彩色伪随机编码投影新方法及其解码(共85页)

1、PAGE J I A N G S U U N I V E R S I T Y本 科 毕 业 论 文 彩色伪随机编码投影(tuyng)新方法及其解码The New Method of the Colored Pseudo-random Code Projection and the Decoding学院(xuyun)名称： 专业(zhuny)班级： 学生姓名： 学 号： 指导教师： 指导小组： 2008年06月摘 要近三十年来，计算机视觉发展(fzhn)迅速，其应用的一个重要方面就是视觉检测，它是计算机视觉技术在在线检测领域中的应用，已成为仪器科学(kxu)的重要研究领域之一。而计算机视觉技术中

2、一个重要的问题就是如何从二维图像中恢复出场景的三维坐标数据，重构三维场景的几何结构和物体的三维几何模型。其中又以场景图像中的坐标点匹配问题为难点，通常解决该问题的一种有效(yuxio)方法是采用结构光主动视觉技术，如点结构光、线结构光扫描法以及编码结构光法等。要想只利用一幅图像来对三维场景进行欧氏空间重构，尤其是动态的三维场景，最有效的方法是采用编码结构光照明主动视觉技术及其装置，因此，研究合适的编码结构光投影方法，解决三维场景图像上的彩色伪随机序列编码模板的坐标点匹配问题，是计算机视觉技术中的一个极其重要的理论与技术问题。本论文主要研究彩色伪随机编码投影新方法及其解码。即通过对三维场景表面进

3、行彩色伪随机序列空间编码，并根据伪随机序列的一个重要属性窗口特性，使三维场景表面上的每一个采样点被唯一辨识，同时通过特征点提取算法提取采样点的坐标，解决三维表面重构时图像解码难题。基于课题中提出的研究目的与当前国内外的研究现状，论文主要就项目中涉及到的彩色伪随机编码投影技术与解码方法进行研究，主要分以下几个方面：（1）研究一个新的伪随机彩色编码投影模板，以解决特征点提取难的问题。通过对三维场景表面进行伪随机彩色空间编码，利用伪随机编码的窗口特性，使每一个特征点能被唯一辨识。（2）研究特征点、特征线提取方法。应用形态学处理方法，在拍摄到的图像上对RGB图层进行颜色区分，再通过滤波、膨胀、腐蚀等处

4、理方法进行特征点、特征线提取。（3）研究和这个伪随机彩色编码投影模板相对应的解码方法。由摄像机拍摄到的彩色编码二维图像若要还原到三维场景，那么必须要对图像进行有效的解码，把图像中提取出来的特征点和编码模板中的点一一匹配起来。经大量实验并对比验证，该方法可以实现特征点的自动提取与匹配，算法简单、处理速度快，且匹配结果精确、可靠。关键词：计算机视觉； 彩色伪随机编码； 伪随机阵列； 数学形态学； 特征点提取AbstractIn recent 30 years, the computer vision has developed rapidly, and an important aspect of

5、 its application is visual inspection. It is the application of the computer vision technology in the on-line examination domain, and it has become one of the important research areas of instrument science. An important problem of the computer vision technology is that how to restore the three dimen

6、sional coordinate data of the scene from the two-dimensional picture and how to reconstruct three dimensional scene geometry structure and the stereo geometric model of the object. The most difficult problem among them is the problem of coordinate match in the scene image. Usually to solve this ques

7、tion, one of the effective methods is to use the structured light illumination, such as dot structured light, line structured light, encoded structured light pattern and so on. In order to use one image to reconstruct the three dimensional euclidean space scene, particularly the dynamic 3-D scenes,

8、the most effective method is to use the active visual technology of encoded structured light, as well as its device. Therefore, the research of the encoded structured light pattern to resolve the correspondence problem is very important in stereo vision inspection. This paper mainly focuses on the n

9、ew method of the colored pseudo-random code projection and its decoding. Through carrying on the colored pseudo-random sequence encoding to the 3-D scene surface, and according to an important attribute of pseudo-random sequence, the window characteristic, each sampling point on the three dimensiona

10、l scene surface is recognized solely. Simultaneously through the characteristic point extraction algorithm, the sampling points are extracts to solve the problem of 3-D surface restructuring image decoding. Based on the topic and the current domestic and foreign research situation, in the paper, the

11、 new method of the colored pseudo-random coding and the decoding which mentioned on the project are mainly studied. Following are several aspects of the research: (1) To solve the problem of extracting characteristic point by researching a new pseudo-random color coding projection template. Through

12、carrying on the pseudo-random color space code to the three dimensional scene surface and using pseudo-random code window characteristics, each characteristic point is recognized solely.(2) To research on the extraction method of the characteristic point and the characteristic curve. The color of th

13、e RGB chart level in the photography image are differentiated by applying morphology processing method. The characteristic point and the characteristic curve are extracted through the method of filter, dilation, cauterization and so on. (3) To research on the decoding method which corresponds with t

14、he colored pseudo-random code projection template. An effective method should be used to decode the image so as to reconstruct the three dimensional scene from the photography image. The characteristic point which extracted from the photography image should be matched to the point of encoded templat

15、e one to one.After a mass of experiments and contrasts, this method may achieve the extraction and match of characteristic point automatically. The algorithm is simple. The processing speed is quick. And the match result is precise and reliable. key words: computer vision; colored pseudo-random code

16、; pseudo-random array; mathematics morphology; characteristic point extraction目 录绪论(xln)11.1 三维视觉(shju)检测系统11.1.1 三维视觉检测系统(xtng)的组成11.1.2 视觉传感器的结构种类21.2 课题的研究内容2 1.3 课题的国内外研究概况31.4 论文的结构安排4第二章 彩色伪随机编码投影模板的原理与设计52.1伪随机编码原理5 2.1.1伪随机序列的原理52.1.2 伪随机阵列的构建方法72.2 三维欧氏重构中的伪随机序列编码投影方法102.2.1 几种典型的伪随机序列编码方法1

17、02.2.2 伪随机序列编码方法的比较112.3 彩色伪随机编码模板的实现112.3.1 伪随机编码模板的构成112.3.2 伪随机编码模板色彩的选择132.4 本章小节13第三章 彩色伪随机编码图像的特征点提取和匹配143.1 形态学图像处理相关知识143.1.1 二值图像143.1.2 腐蚀(fsh)运算和膨胀运算143.1.3 开运算(yn sun)和闭运算153.1.4 细化与收缩(shu su)153.2 彩色伪随机编码图像的特征点、特征线提取方法153.2.1 特征点的提取方法153.2.2 特征线的提取方法173.3 彩色伪随机编码图像的特征点匹配173.4 本章小节19第四章

18、彩色伪随机编码投影实验与图像处理214.1 彩色伪随机编码投影实验214.2 彩色伪随机编码图像的特征点、特征线提取与图像处理224.2.1 特征点、特征线提取的图像处理224.2.2 特殊区域图像处理的改进244.3 彩色伪随机编码图像特征点匹配的数据处理254.4 本章小节28第五章 总结与展望295.1 总结295.2 展望30致谢31参考文献32附录34附录一：程序清单34附录二：数据表61插图(cht)清单图1.1 视觉测量(cling)系统的组成2图2.1 线性移位(y wi)寄存器6图2.2 构建伪随机阵列的步骤图8图2.3 线性移位寄存器实例9图2.4 伪随机阵列9图 2.5

19、伪随机序列编码投影模板组图10图2.6 彩色伪随机序列编码投影模板12图 2.7 RGB颜色空间13图 3.1特征点、特征线提取方法示意图16图3.2 特征点位置发生偏移18图3.3 检测窗口示意图19图3.4 特征点匹配程序流程图20图4.1 圆球石膏模型投影图像21图4.2 人像石膏模型投影图像22图 4.3彩色伪随机编码投影实验的图像处理组图24图4.4 人像模型特征线范围25图4.5 人像模型特征线26图4.6 橙色区域放大图26图4.7 人像模型投影图像（部分）27图4.8 模板图像（部分）27表格清单表2.1 移位寄存器的状态数与状态7表 2.2 Galois域的本原多项式7表 4

20、.1 RGB颜色范围统计23表 4.2 人像坐标点匹配数据（部分）28江苏大学2008届本科生毕业设计（论文） PAGE 89江苏大学2008届本科生毕业设计（论文） PAGE 0绪论(xln)计算机视觉作为一门新兴(xnxng)的学科，从八十年代以来发展迅速，人们对其研究已经经历了从实验室走向实际应用的发展阶段。其中，计算机视觉应用的一个重要方面就是视觉检测，它是计算机视觉技术在在线检测领域中的应用 REF _Ref200181881 r h * MERGEFORMAT 9，已成为仪器科学的重要研究领域之一。虽然目前的视觉检测技术仍未具有人类视觉的威力和智慧，但是由于视觉检测系统可以快速获取

21、大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产(shngchn)过程中，人们将视觉检测系统广泛地用于工况监视、成品检验和质量控制等领域，其优点是提高生产的柔性和自动化程度。在三维视觉场景重构过程中，一个众所周知的难题就是场景图像上的坐标点匹配问题。通常解决该问题的一种有效的方法是采用结构光主动视觉技术，如点结构光、线结构光扫描法以及编码结构光法等。要想用一幅图像在真正的三维欧氏空间重构三维场景 REF _Ref200180093 r h * MERGEFORMAT 1 REF _Ref200180094 r h * MERGEFORMAT 2，尤其是动

22、态的三维场景，最有效的方法是采用编码结构光照明主动视觉技术及其装置。因此，研究合适的编码结构光照明方法，解决场景图像上的坐标点匹配问题，是三维场景中的一个极其重要的理论与技术问题。本课题主要研究基于编码投影技术自标定重构欧氏空间三维场景中的彩色伪随机编码投影新方法及其解码。即通过对三维场景表面进行伪随机彩色空间编码，并根据伪随机编码的一个重要属性窗口特性，使三维场景表面上的每一个采样点被唯一辨识，同时通过特征点提取算法提取采样点的坐标，解决三维表面重构时图像解码难题。1.1三维视觉检测系统1.1.1 三维视觉检测系统的组成一个比较典型的三维视觉测量系统 REF _Ref200180462 r

23、h * MERGEFORMAT 14一般以计算机为中心，由光源系统、视觉传感器、图像采集系统以及图像处理系统、控制系统等模块组成，如图1.1所示 REF _Ref200163622 r * MERGEFORMAT 29。三维视觉系统分为三部分:图像的获取、图像的处理和分析、输出或显示。三维视觉系统的输入装置主要是相机，它把三维的影像作为输入源，即输入计算机的就是三维世界的二维投影。如果把三维客观世界到二维投影像看作是一种正变换的话，则三维视觉系统所要做的是从这种二维投影图像到三维客观世界的逆变换，也就是根据这种二维投影图像去重构三维的客观世界。本课题在进行三维重构视觉实验时，首先采用(ciyn

24、g)LCD投影仪将所设计的彩色伪随机序列编码投影模板投射到三维场景中，然后用CCD摄像机采集带编码信息的图像，再对图像进行一系列处理从而得到重构结果。图1.1 视觉测量系统(xtng)的组成1.1.2视觉(shju)传感器的结构种类视觉传感器是机器视觉中最基本的组成要素，由于视觉检测对象存在多样性，使得相应存在多种视觉检测方法，而不同的方法对视觉传感器的要求不同，如检测速度、检测精度、检测范围和性价比等，从而形成了多种形式的视觉传感器。根据照明方式和几何结构关系的不同，可以分为被动视觉(Passive Vision)传感器和主动视觉(Active Vision)传感器两大类 REF _Ref2

25、00163697 r * MERGEFORMAT 12。被动视觉传感器的光源来自自然环境或者专用照明系统，然后根据被测空间在不同像面上的相互匹配关系来获得空间点的三维坐标;相反，主动视觉传感器采用了结构光照明技术，通过结构光在被测物体上的精确定位来获取被测信息。其照明所用的光源多为激光，因为激光具有方向性好、亮度高、能量集中等优点，它发射的能量和方向可以方便且严格的控制。在被动视觉系统的预标定三维重构方法中，至少需要用2幅以上的序列图像才能重构三维场景12，而且序列图像中匹配点如何识别与不确定性并不能得到很好地解决，尤其是对于自然场景和自由曲面物体的序列图像中的匹配点识别仍是问题，不能在真正的

26、三维欧氏空间实现场景的三维重构，即重构的场景是一个相对的三维场景，得不到场景中两点间的绝对距离。为了避免上述问题，一种有效的方法是采用结构光主动视觉技术，如点结构光、线结构光扫描法以及编码结构光法等。然而扫描法必须使用精密标定装置事先标定有关参数，而且它们只能适用于特定的场合，要做到在线实时标定或预标定重构三维场景，难度很大，有时甚至不可能。更重要的一点是它们不能用一幅图像重构三维场景。所以要想用一幅图像在真正的三维欧氏空间重构三维场景，尤其是动态的三维场景，一种很有效的方法是采用编码结构光照明主动视觉技术 REF _Ref200185712 r h * MERGEFORMAT 18。1.2

27、课题的研究(ynji)内容本论文研究(ynji)的主要内容来源于江苏大学(dxu)高级人才基金项目“基于编码投影技术自标定重构欧式空间三维场景”（NO.04KJD005）。基于课题中提出的研究目的与当前国内外的研究现状，论文主要就项目中涉及到的彩色伪随机序列编码投影技术与解码方法进行研究，主要分以下几个方面：（1）研究一个新的伪随机彩色编码投影模板，以解决特征点提取难的问题。通过对三维场景表面进行伪随机彩色空间编码，利用伪随机编码的窗口特性，使每一个特征点能被唯一辨识。（2）研究特征点、特征线提取方法。应用形态学处理方法，在拍摄到的图像上对RGB图层进行颜色区分，再通过滤波、膨胀、腐蚀等处理方

28、法进行特征点、特征线提取。（3）研究和这个伪随机彩色编码投影模板相对应的解码方法。由摄像机拍摄到的彩色编码二维图像若要还原到三维场景，那么必须要对图像进行有效的解码，把图像中提取出来的特征点和编码模板中的点一一匹配起来。1.3 课题的国内外研究概况本论文主要研究彩色伪随机序列编码投影技术与解码方法，这种彩色伪随机序列编码技术是结构光编码方法中的一种，另外还有时间空间编码法 REF _Ref200180213 r h * MERGEFORMAT 3 REF _Ref200180216 r h * MERGEFORMAT 4、伪随机序列黑白二元图案空间编码法 REF _Ref200163848 r

29、 h * MERGEFORMAT 5 REF _Ref200180227 r h * MERGEFORMAT 6、彩色谱编码法 REF _Ref200180239 r h * MERGEFORMAT 7 REF _Ref200180240 r h * MERGEFORMAT 8等。但事实上要想得到比较理想的数据，很多国内外研究表明上述的几种方法都不是太理想，即使是采用伪随机序列编码投影技术，当编码图案不同时，得到的效果也大相径庭。但由于伪随机序列具有良好的窗口特性，只要知道窗口中子序列的情况，就能知道它在整个周期序列中的位置，所以彩色伪随机序列编码投影技术还是当今结构光编码方法中研究的重点。在

30、彩色伪随机序列编码投影技术中，特征点的提取是关键。特征点提取的越是准确、完整，匹配结果就越是精确，最后的三维欧氏重构就越是逼真。而在计算机分辨特征点的时候，从目前国内外的研究水平来看，这并不是一件容易的事。主要问题有如下几个方面：首先，还没有一个普遍的原理来指导分辨、提取过程，这就使得提取方法太过零散、随意，影响结果精度；其次，没有一个统一的标准来对提取结果进行比较，也就很难说出到底哪种提取方法比较理想；再次，目前的所有研究方法都或多或少的有一定的局限性，可能某种方法在某个场景中处理效果不错，但一旦换个环境效果就会变的很不理想。目前通过对国内外相关研究的了解，发现特征点提取主要有两种研究方法：

31、模板匹配法和角检测法 REF _Ref200185563 r h * MERGEFORMAT 10 REF _Ref200180500 r h * MERGEFORMAT 15。其中模板匹配法是一种较早的方法，在很多领域已经有很成熟的运用，但由于在较复杂的三维场景下特征点可能变形会很严重，并且也由于特征点较小，匹配精度将不是很高。而角检测法虽然算法简单，速度也处理的比较快，但如果三维场景由于不连续而产生阴影或由于摄像机拍摄角度不同使图像中一部分编码图案被覆盖导致图像中编码图案错位，或者三维表面太复杂、表面颜色不单一，就会产生大量伪拐角，需要用手工来消除，不利于特征点自动准确匹配，而且特征点匹配

32、很容易出错。因此需要考虑用一种新的方法来对特征点进行提取，由于图像形态学基本算法如今已经很成熟，并且在Matlab中有大量基于数学形态学的操作函数，所以用它来对特征点进行提取具有速度快、定位准确等特点，因此论文将着重研究基于形态学算法的特征点提取方法。1.4 论文的结构(jigu)安排根据课题的研究(ynji)内容，本论文的各章节安排如下：绪论。主要介绍了三维视觉检测系统的组成与传感器结构的种类，课题研究的意义(yy)与目的以及课题研究的主要内容。彩色伪随机编码投影模板的原理与设计。根据伪随机编码原理，针对当前主要的几种彩色伪随机编码投影模板各自的优缺点进行分析，研究出一种新的彩色伪随机编码模

33、板，以使特征点能精确可靠的进行提取。彩色伪随机编码图像的特征点提取和匹配。对于这个新的编码模板，研究如何运用形态学原理进行特征点、特征线提取。同时利用伪随机序列的窗口特性研究如何对特征点进行匹配，要求匹配结果准确。彩色伪随机编码投影实验与图像处理。针对球和头像模型两个实验进行数据处理，通过实验验证特征点、特征线提取和匹配的效果与准确性。总结与展望。总结全文取得的研究成果，并指出课题中存在的一些问题以待今后解决。彩色(cis)伪随机编码投影模板的原理与设计要想从一幅图像中提取数据重构三维场景，首先要考虑的问题就是采用何种结构光来对三维场景进行调制，即采用何种编码方法来编制投影模板，以便用模板对整

34、个三维场景进行覆盖然后(rnhu)提取图像。编码模板要求图像中的每一个特征点能被唯一辨识，能准确和模板中的点进行匹配。由于伪随机序列具有良好(lingho)的窗口特征，即对于每一个伪随机阵列，都可以确定一个尺寸很小的窗口，当这个窗口沿着这个阵列滑动时，透过该窗口所看到的任何一个子阵列均不可能完全相同，因此本论文采用伪随机序列编码投影技术，利用伪随机序列来编制投影模板。本章将重点讨论如何设计这种投影模板。2.1伪随机编码原理伪随机编码是指一个预先确定、并可重复实现的具有某种随机特性的编码，可表示为伪随机序列和伪随机阵列的形式，本文采用的是伪随机阵列的形式。伪随机编码既有随机信号所具有的优良的相关

35、性，又有随机信号所不具备的规律性，而且还具有良好的窗口特性。对于每一个伪随机阵列，都可以确定一个尺寸很小的窗口，当这个窗口沿着这个阵列滑动时，透过该窗口所看到的任何一个子阵列均不可能完全相同。根据伪随机阵列的这种特性，只要知道窗口中的子阵列，就可以准确地知道它在整个阵列中的位置。下面主要介绍下伪随机阵列的原理和如何实现伪随机阵列15。2.1.1伪随机序列的原理如果一个序列，一方面它是可以预先确定的，并且是可以重复地生产和复制的；一方面它又具有某种随机序列的随机特性 REF _Ref200180536 r h * MERGEFORMAT 21（即统计特性），于是便称这种序列为伪随机序列。因此可以

36、说，伪随机序列是具有某种随机特性的确定的序列。伪随机序列可以通过线性反馈移位寄存器（linear feedback shift register）产生 REF _Ref200164262 r * MERGEFORMAT 21，也可以通过计算机编程的方法实现。因为它具有随机特性，无法从一个已经产生的序列的特性中判断是真随机序列还是伪随机序列，只能根据序列的产生办法来判断。伪随机序列系列具有良好的随机性和接近于白噪声的相关函数，并且有预先的可确定性和可重复性。m阶线性反馈移位寄存器具有m个存储器，设每个存储器有q个状态，即q个基元（primitive element）。如图2.1所示, 当时钟脉冲

37、到来时，各个寄存器的状态依次向右输出，排成一个周期为的循环序列，即伪随机序列。图 2.1 线性移位(y wi)寄存器在这个过程中，最左边的寄存器的值必须不断得到补充，这需要一个逻辑(lu j)传递函数来不断地生成新的值，它可以表示为： （2.1.1）相应(xingyng)的多项式可写为 （2.1.2）因为是一个整系数多项式, 且公因子只有1, 所以称为线性反馈移位寄存器的本原多项式（primitive polynomial），它与整个伪随机序列是密切相关的。该本原多项式中的m个系数是Galois域GF(q)=0,1,A, 中的元素。只有选定了本原多项式，才能知道逻辑传递函数，再设定一个非全零初

38、始状态作为激励源，根据模q(mod q)运算规则，就可以唯一地确定线性反馈移位寄存器所产生的伪随机序列，这也是引入本原多项式的意义。如图2.1所示，对于模2伪随机序列而言，基元为2个值：0和1，如果选定一个4（m=4）阶的本原多项式,那么它所对应的逻辑传递函数为： （2.1.3）若其初始状态设为，则将产生序列：（一个周期），如表2.1。其中，任何一段长度为连续子序列均是一个伪随机序列。由于递归循环中，初始值不同，总共会有个不同的伪随机序列（不能以全0为初始状态），但只有m个是线性无关的。伪随机序列具有良好的窗口(chungku)特性，即一个宽度为m的窗口沿着序列移动的过程(guchng)中，通

39、过窗口所看到的同一个周期中的个子序列(xli)彼此并不完全相同。表2.1 移位寄存器的状态数与状态以上主要介绍了基元数为2的模2伪随机序列。对于基元数大于2的序列（但基元数必须是素数或素数的q次幂），称为非二进制的模q伪随机序列，对应的本原多项式如表2.2所示 REF _Ref200164262 r * MERGEFORMAT 21。表 2.2 Galois域的本原多项式2.1.2 伪随机阵列的构建方法在实际的制作编码模板的应用中，并不是使用伪随机序列，而用到的是伪随机阵列，那么如何把伪随机序列变换到伪随机阵列是本小节中所关心的问题。举个例子，令伪随机序列的周期为，其中，称为伪随机阵列的窗口参

40、数，伪随机阵列的大小为，其中 （2.1.4） （2.1.5）将该伪随机序列转换(zhunhun)为伪随机阵列其实很简单，首先建立一个的表格(biog)，把序列的第一个值填入左上角的空格中，然后按照主对角线依次把序列的值一个个填下去，当填到表格边沿时跳到对边继续填直到全部数值都填完为止，具体参见图2.2的例子。000第一次填入010000第二次填入011110011001001第三次填入图2.2 构建(u jin)伪随机阵列的填表步骤图下面介绍下如何构建彩色伪随机编码模板相对应的伪随机阵列，由窗口大小可以算出阵列大小为，具体计算方法在2.3节中会提到，选择6阶线性反馈移位寄存器，每个寄存器有4个

41、状态，于是查表2.2得出GF(q)域上的本原多项多项式为： （2.1.6）其中A为GF(4)的本原元，约束条件为，而，其反馈移位寄存器如图2.3。首先用Matlab软件编制一个脚本文件以000010为初值生成一段有4095个值的伪随机序列，再按照上面说到的转换方法用相应的算法构成一个的伪随机阵列，其中3代表A，7代表，如图2.4。图2.3 线性移位(y wi)寄存器实例通过观察可以发现，这段伪随机阵列如果拿掉最后全为零的一列，整个(zhngg)阵列其实是左右对称的，这也能很容易检查出伪随机阵列是否正确。图2.4 伪随机(su j)阵列2.2 三维欧氏重构中的伪随机序列(xli)编码投影方法2.

42、2.1 几种(j zhn)典型的伪随机序列编码方法一般来说，应用于伪随机编码(bin m)序列的编码投影模板主要有六种 REF _Ref200164659 r * MERGEFORMAT 18，如图2.5所示。第一种为细线编码，是由水平和垂直方向上的窄细的彩色编码线条相交形成的，它的特征点为这些细线的交叉中心；第二种为粗线编码，是由第一种细线条派生而来的编码，它的特征点为水平与垂直方向上两粗线条交叉处的四个角点。这两种编码模板中每一行或每一列上的特征点都在同一种颜色的编码线上。在其对应的解码算法中，需要先确定各点所在的水平和垂直线条的序号，然后才能确定特征点在整个编码模板中的位置。 （a） （

43、b） （c） （d） （e） （f）图2.5伪随机序列编码投影模板组图（a）细线编码；（b）粗线编码；（c）圆编码；（d）菱形编码；（e）离散方形编码；（f）连续方形编码第三种为圆编码，是由一些彩色实心圆呈离散状构成的阵列，其中以各圆心为特征点。但是，由于这些圆投射到未知三维物体上将随其表面发生变形，因此，该种编码只适宜于变化平缓或由平面构成的三维物体表面，而不适宜于有陡变的表面或与投射方向夹角较大的平面。第四种为菱形编码，是以单个彩色菱形模块表示每一个编码符号，每一个菱形的四个角点就是编码模板的特征点，各菱形均以其四个角点与周围的其他菱形保持接触。采用这种编码模板可以首先依据色彩信息感知菱形

44、块的位置，然后可以比较容易的追踪并确定各特征点的位置。所以这种编码对任意变化的三维物体表面具有更强的适应性。但其特征点坐标是交错排列的，这在图像解码算法的处理中不是很方便。第五种为离散方形编码，它以离散分布的彩色的方形块来表示编码符号，编码模板的特征点就是这些方形块的四个顶点(dngdin)。这种编码可以使特征点数量增加四倍，但这也很容易出现漏点，而且离散方形编码与圆编码存在一个同样的缺点，即各编码颜色单元都是孤立的，这不利于在其解码算法中对特征点位置的准确确定。第六种为连续方形编码，它与前者的区别(qbi)在于各方形之间是通过四个顶点联系在一起的。这种编码既能使特征点数量增加约三倍，来更细致

45、地特征化三维空间，又可以使后续的解码算法中的特征点定位比较容易、可靠。但是它与菱形编码存在一个同样的缺点，就是在图像中编码密度比较高的时候，会由于编码形状的扩大而增加大量的伪拐点，这些伪拐点往往需要手工来消除，不利于特征点自动准确匹配。2.2.2 伪随机(su j)序列编码方法的比较通过比较发现以上六种编码投影模板 REF _Ref200164659 r * MERGEFORMAT 18通常只能用于表面为连续的三维场景，在投影时，如果三维场景由于不连续而产生阴影或由于摄像机拍摄角度不同使图像中一部分编码图案被覆盖导致图像中编码图案错位，特征点匹配就很容易出错。所以要找一种新的办法，可以使特征点

46、精确的匹配。分析下来，编码图形一般由特征点和特征线这两种基本元素组成，上面提到的六种典型的编码方法中如果加入特征线的话那它的特征点就会少很多，精度就不高；没有加入特征线的，虽然特征点会大量的增加，但一旦编码图案发生错位，特征点就很难匹配，同样最终也影响到了重构的精度。但如果能把两者结合起来，在保证特征点不减少的情况下引入特征线，用特征线把独立的一个个特征点联系起来，即使编码图案有一定的错位，也能利用特征线很容易找出附近相连的特征点，这样就应该可以解决特征点匹配难的问题。本论文针对当前的伪随机编码投影方法存在的缺点，运用新思路提出了一种新的方法。这种方法极易实现特征点检测自动化，且具有很高的匹配

47、准确度。2.3 彩色伪随机编码模板的实现2.3.1 伪随机编码模板的构成基于伪随机编码原理和性质，利用它来设计一个彩色伪随机编码投影模板来对三维空间场景(chng jng)进行投影。编码模板的大小由窗口的大小决定，若窗口很大，那么所拍摄下来的图像上完整的窗口的数量会变少，同时也会降低特征点匹配的成功率；而如果窗口太小，其相应的编码阵列也会变小，即模板大小会变小，这样降低了三维空间的可覆盖范围，所以经过对比发现编码的窗口大小定为是比较理想(lxing)的。于是令基元q=4，则,，。由此可以产生一个有4095个元素的伪随机(su j)阵列，大小为。基元q=4对应Galois域中的0，1，A，四个元

48、素，并令这四个元素为四种颜色，具体颜色的选择将在下小节讨论。模板中选择4095个小正方形来代表4095个元素，分别涂上这四种颜色加以区分，小正方形的中心为特征点，用白色的特征线全部串连起来，整个模板的底色选择黑色，因为黑色和其他颜色相比是比较容易区分的。由此用一定算法利用matlab软件生成了一个彩色伪随机编码模板，如图2.6。对于设计完成后的彩色伪随机模板样图，当大小为的窗口在彩色编码图案上滑动时，透过该窗口所看到的任何一个编码小图案都不可能完全相同。根据伪随机阵列的这种特性，只要知道窗口中的六个元素的颜色组成情况，就可以准确的知道它在整个编码模板中的位置。图2.6 彩色伪随机(su j)序

49、列编码投影模板2.3.2 伪随机编码模板(mbn)色彩的选择在设计(shj)的编码模板中由于q=4，因此要选择4种颜色对应0，1，A，这四个元素，这4种颜色唯一的要求是在CCD摄像机拍摄后的图像中能很容易区分出来。所以在选择这四种颜色之前先来简单介绍下彩色图像和颜色空间 REF _Ref200164869 r * MERGEFORMAT 27 REF _Ref200163622 r * MERGEFORMAT 29的有关知识。一幅彩色图像实际上就是一幅RGB图像 REF _Ref200180596 r h * MERGEFORMAT 16，它本质是彩色像素的一个数组，其中每一个彩色像素点都是在

50、特定空间位置的彩色图像相对应的红、绿、蓝三个分量，一幅RGB彩色图像分为红、绿、蓝三幅分量图像，即一幅彩色图像实际上是由三幅分量图像组成的，其中每幅对应一种分量。如图2.7中所示，红、绿、蓝分别在各自的坐标轴上，RGB范围很明显没有任何的交叉，因此在计算机识别拍摄下来的编码图像上的特征点时，理论上能很容易区分这三种颜色 REF _Ref200185942 r h * MERGEFORMAT 22。从另一个角度来说，红、绿、蓝的标准RGB值分别为（255，0，0）、（0，255，0）、（0，0，255），由此也能很清楚的看出这3种颜色的取值范围任意两个都不会交叉。对于第四种颜色，通过比发现黄色合

51、适，它的标准RGB值为（255，255，0），也能很好的符合上述要求，这样选择的四种颜色来代表0，1，A，这四个元素，对于计算机来说还是比较容易识别区分开来的。图 2.7 RGB颜色(yns)空间2.4 本章(bn zhn)小节本章先通过介绍伪随机编码原理，引出了如何设计彩色伪随机序列编码投影模板。其中对比了前人研究过的几种投影模板，分析了它们各自的优缺点，在此基础上设计了新投影模板。对于在模板设计过程中如何利用伪随机序列编制(binzh)模板、颜色的选择、编码模板的各种参数的确定等问题做了详细的介绍。彩色伪随机编码图像的特征(tzhng)点提取和匹配彩色伪随机序列编码投影技术的关键在于特征点

52、的提取。要从一幅调制图像中提取有效数据来进行三维重构，其关键就是如何提取其中的特征点。特征点的提取过程其实就是对数字图像进行处理的过程，本论文采用形态学图像处理技术来对特征点进行提取。下面先介绍下有关(yugun)形态学的相关知识。3.1 形态学图像处理相关(xinggun)知识形态学一词通常指生物学的一个分支，它用于处理动物和植物的形状和结构。在数学形态学的语境种也使用该词来作为提取图像分量的一种工具，这些分量在表示和描述区域形状时是很有用的 REF _Ref200185981 r h * MERGEFORMAT 25。数学形态学是以形态结构元素为基础对图像进行分析的数学工具。它的基本思想是

53、用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据，保持它们基本的形状特征，并除去不相干的结构。数学形态学的基本运算有四个：膨胀、腐蚀、开启和闭合。它们在二值图像中和灰度图像中各有特点。基于这些基本运算还可以推导和组合成各种数学形态学实用算法。数学形态学图像处理基本算法 REF _Ref200181112 r h * MERGEFORMAT 24 REF _Ref200181115 r h * MERGEFORMAT 27当前已经比较成熟，在Matlab中有大量基于数学形态学的操作函数。 3.1.1 二值图像二值图像在形态学处理中

54、具有非常特殊的意义。一幅二值图像是一个取值只有0和1的逻辑数组，一般也称为黑白图像。由于本质上这种图像中的像素只包含了两种离散值，所以用开和闭这两种方式来操作图像可以更加容易地识别出图像的结构特征。3.1.2 腐蚀运算和膨胀运算数学形态学定义了2种基本的变换, 即腐蚀与膨胀,形态学的其他运算都是由这2种基本运算复合而成的。设为原始图像, 为结构元素, 且和都是由二维整数空间的元素组成的集合。图像被结构元素腐蚀, 用表示。图像被结构元素膨胀, 用表示, 分别定义为：其中(qzhng)，；，而为二维整数(zhngsh)空间的点。3.1.3 开运算(yn sun)和闭运算基于形态学的开运算可完全删除

55、不能包含结构元素的对象区域, 平滑对象的轮廓, 断开狭窄的间断和去掉细小的突出部分；基于形态学的闭运算可以平滑对象轮廓、将狭窄的缺口连接起来形成细长的弯口、消除比结构元素小的洞、并填补轮廓线中的断裂。开运算和闭运算定义分别为：3.1.4 细化与收缩细化算法就是重复地剥离二值图象的边界象素，但是剥离边界象素必须保持目标的连通性而且使之最终成为单象素宽的图象骨架，即细化就是将一个曲线形物体细化为一条单像素宽的线。本文引入细化是将其应用于特征线的提取。收缩是指一种以不触及单像素物体的执行方式进行腐蚀。当物体总数必须保持不变时,这种方法很有用。本文引入收缩是将其应用于特征点的提取。3.2彩色伪随机编码

56、图像的特征点、特征线提取方法本论文主要是引入了数学形态学算法来提取编码图像中的特征点与特征线。图3.1大致说明了特征点、特征线提取的总体思路。下面将结合图3.1详细说明下具体提取的方法。3.2.1 特征点的提取方法首先对CCD摄像机拍摄到的三维场景图像中的四种颜色的特征点进行初步的RGB颜色范围统计，找到各自的RGB颜色范围的上下限，对这些范围进行颜色区分，以提取出各自颜色特征点的范围。提取出的结果分成4幅分量图像，分别表示红、黄、蓝、绿特征点范围，尤其注意的是提取的过程其实也是二值化的过程，因为用形态学方法来处理图像都必须在二值图像中进行。在特征点范围提取出来后，此时得到的那些图像中都包含一

57、定的噪声，因此利用数学形态学中的开运算可以去除图像中的外部噪声，利用闭运算去除特征区域的内部漏洞。如果噪声比较大，可先多腐蚀几次再进行膨胀，但腐蚀的次数应该以不丢失特征点为界限。对去除了噪声后的特征点图像进行收缩运算，使特征区域收缩为特征点，并提取各特征点的位置。在四幅图像都提取出了特征点后，对这四幅图像分别乘以不同的系数来对这些点进行膨胀。不同的系数代表了不同的颜色(yns)，即用系数来对二值图像上不同颜色的点进行区分。膨胀后用逻辑或把四幅图像合并到一幅二值图像中，就得到了一幅只包含有所有三维图像特征点的二值图像。CCD拍摄到的图像特征点范围提取红色特征点范围特征线范围提取绿色特征点范围黄色

58、特征点范围蓝色特征点范围红色特征点绿色特征点黄色特征点蓝色特征点特征点特征线图3.1 特征(tzhng)点、特征线提取方法示意图以上的方法用于处理绝大部分理想的特征点，但在实际情况中会碰到一些复杂的情况，比如在投影时，如果三维场景由于不连续而产生阴影或三维场景中物体表面颜色不单一或者投影光线不均匀、柔和等，会影响到实际采集下来图像中特征点的RGB颜色范围，比如黄色和绿色，它们的标准RGB值为（255，255，0）和（0，255，0），一般对这两种颜色范围的取值为100,255，200，255，0，100和0，90，200，255，0，100，显然，这两种颜色范围没有交叉，即两种颜色能很容易区分

59、出来。但当投影时由于光线问题黄色特征点处于较暗的环境下，很有可能它的RGB颜色范围会受到影响变为70，255，120，255，0，80，对比绿色特征点RGB范围发现(fxin)颜色出现了交叉，即通过计算机会把一些黄色特征点误认为绿色特征点进行提取，所以不能只用一般的方法处理整幅图像。对于上面提到的问题，考虑对图像引入特殊区域进行补偿的方法来处理这些问题，即对比较暗的部分采用另一种颜色范围进行提取，对于这些较暗的部分，应该对它们进行单独的颜色范围统计，统计出各特征点颜色范围的上下限，然后(rnhu)补充到之前的一般范围中，这几种范围使用逻辑或组合起来对特征点区域进行提取。特征点的提取直接关系到后

60、面特征点匹配的精度，甚至关系到整个三维欧氏重构的精度。而依照上述方法，一般(ybn)都能很理想地提取出绝大部分的特征点，并且都把这四种颜色特征点区分开来，能保证足够的精度要求。3.2.2 特征线的提取(tq)方法特征线的提取方法和特征点的提取方法类似，但一般无需用到特殊区域的补偿方法，只需对整个图像进行处理。在具体的提取过程中，不是像特征点提取那样对提取的范围设置为白色（值为1），而其余背景设置为黑色（值为0），而是反过来对图像中的非黑色区域设置为白色，即背景色为白色。简单的说，在特征点提取中是在黑色背景上涂上白色特征区域（或特征点）来构造二值图像的，而在特征线提取中是在白色背景上涂上黑色区域