模糊圖像中待測(cè)目標(biāo)邊緣輪廓的三維測(cè)量.pdf

1、視覺檢測(cè)系統(tǒng)在測(cè)量的過程中由于機(jī)械振動(dòng)，人為干擾和電力系統(tǒng)等消極影響導(dǎo)致采集到的圖像通常為低質(zhì)量的退化圖像。由于在退化圖像中難以有效提取待測(cè)目標(biāo)或場(chǎng)景的邊緣信息，因此，為了高效地完成低質(zhì)量退化圖中待測(cè)目標(biāo)的三維測(cè)量任務(wù)，本文針對(duì)運(yùn)動(dòng)模糊退化圖像中待測(cè)目標(biāo)三維測(cè)量過程中的一些關(guān)鍵技術(shù)，如退化圖像的復(fù)原技術(shù)、邊緣自動(dòng)提取技術(shù)和邊緣匹配技術(shù)進(jìn)行了研究。本文所做的工作和研究成果如下：
　　1、為提高視覺檢測(cè)系統(tǒng)的自動(dòng)化程度和無人值守能力，

2、需要對(duì)采集到的圖像進(jìn)行自動(dòng)判定，即判定該圖像是否為模糊退化圖像，是否需要圖像復(fù)原處理。在本文中提出了一種利用圖像中水平方向和垂直方向邊緣的最大平均寬度作為圖像模糊程度測(cè)度的快速判斷算法。然后利用預(yù)先設(shè)定的閾值自動(dòng)地判斷采集到的圖像是否存在嚴(yán)重的模糊退化、是否需要采用圖像復(fù)原處理技術(shù)。
　　2、當(dāng)采集到的圖像為嚴(yán)重的模糊退化圖像，視覺檢測(cè)系統(tǒng)需要自動(dòng)的對(duì)該圖像進(jìn)行高質(zhì)量的復(fù)原處理。本文對(duì)圖像復(fù)原技術(shù)從以下方面進(jìn)行研究：針對(duì)圖像的復(fù)原

3、過程為一個(gè)病態(tài)過程這一問題，需要利用復(fù)原后圖像的先驗(yàn)知識(shí)作為目標(biāo)函數(shù)的正則化約束，這樣來對(duì)復(fù)原過程進(jìn)行良性化處理。而這些先驗(yàn)知識(shí)是從退化圖像中提取得到的，所提取到的信息同復(fù)原圖像的先驗(yàn)知識(shí)間的誤差越小，圖像的復(fù)原效果就越好。為此本文從退化圖像中提取如下兩種信息作為復(fù)原圖像的先驗(yàn)知識(shí)：
　　a)由于清晰圖像和退化圖像的梯度在整體上均服從相似的重尾分布，因此本文采用退化圖像的兩個(gè)方向梯度幅值的L1范數(shù)之和作為復(fù)原圖像的全局先驗(yàn)知識(shí)。該

4、先驗(yàn)知識(shí)可以作為圖像復(fù)原優(yōu)化過程中的弱約束；
　　b)利用本文提出的圖像局部區(qū)域測(cè)度函數(shù)從退化圖像中自動(dòng)地獲取有價(jià)值的局部區(qū)域用于退化圖像的復(fù)原處理。其中退化圖像中的局部平滑區(qū)域由于在圖像退化前后變化較小，因此該區(qū)域可以作為圖像復(fù)原過程中的正則化強(qiáng)約束；另外，局部尖銳邊緣區(qū)域因?yàn)榭梢蕴岣吣：说墓烙?jì)精度，因此可以用于用于模糊核的估計(jì)。
　　最后本文根據(jù)獲得的復(fù)原圖像的先驗(yàn)知識(shí)和改進(jìn)的噪聲模型構(gòu)建一個(gè)關(guān)于復(fù)原圖像和模糊核的目標(biāo)

5、優(yōu)化函數(shù)。并采用交替優(yōu)化法完成目標(biāo)函數(shù)的優(yōu)化，最終可以獲得高質(zhì)量的復(fù)原圖像。通過實(shí)驗(yàn)證實(shí)，本文所提出的算法無論在復(fù)原圖像的質(zhì)量還是運(yùn)行時(shí)間上同其他算法相比都更加優(yōu)越。
　　3、為準(zhǔn)確提取待測(cè)目標(biāo)的邊緣輪廓，需要對(duì)獲取的高質(zhì)量復(fù)原圖像進(jìn)行自動(dòng)邊緣檢測(cè)。為此，本文分析了多種邊緣檢測(cè)算法，發(fā)現(xiàn) Canny算法具有最佳的檢測(cè)效果。但針對(duì)Canny算法缺乏魯棒性的不足，本文提出一種改進(jìn)地自適應(yīng)Canny邊緣檢測(cè)算法。該算法首先采用小尺度的高

6、斯函數(shù)進(jìn)行圖像的平滑來消除噪聲，并保證邊緣的定位精度。其次，為提高邊緣檢測(cè)算法的自動(dòng)化程度和自適應(yīng)性，本文采用了自動(dòng)閾值獲取算法來計(jì)算Canny算法的高低閾值。其中，Otsu算法由于具有對(duì)噪聲不敏感且分割的邊緣點(diǎn)為真實(shí)邊緣點(diǎn)等優(yōu)點(diǎn)，因此采用該算法用來計(jì)算 Canny算法的高閾值；同時(shí)采用一個(gè)基于接受者操作分析理論的閾值分割算法計(jì)算 Canny算法的低閾值。該閾值算法為統(tǒng)計(jì)學(xué)算法，因此算法具有較好的穩(wěn)定性，且對(duì)圖像的邊緣較為敏感，可以有效

7、的檢測(cè)圖像的弱邊緣。最后，通過實(shí)驗(yàn)證實(shí)，改進(jìn)的Canny邊緣檢測(cè)算法避免人工參數(shù)的設(shè)定，具有良好的邊緣定位精度、抗噪性能和實(shí)時(shí)性，因此適合工業(yè)自動(dòng)化檢測(cè)的需要。
　　4、為去除圖像中無意義的邊緣，首先對(duì)圖像中檢測(cè)到的邊緣進(jìn)行分析，然后對(duì)邊緣進(jìn)行分段化處理，再根據(jù)待測(cè)目標(biāo)的先驗(yàn)知識(shí)，提出判斷準(zhǔn)則來排除了圖像中的偽邊緣和無意義的紋理邊緣，又可以提高下一步邊緣匹配的速度和精度。
　　5、為了提高邊緣匹配的效率，本文采用一種利用邊緣

8、特征點(diǎn)引導(dǎo)邊緣匹配的算法，利用已匹配的邊緣特征點(diǎn)為邊緣因此首先要完成邊緣曲線特征點(diǎn)的匹配任務(wù)。在本文利用基于點(diǎn)到弦長(zhǎng)距離累加技術(shù)在邊緣曲線進(jìn)行特征點(diǎn)的檢測(cè)；為實(shí)現(xiàn)邊緣特征點(diǎn)的快速且有效的匹配，本文提出了一種改進(jìn)的二進(jìn)制特征描述和匹配算法用于特征點(diǎn)的匹配。該描述子對(duì)FREAK和BRISK二進(jìn)制描述算法的采樣模式進(jìn)行了分析，并為提高描述子的獨(dú)特性對(duì)上述算法的采樣模式進(jìn)行了改進(jìn)；最后構(gòu)建一個(gè)不僅利用局部區(qū)域內(nèi)灰度值比較信息同時(shí)還利用灰度值排序

9、信息的二進(jìn)制描述子模型。經(jīng)試驗(yàn)證實(shí)該描述子匹配算法對(duì)圖像幾何變換更具不變性。
　　6、在完成邊緣特征點(diǎn)的匹配后，利用一些外部約束條件，完成已匹配特征點(diǎn)對(duì)所在邊緣的快速匹配，最后利用已匹配的邊緣進(jìn)行邊緣的三維重建。
　　最后通過一對(duì)在實(shí)際中采集到的退化圖像為例來進(jìn)行待測(cè)工件的三維測(cè)量。通過實(shí)驗(yàn)來驗(yàn)證本文算法的有效性。最終，實(shí)驗(yàn)結(jié)果顯示待測(cè)工件的三維尺寸最大誤差為0.42mm，檢測(cè)時(shí)間為15.44秒。因此本文所提出的算法可以應(yīng)用