结构光中心条纹提取-Read.doc

结构光中心条纹提取 一、绪论 从1921年第一幅由电报打印机采用特殊字符在编码纸带中产生模糊的数字图像以来，随着计算机与CCD硬件技术的发展，数字图像对模拟图像的离散数字化精确程度大大提高，同时又基于数字图像能够被计算机处理的优点，图像数字化技术被运用到科学研究的各个方面。 结构光测量是一种利用照明光源的几何信息帮助提取景物中的几何信息的测量技术。[1]结构光模式又可以分为点结构光、线结构光、多线结构光与网格结构光等模式。[2]线结构光较点结构光模式，其测量信息大大增加，而其实现的复杂性并没有增加，因而得到广泛应用。 当线结构光照射到物体的表面相交，便在物体表面相交产生一亮的光条。由于物体表面深度的变化以及间隙，使得光条受到调制，表现在图像中则是光条发生了畸变和不连续，畸变的程度与深度成比例，不连续则显示出了物体表面间的物理间隙。而快速准确地提取图像中光带中心的位置坐标是线结构光测量系统的关键问题之一。[3] 基于以上原因，本文旨在综述结构光中心条纹的提取方法，其次介绍自己在提取一副结构光的中心线的算法。 二、结构光中心条纹提取综述 为了解决结构光条纹中心线提取的问题，人们根据不同的背景提出了许多不同的提取方法，但由于数字图像处理的特殊性，没有一种方法能够适应所有的图片。通常情况下，对于表面反射情况较好的图片，图像对比度和清晰度较高的场合可以先检测光带的边界，然后取其中线作为结构光条纹中心的位置。而对于复杂一些的情况就需要寻找合适的光条提取算法。一般的方法可以分为四个步骤：（1）数字图像滤波，以去掉一部分噪声，突出图像的关注信息；（2）条纹图像边缘检测;（3）条纹中心坐标计算；（4）绘制条纹图像的中心线。事实上第一种方式都能归为第二种方式的一种没有噪声或噪声较小的特殊情况，于是省去了图像滤波。 1.图像滤波 图像滤波的目的在于提高原始图像的分辨能力，消除各种干扰噪声，增强识别信号，同时又要避免造成图像变得模糊，为后续的处理做准备。在空间域，滤波通常是通过滤波卷积模板与图像的卷积实现的。而在频率域，滤波则是通过滤波函数与图像的傅里叶变换作乘积来实现的。空间域滤波主要有平滑空间滤波器和锐化空间滤波器。[4]平滑空间滤波器分为：平滑线性滤波器（又称均值滤波器，用于减小图像灰度的尖锐变化）、统计排序滤波器（非线性空间滤波器，主要用于处理椒盐噪声）、高斯滤波器（主要用于滤除高斯噪声）和自适应滤波器（根据图像的局部方差来调整滤波器的输出，能更好的保存图像的边缘和高频信息）。锐化空间滤波器（突出图像中的细节或增强被模糊了的细节）则分为Roberts交叉算子、Prewitt算子、Sobel算子和拉普拉斯算子。其结构图如图1所示： 图1. 空间滤波器分类结构示意图 2.条纹图像边缘检测 经过处理的图像要想得到图像中的中心线，必须经过图像分割阶段。图像分割的目的是把图像划分成具有一定意义的区域，把人们对图像中感兴趣的部分或目标从图像中提取出来做进一步分析应用。条纹的边缘检测效果的好坏直接影响到最后中心线的拟合。 条纹图像的边缘检测是图像 分割中的一种技术，图像分割算法一般是基于亮度值的两个基本特性之一：不连续性和相似性。第1类性质的应用途径是基于亮度的不连续变化分割图像,比如图像的边缘。第2类的主要应用途径是依据事先制定的准则将图像分割为相似的区域。门限处理、区域生长、区域分离和聚合都是这类方法的实例。[4] 经典的图像边缘检测的原理是判断一个点的二维一介导数是否比指定的门限大，如果该条件满足便可认为该点是一个边缘点。一组这样的边缘点连接起来便定义为边缘。也可以选择使用二阶导数，则一个可用的边缘点定义为二阶导数的零交叉点。图像中，一阶导数用梯度计算，二阶导数用拉普拉斯算子得到。事实上，定义图像的边缘点的过程与图像的锐化空间滤波在一定程度上是同样的过程，二者都是通过算子与图像做卷积来求出像素点的值，同时加强边缘点的灰度。常用的一阶算子有Roberts交叉算子、Prewitt算子、Sobel算子和canny算子，常用的二阶算子有LoG算子。 以上提到的几种边缘检测方法都是基于求导的方法来确定图像边缘，由于求导的原因，图像无法避免噪声的干扰，而英国牛津大学的S.M.Smith在1995年提出的SUSAN算法与以前的经典的边缘检测算法相比，其要的特点是它不需要计算图像的导数，并且具有积分特性，同时，SUSAN算法对局部噪音不敏感，抗噪能力强。[5] 除此之外还有基于数学形态学的边缘检测方法、模糊算子法、神经网络法、基于主动轮廓模型的snake算法等。 结合本项目工作所用到的算法，这里主要介绍几种经典边缘检测方法以及简单介绍susan算法。 Roberts交叉算子是一种利用局部差分算子寻找边缘的算子，它在2×2邻域上计算对角导数： 通常情况下用绝对值来