CN111353952B - 一种消除图像畸变校正后黑色边界的方法 - Google Patents

一种消除图像畸变校正后黑色边界的方法 Download PDF

Info

Publication number
CN111353952B
CN111353952B CN202010069833.9A CN202010069833A CN111353952B CN 111353952 B CN111353952 B CN 111353952B CN 202010069833 A CN202010069833 A CN 202010069833A CN 111353952 B CN111353952 B CN 111353952B
Authority
CN
China
Prior art keywords
image
target object
black
geometric distortion
acquisition system
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
CN202010069833.9A
Other languages
English (en)
Other versions
CN111353952A (zh
Inventor
严光源
张云志
卢清华
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN202010069833.9A priority Critical patent/CN111353952B/zh
Publication of CN111353952A publication Critical patent/CN111353952A/zh
Application granted granted Critical
Publication of CN111353952B publication Critical patent/CN111353952B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种消除图像畸变校正后黑色边界的方法，对采集***进行标定，得到标定参数；通过采集***获取无目标物的背景图像或目标物的图像，利用标定参数对无目标物的背景图像或目标物的图像进行几何畸变的校正；并对几何畸变校正后的无目标物的背景图像或目标物的图像进行预处理，生成图像模板；通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正；并对几何畸变校正后的目标物的图像依次进行预处理和边缘检测，得到边缘二值图；最后，将图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。本发明在不损失图像目标物的情况下，将图像中的黑色边界消除，为后续的图像处理带来便利。

Description

一种消除图像畸变校正后黑色边界的方法
技术领域
本发明涉及图像识别技术领域，更具体地说，涉及一种消除图像畸变校正后黑色边界的方法。
背景技术
在机器视觉中，经常采用相机镜头对目标物进行拍摄，从而获取图像用于后续的图像处理。由于通过相机镜头获取的图像含有严重的几何畸变，所以必须进行必要的几何畸变校正来消除相机镜头带来的畸变，最终获得一幅无畸变的图像。然而通过畸变校正后的图像会在图像四周产生黑色边界，这是因为图像的几何畸变被校正回原来位置而产生的。
由于校正后图像出现了黑色边界，不美观而且给后续的图像处理带来不必要的麻烦。如今普遍的做法是将图像按原来图像的尺寸比例进行裁剪，但是对于目标物布满图像且几何畸变较大的情况，直接对图像进行裁剪会裁掉需要处理的目标物。若直接使用带有黑色边界的图像进行处理会产生很多误检测，如直接对图像进行轮廓提取，则计算机会将黑色边界也识别为轮廓，得到错误的轮廓提取结果。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种消除图像畸变校正后黑色边界的方法，该方法在不损失图像目标物的情况下，将图像中的黑色边界消除，为后续的图像处理带来便利。
为了达到上述目的，本发明通过下述技术方案予以实现：一种消除图像畸变校正后黑色边界的方法，其特征在于：
首先，搭建图像采集***，并对采集***进行标定，得到标定参数；
其次，通过采集***获取无目标物的背景图像或目标物的图像，利用标定参数对无目标物的背景图像或目标物的图像进行几何畸变的校正；并对几何畸变校正后的无目标物的背景图像或目标物的图像进行预处理，生成图像模板；
然后，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界；并对几何畸变校正后的目标物的图像依次进行预处理和边缘检测，得到边缘二值图；
最后，将图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。
在上述方案中，通过本发明方法的目的是要准确地消除畸变矫正后的黑色边界，故利用采集到的无目标的背景图获取组成这些黑色边界的点集，再利用滤波操作的思想，利用掩膜与这些点做乘法，去除黑色边界。当在图像几何畸变较大(即黑色边界较宽且连续)的情况下可以不需要采集无目标的背景图像生成模板，可以直接利用目标物的图像制作模板。
其中，第一种方案包括以下步骤：
第一步，搭建图像采集***，将棋盘标定板置于背景区域，获取14张不同角度的标定板照片，并采用张正友标定法对采集***的相机进行标定，并获取标定的结果，得到标定参数；
第二步，通过采集***获取无目标物的背景图像，利用标定参数对无目标物的背景图像进行几何畸变的校正，该几何畸变校正后的无目标物的背景图像带有黑色边界，该黑色边界是由曲线和图像边界组成的黑色区域；再以灰度图形式导入，对灰度图依次进行滤波和阈值分割的预处理，其中，阈值分割为图像二值化阈值分割方法，阈值设置为80；然后，通过图像形态学-腐蚀操作处理，最后像素点转换生成图像模板；
第三步，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界，其中，黑色边界是由曲线和图像边界组成的黑色区域；并对几何畸变校正后的目标物的图像依次进行滤波、灰度化和阈值分割预处理，再用Canny算子对图像进行边缘检测，得到边缘二值图；
第四步，将第二步生成的图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。
其中，第二种方案(针对畸变校正后黑色边界较宽的情况)包括以下步骤：
第一步，搭建图像采集***，将棋盘标定板置于背景区域，获取14张不同角度的标定板照片，并采用张正友标定法对采集***的相机进行标定，并获取标定的结果，得到标定参数；
第二步，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，再以灰度图形式导入，对灰度图依次进行滤波和阈值分割的预处理，其中，阈值分割为图像二值化阈值分割方法，阈值设置为2；然后，通过图像形态学-腐蚀操作处理，最后像素点转换生成图像模板；
第三步，利用标定参数对第二步获取的目标物图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界，其中，黑色边界较宽且连续；并对几何畸变校正后的目标物的图像二依次进行滤波、灰度化和阈值分割预处理，再用Canny算子对图像进行边缘检测，得到边缘二值图；
第四步，将第二步生成的图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。
所述图像模板中黑色边界的灰度值为0，非黑色边界的灰度值为1。
与现有技术相比，本发明具有如下优点与有益效果：本发明消除图像畸变校正后黑色边界的方法在不损失图像目标物的情况下，将图像中的黑色边界消除，为后续的图像处理带来便利。
附图说明
图1是实施例一中消除图像畸变校正后黑色边界的方法的流程示意图；
图2(a)是实施例一中无目标物的背景图像；
图2(b)是实施例一中图像模板示意图；
图3(a)是实施例一中目标物的图像示意图；
图3(b)是实施例一中目标物的图像几何畸变校正后的示意图；
图3(c)是对图3(b)预处理后的示意图；
图3(d)是对图3(c)边缘检测后的示意图；
图3(e)是黑色边界消除后效果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例一
如图1所示，本发明消除图像畸变校正后黑色边界的方法是这样的：
首先，搭建图像采集***，并对采集***进行标定，得到标定参数；
其次，通过采集***获取无目标物的背景图像，利用标定参数对无目标物的背景图像进行几何畸变的校正；并对几何畸变校正后的无目标物的背景图像进行预处理，生成图像模板；
然后，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界；并对几何畸变校正后的目标物的图像依次进行预处理和边缘检测，得到边缘二值图；
最后，将图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。
具体步骤是这样的：
第一步，搭建图像采集***，将棋盘标定板置于背景区域，获取14张不同角度的标定板照片，并采用张正友标定法对采集***的相机进行标定，并获取标定的结果，得到标定参数；
第二步，通过采集***获取无目标物的背景图像，如图2(a)所示，利用标定参数对无目标物的背景图像进行几何畸变的校正，该几何畸变校正后的无目标物的背景图像带有黑色边界，该黑色边界是由曲线和图像边界组成的黑色区域；再以灰度图形式导入，对灰度图依次进行滤波和阈值分割的预处理，其中，阈值分割为图像二值化阈值分割方法，阈值设置为80；然后，通过图像形态学-腐蚀操作处理，最后像素点转换生成图像模板，如图2(b)所示，该图像模板中黑色边界的灰度值为0，非黑色边界的灰度值为1；
第三步，通过采集***获取目标物的图像，如图3(a)所示，利用标定参数对目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界，其中，黑色边界是由曲线和图像边界组成的黑色区域；并对几何畸变校正后的目标物的图像(如图3(b)所示)依次进行滤波、灰度化和阈值分割预处理(如图3(c)所示)，再用Canny算子对图像进行边缘检测，得到边缘二值图，如图3(d)所示；
第四步，将第二步生成的图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图，如图3(e)所示。
通过本发明方法的目的是要准确地消除畸变矫正后的黑色边界，故利用采集到的无目标的背景图获取组成这些黑色边界的点集，再利用滤波操作的思想，利用掩膜与这些点做乘法，去除黑色边界，为后续的图像处理带来便利。
实施例二
当在图像几何畸变较大(即黑色边界较宽且连续)的情况下可以不需要采集无目标的背景图像生成模板，可以直接利用目标物的图像制作模板。
方法具体步骤包括：
第一步，搭建图像采集***，将棋盘标定板置于背景区域，获取14张不同角度的标定板照片，并采用张正友标定法对采集***的相机进行标定，并获取标定的结果，得到标定参数；
第二步，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，再以灰度图形式导入，对灰度图依次进行滤波和阈值分割的预处理，其中，阈值分割为图像二值化阈值分割方法，阈值设置为2；然后，通过图像形态学-腐蚀操作处理，最后像素点转换生成图像模板；该图像模板中黑色边界的灰度值为0，非黑色边界的灰度值为1；
第三步，利用标定参数对第二步获取的目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界，其中，黑色边界较宽且连续；并对几何畸变校正后的目标物的图像依次进行滤波、灰度化和阈值分割预处理，再用Canny算子对图像进行边缘检测，得到边缘二值图；
第四步，将第二步生成的图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种消除图像畸变校正后黑色边界的方法，其特征在于：
首先，搭建图像采集***，并对采集***进行标定，得到标定参数；
其次，通过采集***获取无目标物的背景图像或目标物的图像，利用标定参数对无目标物的背景图像或目标物的图像进行几何畸变的校正；并对几何畸变校正后的无目标物的背景图像或目标物的图像进行预处理，生成图像模板；
然后，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界；并对几何畸变校正后的目标物的图像依次进行预处理和边缘检测，得到边缘二值图；
最后，将图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图；
包括以下步骤：
第一步，搭建图像采集***，将棋盘标定板置于背景区域，获取14张不同角度的标定板照片，并采用张正友标定法对采集***的相机进行标定，并获取标定的结果，得到标定参数；
第二步，通过采集***获取无目标物的背景图像，利用标定参数对无目标物的背景图像进行几何畸变的校正，该几何畸变校正后的无目标物的背景图像带有黑色边界，该黑色边界是由曲线和图像边界组成的黑色区域；再以灰度图形式导入，对灰度图依次进行滤波和阈值分割的预处理，其中，阈值分割为图像二值化阈值分割方法，阈值设置为80；然后，通过图像形态学-腐蚀操作处理，最后像素点转换生成图像模板；
第三步，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界，其中，黑色边界是由曲线和图像边界组成的黑色区域；并对几何畸变校正后的目标物的图像依次进行滤波、灰度化和阈值分割预处理，再用Canny算子对图像进行边缘检测，得到边缘二值图；
第四步，将第二步生成的图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图；
或者，包括以下步骤：
第一步，搭建图像采集***，将棋盘标定板置于背景区域，获取14张不同角度的标定板照片，并采用张正友标定法对采集***的相机进行标定，并获取标定的结果，得到标定参数；
第二步，通过采集***获取目标物的图像，利用标定参数对目标物的图像进行几何畸变的校正，再以灰度图形式导入，对灰度图依次进行滤波和阈值分割的预处理，其中，阈值分割为图像二值化阈值分割方法，阈值设置为2；然后，通过图像形态学-腐蚀操作处理，最后像素点转换生成图像模板；
第三步，利用标定参数对第二步获取的目标物的图像进行几何畸变的校正，该几何畸变校正后的目标物的图像带有黑色边界，其中，黑色边界较宽且连续；并对几何畸变校正后的目标物的图像依次进行滤波、灰度化和阈值分割预处理，再用Canny算子对图像进行边缘检测，得到边缘二值图；
第四步，将第二步生成的图像模板和边缘二值图进行矩阵相乘，得到消除了黑色边界的目标物轮廓图。
2.根据权利要求1所述的消除图像畸变校正后黑色边界的方法，其特征在于：所述图像模板中黑色边界的灰度值为0，非黑色边界的灰度值为1。
CN202010069833.9A 2020-01-21 2020-01-21 一种消除图像畸变校正后黑色边界的方法 Active CN111353952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010069833.9A CN111353952B (zh) 2020-01-21 2020-01-21 一种消除图像畸变校正后黑色边界的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010069833.9A CN111353952B (zh) 2020-01-21 2020-01-21 一种消除图像畸变校正后黑色边界的方法

Publications (2)

Publication Number Publication Date
CN111353952A CN111353952A (zh) 2020-06-30
CN111353952B true CN111353952B (zh) 2023-05-05

Family

ID=71196954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010069833.9A Active CN111353952B (zh) 2020-01-21 2020-01-21 一种消除图像畸变校正后黑色边界的方法

Country Status (1)

Country Link
CN (1) CN111353952B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177439A (zh) * 2012-11-26 2013-06-26 惠州华阳通用电子有限公司 一种基于黑白格角点匹配的自动标定方法
CN105787894A (zh) * 2016-02-25 2016-07-20 上海海事大学 一种桶形畸变的集装箱箱号校正方法
CN107154050A (zh) * 2017-05-03 2017-09-12 魏玉震 一种基于机器视觉的石材几何参数的自动获取方法
CN110400278A (zh) * 2019-07-30 2019-11-01 广东工业大学 一种图像颜色和几何畸变的全自动校正方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177439A (zh) * 2012-11-26 2013-06-26 惠州华阳通用电子有限公司 一种基于黑白格角点匹配的自动标定方法
CN105787894A (zh) * 2016-02-25 2016-07-20 上海海事大学 一种桶形畸变的集装箱箱号校正方法
CN107154050A (zh) * 2017-05-03 2017-09-12 魏玉震 一种基于机器视觉的石材几何参数的自动获取方法
CN110400278A (zh) * 2019-07-30 2019-11-01 广东工业大学 一种图像颜色和几何畸变的全自动校正方法、装置及设备

Also Published As

Publication number Publication date
CN111353952A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN109856164B (zh) 一种机器视觉采集大范围图像的优化装置及其检测方法
CN109993161B (zh) 一种文本图像旋转矫正方法及***
CN107330433B (zh) 图像处理方法和装置
CN110942457B (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN108898132B (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN108037142B (zh) 基于图像灰度值的掩膜版光学缺陷检测方法
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN116433666A (zh) 板卡线路缺陷在线识别方法、***、电子设备及存储介质
CN106296608B (zh) 一种基于映射表的鱼眼图像处理方法及***
CN101315664A (zh) 用于文字识别的文本图像预处理方法
CN115880288B (zh) 电子元件焊接的检测方法、***及计算机设备
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN117635565A (zh) 一种基于图像识别的半导体表面缺陷检测***
CN112712058A (zh) 一种字符识别提取方法
CN111353952B (zh) 一种消除图像畸变校正后黑色边界的方法
CN107545565B (zh) 一种太阳能网版检测方法
CN110930358B (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN110610163B (zh) 一种自然场景下基于椭圆拟合的表格提取方法及***
CN116758266A (zh) 一种指针式仪表的读数方法
CN104408430B (zh) 一种车牌定位方法及装置
CN117058182A (zh) 一种用于视觉测距的目标检测边框优化方法
CN107862670B (zh) 一种针对红外成像电串扰的图像复原方法
CN114359414A (zh) 镜头脏污识别方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Yan Guangyuan

Inventor after: Zhang Yunzhi

Inventor after: Lu Qinghua

Inventor before: Yan Guangyuan

Inventor before: Zhang Zhiyun

Inventor before: Lu Qinghua

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant