机器视觉测量技术8亚像素定位
视觉检测技术-习题参考答案
视觉检测技术－习题答案1-1 何为计算机视觉？能够解释图像，实现类似人类视觉系统理解外部世界的机器系统称为计算机视觉或机器视觉。
1-2计算机视觉能够完成的四种基本任务是什么？尺寸和表面特征的检测；目标的识别和定位。
1-3制约计算机视觉技术应用水平的两大基础是什么？1）包括数字图像处理的视觉理论和算法；2）微电子技术1-4计算机视觉和视觉检测是什么关系？（无标准答案，根据自己的理解进行归纳、概括即可。
）以检测为目的的计算机视觉应用称为视觉检测。
视觉检测是计算机视觉内容的一部分。
第二章习题（人类视觉）2-1 做一个简单实验。
将视轴与观测书页的法线平行，给出高清晰观察区域的尺度范围。
2-2 人类视觉系统由几部分组成？各部分的功能是什么？三个部分：眼球、神经传输系统及大脑的视觉中枢；各部分作用是：光学成像、影象摄取或采集、影象信号的传输、影象信号、信息处理。
2-3 分别举出一个证明视觉空间分辨率和时间分辨率的实例。
并解释视觉区域时间分辨率不同的生理机制（生物物理原因）。
2-4 两种感受野的什么特性有利于检测影像的边缘？2-5 何为马赫带？其形成的生物学基础是什么？2-6 在夜间观赏烟火时，观察到得什么现象可以用视觉动态响应特性进行解释。
2-7 一粉笔沿轴向快速从眼前掠过留下的是什么影像，为什么？第三章习题（图象的基本知识）3-1 物体表面上某一点（小区域）的灰度（或亮度）与那些因素或分量有关？是什么关系？－语言陈述，列写公式3-2 伪彩色图象处理的目的是什么？为什么该处理方法可以实现这样一个目的？－从人类视觉对灰度和彩色的分辩能力谈起――。
3-3 假彩色图像处理的目的和任务是什么？概括：1）降低人类对对彩色区域的分辩难度；2）开展人类视觉的光谱范围。
3-4 请给出灰度直方图的两种应用。
①用于判断图像量化是否恰当。
②用于确定图像二值化的阈值。
③用于区域分割和面积计算。
3-5 黑白图像、普通灰度图像的灰度取值范围是多少？彩色图像中一个象素的颜色需要用多少个bit来表示？――每两个F表示一种基色，――24位，－3-6 结合三相CCD电荷包转移过程图，补充画出在满足t2<t2.5<t3的t2.5时刻的电荷转移示意图。
亚像素定位方法的研究
亚像素检测方法的研究摘 要精确的确定数字图像位置，对于图像测量非常的重要。
同时，图像的获取过程中受到各种噪声的影响，传统的提取方法的精度有限，且易受参数的影响，必然会引起图像的模糊，因此对图像的定位技术的研究一直是一个热门。
对于几种代表性的亚像素边缘提取技术进行了原理分析和性能比较。
关键词：亚像素边缘提取 图像定位1.引言关于图像中点与线的定位人们研究并提出了多种定位方法，每种方法都有其特定的应用条件和精度要求，应该根据不同的处理对象选择合适的提取方法 。
在对图像进行定位之前，必须进行图像的预处理。
2.图像预处理在拍照过程中常常因为光照或曝光等因素使得照片产生局部模糊 、 噪声等干扰，严重时会直接影响到亚像素定位的精度及实现，所以在进行定位前先要对所处理的图像进行必要的预处理，一方面可以剔除噪声等干扰，另一方面也是为了提取出含有亚像素的定位信息。
为实现以上目的，图像的预处理需要进行图像增强，二值化，边缘 跟踪Hough 变换。
2.1图像增强这个功能主要是处理照片在拍摄和采集的过程中，因曝光不均而导致的图像的灰度分布集中在较窄的区域，引起图像细节不够清晰。
采用直方图修整后可使图像的灰度间距拉开，或者使灰度分布均匀，从而增大反差，使图像的细节清晰，达到增强的目的。
2.2二值化利用灰度图像直方图选取适当的阈值实现灰度图像的二值化，图像的二值化的阈值方法处理如下：2.3边缘跟踪 边缘跟踪就是把位于标志内部的所有像素全部移除，仅仅留下在边缘线上的t j i f j i f tj i f j i f >==<=),(;1),(),(;0),({那些像素，取得标志点的轮廓线。
实现方法是对标志区域的每一个像素进行4-邻域或8-邻域的判断，当某个像素4-邻域过8-邻域内所有像素值都是0（黑）时，说明这个像素是区域内部点，则去掉该点，最后仅剩余的即是标准的轮廓线。
2.4 Hough变换提取直线Hough变化的核心思想是点-线的对偶性，通过变换将图像从空间转换到参数空间。
光学测量精度中图像亚像素定位研究
光学测量精度中图像亚像素定位研究打开文本图片集【摘要】测量的高精度是测量的难点和重点。
利用光测进行各种精密测量时，主要有三个环节对测量精度起到关键影响：①摄像系统的物面分辨率;②摄影系统的标定（如光心、光轴和焦距等内外系统参数）和误差修正精度;③图象中目标的定位精度。
在光测数字图像处理领域，可以利用软件处理的方法来解决图像中目标的高精度定位问题。
如果能用软件将图像上的特征目标定位在亚像素级别，就相当于提高了测量系统精度。
例如，当算法的精度为0。
1个像素，则相当于测量系统的硬件分辨率提高了10倍。
因此，对图像中目标进行高精度的定位成为提高光学测量系统的重要环节，本文对光测中的亚像素定位进行了研究。
【关键词】高精度精密测量亚像素定位亚像素算法一、亚像素定位背景在测量视场一定的条件下，提高光学测量系统精度最直接的方法就是提高CCD摄像机分辨率，即增加像素点阵数。
然而这种提高硬件分辨率的代价是相当昂贵的。
并且在图像传输速度和图像存储容量方面大大增加了对系统的要求。
因此，通过提高硬件分辨率的方法来提高测量精度是受到限制并且是不经济的。
对图像中目标进行定位是基于图像的精密测量和运动测量中最基本和最重要的任务之一。
对目标进行定位通常要经过两个步骤：目标识别和目标定位，也可称为目标粗定位和目标精定位。
目标识别或初定位是指在其中一特定的图像区域内确认是否有待测目标存在，或者确认待测目标在其中一特定的区域内。
现已有大量目标识别方面的算法，特别是在计算机视觉和模式识别领域有大量相关的工作，因此在测量粗定位应用中可以直接参考借鉴这些算法。
我们将重点放在精定位，即亚像素定位技术上。
采集到的图像在计算机里是由表示像素灰度值的一个矩阵来表示的，所以如果将计算建立在像素的级别上，那么从理论上来讲图像的位置精度也不可能超过像素级别，也就不能达到高精度的要求，亚像素法是为了提高图像的识别的精度而提出的一种超过图像分辨率的定位方法。
亚像素角点定位提高相机标定精度_刘涛
Ei=
i
i
¨H
T p
i
·
(
Q-
Pi)
。 ………… ( 6)
则求取角点准确位置的问题就可转变为求取使 S 为
最小的点的问题。对该问题使用下面推导的迭代优化
式进行优化求解,
对式(
4)
两端同时以¨H
p
点积得到
i
( 以下各式中上标 k 表示第 k 次迭代值) :
¨H
k p
i
·
¨H
k pi
T·(
Qk-
Pi) =
n
∑ L SE = ( f ( x j ) - y j ) 2 。 ………………… ( 2) j= 1
在此误差指标下的最优直线方程的参数为下列矩
阵方程的解:
n
n
∑ ∑ x 2j x j
j= 1
j= 1
n
∑x j n
a= b
n
∑x j y j
j= 1
n
∑y j
。 ……… ( 3)
j= 1
j= 1
而亚像素角点定位提高相机标定精度canny边缘提取算法只能将边缘定位于整像素对于与图像坐标轴平行或与图像坐标轴夹角为45的直线边缘canny算法所求得的边缘仍然保持在一条直线无法将边缘和角点定位到亚像素级
第 4 期 ( 总第 143 期) 2007 年 8 月
机械工程与自动化 M ECHA N ICAL EN GI NEER IN G & AU T O M A T IO N
求解时取 Har ris 角点为初始值 Q 0, 利用( 9) 式进行反
复迭代即可得到一定精度的亚像素角点位置。
2 角点提取模拟试验
一种基于视觉测量的亚像素边缘检测算法
一种基于视觉测量的亚像素边缘检测算法李杰;耿学贤【摘要】图像边缘检测精度决定了目标实际尺寸的测量精度.利用亚像素边缘检测技术来解决工业生产中芯片管脚的测量和检测问题.针对传统空间矩算子存在计算量大和边缘定位精度不足等缺点,首先利用改进的Prewitt算子快速提取连续性较好的像素级边缘,然后推导了空间矩算子原理误差并利用改进的空间矩算子进行亚像素级边缘定位.实验结果表明该方法速度快,定位精度高,并且具有较强的抗噪能力.【期刊名称】《科学技术与工程》【年(卷),期】2015(015)019【总页数】5页(P32-36)【关键词】边缘检测;一阶微分算子;亚像素;空间矩【作者】李杰;耿学贤【作者单位】武汉大学电子信息学院,武汉430072;武汉大学电子信息学院,武汉430072【正文语种】中文【中图分类】TP391.41随着信息产业的飞速发展，集成电路芯片被广泛的应用于现代电子设备中，如电视机、计算机、各种电子仪器等都离不开芯片。
在芯片的工业生产过程中，芯片在出厂前必须经过两项测试，一项是电器性能测试，另一项是管脚的几何尺寸检测。
所以芯片管脚的几何尺寸是否合格，是评价芯片质量的一个重要指标［1］。
以使用最多的双列直插集成电路芯片为例，因其管脚多，且管脚方向特殊，一般依靠工人用肉眼观察芯片管脚有无弯曲，其位置是否正确，来完成对芯片管脚的检测。
人工检测不仅速度慢、效率低，还增加了人工成本和管理成本，并且由于人眼容易疲劳，还会造成较高的误检率。
随着数字图像处理理论和方法的不断发展完善，利用机器视觉测量的方法对芯片管脚进行检测已变得切实可行，并且这种方法具有无接触、高精度、实时检测等优点。
图像边缘包含了被测物体的尺寸和位置信息，因此图像边缘检测是机器视觉测量的重要基础［2，3］。
随着现代工业生产日益增长的精度要求，像素级的边缘检测算法已经不能满足实际需要，如今越来越多的专家学者们开始致力于亚像素边缘检测算法的研究。
Blob分析与亚像素定位算法在LED检测机的机器视觉系统中的应用_马瑶
科技广场2009.50引言在LED的检测过程中，由于每个LED晶粒只有0.17mm-1mm大小，如何使用机器视觉技术来实现LED芯片的测量和定位。
国内外的研究人员在这方面都做出了许多的工作。
在很多文献中都提出了基于机器视觉的芯片及印刷电路板的检测方法，有基于不变矩形的图像匹配法，有基于神经网络的印刷线路板视觉检测法。
以上方法在检测时采用的方法主要依赖模板不变矩及目标识别算法进行图像的提取和定位。
不变矩方法计算复杂度较大，不符合实时测量的要求，并且精度只在像素级别。
本文在此基础上提出了利用Blob分析来计算芯片质心，并测量芯片大小及旋转角度的计算方法，通过亚像素定位算法来进行精确定位。
Blob算法,就是在一块区域内把出现“灰度突变”的范围找出来,并确定其大小、形状、面积及准确位置等的算法。
该算法适用图像质量较高,能较好地进行像阈值分割的场合,具有速度快、实时性好的特点[1]。
在实际应用中，像素精度已不能满足要求，只能采用亚像素的精度定位算法。
亚像素定位算法一般有矩方法、拟合法、数字相关法等。
本文将所提出的Blob算法与亚像素定位算法相结合的方法应用在LED检测机中，不但能准确地对LED芯片进行测量和定位，而且具有精度高、速度快等特点。
1LED检测机的机器视觉的系统组成在介绍算法之前，我们先来简单介绍一下LED检测机的机器视觉系统，其硬件系统如图一所示。
从机器视觉的硬件图可以看出整个硬件系统被分为四部分，即镜头、CCD、采集卡、工控机。
对于机器视觉来说，其目的是为了获得高清晰度、高对比度、高稳定性的实时图像。
在测量LED晶粒图像应用中，成像的主要目的是划分出晶粒与背景之间的差异，为后续晶粒的测量算法奠定基础。
系统所选用的相机是选用Teli公司的CS8560D相机。
Blob分析与亚像素定位算法在LED检测机的机器视觉系统中的应用The Blob Analysis and Sub-pixel Location Algorithm in Machine Vision System of LED Testing Machine马瑶张海宁Ma Yao Zhang Haining（西安工业大学电子信息工程学院，陕西西安710032）(School of Electronic Information Engineering,Xi'an Technological University,Shaanxi Xi'an710032)摘要:由于LED大量使用在各种电子产品中，在大批量的生产中要求能更精确更快速地对LED芯片进行检测。
图像测量中的亚像素定位技术研究
图像测量中的亚像素定位技术研究摘要图像处理过程中的算法对图像测量的结果有着至关重要的影响,为了提高测量精度,本文根据图像灰度分布理论和图像采样原理,在用传统模板算子确定边缘大致位置的基础上,结合局部非极大值抑制技术消除伪边界点,并沿边界点的梯度方向进行高斯曲线插值,将边界点位置定位到了亚象素级,提高了边缘检测的精度。
关键词图像处理;边缘检测;亚像素在图像处理和测量的过程中,利用经典算子进行边缘检测时,一般可以检测到像素级的边缘像素点,以此方法找到的点集来进行零件几何量的拟合与测量,精度往往比较低,不能满足要求。
亚像素级精度的定位就是通过一定的算法,找到子像素点的灰度值,从而更准确的重定位图像边缘位置的方法。
1 亚像素定位的原理亚像素细分算法的基本原理是建立于光强在图像上的分布是连续的这一基础上,每一个像素的灰度值不是孤立的,都和它周围像素的灰度值有关。
因为CCD 等感光器件是光积分器件,它以固定大小的面积在固定的时间间隔内对投射在它感光面上的光强进行积分,所以像素的灰度输出值实际上是像素感光面上各部分光强综合作用的结果,通过使用周围像素点的灰度值作为判断光强分布的补充信息,将离散的光强分布近似的还原成实际的连续分布,再确定图像边缘具体落在像素的哪一个位置,使边缘的定位精度小于一个像素,实现更加精确的边缘定位。
最早应用的亚像素算法是重心法,后来又发展了不同原理的其它亚像素提取算法,如概率论法、解调测量法、多项式插值法、滤波重建法、矩法以及样条曲线插值法和最小二乘估计法等。
这些算法的精度和抗噪声能力都不相同,其中重心法的计算最简单,滤波重建法的精度最高,矩法对输入数据中的加性噪声和乘性噪声不敏感。
相比较于其它的算法,基于插值细分算法准确性较好,计算量小。
2 亚像素定位方法2.1 边缘点梯度方向算法在用经典边缘检测算子检测出边缘信息后,就要根据灰度分布理论和图像成像原理,对边缘进行精确定位。
对边缘进行精确定位,首先需要知道边缘点的灰度梯度方向,因为沿梯度方向的插值,其效果最好。
工业自动化中的机器视觉检测技术考核试卷
考生姓名：__________答题日期：_______得分：_________判卷人：_________
一、单项选择题（本题共20小题，每小题1分，共20分，在每小题给出的四个选项中，只有一项是符合题目要求的）
1.下列哪种技术在工业自动化中不属于机器视觉检测技术？()
A.摄像头
B.图像卡
C.显示器
D.打印机
20.下列哪种方法通常用于机器视觉中的目标跟踪？()
A.卡尔曼滤波
B.Meanshift算法
C. Camshift算法
D.以上都对
二、多选题（本题共20小题，每小题1.5分，共30分，在每小题给出的四个选项中，至少有一项是符合题目要求的）
1.以下哪些是机器视觉检测技术的主要应用领域？()
A.生产过程监控
B.质量检测
C.自动装配
D.人力资源管理
2.机器视觉检测系统中，光源的作用包括哪些？()
A.提供照明
B.增强对比度
C.减少阴影
D.提高系统速度
3.以下哪些是常用的图像处理方法？()
A.图像滤波
B.边缘检测
C.形态学处理
D.语音识别
4.以下哪些技术可以用于机器视觉中的深度信息获取？()
A.显示器
B.打印机
C.控制器
D.扬声器
20.以下哪些方法可以用于机器视觉中的表面缺陷检测？()
A.结构光照明
B.热成像
C.光谱分析
D. X射线成像
三、填空题（本题共10小题，每小题2分，共20分，请将正确答案填到题目空白处）
1.在机器视觉中，图像的像素分辨率是由摄像头的______和成像系统的放大倍数决定的。
基于亚像素级角点检测的双目视觉距离测量
基于亚像素级角点检测的双目视觉距离测量双目视觉距离测量是一种应用于机器视觉中的技术，它利用双目摄像头拍摄的图像来测量物体的距离。
其中一个关键的技术是亚像素级角点检测，它能提高角点定位的精度，从而提高距离测量的准确性。
亚像素级角点检测是一种精度更高的角点检测方法，能够检测到图像中更加精细的特征点。
它的基本原理是通过对像素级角点坐标的微调来找到亚像素级别的角点。
这样可以提高角点的检测精度，也可以提高测量距离的准确性。
在双目视觉距离测量中，我们使用两个摄像头来捕捉物体的两个不同视角。
通过计算两个视角之间的距离，可以确定物体的距离。
其中，亚像素级角点检测发挥了关键作用，在两个视角之间准确匹配特征点，从而确定物体距离。
首先，我们需要获取双目摄像头拍摄的两个视角图像。
然后，我们使用亚像素级角点检测算法来检测两个图像中的角点。
角点的类型有内角和外角两种，在测量距离时，我们只需要使用内角点。
接着，我们需要对两个视角的特征点进行匹配。
这个匹配过程可以通过计算两个视角之间的视差来完成。
视差是指物体在两个视角中的位置差异，当两个视角的像素在位置上一致时，它们的视差为0。
视差越大，表示物体越远。
最后，我们可以根据视差来计算物体的距离。
视差与物体距离之间存在一定的线性关系，我们可以使用一些公式来计算物体的距离。
计算完成后，我们可以得到物体的精确距离值。
总的来说，亚像素级角点检测在双目视觉距离测量中起到了重要的作用。
它可以提高特征点的定位精度，从而提高距离测量的准确性。
同时，亚像素级角点检测还可以用于其他的机器视觉应用中，比如图像配准、物体跟踪等。
当然，在实际应用中，双目视觉距离测量涉及到很多细节问题，比如摄像头校准、图像噪声处理、误差校正等。
这些都需要仔细处理，才能得到准确可靠的测量结果。
在双目视觉距离测量中，涉及到多个数据因素，包括摄像头参数、视差范围、距离计算公式等。
下面将简单介绍并分析这些关键数据。
1. 摄像头参数双目视觉距离测量需要使用两个摄像头来捕捉物体的两个不同视角。
基于亚像素级角点检测的双目视觉距离测量
基于亚像素级角点检测的双目视觉距离测量施闻明;郭星卫;王文清【摘要】要提高双目测距的精度,需要高精度的视差,为此引入亚像素检测方法.首先,采用Bouguet立体校正算法将左右图像进行极线校正,以减少匹配计算代价,提高匹配效率;然后,利用Harris角点探测器在一矩形领域内寻找一个最强特征点作为待匹配点,再采用最大互相关法对左图像进行匹配搜索确定匹配点.最后,对已匹配好的点对进行亚像素级检测,即可得到亚像素级视差.实验结果表明,该方法能将角点检测精度提高到0.001像素,测距精度也相应提高,距离越远效果越明显.【期刊名称】《舰船科学技术》【年(卷),期】2015(037)002【总页数】4页(P107-110)【关键词】立体匹配;亚像素检测;双目测距【作者】施闻明;郭星卫;王文清【作者单位】海军潜艇学院,山东青岛266042;海军潜艇学院,山东青岛266042;海军潜艇学院,山东青岛266042【正文语种】中文【中图分类】TP273双目视觉测距技术仿照人类双眼感知周围环境空间深度功能[1]，利用2个摄像头拍摄从不同位置拍摄同一场景，通过各种算法对所拍摄的立体图像对进行匹配，并计算视差，然后利用三角测量原理实现距离测量。
立体匹配是双目视觉测距的关键环节，也是双目视觉研究的热点。
近些年来，国内外机器视觉领域的学者提出了很多立体匹配的算法[2-7]，有些达到了极高的匹配精度，但这些算法要么是针对特定应用提出的，要么是以增加计算量来提高匹配精度，因而不具有通用性。
就测距而言，只需知道目标上一些特征点坐标即可达到测距目的，没有必要进行全图像匹配。
针对此特点，本文提出一种高精度快速匹配策略。
首先，在获取双目视觉系统内外参数的条件下，采用Bouguet算法将左右图像校正为极线水平对准状态，以减少后续的匹配计算代价；然后，利用Harris角点探测器在右图像感兴趣区域内寻找一个最强特征点作为待匹配点，建立以该特征点为领域的模板，采用最大互相关法对对左图像进行匹配搜索确定匹配点；然后再对左右图像中确定的匹配点进行亚像素级检测，得出各自的亚像素级坐标；利用得出的亚像素级角点坐标结合双目视觉测距算法即可得到目标点的距离。
同心圆亚像素中心定位方法
同心圆亚像素中心定位方法张方程;李晓天【摘要】基于椭圆曲线拟合和曲率滤波，提出同心圆投影中心定位方法。
采用单应矩阵变换和坐标平移法生成了大量的理想测试图像，并与角点检测法的测量精度进行了比较，结果表明，文中方法的测量精度在有无噪声情况下均高于角点检测方法。
当信噪比介于35 dB和25 dB之间时，角点检测法的测量误差突然急剧增大，文中方法的测量误差变化仍比较平缓，测量误差小于0．15 pixel。
%A location method for concentric circles'projection center based on ellipses’curve fitting and curvature filter is put forward . The test images are generated with homography transform and coordinate shift ,and the method is compared with the corner detection .The results show that the accuracy of the method is better than that of corner detection no matter how the images have noise or not .When images’ S/N ratio is between 25 ~ 35dB , the error of the corner detection increases sharply w hile that of concentric circle method is only up to 0 .15 pixel .【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2014(000)005【总页数】6页(P500-505)【关键词】机器视觉;图像处理;同心圆定标;椭圆拟合【作者】张方程;李晓天【作者单位】中国科学院长春光学精密机械与物理研究所，吉林长春 130033;中国科学院长春光学精密机械与物理研究所，吉林长春 130033【正文语种】中文【中图分类】TP311.5平面同心圆的投影中心可用作对摄像机进行内外参数标定，弥补角点检测法和圆心法的定位不准确问题。
机械零件图像中直线边缘亚像素定位方法
第31卷2003年12月华南理工大学学报(自然科学版)Journal of South China University of Technology(Natural Science Edition)V ol.31 N o.12December 2003 收稿日期:2003205220 作者简介:杨敏(1974-),男,博士生,主要从事计算机图像处理、机器视觉和模式识别等研究.文章编号:10002565X(2003)1220030204机械零件图像中直线边缘亚像素定位方法杨 敏 叶邦彦 牟 丽 吴春凌(华南理工大学机械工程学院,广东广州510640)摘 要:以计算机视觉在机械零件几何参数检测的实际应用为例,提出了一种使用高斯拉普拉斯(L O G)函数检测斜坡状边缘的像素级位置,在已知目标为直线边缘的情况下,使用最小二乘线性回归把二维的边缘拟合降为一维边缘定位,从而使直线边缘定位达到亚像素级精度的算法.同时还进行了空间矩直线边缘亚像素定位算法与本文所提出算法的对比实验.实验结果表明:在低噪声图像中,两种算法的边缘定位精度均达到满意的结果,且最小二乘线性回归亚像素定位算法速度较快.关键词:边缘检测;L O G算子;线性回归;空间矩;亚像素中图分类号:TP391 文献标识码:A 在灰度图像中,经典的边缘检测和定位算法的精度多为像素级.随着机器视觉在各个领域应用的不断深入,精度要求不断提高,像素级的边缘定位技术已经难以满足实际的要求.近些年来,亚像素边缘检测和定位技术的应用越来越广泛[1].从20世纪70年代起就有不少专家提出了一些有效的亚像素边缘定位的方法,如Huec kel[2]用拟合参数方程的方法达到亚像素定位;A.J.Ta bata bai[3]首先提出用灰度矩的思想来定位边缘到亚像素;A.Hue r2 tas[4]用高斯拉普拉斯模板合成边缘局部表面模型的方法构造了亚像素检测算子;E.P.L yve rs[5]提出空间矩亚像素算子;K.J e nse n[6]采用非线性插值的方法达到亚像素检测精度.在众多的亚像素定位算法中,空间矩算子以其精度高,计算过程相对简单,不受数据加性和乘性噪声的影响等优点而得到了广泛的应用.本文笔者根据文献[5]开发了空间矩直线边缘亚像素定位算法,达到了较高的定位精度,但算法速度较慢.同时,笔者根据发动机气门杆机器视觉尺寸检测中对目标边缘有较高的定位精度和定位速度的要求,运用高斯拉普拉斯函数与检测的图像进行卷积运算和最小二乘线性回归,实现了边缘的快速精确定位.在文献[1]中提出了使用Robe rt或Sobe r算子提取图像整像素级精度边缘点,然后使用样条插值方法对边缘点进行插值运算得到亚像素精度定位.此算法能够得到较高的亚像素定位精度.该算法的定位精度依赖于整像素级边缘点的提取精度,即边缘点提取精度越高,插值得到的亚像素定位精度就越高.而且,对每个边缘点的插值运算所消耗的时间较多,整体运算速度较慢.本文提出的算法是基于统计的方法,其精度的高低对于整像素级边缘点提取精度的依赖性不如插值算法强.本文提出的算法具有较高的鲁棒性;同时,它不需要对每个边缘点进行插值运算,速度也较快.1 图像实体边缘检测 最小二乘线性回归直线边缘亚像素定位算法:因为要处理的机械零件是精密磨削加工出来的,在高质量的检测图像中,可以把目标边缘看作为理想的直线,所以首先采用了高斯拉普拉斯函数把图像边缘定位到整像素级精度,然后对边缘点直接进行最小二乘线性回归得到亚像素边缘定位.空间矩直线边缘亚像素定位算法:首先采用高斯拉普拉斯函数找到图像边缘像素点,然后在以所找到的边缘像素点为中心的局部坐标系中,计算边缘亚像素位置和边缘方向角度得到边缘定位.下面,介绍两种算法的原理及其实现.1.1 最小二乘线性回归直线边缘亚像素定位1.1.1 整像素级边缘提取 整像素级边缘提取是指用像素级的边缘检测算法对目标初步定位,得到整像素精度的定位过程.文中选用高斯拉普拉斯函数(L aplacia n of Gaus2 sia n),也即L O G算子,与原图像进行卷积运算,通过求得零交叉点获得整像素边缘点.高斯拉普拉斯函数又称墨西哥草帽函数,其名称是根据函数图像的三维形状而来的.它其实是高斯函数(式(1))的拉普拉斯函数(式(2)).h(r)=-e-r22σ2(1)2h(r)=-r2-σ2σ4e -r22σ2(2)这里,r2=x2+y2,σ是高斯函数的标准差.本文选用L O G算子作为整像素级边缘定位函数是因为它对被检测图像同时具有滤噪和检测边缘的功能.拉普拉斯函数通常不能直接用来检测边缘.因为二阶导数对噪声非常敏感,而一般的图像都含有一定的噪声,如果直接用二阶导数来检测边缘,往往检测不到真实的边缘.而通过L O G算子与原图像进行卷积,同时实现了滤噪和边缘检测两个过程.(1)对于第一个过程可以从数学推导看出:设原图像为I(x,y),用L O G算子与原图像进行卷积,而二阶导数运算是一个线性操作,且L O G算子与原图像卷积等同于用原图像与高斯函数先作卷积,然后作拉普拉斯运算:I3 2h=(I3h)″(3)可见第一个过程是原图像与高斯函数作卷积运算,实质上对原图像起到了平滑滤波作用.在使用高斯函数平滑图像时,σ可称作空间尺度参数,可通过控制σ值的大小来决定图像的模糊程度.高斯函数的σ太小时,易受噪声的影响,太大时边界线容易出现太多的断开不连续.选用适当的σ值,可以消除空间远小于σ的图像强度变化的噪声.实验证明,本文中取σ=1.5,图像处理效果较好.(2)第二个过程是对模糊后的图像进行二阶导数运算,由公式(3)可以看出.二阶导数运算对阶跃状边缘产生零交叉点(如图1(b)所示),可以对边缘准确定位到整像素级精度. 边缘点确定方法:可以直接取过零点的像素为边缘像素,如果有多个过零点但不连续的像素就取灰度值最小的为边缘点,如果是连续几个零点则取中间过零点像素为边缘点.另外,可以采用L O G算子的多尺度特性,取不同尺度的算子对原图像进行卷积,然后对卷积后的图像进行边缘融合,确定边缘位置,这种算法有更强的抗噪能力.图1(c)是所编制的实验系统程序绘制的物体边缘区域一维灰度变化曲线图像.图中竖线表示一个像素位置(放大了5倍),曲线表示连续像素灰度变化.从图中可以看出,边缘变化区域为2到3个像素.因此,本文采用LO G算子对图像运算,取零交叉点作为边缘像素,就能够把边缘定位到整像素级精度.图1 边缘模型Fig.1 Model of edge1.1.2 边缘亚像素定位一幅高信噪比的图像经边缘提取后,得到一包含边缘像素点的向量组E i={E1,E2,…,E n},对向量E i作曲线拟合的方法很多,如多项式拟合,B样条曲线拟合等可以获得较高的拟合精度.本文是对机械零件的直线边缘进行回归处理.由于检测的零件是精度较高的磨削加工出来的,其边缘可以近似看成直线,是满足精度要求的.而且,检测图像是经过精心设计,所取图像中的目标与背景亮度对比度较高(从图1(c)可以看出),通过第一步处理得到的边缘向量组中就包含了所有的整像素精度的边缘点.因此,直接对E i进行线性回归,不但有较高的定位精度,而且又有较快的计算速度.如果E i中包含有太多的噪声,则直接对E i进行线性回归,回归出的直线可能会偏离真实的边缘位置,产生较大的误差,此时则不宜直接回归.当模型确定之后,主要工作就是参数的估计问题.本文采用最小二乘线性回归估计直线系数α.记Q(α)=6n i=1(y i-α0-α1x i1-…-αp x ip)2(4)对式(4)求它的最小值点α:Q(α)=minαQ(α).由于Q(α)为α的非负定的二次型,令Q(α)关于α的一阶偏导等于0,就可以求出α的最小二乘估计(如式(5)所示). 第12期杨 敏等:机械零件图像中直线边缘亚像素定位方法315Q(α)5α0=-26ni=1(y i-α0-α1x i1-…-αp x ip)=05Q(α)5αi=-26ni=1(y i-α0-α1x i1-…-αp x ip)x ij=0(5) (j=1,2,…,p)将上述方程组整理成关于参数α的正规方程组,则可以用矩阵形式表示.记y=[y1 y2 … y n]T,X=1x11…x1p1x21…x2p………1x n1…x np,α=[α α1 … αp],则式(5)可用矩阵表示为X T Xα=X T y(6)由此,可以解出线性参数的最小二乘估计为α=(X T X)-1X T y(7)如果边缘点满足正态分布,线性参数的最小二乘估计是无偏估计.由(7)式求得线性估计的参数,从而得到回归的直线,所求直线就是通过边缘像素点的亚像素位置.当参加估计的点越多,回归精度越高,噪声的影响就越小.1.2 空间矩直线边缘亚像素定位空间矩亚像素定位算法以其定位精度高,抗噪声能力强,计算简单而成为亚像素定位的经典算法之一.本文在文献[5]的基础上实现了机械零件图像中直线边缘空间矩亚像素定位,其具体步骤如下:①采用L O G算子找到图像中零件整像素边缘点;②在局部坐标系中,以每个边缘点的中心为窗口中心(坐标原点),计算每个边缘点的亚像素偏移l和方向角度θ;③通过式(8)和式(9)计算每个边缘点的亚像素位置在局部坐标系统中的坐标(x′,y′);④根据式(10)和(11)计算每个边缘点亚像素位置在全局坐标系中的坐标(x,y),其中(x″,y″)为边缘点的坐标.x′=lcosθ(8)y′=lsi nθ(9)x=x″+x′(10)y=y″+y′(11)2 实验结果最小二乘线性回归亚像素定位算法和空间矩直线边缘亚像素定位法均已在V C++.N E T下实现.图2给出了取L O G算子的空间常数σ=1.5时,对气门杆径像素级边缘的处理图像.从图像处理结果可以看出,LO G算子边缘图像是一闭合的单像素边缘线,而用Sobel算子检测到的边缘是不连续的.图2 整像素边缘检测Fig.2 Edge detection at t he level of pixel p recision 为了对比两种亚像素定位算法的速度和精度,在图2(c)所得到的整像素边缘点的基础上分别对其进行最小二乘线性回归和空间矩直线边缘亚像素定位计算实验,其中,空间矩算子采用5×5像素圆模板.实验环境:Pe ntium900M Hz,内存256M,V C.N E T,X P平台,图像尺寸424×1200.实验数据和结果如表1所示.表1中,算法时间不包括整像素边缘点的提取时间.气门杆直径的真实值是通过三坐标测量机测得(为12.6012m m),它除以图像的物面分辨率转换为像素直径值为54.5411像素.表中,“左平”、“左大”和“左小”分别表示图像中物体左边缘的平均值、最大值和最小值;“右平”、“右大”和“右小”表示右边缘的平均值、最大值和最小值.实验表明,对于具有较高信噪比的图像,最小二乘线性回归和空间矩亚像素定位算法对直线边缘检测均可达到亚像素级精度,并得到满意的结果.最小二乘线性回归亚像素定位精度约为0.1像素,空间矩亚像素定位精度约为0.01像素,而最小二乘线性回归亚像素定位算法的速度比空间矩亚像素定位算法的速度要快得多.因此,在精度要求不是太高的情况下,采用最小二乘线性回归直线边缘亚像素定位算法不但可以获得满意的定位精度,而且可以大大提高定位速度.在不要求速度的情况下,可以采用空间矩亚像素定位算法来获取较高的定位精度.32 华南理工大学学报(自然科学版)第31卷 表1 实验结果Table 1 Results of exp eriment算法拟合的直线方程与y 轴夹角/(°)边缘亚像素偏移l/像素杆计算直径/像素算法时间/ms最小二乘线性回归左边缘:0.005062x -0.000085y -1.000000=00.955517右边缘:0.005086x -0.000085y -0.728415=00.957470—54.436890空间矩—0.869506(左平)0.097737(左平)3.809506(左大)0.105775(左大)0.000017(左小)0.045952(左小)0.911880(右平)0.157347(右平)3.276408(右大)0.177133(右大)0.000015(右小)0.140197(右小)54.5515360参考文献:[1] 张洪涛,段发阶,叶声华.一种快速亚像素边缘检测方法研究[J ].计量学报,2002(10):263-265.[2] Hueckel M F.A local visual op erat or w hich recog 2nizes edges and lines [J ].J A CM ,1971,18:113-125.[3] Tabatabai A J ,Mitchell O R.Edge location t o subpix 2el values in digital imagery [J ].I EEE Trans PAMI ,1984,6(2):188-201.[4] Huertas A ,Medioni G.Detection of intensity changeswith subpixel accuracy using L aplacian 2Gaussian masks [J ].I EEE Trans PAMI ,1986,8(5):651-664.[5] Lyvers E P ,Mtchell O R.Subpixel measurements using amoment 2based edge operator [J ].I EEE T rans on PAMI ,1989,11(2):1293-1309.[6] J ensen K ,A nastassiou D.Subpixel edge localizationand t he interp olation of still images [J ].I EEE Trans Image Processing ,1995,4(3):285-295.Met hod of St raight Line Edge Subpixel Localizationfor Mecha nical Part ImageYa ng Mi n Ye Ba ng 2ya n Mou L i Wu Ch u n 2li ng(College of Mechanical Eng.,Sout h China U niv.of Tech.,Guangzhou 510640,China )Abst ract :Base d on p ractical application of comp ute r vision f or mec ha nical p a rts geomet ry p a ra mete r i n 2sp ection ,a new app roac h is p rese nte d t o dete r mi ne t he ra m p e dge at t he level of pixel usi ng L aplacia n of Gaussia n (L O G )f unction.The pixel level e dge t o subpixel accurac y is t he n locate d b y usi ng t he MLS li n 2ea r regression on t he condition t hat t he model of t he e d ge is know n.Cont rastive exp e ri me nts have bee n conducte d t o test t he al gorit h m of t he sp atial mome nt subpixel localization f or t he st rai ght li ne e dge a nd t he algorit h m p rop ose d i n t his p ap e r.The exp e ri me nt results s how t hat t he p recision of tw o al gorit h ms is satisf act or y a nd t he velocit y of t he MLS li nea r re gression subpixel localization is f aste r.Key words :e dge i nsp ection ;L O G op e rat or ;li nea r re gression ;sp atial mome nt ;subpixel责任编辑:李 嘉 第12期杨 敏等:机械零件图像中直线边缘亚像素定位方法33。
矿产
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。
矿产
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。
矿产
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第八章 图像目标亚像素定位
利用目标特性，从图像中分析计算出最符合此特性 的目标位置的方法 >>>> 图像目标定位
影响视觉测量精度: ①摄像系统物面分辨率. (代价较大) ②标定和误差修正精度. ③图像中目标的定位精度. 定位精度为0.1像素时>>硬件分辨率提高 10倍.
机器视觉测量技术
2、粗细金字塔搜索法
大步长结合小步长
机器视觉测量技术
3、利用数学规划 的原理和方法 1) 梯度法
2) 坐标轮换法度法
多项式拟合曲面的极值点：
机器视觉测量技术
五、提高相关定位精度的措施 1、增加原图像目标特征的高频信息 1) 增加目标特征的灰度梯度 2) 提高目标图像的对比度、清晰度
ቤተ መጻሕፍቲ ባይዱ
3) 滤除噪声提高信噪比
2、提高目标与模板的相似性 模板特征、模板尺寸、确定形式
机器视觉测量技术
六、提高相关运算速度的措施 1、利用模板目标特性减少数据量
二维连续函数 f(x,y)的p+q阶空间矩和p阶灰度矩：
数字图像I(i,j)中区域S的p+q阶空间矩和p阶灰度矩:
d ( x , y ) 0 dt
n为S中像素数
机器视觉测量技术
1、形心法 >> >> >> >>
二值化图像. 粗定位目标区域S . 图像处理二值化分割误差和边缘毛刺. 求形心.
插值 >> 保证样点 拟合 >> 不保证样点 目标定位 >> 确定位置
机器视觉测量技术
二、矩方法 物体的矩特性在成像前后保持不变. >>> 适于中心对称目标
一维连续函数f(x)的p阶空间矩mp和灰度矩 m p
m p x p f ( x)dx
m p f p ( x ) dx
机器视觉测量技术
为目标函数 点数m,未知数n(m>=n),得到超定方程组 BC＝Y
机器视觉测量技术
2、常用拟合亚像素边缘定位法
1) 边缘灰度拟合 三次多项式拟合边缘灰度值,拐点为边缘位置. 2) 边缘灰度导数拟合 拟合灰度边缘导数值,极值为边缘. 3) 拟合插值法 边缘灰度分布规律与插值规律相一致时.
机器视觉测量技术
机器视觉测量技术
未知数 p1 , h1 , h2 求解：
其中
边缘位置：
机器视觉测量技术
4、二维边缘定位 二维归一化理想阶跃边缘：
ρ为边缘到原点的距离 θ为边缘与y轴的夹角
机器视觉测量技术
三、拟合法
1、多项式曲线拟合
目标的特性满足已知 或假定的函数形式,拟 合得到连续函数.
给出(xi,yi)系列,最小二乘得到函数f(x)使均方差MSE最小.
其中： fm,gm分别为f(x,y),g(x,y)在各自相关窗口的均值.
机器视觉测量技术
3、标准化相关法
以灰度平方和作归一化. 0≤c(x,y) ≤1 . 4、标准化协方差相关法
以灰度平方和作归一化. -1≤c(x,y) ≤1 . c=1,完全相同， c=0完全不同， c=-1完全相反.
机器视觉测量技术
四、数字相关亚像素定位
互相关函数： 模板：包含目标函数 的像素灰度矩阵g(t) 对相关区域M进行相关运算，确定目标位置. 模板选用：1)仿真数学表达式，模板中心为目标. 2)原图像的目标模板 (左右图像、序列图像).
机器视觉测量技术
相关法的几种数学形式 1、直接相关
其中：C(x,y)相关函数,f(x,y)为原图像, g(x,y)为模板,W为模板区域. 2、协方差相关
一. 亚像素定位原理及选用条件 目标识别:确定目标是否存在,目标粗定位.
目标定位:亚像素定位技术,目标精定位.
应用亚像素定位的基本条件:
1、目标由多像素组成、具有一定的几何特性、灰度 分布特性. 2、目标定位基准点在目标上的具体位置明确.
机器视觉测量技术
简单求质心 误差 0.5. 形心法求质心 (2.5,2.5).
二值化图像I(i,j)中目标区域S的形心（x0,y0）:
机器视觉测量技术
2、灰度重心法 >>> 以灰度为权值的加权形心法
目标灰度>背景灰度 目标灰度<背景灰度
机器视觉测量技术
3、灰度矩边缘定位法 实际边缘与理想阶跃边缘 灰度矩一致. 理想阶跃函数u(x) 理想边缘函数: E1(x)=(h2- h1)u(x-k)+h1 实际边缘:单调序列点gj (j=1,2,3,…..n) 前三阶灰度矩: p1=k/n n 为实际边缘点总个数 i=1,2,3 p1+p2=1
5、差绝对值和法
计算量小,不用平方运算 . D
k ij
机器视觉测量技术
相关法的亚像素定位技术 1、亚像素步长相关法
对以整数为中心的小区域进行亚像素细定位 . 其中： dx,dy分别为x和y方向上的步长,m、n为整数. 非整数像素点上的灰度值插值得到。
机器视觉测量技术
2、相关函数拟合极值法 最大值为中心的单峰区域近似满足高斯分布