CN116664451B - 基于多图像处理的测量机器人测量优化方法 - Google Patents

Abstract

本发明涉及计算机视觉技术领域，具体涉及基于多图像处理的测量机器人测量优化方法，包括：获取被测物体图像以及拍摄时的运动方向，获取被测物体图像中的高低频像素点及其占比，并根据整体较低频区域的高低频比例选取高频区域部分像素点，获取高频区域运动模糊像素点，获取被测物体图像中的模糊区域，根据模糊区域中像素点的梯度值得到模糊区域的模糊比例，获取模糊区域的尺寸，根据模糊区域的尺寸得到自适应卷积核的大小，利用卷积核对被测物体图像进行自适应卷积得到去模糊后的图像。本发明在针对获取到的被测物体运动模糊图像特征的基础上，优化去模糊算法，获取清晰被测物体图像，实现测量机器人测量过程中的数据优化。

Description

基于多图像处理的测量机器人测量优化方法

技术领域

本发明涉及计算机视觉技术领域，具体涉及基于多图像处理的测量机器人测量优化方法。

背景技术

近年来，随着无人机技术的发展升级，在工业领域，测量机器人的应用越来越广泛，例如在基础设施建设中，测量机器人用于测绘、勘察、巡检等环节，提高了工作效率和质量。在农业和林业领域，测量机器人用于监测作物生长、病虫害防治、森林资源调查等方面。此外测量机器人还在环境监测、能源勘探、救援等领域发挥了重要作用。这些机器人可以通过多图像处理技术来提高测量精度和效率。随着人工智能和机器学习技术的发展，测量机器人也可以通过这些技术来实现自主导航、场景感知、路径规划等功能。在未来，随着技术的进一步发展和市场需求的增长，图像测量机器人行业将继续保持快速增长，为各个领域带来更多的价值。

在实际的图像测量还原过程中，通常根据激光雷达传感器的测量结果，结合多帧图像对被测量物体的三维立体模型进行还原。通常为了提升效率，在拍摄多帧图像时，机器人是在移动过程中完成的，因此对于单帧图像来说，不可避免地会出现一定运动模糊情况，对还原被测物体的准确性产生了一定影响。现有的图像运动模糊复原方法包括逆滤波、维纳滤波、Lucy-Richardson算法、图像盲反卷积算法等，这些方法各有优缺点。但是对于模糊核的选取仍存在各自的技术问题，而模糊核往往直接决定了最终处理结果的好坏。

发明内容

本发明提供基于多图像处理的测量机器人测量优化方法，以解决现有的问题。

本发明的基于多图像处理的测量机器人测量优化方法采用如下技术方案：

本发明一个实施例提供了基于多图像处理的测量机器人测量优化方法，该方法包括以下步骤：

获取被测物体图像和拍摄时的运动方向；

获取被测物体图像中像素点的梯度值和梯度序列，根据梯度序列得到被测物体图像中的高低频区域的分隔值A，获取低频梯度序列，根据低频梯度序列得到低频梯度序列的分隔值B，根据高低频区域的分隔值A和低频梯度序列的分隔值B得到模板边缘；根据运动方向对模板边缘进行平移得到平移后的模板边缘，根据平移后的模板边缘和平移前的模板边缘得到差异程度，根据差异程度对平移后的模板边缘再次进行多次平移，得到模糊区域和模糊区域的尺寸；

根据模糊区域中像素点的梯度值得到模糊区域的模糊比例；根据模糊区域的尺寸得到卷积核的大小，根据模糊区域的模糊比例和卷积核的大小确定卷积核中元素值得到模糊区域卷积核；

利用模糊区域卷积核对被测物体图像进行自适应卷积得到去模糊后的图像。

进一步地，所述根据梯度序列得到被测物体图像中的高低频区域的分隔值A，包括的具体步骤如下：

获取梯度序列中相邻梯度值的差值，选取差值最大的两个梯度值，将最大梯度值作为被测物体图像中高低频区域的分隔值A。

进一步地，所述低频梯度序列的具体获取方法如下：

将梯度序列中梯度最小值作为低频梯度序列的最小值，将被测物体图像中高低频区域的分隔值A作为低频梯度序列的最大值，在梯度序列中将低频梯度序列的最小值和低频梯度序列的最大值之间的梯度值构成的序列作为低频梯度序列。

进一步地，所述根据高低频区域的分隔值A和低频梯度序列的分隔值B得到模板边缘，包括的具体步骤如下：

在梯度序列中以高低频区域的分隔值A为对称中心，将低频梯度序列的分隔值B在梯度序列中作对称得到对称梯度值，将被测物体图像中像素点的梯度值在高低频区域的分隔值A到对称梯度值之间的像素点保留在集合中，将被测物体图像中像素点的梯度值在对称梯度值到梯度序列的最大梯度值之间的像素点保留在集合/>中，在集合/>中，选取像素点连续分布的边缘作为模板边缘。

进一步地，所述根据平移后的模板边缘和平移前的模板边缘得到差异程度，包括的具体步骤如下：

将平移前的模板边缘记为S0，将平移后的模板边缘记为S1；

其中，表示模板边缘S1中相邻像素点的灰度差值与模板边缘S0中相邻像素点的灰度差值的差异程度，/>表示模板边缘中像素点的数量，/>表示模板边缘S0中第/>个像素点的灰度值，需要说明的是模板边缘S0中像素点的顺序是按照列方向排列的，/>表示模板边缘S0中第/>个像素点的灰度值，/>表示模板边缘S0中像素点的最大灰度值，/>表示模板边缘S0中像素点的最小灰度值，/>表示模板边缘S1中第/>个像素点的灰度值，/>表示模板边缘S1中第/>个像素点的灰度值，/>表示模板边缘S1中像素点的最大灰度值，/>表示模板边缘S1中像素点的最小灰度值，/>表示取绝对值。

进一步地，所述根据差异程度对平移后的模板边缘再次进行多次平移，得到模糊区域和模糊区域的尺寸，包括的具体步骤如下：

预设判别阈值，将预设判别阈值记为，当/>时，令模板边缘S1继续沿A方向进行平移一个像素点得到平移后的模板边缘S2，根据模板边缘S0和模板边缘S2得到差异程度，当/>时，令模板边缘S2继续沿A方向进行平移一个像素点得到平移后的模板边缘S3，根据模板边缘S0和模板边缘S3得到差异程度/>，/>时，继续平移，直至平移后的模板边缘与模板边缘S0得到的差异程度大于/>时，结束沿A方向进行平移，将平移过的像素点构成的区域作为模糊区域；获取模糊区域从模板边缘位置开始沿A方向进行平移的平移次数，将平移次数作为每个模糊区域的尺寸。

进一步地，所述根据模糊区域中像素点的梯度值得到模糊区域的模糊比例，包括的具体步骤如下：

其中，表示模糊区域的模糊比例，/>表示模糊序列中像素点的数量，模糊序列具体获取如下：将模糊区域中的像素点按行划分可以得到若干模糊序列，模糊序列的个数和模板边缘中像素点的数量相同，且每一个模糊序列对应模板边缘中的一个像素点，/>表示模板边缘中像素点的数量，/>表示模板边缘中第/>个像素点对应的模糊序列中第/>个像素点的梯度值，/>表示模板边缘中第/>个像素点对应的模糊序列中第/>个像素点的梯度值。

进一步地，所述根据模糊区域的尺寸得到卷积核的大小，包括的具体步骤如下：

其中，表示第/>个模糊区域卷积核的大小，/>表示被测物体图像的所有模糊区域中第/>个模糊区域的尺寸，/>表示被测物体图像的所有模糊区域中最小模糊区域的尺寸，表示被测物体图像的所有模糊区域中最大模糊区域的尺寸。

进一步地，所述根据模糊区域的模糊比例和卷积核的大小确定卷积核中元素值得到模糊区域卷积核，包括的具体步骤如下：

其中，表示第/>个模糊区域的模糊比例，/>表示待计算参数，/>表示第/>个模糊区域卷积核的大小，计算满足上式的/>值，将/>作为第/>个模糊区域卷积核中第/>列的元素值，获取第/>个模糊区域卷积核中其他列的元素值得到第/>个模糊区域卷积核。

本发明的技术方案的有益效果是：本发明通过图像特征，利用边缘像素模糊方向的梯度计算获取模糊区域，根据模糊区域计算图像退化程度，再结合模糊区域尺寸设置实现了模糊核自适应的优化选取。

本发明在针对获取到的被测物体运动模糊图像特征的基础上，优化去模糊算法，获取清晰被测物体图像，实现测量机器人测量过程中的数据优化。

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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于多图像处理的测量机器人测量优化方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于多图像处理的测量机器人测量优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于多图像处理的测量机器人测量优化方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于多图像处理的测量机器人测量优化方法的步骤流程图，该方法包括以下步骤：

步骤S001、通过测量机器人拍摄图像，获取被测物体图像以及拍摄时的运动方向。

需要说明的是，本实施例为实现测量机器人获取的被测物体图像在运动模糊影响下的图像优化去模糊方法，在核心创新处理之前，需要设置图形采集设备，获取被测物体的多帧图像。

具体的，在测量机器人对被测物体环绕测量时，需要不断拍摄被测物体的图像并最终对被测物体进行三维重建。在拍摄过程中，为了保证后续处理结果精确，以实现更理想的重建效果，需要使测量机器人的采像设备维持匀速运动。获取拍摄的被测物体图像以及拍摄时的运动方向，则运动模糊出现的方向为拍摄时的运动方向的反方向。例如拍摄时的运动方向为被测物体图像最左侧一列像素点到最右侧一列像素点的方向，则运动模糊出现的方向为被测物体图像最右侧一列像素点到最左侧一列像素点的方向。

至此，得到了被测物体图像和拍摄时的运动方向。

需要说明的是，获取被测物体图像后，由于存在一定运动模糊效果不易根据多帧图像对被测物体进行三维重建，因此针对单帧图像进行运动模糊消除处理。在本场景下，由于需要获取激光雷达传感器的测量数据，测量机器人不会高速运动，因此对于单帧图像来说，图像中通常会存在多个相对模糊部分整体更低频的区域，在该区域中也存在高频及低频部分，可以根据其比例大致获取原图中的高低频区域比例，并通过实际图像中高频区域的梯度分布获取模糊程度和模糊分布，根据模糊情况设计卷积核。

步骤S002、获取被测物体图像中的高低频像素点及其占比，并根据整体较低频区域的高低频比例选取高频区域部分像素点，获取高频区域运动模糊像素点。

需要说明的是，根据图像的模糊形成方式建立图像退化模型，对于被测物体的静止图像来说，即静止拍摄得到没有模糊的图像，再经过退化***处理后，与加性噪声结合最终得到被测物体图像即退化图像，通过将加性噪声和退化***进行处理可以得到被测物体的静止图像，加性噪声的处理已有较成熟的滤波器去噪处理，如自适应中值滤波器。为了获得清晰的被测物体图像，需要模拟获取退化***，并根据退化***计算设置模糊核对被测物体图像进行非盲区卷积处理，最终得到清晰的被测物体图像。

需要说明的是，对于获得的被测物体图像即测量机器人拍摄的单帧图像中，运动模糊干扰辨认的部分主要出现在被测物体图像中较高频的区域即边界部分。而对于被测物体图像中较均匀的低频区域即内部部分，因为同区域的像素点运动模糊轨迹在本区域的形态特征不明显，因此在被测物体图像中仍然属于较低频的部分。对于被测物体图像而言，图像的高频区域是边缘细节梯度值较高的部分；低频区域是内部相对均匀的部分。高频区域主要集中在边缘细节和因采像设备移动导致的运动模糊部分；而低频区域则主要是梯度值较低的物体内部以及该物体边缘运动出现的模糊部分，但由于物体内部色彩与边缘接近，该模糊部分并不能产生较大的梯度。因此，可以根据低频区域的相对高频比值大致判断运动模糊对图像的影响程度，并根据该比值在图像高频区域大致计算边缘部分的模糊像素点。

具体的，获取被测物体图像中像素点的梯度值，并对其按照从小到大的顺序进行排列得到梯度序列，将梯度序列记为，/>为梯度序列中第/>个梯度值。

需要说明的是，在被测物体图像中，可以大致将图像的高频区域定义为边缘及边缘对于边缘色彩不接近的物体上产生的边缘运动模糊，低频区域为色彩均匀的区域及类似色彩边缘在该区域产生的边缘运动模糊，且对于梯度来说，高低频之间有相对明显的差值。因此可以根据梯度值得到高低频区域。

具体的，获取梯度序列中相邻梯度值的差值，选取差值最大的两个梯度值，将最大梯度值作为被测物体图像中高低频区域的分隔值A，若被测物体图像中像素点的梯度值大于等于分隔值A，则认为梯度值大于等于分隔值A的像素点为高频部分的像素点，若被测物体图像中像素点的梯度值小于分隔值A，则认为梯度值小于分隔值A的像素点为低频部分的像素点，得到高频区域和低频区域。

进一步地，获取低频区域中的相对高频占比，将梯度序列中梯度最小值作为低频梯度序列的最小值，将被测物体图像中高低频区域的分隔值A作为低频梯度序列的最大值，在梯度序列中将低频梯度序列的最小值和低频梯度序列的最大值之间的梯度值构成的序列作为低频梯度序列，获取低频梯度序列中相邻梯度值的差值，选取差值最大的两个梯度值，在这两个梯度值中将最大梯度值作为低频梯度序列的分隔值B，获取低频梯度序列的最大值与低频梯度序列的分隔值B之间的差值，获取低频梯度序列的最大值与低频梯度序列的最小值的差值，将低频梯度序列的最大值与低频梯度序列的分隔值B之间的差值与低频梯度序列的最大值与低频梯度序列的最小值的差值比值作为低频区域中的相对高频占比。该占比可大致表示被测物体图像中运动模糊的影响程度。

具体的，获取高频区域运动模糊像素点，在确定高低频区域的分隔值A和低频梯度序列的分隔值B之后，在梯度序列中以高低频区域的分隔值A为对称中心，将低频梯度序列的分隔值B在梯度序列中作对称得到对称梯度值，将被测物体图像中像素点的梯度值在高低频区域的分隔值A到对称梯度值之间的像素点保留在集合中，将被测物体图像中像素点的梯度值在对称梯度值到梯度序列的最大梯度值之间的像素点保留在集合/>中。对于保留在集合/>中的像素点为高频区域运动模糊像素点，即这些像素点可以表示边缘区域运动模糊部分。由于被测物体图像中非边缘区域的像素点总是占绝大多数，集合/>中的像素点数量比准确的边缘运动模糊像素点数量少，但可以确保数据/>中的像素点基本都是边缘产生的模糊效果像素点。

至此，得到了高频区域运动模糊像素点。

步骤S003、获取被测物体图像中的模糊区域。

需要说明的是，步骤S002中获得了边缘区域运动模糊部分的像素点，为了判断具体各个位置的模糊程度，需要针对不同边缘部分计算与测量机器人运动方向相反的多个相邻相关像素点，根据遍历距离获取模糊区域尺寸，并计算获取像素点的梯度值及像素值的变化情况，然后通过变化情况设置自适应卷积核。

需要说明的是，在被测物体图像的退化模型中，退化***对被测物体图像像素点产生的退化效果应该相同，但是出于各像素点的位置以及梯度等因素，其产生的退化效果对图像可读性的影响也不同。因此可以结合边缘像素模糊最大的部分，并根据其产生运动模糊长度对图像退化***进行大致估计，获取模糊区域。

具体的，在集合J中，选取像素点连续分布的且像素点个数不能低于个的边缘作为模板边缘，且模板边缘为最靠近拍摄时的运动方向的边缘，如步骤S001所述拍摄时的运动方向为被测物体图像最左侧一列像素点到最右侧一列像素点的方向，则运动模糊出现的方向为被测物体图像最右侧一列像素点到最左侧一列像素点的方向，则模板边缘为最靠近被测物体图像最右侧一列像素点的边缘，将运动模糊出现的方向记为A方向。沿拍摄时的运动方向选取模板边缘的目的是避免模糊出现在物体内部导致的模糊相对不明显的问题。将模板边缘记为S0，令模板边缘S0沿A方向进行平移一个像素点得到平移后的模板边缘S1，根据模板边缘S0以及模板边缘S1获得差异程度Q1，具体方法为：

其中，表示模板边缘S1中相邻像素点的灰度差值与模板边缘S0中相邻像素点的灰度差值的差异程度，/>表示模板边缘中像素点的数量，/>表示模板边缘S0中第/>个像素点的灰度值，需要说明的是模板边缘S0中像素点的顺序是按照列方向排列的，/>表示模板边缘S0中第/>个像素点的灰度值，/>表示模板边缘S0中像素点的最大灰度值，/>表示模板边缘S0中像素点的最小灰度值，/>表示模板边缘S1中第/>个像素点的灰度值，/>表示模板边缘S1中第/>个像素点的灰度值，/>表示模板边缘S1中像素点的最大灰度值，/>表示模板边缘S1中像素点的最小灰度值，/>表示取绝对值。此处将模板边缘S0中相邻像素点和模板边缘S1中相邻像素点的灰度值差值归一化，计算了模板中像素大小关系和平移时获取的新像素集合内的像素大小关系之间的差异情况。

进一步地，预设判别阈值，将预设判别阈值记为，当/>时，令模板边缘S1继续沿A方向进行平移一个像素点得到平移后的模板边缘S2，根据模板边缘S0和模板边缘S2得到差异程度/>，当/>时，令模板边缘S2继续沿A方向进行平移一个像素点得到平移后的模板边缘S3，根据模板边缘S0和模板边缘S3得到差异程度/>，/>时，继续平移，直至平移后的模板边缘与模板边缘S0得到的差异程度大于/>时，结束沿A方向进行平移，将平移过的像素点构成的区域作为模糊区域；获取模糊区域从模板边缘位置开始沿A方向进行平移的平移次数，将平移次数作为每个模糊区域的尺寸。

至此，得到了模糊区域。

步骤S004、根据模糊区域中像素点的梯度值得到模糊区域的模糊比例。

需要说明的是，步骤S003中获取了模糊区域，在本步骤中，分析模糊区域的具体模糊表现，并将其量化计算差异程度，则可以通过该差异大致获取退化***的模糊关系。

具体的，将模糊区域中的像素点按行划分可以得到若干模糊序列，且每一个模糊序列对应模板边缘中的一个像素点，即都在同一行。

其中，表示模糊区域的模糊比例，/>表示模糊序列中像素点的数量，/>表示模板边缘中像素点的数量，/>表示模板边缘中第/>个像素点对应的模糊序列中第/>个像素点的梯度值，需要说明的是，模糊序列中像素点的顺序是按照从右往左排列的，/>表示模板边缘中第/>个像素点对应的模糊序列中第/>个像素点的梯度值。

至此，得到了模糊区域的模糊比例。

步骤S005、获取模糊区域的尺寸，根据模糊区域的尺寸得到自适应卷积核的大小，以及确定卷积核中元素值。

需要说明的是，得到模糊区域的模糊比例后，可以通过模糊比例大致判断退化***的退化过程，设置卷积核。模板边缘的模糊区域获取是通过计算低频区域的高低频占比在高频区域分隔的结果，并且分隔时获取的是模糊方向在边缘外部的模糊区域，而对于模糊方向在边缘内部模糊区域，由于模糊部分梯度值较低，影响观测的尺寸较小，其卷积核的大小应该要自适应缩小。

具体的，获取被测物体图像的所有模糊区域，获取每个模糊区域的尺寸。

进一步地，根据模糊区域的尺寸得到自适应卷积核的大小，具体如下：

其中，表示第/>个模糊区域卷积核的大小，/>表示被测物体图像的所有模糊区域中第/>个模糊区域的尺寸，/>表示被测物体图像的所有模糊区域中最小模糊区域的尺寸，表示被测物体图像的所有模糊区域中最大模糊区域的尺寸。需要说明的是，通过上式计算后，卷积核的大小为奇数核，/>的取值范围为/>。

进一步地，获取卷积核的大小后，还需要确定卷积核中元素值，具体如下：

其中，表示第/>个模糊区域的模糊比例，/>表示待计算参数，/>表示第/>个模糊区域卷积核的大小，计算满足上式的/>值，将/>作为第/>个模糊区域卷积核中第/>列的元素值，获取第/>个模糊区域卷积核中其他列的元素值得到第/>个模糊区域卷积核，获取所有模糊区域的卷积核。

步骤S006、利用卷积核对被测物体图像进行自适应卷积得到去模糊后的图像。

具体的，利用卷积核对被测物体图像的所有模糊区域进行非盲区卷积，得到去模糊后的图像，获取多张去模糊后的图像，为被测物体进行三维重建提供更有参考价值的图像信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于多图像处理的测量机器人测量优化方法，其特征在于，该方法包括以下步骤：

获取被测物体图像和拍摄时的运动方向；

获取被测物体图像中像素点的梯度值和梯度序列，根据梯度序列得到被测物体图像中的高低频区域的分隔值A，获取低频梯度序列，根据低频梯度序列得到低频梯度序列的分隔值B，根据高低频区域的分隔值A和低频梯度序列的分隔值B得到模板边缘；根据运动方向对模板边缘进行平移得到平移后的模板边缘，根据平移后的模板边缘和平移前的模板边缘得到差异程度，根据差异程度对平移后的模板边缘再次进行多次平移，得到模糊区域和模糊区域的尺寸；

根据模糊区域中像素点的梯度值得到模糊区域的模糊比例；根据模糊区域的尺寸得到卷积核的大小，根据模糊区域的模糊比例和卷积核的大小确定卷积核中元素值得到模糊区域卷积核；

利用模糊区域卷积核对被测物体图像进行自适应卷积得到去模糊后的图像；

所述根据低频梯度序列得到低频梯度序列的分隔值B的方法为：

获取低频梯度序列中相邻梯度值的差值，选取差值最大的两个梯度值，在这两个梯度值中将最大梯度值作为低频梯度序列的分隔值B；

所述根据高低频区域的分隔值A和低频梯度序列的分隔值B得到模板边缘，包括的具体步骤如下：

在梯度序列中以高低频区域的分隔值A为对称中心，将低频梯度序列的分隔值B在梯度序列中作对称得到对称梯度值，将被测物体图像中像素点的梯度值在高低频区域的分隔值A到对称梯度值之间的像素点保留在集合中，将被测物体图像中像素点的梯度值在对称梯度值到梯度序列的最大梯度值之间的像素点保留在集合/>中，在集合/>中，选取像素点连续分布的边缘作为模板边缘。

2.根据权利要求1所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述根据梯度序列得到被测物体图像中的高低频区域的分隔值A，包括的具体步骤如下：

获取梯度序列中相邻梯度值的差值，选取差值最大的两个梯度值，将最大梯度值作为被测物体图像中高低频区域的分隔值A。

3.根据权利要求1所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述低频梯度序列的具体获取方法如下：

将梯度序列中梯度最小值作为低频梯度序列的最小值，将被测物体图像中高低频区域的分隔值A作为低频梯度序列的最大值，在梯度序列中将低频梯度序列的最小值和低频梯度序列的最大值之间的梯度值构成的序列作为低频梯度序列。

4.根据权利要求1所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述根据平移后的模板边缘和平移前的模板边缘得到差异程度，包括的具体步骤如下：

将平移前的模板边缘记为S0，将平移后的模板边缘记为S1；

其中，表示模板边缘S1中相邻像素点的灰度差值与模板边缘S0中相邻像素点的灰度差值的差异程度，/>表示模板边缘中像素点的数量，/>表示模板边缘S0中第/>个像素点的灰度值，需要说明的是模板边缘S0中像素点的顺序是按照列方向排列的，/>表示模板边缘S0中第/>个像素点的灰度值，/>表示模板边缘S0中像素点的最大灰度值，/>表示模板边缘S0中像素点的最小灰度值，/>表示模板边缘S1中第/>个像素点的灰度值，/>表示模板边缘S1中第/>个像素点的灰度值，/>表示模板边缘S1中像素点的最大灰度值，/>表示模板边缘S1中像素点的最小灰度值，/>表示取绝对值。

5.根据权利要求4所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述根据差异程度对平移后的模板边缘再次进行多次平移，得到模糊区域和模糊区域的尺寸，包括的具体步骤如下：

预设判别阈值，将预设判别阈值记为，当/>时，令模板边缘S1继续沿Y方向进行平移一个像素点得到平移后的模板边缘S2，根据模板边缘S0和模板边缘S2得到差异程度/>，当/>时，令模板边缘S2继续沿Y方向进行平移一个像素点得到平移后的模板边缘S3，根据模板边缘S0和模板边缘S3得到差异程度/>，/>时，继续平移，直至平移后的模板边缘与模板边缘S0得到的差异程度大于/>时，结束沿Y方向进行平移，将平移过的像素点构成的区域作为模糊区域；获取模糊区域从模板边缘位置开始沿Y方向进行平移的平移次数，将平移次数作为每个模糊区域的尺寸。

6.根据权利要求1所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述根据模糊区域中像素点的梯度值得到模糊区域的模糊比例，包括的具体步骤如下：

其中，表示模糊区域的模糊比例，/>表示模糊序列中像素点的数量，模糊序列具体获取如下：将模糊区域中的像素点按行划分可以得到若干模糊序列，模糊序列的个数和模板边缘中像素点的数量相同，且每一个模糊序列对应模板边缘中的一个像素点，/>表示模板边缘中像素点的数量，/>表示模板边缘中第/>个像素点对应的模糊序列中第/>个像素点的梯度值，/>表示模板边缘中第/>个像素点对应的模糊序列中第/>个像素点的梯度值。

7.根据权利要求1所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述根据模糊区域的尺寸得到卷积核的大小，包括的具体步骤如下：

其中，表示第/>个模糊区域卷积核的大小，/>表示被测物体图像的所有模糊区域中第/>个模糊区域的尺寸，/>表示被测物体图像的所有模糊区域中最小模糊区域的尺寸，/>表示被测物体图像的所有模糊区域中最大模糊区域的尺寸。

8.根据权利要求1所述基于多图像处理的测量机器人测量优化方法，其特征在于，所述根据模糊区域的模糊比例和卷积核的大小确定卷积核中元素值得到模糊区域卷积核，包括的具体步骤如下：

其中，表示第/>个模糊区域的模糊比例，/>表示待计算参数，/>表示第/>个模糊区域卷积核的大小，计算满足上式的/>值，将/>作为第/>个模糊区域卷积核中第/>列的元素值，获取第/>个模糊区域卷积核中其他列的元素值得到第/>个模糊区域卷积核。