CN116563298A - 基于高斯拟合的十字线中心亚像素检测方法 - Google Patents
基于高斯拟合的十字线中心亚像素检测方法 Download PDFInfo
- Publication number
- CN116563298A CN116563298A CN202310851687.9A CN202310851687A CN116563298A CN 116563298 A CN116563298 A CN 116563298A CN 202310851687 A CN202310851687 A CN 202310851687A CN 116563298 A CN116563298 A CN 116563298A
- Authority
- CN
- China
- Prior art keywords
- fitting
- point
- image
- screening
- cross line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20092—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)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高斯拟合的十字线中心亚像素检测方法,横向和纵向扫描图片,针对每条扫描直线,从扫描的灰度最大值左右各取一些点进行高斯拟合,以高斯拟合曲线的最大值坐标对应的像素点作为点集,对点集进行均值、梯度、相关性和DBSCAN筛选,进行最小二乘直线拟合,如此方法获得的横向以及纵向的两条直线的交点就是十字线的中心点,最终实现十字线中心的亚像素定位,为计算机视觉检测,高精度光学测量等应用领域提供了一种快速边界的高精度图像定位方法,对于图像质量不好,背景复杂,低对比度等情况下,需要充分进行筛选,以保证十字线中心定位的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于高斯拟合的十字线中心亚像素检测方法。
背景技术
十字线中心定位作为图像自动定位的一个重要方式,已经广泛应用于计算机视觉、光学测量以及光学测量***定标等方面。提高定位和测量精度最直接的方法是提高CCD的分辨率,即增加像素点阵数。然而这种提高硬件分辨率的方法代价十分昂贵,所有对图像目标的亚像素定位成为高精度测量和定位中的重要技术。
目前比较常见的定位方法有霍夫变换检测、基于hessian矩阵的检测、质心法、基于边缘检测获取边沿然后进行直线拟合法等。
霍夫变换检测算法简单,openCV也有现成的算法库,但是抗噪性不好,并且很多参数需要根据不同的图像来调整相应的参数,并且在直线噪音大,有其他线条影响时,检测不准。基于hessian矩阵的检测,由于需要对图片进行整场的卷积,比较耗时。质心法简单精度高,但是针对十字线光强分布不均匀、图像存在噪点等情况下,会检测偏。精确的获取图像的边缘,然后进行最小二乘直线拟合可以精确的获取十字线的中心,但是精确的边缘检测会受到很多条件的限制,比图图像质量不好,背景复杂,低对比度等情况下很难精确的获取十字线的精确边缘,后续的拟合也会存在偏差。
发明内容
技术目的:针对现有十字线中心定位方法存在的不足,本发明公开了一种可以有效过滤掉噪音点以及背景点,实现十字线中心准确定位的基于高斯拟合的十字线中心亚像素检测方法。
技术方案:为实现上述技术目的,本发明采用了如下技术方案:
一种基于高斯拟合的十字线中心亚像素检测方法,其特征在于,包括步骤:
S01、获取十字线图像,沿平行于十字线的线条方向分别等间隔进行横向和纵向扫描,得到若干横向直线和纵向直线;
S02、以每条直线上的像素灰度最大值作为中间点,并在中间点两侧对称选取等数量的拟合点,进行高斯拟合;
S03、并将拟合曲线的最大值坐标对应的像素点作为对应直线上进行后续最小二乘直线拟合的第二拟合点,对横向直线和纵向直线上获取到的第二拟合点分别进行最小二乘直线拟合,拟合得到的直线交点为十字线的中心点。
优选地,在步骤S02中,进行高斯拟合前先对图像进行滤波处理和噪音点的判断,噪音点的判断方法包括:计算十字线图像的灰度均值,记为meanAll,在直线上像素点的像素灰度最大值小于灰度均值meanAll时,认定像素点为噪音点,不进行当前直线的高斯拟合计算。
优选地,在步骤S03中,在进行最小二乘直线拟合之前,先进行第二拟合点的筛选,筛选过程包括:
对第二拟合点进行均值筛选,在第二拟合点的四周选取n*n的正方形ROI区域,n表示选取区域的横向或者纵向像素点的个数,计算第二拟合点所在的ROI区域灰度均值meanROI,meanAll小于meanROI,说明第二拟合点在十字线区域上,meanAll为十字线图像的灰度均值,meanROI小于等于meanAll说明第二拟合点为背景点,不在十字线区域上,不能用于最小二乘直线拟合。
优选地,在十字线图像存在高亮区域时,根据十字线图像的灰度信息划分高亮区域和非高亮区域;对于处于高亮区域的第二拟合点,使用梯度筛选的方式,求取梯度信息,当ROI区域内的梯度值小于阈值时,说明当前的第二拟合点处于背景区域,不在十字线上,在拟合时,将该点去除;对于非高亮区域的第二拟合点采用均值筛选。
优选地,在进行均值筛选和梯度信息筛选后,对筛选后的第二拟合点进行相关性筛选,相关性筛选的过程包括:对第二拟合点的ROI区域图像进行180°旋转,计算旋转后图像与原图像之间的相关性:,其中/>和/>分别表示原始图像A和旋转后图像B的灰度值的均值,i、j分别表示像素的行、列位置,相关性数值达到针对图像设定的相关性阈值,即判断第二拟合点在十字线上,否则,删除对应的第二拟合点。
优选地,在进行相关性筛选后,对剩余的点集使用DBSCAN进行噪音点的滤除,去除不在直线上的噪音点。
优选地,在步骤S032中,ROI区域n值与图像和十字线的大小相关,使ROI 区域覆盖十字线信息。
优选地,在步骤S01中,横向和纵向的扫描间隔iteration= max(row/100,50),其中row为十字线图像中像素点的行数。
有益效果:本发明所提供的基于高斯拟合的十字线中心亚像素检测方法具有如下有益效果:
1、本发明通过横向和纵向扫描图片,针对每条直线进行高斯拟合,获取最大值时的坐标作为点集,对点集进行均值、梯度和相关性的筛选,进行最小二乘直线拟合,如此方法获得的横向以及纵向的两条直线的交点就是十字线的中心点,最终实现十字线中心的亚像素定位,为计算机视觉检测,高精度光学测量等应用领域提供了一种快速边界的高精度图像定位方法。
2、本发明在进行十字线图像扫描之前先进行滤波处理,能够初始滤除部分噪音的影响,保障对十字线中心定位的准确性。
3、本发明通过均值筛选和梯度筛选的方案能够对获取的点集进行去噪,通过在第二拟合点四周选取方形的ROI区域,并通过旋转图像计算相关性,并兼容了背景板本身产生的影响,提升定位的准确性。
4、本发明的ROI区域按照包含十字线的信息区域进行选取,可以节省运算时间,提升中心定位效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。
图1为十字线光条光强度的分布图;
图2为扫描直线的高斯拟合结果示意图;
图3为本发明实施例中相关性筛选的图像质量好的十字线图像示意图;
图4为本发明图3中十字线端部区域相关性检测结果图;
图5为本发明图3中十字线中间区域相关性检测结果图;
图6为本发明实施例中相关性筛选的图像质量较差的十字线图像示意图;
图7为本发明图6中不同区域选取的拟合点相关性计算结果比较图;
图8为本发明实施例中检测结果坐标分布图。
实施方式
下面通过一较佳实施例的方式并结合附图来更清楚完整地说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
本发明公开了一种基于高斯拟合的十字线中心亚像素检测方法,该方法以一定的间隔分别通过横向纵向扫描十字线图像数据,分别获取横向和纵向十字线上的点集,然后在每个点的周围选择一个n*n的正方形的ROI区域,对这个正方形的ROI区域进行均值、梯度、相关性的分析,可以有效过滤掉噪音点,以及背景点,对筛选后的横向以及纵向点集分别进行最小二乘直线拟合,两条直线的交点就是十字线的中心点,实现了十字线的亚像素定位。
具体包括如下步骤:
S01、获取十字线图像,沿平行于十字线的线条方向分别等间隔进行横向和纵向扫描,得到若干横向直线和纵向直线;扫描间隔iteration= max(row/100,50),其中row为十字线图像中像素点的行数,iteration越小,最后的结果会越精确,但是同样也会增加运算时间,需要在性能与精度之间找一个平衡的值,本领域技术人员根据不同的定位精度需求,选择不同的间隔划分。
S02、以每条直线上的像素灰度最大值作为中间点,并在中间点两侧对称选取等数量的拟合点,进行高斯拟合;
进行高斯拟合前先对图像进行滤波处理和噪音点的判断,滤波去噪可以采用高斯滤波或者中值滤波的处理方式,初始滤除部分噪音的影响,使选择的灰度最大的像素点处于十字线上;噪音点的判断方法包括:计算十字线图像的灰度均值,记为meanAll,在直线上像素点的像素灰度最大值小于灰度均值meanAll时,认定像素点为噪音点,不进行当前直线的高斯拟合计算。
对于符合要求的扫描直线,直线上的灰度值如图1所示近似符合高斯分布,在本实施例中,以扫描直线每行的灰度值的最大值像素点的中间点,在最大值的左右两边分别选择40个值作为高斯拟合的初始数据,通过高斯拟合对选取的点集拟合,获取拟合曲线的最大值坐标。
具体的,高斯拟合的过程包括:
其中,x,y表示对选取的拟合点集拟合后曲线上横坐标和纵坐标,a表示拟合的光条曲线的高度,b表示拟合的光条曲线中心,c指光条曲线的宽度。
两边求导可以变化为:
将上式展开后,可以转换为下面方程,可以利用最小二乘法拟合曲线。
,其中,a1,b1,c1分别表示展开后对应的多项式的系数;
最终高斯曲线的求解转换为求解方程。考虑需要拟合的点集数据,上面表达式可以转换为:,
简记为,其中/>表示选取的像素点集对应的横坐标,表示选取的像素点集对应的纵坐标,m为选取进行高斯拟合的点的个数,根据最小二乘原理,构成的矩阵A的广义最小二乘解为:/>;最终可以求解出高斯函数的特征参数,得到a、b、c的值,求出拟合曲线最大值的坐标。图2为本发明提供的某一扫描直线使用高斯拟合的结果与原始数据的对比图,data表示选取的原始数据图,fit表示高斯拟合图,从图中可以看出,同时本发明的拟合方式获取的第二拟合点与实际十字线上的点相接近,在外界条件稳定时,本发明的检测方法检测十字线中心偏差x方向和y方向偏差都在0.2 pixel(像素)之内,算法的稳定性较好。
为提升定位的准确性,对于高斯拟合得到的第二拟合点,需要进行筛选去噪处理;筛选过程包括:
对第二拟合点进行均值筛选,在第二拟合点的四周选取n*n的正方形ROI区域,n表示选取ROI区域中每行、每列上像素点的个数;ROI区域n值与图像和十字线的大小相关,使ROI 区域覆盖十字线信息即可,从而可以降低筛选的计算量并提升效率;计算第二拟合点所在的ROI区域灰度均值meanROI,meanAll小于meanROI,说明第二拟合点在十字线区域上,meanAll为十字线图像的灰度均值,meanROI小于meanAll说明第二拟合点为背景点,不在十字线区域上,不能用于最小二乘直线拟合。在背景亮度较高,十字线对比度不大的情况下,可以在进行扫描前,通过将十字线图像的灰度均值按照系数进行缩小,系数优选0.8-0.9,以便进行二者的比较。
一般来说,对于十字线图像,由于拍摄的目标为十字线,及时背景复杂,但是拍摄的背景仍为黑色,仅是反光程度不同,背景板和十字线的对比度不同,十字线上的亮度仍然会大于背景的亮度,因此使用均值筛选的方式,即可确认第二拟合点是否处于十字线上;但是在背景板存在破裂等情形,导致拍摄的十字线图像存在高亮区域时,对处于高亮区域内的第二拟合点,无法直接通过均值筛选的方式进行筛选确认;对于此种情形,本发明还提供梯度筛选的方式,对于存在高亮区域的十字线图像,根据十字线图像的灰度信息划分高亮区域和非高亮区域;对于处于高亮区域的第二拟合点,在对应的ROI区域使用梯度筛选的方式,求取梯度信息,如果点是在十字线上,则ROI 区域内梯度信息会比较丰富,在边缘处会存在较大的梯度值,如果点在背景区域上,无论背景噪声多大,甚至是部分高亮区域,则ROI区域内的梯度值会小于一定的阈值,因此可以根据实际图片,或明或暗,或者背景区域的位置,经过批量数据测试选定一个阈值;通过将第二拟合点ROI区域的灰度变化梯度值与设定的梯度变化阈值进行比较,当ROI区域内的梯度值小于阈值时,说明当前的第二拟合点处于背景区域,不在十字线上,在拟合时,将该点去除。
通过均值筛选和梯度筛选的方式,能够去除大部分的噪音点或者异常点,并能够兼容背景板变化的影响,但仍有可能存在部分噪点,为进一步提高十字线中心定位的准确性,对于通过筛选的第二拟合点,可以再进行相关性筛选,相关性筛选的过程包括:对第二拟合点的ROI区域图像进行180°旋转, ROI区域内的图像与旋转180°后的图像应该是对称的;计算旋转后图像与原图像之间的相关性,将原始图像记为A,旋转后图像记为B:
那么两幅图像的相关性,,其中/>和/>分别表示原始图像A和旋转后图像B的灰度值的均值,i、j表示像素的行列位置;Corr 是一个0到1的数据,数据越大,相关性越大,数据越小相关性越小,相关性数值达到针对图像设定的相关性阈值,即判断第二拟合点在十字线上,否则,删除对应的第二拟合点。。
根据原始图像质量的不同,可以将用来判断两幅图像是否相关的相关性阈值灵活进行选取,如图3-图5所示,对于图像质量较好十字线图像,其靠近中间部分的相关度可达到0.9,端部区域因为远离中心区域,相关度会降低,仍可以达到0.3以上;对于图6中十字线图像质量交叉时相关性也会降低,如图7所示,为对十字线图像中选取的三处ROI区域对比图,从图中可以看出,虽然受到图像质量的影响,但相关度仍能达到0.1以上,为适应不同的十字线使用场景在本发明的实施例中,将相关性阈值设定为0.1,以适应不同的十字线使用场景。
将完成筛选后的第二拟合点,使用DBSCAN(基于密度的聚类算法)进行噪音点的滤除,筛选后大部分的第二拟合点均处于直线上,通过将紧密相连接的样本划为一类,这样就得到了一个聚类类别。由于竖线上点的x坐标比较相近,噪音点与线上点的x坐标有一定的距离,可以分成不同的类,默认竖线上的有效点多于噪音点,这样分类后簇中点数最多的就是有效的点集。筛选出来的点用于后面的直线拟合。
S03、将拟合曲线的最大值坐标对应的像素点作为对应直线上进行后续最小二乘直线拟合的第二拟合点,对横向直线和纵向直线上获取到的第二拟合点分别进行最小二乘直线拟合,拟合得到的直线交点为十字线的中心点;在图像质量较好时,对于第二拟合点的筛选可以仅选择部分的第二拟合点,以便节省时间,提升效率;对于图像质量不好,背景复杂,低对比度等情况下,需要充分进行筛选,以保证十字线中心定位的准确性。
如表1和图8所示:
表1:不同十字线图像使用三种检测方法的检测结果汇总表
本发明提供使用本发明的检测方法与现有技术中质心法以及霍夫变换检测算法对十字线中心点进行定位的验证结果,根据检测的分布情况,质心和高斯拟合方法都比较稳定,但是质心方法抗噪性不强,背景噪声对质心法影响比较大,并且在灰度不均匀的时候检测不准,相较于两种现有技术的十字线中心定位方法,本发明能够明显提升定位精度,减小偏差。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于高斯拟合的十字线中心亚像素检测方法,其特征在于,包括步骤:
S01、获取十字线图像,沿平行于十字线的线条方向分别等间隔进行横向和纵向扫描,得到若干横向直线和纵向直线;
S02、以每条直线上的像素灰度最大值作为中间点,并在中间点两侧对称选取等数量的拟合点,进行高斯拟合;
S03、将拟合曲线的最大值坐标对应的像素点作为对应直线上进行后续最小二乘直线拟合的第二拟合点,对横向直线和纵向直线上获取到的第二拟合点分别进行最小二乘直线拟合,拟合得到的直线交点为十字线的中心点。
2.根据权利要求1所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,在步骤S02中,进行高斯拟合前先对图像进行滤波处理和噪音点的判断,噪音点的判断方法包括:计算十字线图像的灰度均值,记为meanAll,在直线上像素点的像素灰度最大值小于灰度均值meanAll时,认定像素点为噪音点,不进行当前直线的高斯拟合计算。
3.根据权利要求1所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,在步骤S03中,在进行最小二乘直线拟合之前,先进行第二拟合点的筛选,筛选过程包括:
对第二拟合点进行均值筛选,在第二拟合点的四周选取n*n的正方形ROI区域,n表示选取区域的横向或者纵向像素点的个数;计算第二拟合点所在的ROI区域灰度均值meanROI,meanAll小于meanROI,说明第二拟合点在十字线区域上,meanAll为十字线图像的灰度均值,meanROI小于等于meanAll说明第二拟合点为背景点,不在十字线区域上,不能用于最小二乘直线拟合。
4.根据权利要求3所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,在十字线图像存在高亮区域时,根据十字线图像的灰度信息划分高亮区域和非高亮区域;对于处于高亮区域的第二拟合点,使用梯度筛选的方式,求取梯度信息,当ROI区域内的梯度值小于阈值时,说明当前的第二拟合点处于背景区域,不在十字线上,在拟合时,将该点去除;对于非高亮区域的第二拟合点采用均值筛选。
5.根据权利要求4所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,在进行均值筛选和梯度筛选后,对筛选后的第二拟合点进行相关性筛选,相关性筛选的过程包括:对第二拟合点的ROI区域图像进行180°旋转,计算旋转后图像与原图像之间的相关性:,其中/>和/>分别表示原始图像A和旋转后图像B的灰度值的均值,i、j对应表示像素的行、列位置,相关性数值达到针对图像设定的相关性阈值,即判断第二拟合点在十字线上,否则,删除对应的第二拟合点。
6.根据权利要求5所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,在进行相关性筛选后,对剩余的点集使用DBSCAN进行噪音点的滤除,去除不在直线上的噪音点。
7.根据权利要求3所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,所述ROI区域n值与图像和十字线的大小相关,使ROI 区域覆盖十字线信息。
8.根据权利要求1所述的基于高斯拟合的十字线中心亚像素检测方法,其特征在于,在步骤S01中,扫描间隔iteration= max(row/100,50),其中row为十字线图像中像素点的行数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851687.9A CN116563298B (zh) | 2023-07-12 | 2023-07-12 | 基于高斯拟合的十字线中心亚像素检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851687.9A CN116563298B (zh) | 2023-07-12 | 2023-07-12 | 基于高斯拟合的十字线中心亚像素检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563298A true CN116563298A (zh) | 2023-08-08 |
CN116563298B CN116563298B (zh) | 2023-09-08 |
Family
ID=87493326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851687.9A Active CN116563298B (zh) | 2023-07-12 | 2023-07-12 | 基于高斯拟合的十字线中心亚像素检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563298B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862919A (zh) * | 2023-09-05 | 2023-10-10 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100157280A1 (en) * | 2008-12-19 | 2010-06-24 | Ambercore Software Inc. | Method and system for aligning a line scan camera with a lidar scanner for real time data fusion in three dimensions |
CN105160644A (zh) * | 2015-09-29 | 2015-12-16 | 九江精达检测技术有限公司 | 一种ccd图像测量***中十字像中心定位方法 |
CN109872558A (zh) * | 2017-12-04 | 2019-06-11 | 广州市捷众智能科技有限公司 | 一种基于十字形激光投影的室内车位状态检测法 |
CN114239655A (zh) * | 2021-12-17 | 2022-03-25 | 中国石油大学(北京) | 地震相识别模型训练方法及装置、地震相预测方法及装置 |
-
2023
- 2023-07-12 CN CN202310851687.9A patent/CN116563298B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100157280A1 (en) * | 2008-12-19 | 2010-06-24 | Ambercore Software Inc. | Method and system for aligning a line scan camera with a lidar scanner for real time data fusion in three dimensions |
CN105160644A (zh) * | 2015-09-29 | 2015-12-16 | 九江精达检测技术有限公司 | 一种ccd图像测量***中十字像中心定位方法 |
CN109872558A (zh) * | 2017-12-04 | 2019-06-11 | 广州市捷众智能科技有限公司 | 一种基于十字形激光投影的室内车位状态检测法 |
CN114239655A (zh) * | 2021-12-17 | 2022-03-25 | 中国石油大学(北京) | 地震相识别模型训练方法及装置、地震相预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
朱贵锋 等: "十字线结构光光条提取方法的研究", 计量测试与检定, vol. 16, no. 3, pages 11 - 14 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862919A (zh) * | 2023-09-05 | 2023-10-10 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
CN116862919B (zh) * | 2023-09-05 | 2023-12-05 | 武汉工程大学 | 基于高斯超拉普拉斯分布的线结构光中心提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116563298B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN109472271B (zh) | 印刷电路板图像轮廓提取方法及装置 | |
CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
WO2017020829A1 (zh) | 解像力测试方法和解像力测试装置 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及*** | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、***及电子设备 | |
CN111553878A (zh) | 基于双目视觉的沥青路面混合料摊铺均匀性的检测方法 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及*** | |
CN111415365B (zh) | 图像检测方法及装置 | |
CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
CN116597016A (zh) | 一种光纤内窥镜图像标定方法 | |
CN113554688B (zh) | 一种基于单目视觉的o型密封圈尺寸测量方法 | |
CN108428250B (zh) | 一种应用于视觉定位和标定的x角点检测方法 | |
CN109084721B (zh) | 用于确定半导体器件中的目标结构的形貌参数的方法和设备 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
CN114972084A (zh) | 一种图像对焦准确度评价方法及*** | |
CN114693626A (zh) | 芯片表面缺陷的检测方法、装置及计算机可读存储介质 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
KR20220154345A (ko) | 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법 | |
CN109215068B (zh) | 图像放大率测量方法及装置 |
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 |