弧齿锥齿轮接触斑点图像边缘提取.docVIP

弧齿锥齿轮接触斑点图像边缘提取 　　摘 要: 边缘提取是数字图像处理技术的一个重要环节,被广泛应用于工业检测领域之中。弧齿锥齿轮的接触斑点形态是衡量其传动性能的重要指标之一。在接触斑点数字化识别的过程中,其图像的边缘提取是非常重要的一步。本文提出的边缘检测方法将Canny检测算子应用于处理过后的二值目标图像,经过实验对比,明显优于传统基于灰度图像进行处理的结果。 　　关键词: 弧龄锥齿轮 接触斑点数 字化识别 边缘检测 图像的边缘提取 　　 　　1.引言 　　弧齿锥齿轮由于接触区域大、滑动速度小等优点被广泛应用于航空工业、汽车工业和重型矿山设备等领域。接触斑点是衡量弧齿锥齿轮啮合质量的重要指标之一。传统的弧齿锥齿轮检测方式是在对滚机上通过一对齿轮的涂色层对滚,然后让经验丰富的技术人员目测齿面留下的接触斑点位置形态来判断其是否合格及啮合质量的优良。这种方法过于依赖于技术人员的现场经验,很难使判断精准化和标准化,给齿面的进一步修正带来困难[1]。 　　随着数字图像处理技术的迅猛发展,边缘检测技术逐渐被推广到工业检测的各个领域当中。基于计算机图像处理技术的快速新型检测方法被应用于轮齿接触斑点检测。在弧齿锥齿轮接触斑点数字化识别的过程中,其图像的边缘提取是非常重要的一步。 　　2.传统边缘检测算法 　　图像像素局部强度变化最显著的部分称之为边缘。它是图像最基本的特征之一。由于沿边缘走向的像素变化平缓,而垂直于边缘方向的像素变化剧烈,因此经典的边缘提取方法都是利用边缘邻近的一阶或二阶方向导数变化规律来确定边缘像素。常用的一阶微分算子有Roberts算子、Prewitt算子、Sobel算子,二阶微分算子有LoG算子,另外,还有基于优化理论的Canny边缘检测算子[2]-[3]。 　　2.1一阶微分算子 　　由于边缘是图像灰度变化比较剧烈的地方,在灰度突变处求导将产生极大值,因此在数学上可用灰度导数的大小来表示灰度变化。梯度对应的是一阶导数的信息,因此梯度算子就是一阶导数算子。基于梯度的边缘检测算子是图像处理中最为常用的方法之一。 　　任意一幅图像f(x,y)在点(x,y)的梯度可写成矢量形式: 　　则该梯度的幅值为: 　　梯度的方向则由下式定义,其中θ是与x轴的夹角。 　　然而由于数字图像是离散的,一般用一阶差分来代替一阶倒数进行运算,其定义的形式为: 　　常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子。Roberts算子是一种斜向偏差分的梯度计算方法,梯度的方向与边缘走向垂直,在水平和垂直方向检测效果较好;Prewitt算子不仅能检测边缘点,而且能抑制噪声的影响,对灰度和噪声较多的图像处理得较好;Sobel算子利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的阀值来取舍。Sobel算子能够提供较为精确的边缘方向信息,但是由于局部平均的影响,它同时也会检测出许多伪边缘,且边缘定位精度小,得到的边缘较粗。 　　2.2二阶微分算子 　　一阶微分算子对图像求一阶导数当高于某一阈值时,则确定该点为边缘点。这样会导致检测的边缘点太多,检测得到的边缘也会较粗,这就影响了边缘定位的精度。另一种方法就是求梯度局部最大值对应的点,即求二阶导数,并认定它们是边缘点,这样可以检测出更精确的边缘。但同时也很明显,二阶导数算法要比一阶导数复杂,实现起来相对困难。常见的二阶导数的边缘检测算子有Laplacian算子、LoG算子。 　　Laplacian算子是通过寻找图像灰度值二阶导数的零交叉点来检测图像边缘点的,它对细线和孤立点检测效果较好,对方向不敏感。但由于Laplacian算子为二阶差分,其方向信息常丢失,从而产生双像素,对噪声起到加倍作用,所以它很少直接用于边缘检测。为此,Marr和Hildreth提出先采用高斯低通滤波器对图像进行预先平滑,然后对滤波后的图像进行Laplacian运算,此时二阶导数值等于零的像素点被认为是边界点。这种算子被称为LoG算子,有的文献当中也把LoG算子叫做马尔算子。LoG算子是在Laplacian算子的基础上实现的,它得益于对人的视觉机理的研究,有一定的生物和生理学意义。 　　2.3基于优化理论的Canny检测算子 　　1986年JohnCanny在IEEE上发表了一篇题为A Computational Approach to Edge Detectio的文章。在文中他把边缘检测问题转化为检测单位函数极大值的问题,并对过去的一些方法和应用作了总结,同时提出了评价边缘检测性能优劣的三个标准:(1)信噪比准则,即把非边缘点判断为边缘点的概率要低,把边缘点判断为非边缘点的概率要低;(2)高定位精度准则,即准确地将检测出的边缘点定位在实际边缘的中心;(3)单