反求测量过程中图像特征信息的提取（仅供参考）.doc

反求测量过程中图像特征信息的提取（仅供参考）摘要:反求测量中所采集的数据往往包含大量各种形式的噪声干扰.在结构光测量时应用图像特征提取技术提取出测量物体的轮廓特征,将采集图像分割、二值化、细化等处理并最终提取出图像所包含的特征点数据.此方法能够快速高效的去除环境和噪声干扰.实现在反求测量过程中数据的并行处理,极大的简化了后续图像匹配和图像特征数据获取的工作量.关键词:反求测量;逆向工程;特征识别;深度图像;结构光The Study on Feature Information Detection Algorithm of Image in Reverse MeasuringAbstract:There always are varieties of noise jamming in the collection data of. In structural light measuring, using image feature extraction technology pick up the profile feature of the measured object, segment, binary-coding and thinning the image, finally scavenge the character points data in the image. This method can wipe off the environment and noise jamming quickly and efficiently, realize parallel processing data in the reverse measuring, much enormously predigest the load later image matching and feature data extraction.Key words:Reverse Measuring; Reverse Engineering; Features Identification; Range image; Structured Light引言快速而精确地获取物理模型数据是逆向工程的基础,随着光电技术和计算机技术的发展,特别是高分辨率CCD数字摄像机的出现以及视频影像技术的发展,基于光学测量的非接触式测量由于其快捷方便等优点,已经成为逆向工程领域的研究热点.在利用结构光来获取三维数据的技术中,带有结构光条纹的深度图像是实现测量任务的信息源,它包含有被测量物体表面的三维形貌信息,对结构光深度图像的处理和计算是整个测量数据任务的关键环节之一1.实际采集到的深度图像中大量的环境、以及各种形式的噪声干扰大大增加了数据提取的难度.怎样快速准确的去除这些干扰,提取出图像中结构光条纹数据即成为结构光深度图像的处理和计算的关键.去除噪声干扰的方法有很多种,其中图像分割方法能够较好的完成噪声去除的要求.目前,关于图像分割的多数研究工作集中在如何得到一个最佳的分割结果.然而,在实际应用中常需要不同约束(例如,不同阈值)下的多个分割结果,这是由于所需信息往往散布在多个不同等级上,在相同约束下不能同时被较好地提取.将一种分割算法在不同约束下运行多次可以满足上面的要求,但却是一个费时和令人沮丧的方法.为此,Beucher2基于形态学流域变换提出了等级分割的思想,即计算过程中并不取阈值,而是按照某种标准计算所有区域轮廓线的显著性.Najman* E-mail: Received February 26, 2004; revised June 3, 2004; accepted September 13, 2004.黑龙江省自然科学基金(No. E200527)、黑龙江省教育厅科技项目(No. 10051066)资助.和Schmitt3进一步提出利用弧段动力学Arc Dynamics(AD)作为区域轮廓弧段的显著性度量,首先得到所有轮廓点的显著性值,然后通过取不同阈值得到对应的显著性等级的区域轮廓输出.Beucher的等级分割算法必须多次运算直到收敛,而且等级无法做细,Najman和Schmitt的算法可以得到较精细分级,但在求取区域轮廓显著性时效率较低(需要运行两次相对费时的溢流过程).据此,本文提出在深度图像采集过程中应用特征识别技术4分割图像的图像特征信息提取方法.将CCD采集到的图像进行平滑、二值化、图像分割等预处理,然后再将所得文件进行合理压缩提取有效数据将对后续数据处理影响较大的部分事先去除.从而解决了在图像信息中干扰信息不易去除的难题,实现数据的并行处理,减少测量过程人工干预,大大加快测量速度,为后续数据处理以及特征识别提供依据.最后通过试验对此方法进行了验证.系统硬件组成图像采集所使用的线结构光双目三维视觉测量系统如图1,主要由旋转工作台、测头组件、以及计算机控制三部分组成.测头组件水平移动结合旋转工作台旋转运动来完成对被测物体的测量.测头组件中两个CCD平行放置采集激光器发出的线结构光条纹投射在被测物体表面的图像.由于环境的光照以及被测物体材料、形状、位置等的影响,实际结构光测量系统采集到的经常是干扰性很强的条纹图像.如图2所示实际图像中包括环境干扰、还有噪声干扰(有些在数据处理时很难去除),而且图像中很多区域例如被测物体轮廓以外的部分对于实体数据提取是无用的.如何有效地提取出深度图像中包含的空间数据信息示反求工程测量的关键技术.而在这些空间数据信息中包含的被测物体的特征信息提取更是反求工工程中多视数据拼接和CAD模型重建的重要依据信息.图像特征信息提取的实现本文将特征信息提取技术应用于结构光测量设备图像采集过程中,如图2所示在深度图像中既包括有用信息也包含环境影响和噪声等无用信息,两类信息将深度图像分成两大部分.而且两部分有着明显边界.因此选择出合适的特征识别算法,将边界提取出来即可将两部分区分开,以达到去除环境影响,降低噪声,压缩数据的目的.过程如下:差影法提取被测物体图像如图3所示在对测量环境没有严格的要求时,关闭激光器,采集没有放置被测物体时的环境背景图像图3a,然后在同样的条件下,采集放置了只进行简单反差处理的被测物体时的测量图像图3b,再使用差影法用测量图像图3b减去背景图像图3a即可得到被测物体的图像.此时图像中除被测物体以外的部分灰度值为0(黑色)或者接近0,经过反色处理后如图3c.图像域值变换得到被测物体的图像(图3(c)反色处理前的图片)除被测物体外的区域灰度值接近0,与被测物体图像灰度值差别很大.先使用平均模版(3X3)对图象进行平滑处理,再应用域值变换程序将参数设置为40,即将灰度值大于40的图像灰度值赋值255(白色),其余灰度值赋值为0(黑色),再经过反色处理后的图像如图4所示.识别被测物体图像边缘常用的边缘检测的算子是Canny边缘算子和亚像素边缘检测算子.Canny 算法具有很好的背景抑噪的效果,基本上可以得到目标物体的轮廓.但是Canny 算法是试图通过局部梯度的强度和方向来闭合边缘,所以边缘检测的结果中会有大量的不闭合区域.这样会对目标识别的后续处理带来一定的困难5.而亚像素边缘检测算子提取图像边缘效果明显,得到目标物体的轮廓更准确,能达到较好的噪声去除效果.在程序中调用亚像素边缘检测的算子对图4反色处理前的图像提取特征边缘,得到被测物体的边缘深度图像.如图5,是经过反色后的图像,其中黑色代表外部边缘曲线.这条外部边缘是分割图像的重要依据.图像采集区域分割由图5可知特征边缘将整幅图像分割成两部分,应用这一特点在图像采集过程中将边缘曲线以外部分的图像灰度值赋为0(黑色),而将边缘曲线内的图像动态显示(图6).可以看到线结构光被特征边缘截取,显示的正是测量中需要采集的测量数据部分.图像采集区域分割能将除被测物体以外的所有噪声干扰排除.此时图像清晰,包含数据提取所需要的全部信息,不会影响数据提取精度.所得数据结构简化,方便数据提取.采集图像处理采集图6所示图像,(只需考虑图像中边缘以内部分即可)对其进行平滑处理后对图像域值变换将其参数设置为250,再经过图像反色处理得到如图7所示图像.此时图像中线条宽度方向由十几个像素组成,线条均匀,连续性好,没有复杂噪声干扰,数据处理简单,人为干预少.大大简化了数据的预处理工作.测量数据提取将图7中得到的线条细化得到宽度为1个像素包含空间深度信息的连续的曲线.应用坐标提取程序提取出图像中的像素坐标信息如图8所示.至此被测物体点数据提取完成.结语实验证明此方法对测量环境和被测物体材质要求不高、噪声干扰比较强的图像经本文提出的图像处理过程的处理,可以快速去除噪声干扰,对采集数据进行压缩,并得到精确的特征数据.利用开发的图像特征提取模块对采集图像进行处理,可以快捷且效果的分割采集图像数据,对其精简压缩,处理后的图像数据可直接提取不需要人工干预.整个测量过程只需要在数据采集前将测量过程要用到的背景图像采集按顺序存储,再以同样顺序采集并保存放置被测物体时的图像序列,再应用上面的图像特征提取方法动态采集图像即提取到被测物体的部分数据,应用结构光测量仪软件系统即可得到用点表示的空间曲面.图像特征提取方法可以大大加快了条纹图像处理速度,为实物快速反求提供方法及技术支持.参考文献毛迟.基于结构光测量技术的反求系统关键技术的研究D.哈尔滨理工大学硕士论文,2004.3Serge BEUCHER. Images segmentation and mathematical morphology D. Paris:PhD thesis,Superior National School ofMines,1990.Laurent NAJMAN,M