基于亚像素精度锯齿角度测量.docVIP

基于亚像素精度锯齿角度测量 　　摘要摘要：随着图像处理精度的要求不断提高，传统的像素级图像边缘检测算法难以满足要求。因此，需要采用精度更高的亚像素级边缘检测算法。为了提高锯齿测量精度，采用一种基于亚像素精度锯齿轮廓提取算法，并且结合最小二乘法直线拟合算法拟合锯齿边界，选用Microsoft Visual Studio 2008编程环境，采用C++ 语言编程实现锯片的锯齿角度测量。实验结果表明，该测量方法得到的锯齿角度具有较高测量精度。 　　关键词关键词：图像处理；锯齿角度；亚像素；最小二乘法 　　DOIDOI：10.11907/rjdk.1511160 　　中图分类号：TP317.4 　　文献标识码：A文章编号文章编号2016）001016403 　　0引言 　　随着计算机应用于图像处理领域，数字图像处理技术取得了飞速发展，应用范围更加广阔。在工业领域，对生产线上的产品及部件进行无损检测是图像处理技术的重要应用。形状尺寸检测是工业检测的重要组成部分，其检测结果是对生产过程进行控制的重要指标，直接影响着生产效率和质量。而在锯片生产过程中，检测锯片的每个锯齿以保证其外形在预先设定的范围内非常重要。通过图像处理技术能有效地提高工作效率和测量精确度。本文主要采用基于亚像素精度的轮廓提取位检测算法获取锯齿轮廓坐标，最后利用最小二乘法直线拟合算法拟合锯齿边界，并且计算出锯齿角度。 　　1亚像素精度边缘检测 　　亚像素检测算法是在经典算法的基础上发展起来，经典算法需要先确定图像边缘像素的位置，将周围像素的灰度值作为判定边缘的补充信息，通过插值、拟合等方法将边缘定位在更精确的位置。边缘是指图像局部亮度变化最显著的部分，主要存在于目标与目标、目标与背景、区域与区域（包括不同的色彩）之间，是图像分割、纹理特征和形状特征提取等图像分析的基础。在二维图像中，边缘表征为一种灰度分布，这种分布会受到图像噪声、光源照明方式、物体表面散射特性、摄像机位置等多种因素的影响。因此，从灰度分布中提取边缘特征时，提取精度和可靠性也会受上述因素影响。 　　1.1亚像素边缘检测原理及使用条件 　　像素是组成图像的基本单位（即图像分辨率），亚像素的精度高于图像分辨率，需要将像素再进行细分。目标特征主要分为3类： 几何特征、灰度分布特征以及几何特征与灰度特征的耦合。边缘检测利用预知的目标特征，对图像目标进行处理分析，识别并确定与目标特征最吻合的位置。在目标定位过程中，浮点运算可以实现优于整像素精度的目标定位。 　　亚像素检测算法的使用条件可以归纳为两方面。首先，目标由多个像素点组成，并具有一定的几何形状特征和灰度分布特征。换句话说，目标不能由孤立的单个像素点组成，而必须由具有特定灰度分布和形状分布的一组像素点组成，有明显的灰度变化和一定的面积大小；其次，必须明确目标定位基准点的具体位置。 　　1.2常用的亚像素边缘定位检测算法 　　（1）矩估计法。利用二维空间灰度矩的特征来确定亚像素边缘。其精度高、抗噪能力强，并且不受图像灰度加性和乘性变化的影响，但由于涉及大量的模板运算，时间长，不适合在线检测[7]。 　　（2）拟合法。一般是在最小二乘法的基础上，通过对图像中离散灰度值的渐变区进行拟合得到连续灰度函数，从而确定亚像素边缘[8]。其优点是对噪声不敏感、稳定性好。但是由于它要求待检测图像的灰度分布满足一定的连续函数形式，因而需要较多的经验知识，同时计算量较大。 　　（3）插值法。 　　该方法是亚像素边缘检测最常用的算法，其基本原理是首先获得边缘附近的像素灰度数据，然后根据周围灰度信息的分布和变化，对像素边缘点的邻域进行插值计算，通过连续域灰度，进而得到更为精确的边缘位置[9]。插值方法计算量小、精度高，适合实时在线检测，因此本文采用此方法。 　　1.3算法实现 　　本文基于亚像素精度的边缘检测算法，采用插值法。运用轮廓跟踪的算法思想检测锯齿边界。 　　首先，获得轮廓跟踪的起始点（即点（StartPointX，StartPointY）），亦是边缘点，定义以下4个邻点： 　　以p1、p2、p3、p4为基准构成四边形，4条边分别定义为top、bottom、left、right，模型如图1所示。从轮廓跟踪起始点开始在其4条边上寻找边界点，直到无边界或出界，轮廓跟踪结束，跟踪示意如图2所示。具体思想如下： 　　（1）四边形top边处理。如果此时轮廓提取的起始点没有被访问过，且不在top边上，但是像素点p1和p2对应的像素值（这里分别定义为v1，v2）一个大于阈值，一个小于阈值，则说明在该边界上存在锯齿边缘点，并且在两点之间。利用插值法得到新的轮廓跟踪起始点：StartPointX=p1.x+abs （（Th-v1）/（v