基于形态学的螺纹边缘点抽样提取方法.doc

引言 随着工业技术的迅速发展，使得工业产品的生产效率不 提高，同时企业对产品质量的要求也越来越高。传统的人 检测方法已不能满足企业的需求，高精度的快速在线检测 备逐渐应用到生产的各个环节中。近年来，计算机技术及 CD 固体摄像器技术的迅速发展为工业零件的非接触式图像 测开辟了广阔的空间。 采用数字图像处理技术进行螺纹检测中，先要对螺纹图 的边缘点进行提取，然后对提取出的边缘点进行曲线拟合， 算螺纹的几何参数。传统的方法将螺纹的所有边缘点进行 部提取，并对所有的边缘点进行曲线拟合[1，2，3，4]。而在曲 拟合时只需对一部分边缘点进行拟合便可完成，这样可以 少曲线拟合的时间，加快螺纹几何参数的计算速度。针对 种情况，本文提出了螺纹边缘点的抽样提取方法，再对抽 的边缘点进行曲线拟合，便可提高曲线拟合的速度。 基于二值数学形态学的螺纹边缘抽样提取方法 本文对螺纹图像处理流程如图 1 所示。首先对螺纹图像 行预处理，包括图像的去噪和灰度图像的二值化；其次是 二值图像的形态学变化；最后是对螺纹图像的边缘点进行 样提取。 2.1 螺纹图像的预处理 图像预处理主要的目的是去除螺纹图像中的噪声。螺纹 图像中存在灰度值与周围点的灰度值反差很大的非边缘点， 这些点视为噪声，在边缘提取中这些点有可能被作为边缘点 提取出来，造成图像边缘失真，因此需要滤掉这些噪声。根 据此噪声的灰度值与周围点的反差大的特点，可采用中值滤 波方法去除噪声，中值滤波是一种局部平滑技术，它是一种 非线性滤波，在应用中并不需要图像的统计特性，其基本思 想是用像素点领域灰度值的中值来代替该像素点灰度值。考 虑滤波的速度及滤波效果，一般选取 3×3 的中值滤波窗口 窗口选定后把窗口内各像素按灰度值大小排列，取该序列的 中值来代替窗口中心像素点的灰度值。此方法可以滤掉孤立 的灰度突变点，而边缘点是灰度值连续的过渡点，故此滤波 方法在去除噪声的同时，保留了边缘点的信息。 螺纹图像去噪后，还需要进行图像的二值化处理，螺纹 图像二值化的基本思想是根据图像像素的灰度值取一阈值 Th 将图像分成两部分：小于 Th 的图像群和大于 Th 的图像 群，即螺纹和背景。取螺纹图像的二值集合 F ，将小于Th 赋 1，作为螺纹实体元素的灰度值。将大于Th 赋 0，作为螺纹背 景元素的灰度值。 二值化的关键在于阈值Th 的确定，传统的阈值算法有最 螺纹图象 小误差法，双峰法。最小误差法主要针对背景和目标的灰度 值分度是接近正态分布而言，双峰法主要针对目标与背景有 明显差别的图像。根据螺纹图像的特点应选用双峰法，双峰 法需要统计灰度值的两个峰值，选取两峰之间的谷点作为阈 值，但这种方法较为复杂，运算量较大，这里选取阈值采用 均值法。阈值Th 取螺纹图像灰度值的均值，如式（1）所示 M N ∑∑ f ? x, y ? Th ? x ?1 y ?1 （1） M ? N 边缘抽样处理 边缘剥离 图象预处理 的大小和元素值的不同有不同的微分算子，如：Robert 算子、 Prewitt 算子、Sobel 算子和 Kirsch 算子，这四种时域边缘检 测算子对噪声都比较敏感，提取出的边缘较粗，而且边缘定 位不精确，且常常会在检测边缘的同时加强噪声。本文用的 形态学方法是一种有代表性的非线性数学方法，在图像处理 中已获得广泛应用。形态学运算是物体形状集合与结构元素 之间的相互作用，对边缘方向不敏感，并能在很大程度上抑 制噪声和探测真正的边缘。同时数学形态学在图像处理方面 还具有直观上的简单性和数学上的严谨性，在描述图像中物 体形态特征上具有独特的优势。因此，将数学形态学用于边 缘检测，具有滤除部分噪声的效果，同时又可保留图像中的 原有细节信息，是边缘检测技术的一个重大突破[5]。 本文将用二值数学形态学的一些算法来对螺纹边缘进行 提取，二值形态学变化包括形态学的膨胀、腐蚀和梯度计算等。 集合 B 表示集合 B 的反射，即 B ? ?ω | ω ? ?b, b ∈ B?； ?0 0 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 0 0 0 0 1 1 1 0? ?0 0? ? ? ?0 0? B ? ?0 0? （4） ? ? ?0 0? ? 0 ? 0 ? ? ?1 1? ? ? 经二值数学形态学变化剥离出的螺纹图像边缘，边缘点 密度过大，不利于后续的螺纹边缘曲线拟合，故需要进一步 抽样提取边缘点。 2.3 螺纹图像边缘点抽样提取 设 h( x, y) 为腐蚀的灰度图像， h( x, y) 取值如式（5）所 示，其中 AveL 为灰度值小于阈值Th 的像素点的灰度均值， 即图像中目标螺纹灰度的均值。 AveH 为灰度值大于阈值 Th 的像素点的