 2022-12-20 | 深圳新视智科技术有限公司 | 锂电池极片的尺寸检测方法、装置、设备及存储介质 |
CN114723942A (zh) * | 2022-06-08 | 2022-07-08 | 深圳新视智科技术有限公司 | 锂电池极片的尺寸检测方法、装置、设备及存储介质 |
CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
CN115330826A (zh) * | 2022-08-11 | 2022-11-11 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
CN115330826B (zh) * | 2022-08-11 | 2024-02-20 | 创新奇智(青岛)科技有限公司 | 直线检测方法、装置、电子设备及计算机可读存储介质 |
CN115331119A (zh) * | 2022-10-13 | 2022-11-11 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
CN115331119B (zh) * | 2022-10-13 | 2023-01-31 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
CN115984170A (zh) * | 2022-11-28 | 2023-04-18 | 广州航海学院 | 一种四边形晶片角顶点定位方法 |
CN115984170B (zh) * | 2022-11-28 | 2023-07-14 | 广州航海学院 | 一种四边形晶片角顶点定位方法 |
CN116188512A (zh) * | 2023-04-27 | 2023-05-30 | 合肥埃科光电科技股份有限公司 | 图像处理用直线边缘提取方法、***及电子设备 |
CN117392127A (zh) * | 2023-12-11 | 2024-01-12 | 深圳精智达技术股份有限公司 | 一种显示面板边框的检测方法、装置和电子设备 |
CN117392127B (zh) * | 2023-12-11 | 2024-04-12 | 深圳精智达技术股份有限公司 | 一种显示面板边框的检测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108921865B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921865A (zh) | 一种抗干扰的亚像素直线拟合方法 | |
CN104981105B (zh) | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN106485740B (zh) | 一种结合稳定点和特征点的多时相sar图像配准方法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN109087274A (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
CN109523501A (zh) | 一种基于降维和点云数据匹配的电池外观缺陷检测方法 | |
CN108986126A (zh) | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 | |
CN109816674A (zh) | 基于Canny算子的配准图边缘提取方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN109727239A (zh) | 基于surf特征对巡检图与基准图的配准方法 | |
CN112509044A (zh) | 一种基于点线特征融合的双目视觉slam方法 | |
CN102032875A (zh) | 一种基于图像处理的电缆护套厚度测量方法 | |
CN104240204A (zh) | 一种基于图像处理的太阳能硅片和电池片的计数方法 | |
CN104331900A (zh) | Ccd摄像机标定中角点亚像素定位方法 | |
CN108470356A (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
Li et al. | Improved edge detection algorithm for canny operator | |
CN109815822A (zh) | 基于广义Hough变换的巡检图零部件目标识别方法 | |
CN108470338A (zh) | 一种水位监测方法 | |
CN110146017A (zh) | 工业机器人重复定位精度测量方法 | |
CN111145198B (zh) | 一种基于快速角点检测的非合作目标运动估计方法 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
Yang et al. | Fast and accurate vanishing point detection in complex scenes | |
Zhu et al. | A fast and accurate algorithm for chessboard corner detection |
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 |