国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于像素鄰域的傳動(dòng)軸亞像素邊緣檢測(cè)

2019-01-18 12:42:20,,,
無損檢測(cè) 2019年1期
關(guān)鍵詞:齒輪軸鄰域灰度

,,,

(南京理工大學(xué) 機(jī)械工程學(xué)院,南京 210094)

軸類零件在機(jī)械設(shè)備中有傳遞動(dòng)力的作用,機(jī)械設(shè)備的使用性能直接受到軸類零件幾何尺寸精度的影響[1]。因此,生產(chǎn)企業(yè)對(duì)軸類零件的加工制造和檢測(cè)精度提出了較高的要求。對(duì)于軸類零件,接觸式測(cè)量方法可能引起零件表面的損傷和工件變形。隨著數(shù)字圖像處理理論和方法的不斷發(fā)展和完善,利用機(jī)器視覺測(cè)量方法對(duì)軸類零件進(jìn)行檢測(cè)已經(jīng)切實(shí)可行[2],并且該方法精度高、無接觸、實(shí)時(shí)性好。因?yàn)檫吘壥菆D像最基本的特征,包含了被測(cè)物體的尺寸和位置信息,所以圖像邊緣檢測(cè)是機(jī)器視覺測(cè)量的重要基礎(chǔ)。目前,傳統(tǒng)的像素級(jí)邊緣檢測(cè)算法已經(jīng)滿足不了檢測(cè)精度的需要。亞像素邊緣檢測(cè)算法一般分為3類:曲線擬合法[3]、插值法[4]和矩方法[5]。2011 年,陳靜等[6]提出了一種三次多項(xiàng)式擬合的圖像邊緣檢測(cè)算法,該算法的計(jì)算時(shí)間較少。2008年,HERMOSILLA等[7]將ENO(基本無振蕩)插值與梯度檢測(cè)算法結(jié)合起來進(jìn)行邊緣檢測(cè)。Bin等利用低階徑向數(shù)及其矩量的旋轉(zhuǎn)不變性,提出了一種基于OFMM(正交傅里葉-梅林矩法)的方法。

2013年,TRUJILLO-PINO等[8]提出基于局部區(qū)域效應(yīng)的高精度邊緣檢測(cè)算法,該方法利用邊緣點(diǎn)所在鄰域的灰度信息計(jì)算邊緣的亞像素位置,在理想圖像的邊緣檢測(cè)中的精度非常高,可以完全地檢測(cè)出邊緣信息,包括位置、方向以及曲率等,并提出了對(duì)于低噪聲圖像的改進(jìn)模型,但該方法對(duì)高噪聲工件圖像的邊緣檢測(cè)效果不佳。為此,對(duì)于高噪聲圖像,可以在基于鄰域的亞像素邊緣檢測(cè)算法的基礎(chǔ)上,通過迭代、復(fù)原算法來獲得更精確的亞像素邊緣。此外,采用文獻(xiàn)[8]的方法進(jìn)行邊緣檢測(cè)時(shí),需要人為反復(fù)設(shè)定并調(diào)整閾值,降低了工作效率。筆者對(duì)此進(jìn)行了改進(jìn),利用大津閾值(Otsu)算法[9]自動(dòng)檢測(cè),得到最優(yōu)梯度閾值。文獻(xiàn)[8]在求取亞像素位置時(shí),直接用曲線的截距有一定誤差,故采用改進(jìn)算法。

1 算法原理

1.1 基于像素鄰域獲取亞像素邊緣

一條邊緣將如圖1所示像素分為像素值為A和B的兩部分,為符合一般邊緣的性質(zhì),將這條邊緣近似為多項(xiàng)式y(tǒng)=a+bx+cx2,坐標(biāo)系的原點(diǎn)在像素(i,j)的中心,假設(shè)a,b,c和A,B的值未知。而在一幅真實(shí)的圖像中,像素(i,j)鄰域像素的灰度值是可以讀取的,可以根據(jù)實(shí)際像素值估算出A和B的值,從而求得邊緣參數(shù)a,b,c。

圖1 理想邊緣線示意

對(duì)于像素(i,j),基于最初的假設(shè),其像素值表達(dá)式為

(1)

式中:Pi,j為像素(i,j)在邊緣線下方的面積。

當(dāng)x=0處的曲線斜率在0~1之間時(shí),為了準(zhǔn)確獲得邊緣的亞像素位置、邊緣的方向、曲率以及邊緣兩側(cè)灰度值的變化,用以像素(i,j)為中心的5×3鄰域來計(jì)算各個(gè)參數(shù)的值。設(shè)SL,SM,SR為所選區(qū)域左列,中間列和右列像素值的總和,在一幅真實(shí)的圖像中,像素(i,j)鄰域像素的灰度值是可以讀取的,可以根據(jù)實(shí)際像素值估算出A和B的值以及SL,SM,SR的值,從而求得邊緣參數(shù)a,b,c。

由式(1)的原理可得

(2)

式中:L,M,R表示左列、中間列和右列邊緣下的面積。

(3)

聯(lián)立方程可解得邊緣曲線參數(shù)

(4)

用區(qū)域?qū)?個(gè)像素值來估計(jì)A和B的值,因?yàn)榕c中心像素的距離不同,所以取的3個(gè)像素值對(duì)中間像素的影響程度不同。需要根據(jù)實(shí)際圖像的品質(zhì)來設(shè)置合適的標(biāo)準(zhǔn)差,從而建立高斯函數(shù),計(jì)算各像素所占的權(quán)重,設(shè)3個(gè)像素的權(quán)重分別為α,β,γ,則

A=βFi,j+2+γFi+1,j+2+αFi+1,j+1

(5)

B=βFi,j-2+γFi-1,j-2+αFi-1,j-1

(6)

若直接采用曲線的截距計(jì)算亞像素坐標(biāo)的位置,則在如圖2所示的情況下,S1位置已不在像素內(nèi),所以用S1作為亞像素位置已不合理。邊緣曲線方程已知,原點(diǎn)和S2的連線與曲線在S2位置的切線垂直,可以根據(jù)此關(guān)系求得S2的坐標(biāo)。

圖2 亞像素位置計(jì)算原理示意

當(dāng)邊緣斜率在-1~0之間時(shí),分別用左下角和右上角的3個(gè)像素值估計(jì)A,B的值,所以邊緣斜率在-1~1范圍時(shí),A,B的通用表達(dá)式為

A=βFi,j+2+γFi+m,j+2+αFi+m,j+1

(7)

B=βFi,j-2+γFi-m,j-2+αFi-m,j-1

(8)

式中:當(dāng)斜率不小于0時(shí),m取1;當(dāng)斜率小于0時(shí),m取-1。

1.2 Otsu自適應(yīng)梯度閾值檢測(cè)

Otsu法也稱為大津閾值法或最大類間方差法,該方法利用圖像的灰度值,以目標(biāo)和背景的類間方差為測(cè)度準(zhǔn)則,取最佳閾值時(shí),兩部分之間的差別應(yīng)該是最大的。前景和背景之間的類間方差如果越大,就說明構(gòu)成圖像的兩部分之間的差別越大。當(dāng)部分目標(biāo)被錯(cuò)分為背景或部分背景被錯(cuò)分為目標(biāo)時(shí),都會(huì)導(dǎo)致兩部分差別變??;當(dāng)所取閾值的分割使類間方差最大時(shí),就意味著錯(cuò)分概率最小,則此時(shí)的閾值為最佳閾值。

記T為前景與背景的分割閾值,前景點(diǎn)數(shù)占圖像比例為w0,平均灰度為u0,背景點(diǎn)數(shù)占圖像比例為w1,平均灰度為u1,圖像的總平均灰度為u,g為前景和背景圖像的方差,則有

u=w0×u0+w1×u1

(9)

g=w0×(u0-u)2+w1×(u1-u)2

(10)

聯(lián)立上面兩式可得

g=w0×w1×(u0-u1)2

(11)

當(dāng)方差g最大時(shí),可以認(rèn)為前景和背景差異最大,此時(shí)的灰度T是最佳閾值。Otsu算法不需要其他先驗(yàn)知識(shí),且計(jì)算簡(jiǎn)單快速,至今仍是最常用的自動(dòng)閾值處理方法。

在亞像素邊緣檢測(cè)前,需要用sobel梯度算子檢測(cè)屬于邊緣的點(diǎn)。文獻(xiàn)[8]中的算法人為設(shè)定并反復(fù)調(diào)整梯度閾值,筆者將Ostu算法與sobel算法相結(jié)合得到梯度值,估計(jì)最佳全局梯度閾值。

1.3 噪聲引入

當(dāng)對(duì)帶噪聲的圖像進(jìn)行邊緣提取時(shí),文獻(xiàn)[8]的方法是用模板和圖像卷積進(jìn)行濾波處理。濾波對(duì)邊緣估計(jì)的影響如圖3所示。假設(shè)K為一個(gè)簡(jiǎn)單的高斯核,G為原圖F和K卷積后的圖像,將會(huì)用G的信息來計(jì)算F中邊緣的信息。這時(shí)中間灰度的區(qū)域會(huì)變大,則用圖3(c)中的區(qū)域計(jì)算邊緣特征。

圖3 濾波對(duì)邊緣估計(jì)的影響

1.4 改進(jìn)的算法

當(dāng)圖像的噪聲太大時(shí),1.3節(jié)的算法將不能準(zhǔn)確地檢測(cè)出亞像素邊緣。為此提出圖像重構(gòu)方案,該方案通過迭代,逐漸修改圖像去除噪聲,并且用保存在構(gòu)建的子圖像中的值計(jì)算圖像的邊緣特征。算法如下:首先,使用3×3模板平滑原始圖像G0;其次,將1.1節(jié)的邊緣檢測(cè)器應(yīng)用于該圖像G0。在檢測(cè)到邊緣的那些像素點(diǎn)鄰域后,使用獲得的邊緣特征值生成一個(gè)恢復(fù)的子圖像。然后,將所有子圖像組合起來生成一個(gè)完整的合成圖像F1。在F1圖像中計(jì)算的邊緣特征值對(duì)噪聲的敏感度低于在初始圖像F0中檢測(cè)到的值對(duì)噪聲的敏感度,因此邊緣特征更準(zhǔn)確。

為了結(jié)合所有生成的子圖像的信息,創(chuàng)建了兩個(gè)新的完整圖像,邊緣圖像為C,其每個(gè)像素值表示包含該像素的子圖像的數(shù)目;強(qiáng)度圖像為I,每個(gè)像素值表示每個(gè)像素的累積強(qiáng)度。首先,將兩個(gè)圖像設(shè)置為0,并將圖像F0平滑以獲得圖像G0;其次,對(duì)于在G0中檢測(cè)到的每一個(gè)邊緣像素,創(chuàng)建一個(gè)子圖像,并且更新C和I中的值;最后,圖像C中的每個(gè)像素(i,j)都是按照如下方式處理的。

(1) 值為0的像素表示該像素遠(yuǎn)離任何邊界的像素,在本例中,F(xiàn)1(i,j)=G0(i,j)。

當(dāng)噪聲很大時(shí),圖像F1雖然比F0好,但噪聲可能還是太大。在這種情況下,可以將恢復(fù)算法的一個(gè)新的迭代應(yīng)用于F1來獲得F2。在n次迭代后,獲得了一個(gè)圖像Fn,在此基礎(chǔ)上對(duì)邊緣特征的估計(jì)更簡(jiǎn)單。

原算法是對(duì)圖像平滑時(shí)采用均值濾波,筆者采用高斯加權(quán)濾波和迭代算法相結(jié)合的方法進(jìn)行改進(jìn)。

2 試驗(yàn)結(jié)果及分析

試驗(yàn)采用如圖4所示測(cè)量系統(tǒng),使用大恒水星MER-500-14GM-P型工業(yè)相機(jī)拍攝,相機(jī)分辨率為2 594像素×1 944像素。由于待測(cè)工件為長(zhǎng)軸類,采用型號(hào)為L(zhǎng)TS-2PFT15756的條形平行背光源,對(duì)于齒輪軸輪廓,采用平行光可以減少虛邊現(xiàn)象,提高成像品質(zhì),系統(tǒng)用激光位移傳感器獲得攝像機(jī)到工件的距離。拍攝的齒輪傳動(dòng)軸灰度圖如圖5所示,待測(cè)幾何量為齒輪軸的4段不同的軸徑。

圖4 硬件測(cè)量系統(tǒng)外觀

圖5 系統(tǒng)拍攝的齒輪傳動(dòng)軸灰度圖

圖6 改進(jìn)算法和像素鄰域亞像素邊緣檢測(cè)算法的檢測(cè)效果

2.1 亞像素邊緣檢測(cè)

圖6(a)和6(c)是用基于像素鄰域的噪聲邊緣檢測(cè)算法得到的亞像素邊緣,圖6(b)和6(d)是用文中改進(jìn)算法得到的亞像素邊緣,截取兩個(gè)區(qū)域進(jìn)行對(duì)比,可見圖6(b)和6(d)的邊緣更平滑和連貫,而圖6(a)和6(c)的邊緣不連續(xù)。初步可知,文中改進(jìn)算法能得到更好的邊緣檢測(cè)效果。

2.2 軸徑的測(cè)量

在測(cè)量徑向尺寸時(shí),先用前文提出的亞像素邊緣檢測(cè)算法得到齒輪軸的亞像素邊緣。文中的檢測(cè)目標(biāo)是階梯軸,為了簡(jiǎn)化算法,在測(cè)每部分的軸徑時(shí),選擇該軸徑所在的ROI(感興趣區(qū)域)范圍,則在截取的區(qū)域只存在測(cè)量軸徑時(shí)要用的兩條邊,并且這兩條邊緣關(guān)于齒輪軸的中軸線對(duì)稱。

ROI區(qū)域設(shè)定之后,測(cè)量算法如下所述。

(1) 根據(jù)選擇的ROI區(qū)域,以其中軸線為界,將ROI區(qū)域分為上下兩子ROI,待測(cè)邊緣分別存在于兩個(gè)子ROI中。

(2) 用最小二乘法原理,分別將兩子ROI中的邊緣點(diǎn)進(jìn)行直線擬合。

(3) 求兩直線的距離。求兩條平行線A1x+B1y+C1=0(L1)和Ax+By+C=0(L2)間距離的公式,如式(12)所示。

(12)

式中:(x,y)為直線L2上的一點(diǎn)。

但是,在實(shí)際測(cè)量試驗(yàn)中,擬合出來的直線總存在一定的夾角,很難得到理想狀態(tài)的平行線,因此用ROI區(qū)域與一條擬合直線的兩端點(diǎn)求出兩端點(diǎn)的中心坐標(biāo),再將該中心坐標(biāo)代入公式,得到兩直線的距離。改進(jìn)算法和像素鄰域邊緣檢測(cè)算法軸徑測(cè)量結(jié)果分別如表1,2所示。

表1 改進(jìn)算法齒輪軸徑測(cè)量結(jié)果

表2 像素鄰域邊緣檢測(cè)算法齒輪軸徑測(cè)量結(jié)果

2.3 試驗(yàn)結(jié)果分析

對(duì)齒輪軸在同一位置拍攝3張圖片,對(duì)每個(gè)軸徑得到的3次測(cè)量結(jié)果求平均,兩種方法測(cè)量齒輪軸徑的相對(duì)誤差如圖7所示,圖7中帶圓圈的折線表示原始亞像素邊緣檢測(cè)算法的相對(duì)誤差,其值在0.2%~0.5%之間;帶*的折線表示改進(jìn)算法測(cè)量結(jié)果的相對(duì)誤差,可以看出其測(cè)量結(jié)果比較穩(wěn)定,相對(duì)誤差控制在0.2%以內(nèi)。試驗(yàn)驗(yàn)證了改進(jìn)算法具有更高的定位精度。

圖7 兩種方法測(cè)量齒輪軸徑的相對(duì)誤差

3 結(jié)語

對(duì)于TRUJILLO-PINO等提出的基于鄰近區(qū)域像素灰度構(gòu)成模型的邊緣檢測(cè)算法,提出了不同于TRUJILLO-PINO算法的梯度閾值判斷方法。用Otsu算法自動(dòng)求取最佳閾值,避免了人工設(shè)定和反復(fù)調(diào)節(jié)帶來的誤差,提高了工作效率。對(duì)于文中獲得的齒輪軸圖像,應(yīng)用改進(jìn)的迭代重構(gòu)算法,使獲得的邊緣更加平滑和連貫,提高了定位精度。

猜你喜歡
齒輪軸鄰域灰度
采用改進(jìn)導(dǎo)重法的拓?fù)浣Y(jié)構(gòu)灰度單元過濾技術(shù)
基于灰度拉伸的圖像水位識(shí)別方法研究
高速花鍵齒輪軸的激光熔覆修復(fù)研究
起重機(jī)減速機(jī)齒輪軸斷裂原因分析及改進(jìn)措施
稀疏圖平方圖的染色數(shù)上界
CFM56-7B發(fā)動(dòng)機(jī)起動(dòng)機(jī)行星齒輪軸的失效分析與預(yù)防
基于鄰域競(jìng)賽的多目標(biāo)優(yōu)化算法
基于最大加權(quán)投影求解的彩色圖像灰度化對(duì)比度保留算法
基于灰度線性建模的亞像素圖像抖動(dòng)量計(jì)算
關(guān)于-型鄰域空間
梓潼县| 新安县| 赤壁市| 特克斯县| 重庆市| 宁蒗| 华容县| 宁夏| 伊川县| 新余市| 中方县| 凉山| 英超| 澄迈县| 四子王旗| 仙居县| 上杭县| 江阴市| 会同县| 龙州县| 宜州市| 惠来县| 郑州市| 泗洪县| 大城县| 赫章县| 克山县| 资源县| 永和县| 博爱县| 哈巴河县| 青田县| 扶沟县| 奎屯市| 舞阳县| 南澳县| 饶平县| 长沙县| 临泉县| 晋中市| 石楼县|