一种新的基于 Zernike 正交矩亚像素边缘定位的直径测量方法 [J], 宋晋国; 党 宏社; 洪英; 梁勇 2.一种改进的正交 Fourier-Mellin 矩亚像素边缘检测算法 [C......
本文提出一种新的亚像素精度的边缘检测算法 . 该方法给出了一种可修正的贝塞尔点扩...
一种亚像素边缘检测方法_IT/计算机_专业资料。提出一种新的亚像素边缘检测方法,...
2005 Laser 第 16 卷第 8 期 2005 年 8 月 Journal of Optoelectronics 图像的快速亚像素边缘检测方法 * 刘力双 , 张 铫 , 卢慧卿 , 赵 琳 , 王宝光 ......
因此利用文献[ 所检测的亚像素边缘点进 。 行跟踪及后续处理 亚像素边缘点不一定位于像点中心, 即其坐 , 标不一定为整数 因此直接利用亚像素边缘点确 定后续......
在视觉检测 系统中,亚像素边缘的检测、定位精度是其测量的关键,国 内外很多学者对该问题进行了广泛研究,已提出很多边缘检 测方法,如灰度矩法、空间矩法 [1] 、......
通用亚像素边缘检测算法_盛遵冰_物理_自然科学_专业资料。第 41 卷第 6 期...
基于亚像素边缘检测的二维条码识别甘摘 岚 1, 刘宁钟 2 (1.华东交通大学信...
基于Sigmoid函数拟合的亚像素边缘检测方法_数学_自然科学_专业资料。第 3...
(2014)02—0290.04 基于三次样条插值的亚像素边缘检测方法 孙秋成1...
Company LOGO 基于海森矩阵的亚像素图像边缘特征提取 班级:信研1403 姓名:杨明 1 亚像素边缘检测意义 亚像素边缘检测方法 2 3 4 5 海森矩阵检测方法原理程序流程......
摘法 要: 针对传统边缘检测算法的定位精度低 、 对噪声敏感等缺 点, 提 出基于函数 曲线拟合 的亚像素边 缘检测算 梯度方向高斯曲线拟合亚像素定位算 法。该......
基于反正切函数拟合的亚像素边缘检测方法_电子/电路_工程科技_专业资料。数字图像...
亚像素边缘定位算法的稳定性分析_数学_自然科学_专业资料。亚像素精度边缘检测 第...
实验结果表明,该方法的相对定位误差小于1%. 关键词:结构光;格雷码;边缘检测;亚像素定位;拟合 中图分类号:TH471 文献标识码:A ASub-PixelStripeEdgeDetectionBased......
然而由于各种物理条件(如摄像 机,存储器等)的限制,所获取图像分析的关键步骤,边缘的定位精度直接影响 到尺寸检测的精度。 3.1 基于曲面拟合的亚像素边缘检测方法 ......
edu. cn 。 一种改进的灰度矩亚像素边缘检测算法罗 ,侯 ,付 钧艳丽 (...
本文提出了一种改进的基于正交傅里叶变换的新方法,提高了部分数字图像的亚像素边缘检测的准确性。首先,使用这些矩的低径向阶和旋转不变性描述图像中的小物体,其次,......
【期刊名称】《计量技术》 【年(卷),期】2005(000)002 【总页数】3 页(P14-16) 【关键词】边缘检测;亚像素算法;垂直占空比;计算机视觉 【作者】廖常俊;......
为目标函数 点数m,未知数n(m>=n),得到超定方程组 BC=Y 机器视觉测量技术 2、常用拟合亚像素边缘定位法 1) 边缘灰度拟合 三次多项式拟合边缘灰度值,拐点为......

本发明专利技术提供一种亚像素边缘检测方法，包括如下步骤：获取图像；图像预处理；亚像素计算；生成亚像素边缘。本发明专利技术采用了亚像素的像素处理策略，有效地摆脱了由于像素点过大造成的精度丢失问题，能找到更为真实的图像边缘，提高了视觉测量的准确性，可作为高精度机器视觉测量的预处理步骤。
Subpixel edge detection method
The invention provides a sub-pixel edge detection method, which comprises the following steps of: acquiring an image; image preprocessing; sub-pixel calculation; generating sub-pixel edge. The invention adopts the pixel processing strategy of subpixel, effectively get rid of the pixels caused by excessive loss of precision, can find a real image edge, and improve the accuracy of vision measurement, can be used as a preprocessing step for high precision machine vision measurement.
【技术实现步骤摘要】
本专利技术涉及机器视觉
，具体涉及一种亚像素边缘检测方法。
技术介绍
边缘检测是图像处理和计算机视觉中的基本问题，其目的是标识数字图像中亮度变化明显的点，因为图像属性中的显著变化通常反映了属性的重要事件和变化。边缘检测也是高精度机器视觉测量领域对所获取的图像进行分析判别的必要预处理步骤，在边缘被提取的前提下，其他基于边缘的诸如轮廓检测、尺寸测算等步骤才能进一步展开，从而完成整个高精度机器视觉的流程。目前，流行的方法有Canny算子、Sobel算子等成熟的像素级别的边缘检测算法，但是在现今高精度视觉测量领域，像素级别的边缘检测在精度水平上已经越来越不能满足需求，因此，亚像素边缘检测应运而生。所谓亚像素，就是将原本获取的图像的基础上，将其每个像素点再度进行拆分，使之用比像素更小的“亚像素”单位来表征图像。由于亚像素的尺寸较像素尺寸小，意味着其可以表征的精度比像素要高，可以满足一些较苛刻的高精度机器视觉检测任务的需求。然而，现有的亚像素边缘检测方法，存在由于像素点过大而造成精度丢失的问题，导致图像边缘不太真实，视觉测量的准确性不太高等问题。
技术实现思路
本专利技术的目的是提供一种亚像素边缘检测方法，利用亚像素边缘检测的算法对获取图像进行边缘检测，能有效解决由于像素点过大而造成精度丢失的问题，并以此作为高精度机器视觉测量的预处理步骤。为了实现上述目的，本专利技术采用的技术方案如下：一种亚像素边缘检测方法，包括如下步骤：(1)、获取图像；(2)、图像预处理；(3)、亚像素计算；(4)、生成亚像素边缘。根据以上方案，所述步骤(1)包括如下具体步骤：(11)、将物体置于透明玻璃片上；(12)、用远心镜头垂直于玻璃片拍摄照片。根据以上方案，所述步骤(2)包括如下具体步骤：(21)、对获取的图像进行中值滤波；(22)、计算图像中各像素水平梯度；(23)、计算图像中各像素垂直梯度。根据以上方案，所述步骤(3)包括如下具体步骤：(31)、找出像素点中水平梯度大于a的点，该点集合记为A；(32)、找出像素点中垂直梯度大于b的点，该点集合记为B；(33)、将集合A中的水平梯度点最大值和最小值相减得到c；(34)、将集合B中的垂直梯度点最大值和最小值相减得到d。根据以上方案，所述步骤(4)包括如下具体步骤：(41)、将集合A中的水平梯度最大值与A中各个点的水平梯度相减，所得差值除以c，再将该点的横坐标与此结果相减，得到亚像素级别的横坐标；(42)、将集合B中的垂直梯度最大值与A中各个点的垂直梯度相减，所得差值除以d，再将该点的纵坐标与此结果相减，得到亚像素级别的纵坐标；(43)、将横、纵坐标合并得到最终亚像素级别边缘点的坐标。本专利技术的有益效果是：与其他亚像素边缘检测方法相比，本专利技术采用了亚像素的像素处理策略，有效地摆脱了由于像素点过大造成的精度丢失问题，能找到更为真实的图像边缘，提高了视觉测量的准确性。附图说明图1是本专利技术的总流程示意图。具体实施方式下面结合附图与实施例对本专利技术的技术方案进行说明。本专利技术提供一种亚像素边缘检测方法，包括如下具体步骤(见图1)：(1)、获取图像：(11)、将物体置于透明玻璃片上；(12)、用远心镜头垂直于玻璃片拍摄照片；(2)、图像预处理：(21)、对获取的图像进行中值滤波；(22)、计算图像中各像素水平梯度；(23)、计算图像中各像素垂直梯度；(3)、亚像素计算：(31)、找出像素点中水平梯度大于a的点，该点集合记为A；(32)、找出像素点中垂直梯度大于b的点，该点集合记为B；(33)、将集合A中的水平梯度点最大值和最小值相减得到c；(34)、将集合B中的垂直梯度点最大值和最小值相减得到d；(4)、生成亚像素边缘：(41)、将集合A中的水平梯度最大值与A中各个点的水平梯度相减，所得差值除以c，再将该点的横坐标与此结果相减，得到亚像素级别的横坐标；(42)、将集合B中的垂直梯度最大值与A中各个点的垂直梯度相减，所得差值除以d，再将该点的纵坐标与此结果相减，得到亚像素级别的纵坐标；(43)、将横、纵坐标合并得到最终亚像素级别边缘点的坐标。本专利技术可应用于机器视觉
，作为高精度机器视觉测量的预处理步骤。以上实施例仅用以说明而非限制本专利技术的技术方案，尽管上述实施例对本专利技术进行了详细说明，本领域的相关技术人员应当理解：可以对本专利技术进行修改或者同等替换，但不脱离本专利技术精神和范围的任何修改和局部替换均应涵盖在本专利技术的权利要求范围内。本文档来自技高网...
【技术保护点】
一种亚像素边缘检测方法，其特征在于，包括如下步骤：(1)、获取图像；(2)、图像预处理；(3)、亚像素计算；(4)、生成亚像素边缘。
【技术特征摘要】
1.一种亚像素边缘检测方法，其特征在于，包括如下步骤：
(1)、获取图像；
(2)、图像预处理；
(3)、亚像素计算；
(4)、生成亚像素边缘。
2.根据权利要求1所述的亚像素边缘检测方法，其特征在于，所述步骤
(1)包括如下具体步骤：
(11)、将物体置于透明玻璃片上；
(12)、用远心镜头垂直于玻璃片拍摄照片。
3.根据权利要求1所述的亚像素边缘检测方法，其特征在于，所述步骤
(2)包括如下具体步骤：
(21)、对获取的图像进行中值滤波；
(22)、计算图像中各像素水平梯度；
(23)、计算图像中各像素垂直梯度。
4.根据权利要求1所述的亚像素边缘检测方法，其特征在于，所述步骤
(3)包括如下具体步骤：
(31)、...
【专利技术属性】
技术研发人员：傅之成，邵卿，李晓强，赵洋洋，
申请(专利权)人：傅之成，
类型：发明
国别省市：浙江;33

摘要:随着图象识别技术更广泛的应用到生产领域,其和自动控制相结合可以大大提高工业生产效率,减少人工操作带来的种种弊端。由于使用图像采集,计算机分析、处理、控制,光纤熔接机物镜检测精确度大大提高,从而使光纤熔接机的熔接质量有了进一步的提高。
关键词:亚像素 熔接机 图像处理
随着光纤通信的高速发展,光缆施工设备的需求也日益增多。光纤熔焊机在光纤通信中有着非常重要的地位,它主要用于光通信中,光缆的施工和维护。主要是靠放出电弧将两头光纤熔化,同时运用准直原理平缓推进,以实现光纤模场的耦合。在熔焊过程中,系统要实时监视光纤图像,根据光纤位置来判断下一步该如何动作。由于光纤直径非常微小(直径0.125mm),需在摄像头的前端加一个放大N倍的光学显微镜头。因此,镜头的好坏和镜头对称点的准确定位成为影响熔接质量的重要因素。
目前,国内光纤熔接机镜头检测全靠人工,不仅效率低,而且检测精度无法保障。更没有一套检测标准,以至于镜头生产商与用户之间矛盾颇多。为了实现镜头的全自动检测,设计出一种基于图像识别的检测系统,并提出了软硬件设计方案。
1 硬件平台的构建
本系统的硬件平台分为机械驱动模块、图像采集模块和数据处理模块。机械驱动模块由一套机械运动装置和四个两相混合式步进电机组成。这种机械装置可以使镜头做四维运动。简单的说就是可以让镜头做上下、前后、左右以及旋转运动。通过这四种运动可以实现寻找光纤、对焦、以及搜寻对称点等功能。图像采集模块由一个CCD摄像头和一块图像采集卡组成。图像采集卡装在PC机的PCI插槽上。数据处理模块由一台PC机完成。
2 亚像素边缘定位算法的研究
在保证光纤图像采集质量的条件下,基于图像识别的镜头检测精度主要取决于测量光纤图像特征轮廓的提取精度。近年来发展的多种亚像素边缘检测算法[1-4]可突破CCD 摄像机物理分辨率的限制,使图像的边缘定位精度达到亚像素级别,极大提高了图像的检测精度。其中灰度矩边缘检测方法具有计算简单、无需插值和迭代运算等优点,有较高的实用价值,其基本原理是通过假设实际图像中的实际边缘分布与理想阶跃边缘模型的灰度矩不变性,来确定实际边缘的位置。
如图1,设I(x,y)为实际图像在归一化边缘领域D 内各像素点的灰度值;(x0,y0)为单位圆中像素点的灰度重心坐标;S 为边缘邻域D 内灰度值为h1 像素点所占的面积;p1 和p2 分别表示灰度值为h1 和h2 的像素点在邻域D 内所占的比例。上述目标区域前三阶灰度矩可以表示为:
3 检测系统软件的设计开发
在构建检测系统的硬件平台和和研究亚像素边缘定位算法之后,物镜检测系统软件的架构如图2所示: 光纤在对焦时有两种情形:一是边缘清晰,二是纤芯清晰。根据熔接机的实际工作图像,我们把焦距取在两者之间。对称点的寻找的依据是波形图的完全对称,如果不对称,则继续搜寻。由于摄像头分辨率的限制,输出的波形图不是很平滑。因此,必须在波形配对软件里对波形图像进行平滑处理。
由图3可以看出,光纤在对焦后是规则图形,但边缘精度要求较严格。因此,采用亚像素边缘定位算法可以对物镜做精确的检测和定位。
4 波形配对软件的设计开发
与检测系统配套的波形配对软件的架构如下图所示:在配对软件中,对波形上各个点之间的比较采用均方差算法,然后得出一个平均相似度。
由图5可以看出,进行平滑处理后的波形外缘更加平滑,这样有利于寻找拐点。在找到相同的拐点后,利用均方差算法可求得两张波形的相似度。
结语
物镜检测系统的研究成果大大提高了光纤熔焊机内部的镜头的检测效率和检测精度,并且提供了一套业内检测标准。而且间接地提高光纤熔焊机的熔焊质量。同时也填补了国内在光纤熔焊设备领域镜头自动检测的一项空白。
参考文献
[1]于起峰,陆宏伟,刘肖琳.基于图像的精密测量与运动测量[M].北京:科学出版社,2002.
[2]刘桂雄,申柏华,冯云庆,等.基于改进的Hough变换图像分割方法[J].光学精密工程,2002,6(3):257-260.LIU GUI-XIONG,SHEN BO-HUA.FENG YUNQING,et al.Method of image segmentation based on improved hough transform[J].Optics Precision Engineering,2002,6(3):257-260.
[3]张强劲,杨丹,张小洪,等.基于多尺度模糊逻辑的小波边缘检测方法[J].重庆大学学报,2005,28(10):62-65.ZHANG QIANG-JIN,YANG DAN,ZHANG XIAOHONG,et al.Wavelet edge detection method based on multi-scale fuzzy logic[J].Journal of Chongqing University(Natural Science Edition),2005,28(10);62-65.
[4]朱颖,江泽涛.基于Sobel算子的亚像素边缘检测方法[J].南昌航空工业学院学报(自然科学版),2005,19(2):100-102.ZHU YING,JIANG ZE-TAO.A Sub-pixel edge detection method based on Sobel operator[J].Journal of Nanchang Institute of Aeronautical Technology(Natural Science),2005,19(2):100-102.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。 这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
根据边缘形成的不同原因，对图像的各像素点进行求微分或者二阶微分可以检测出变化明显的点。边缘检测大大减少了源图像的数据量，剔除了与目标不相干的信息，保留了图像重要的结构属性。边缘检测算子利用图像边缘的突变性质来检测边缘的。可分为以下三种情况：
1.一阶微分为基础的边缘检测，如Sobel算子，Prewitt算子，Roberts算子以及差分边缘检测
2.二阶微分为基础的边缘检测，如Canny算子，laplacian算子
3.混合一阶和二阶的边缘检测，综合利用一阶与二阶微分
首先了解一下什么是非极大值抑制：
 非极大值抑制是为了去除伪边缘信息，其原理是通过像素邻域的局部最优值，将非极大值点对于的灰度值作为背景像素点，对其余非极大值的相关信息进行抑制。
了解完什么是非极大值抑制之后，我们看一下sobel算子，sobel算子是广泛应用的微分算子之一，可以计算图像处理中的边缘检测，计算图像的灰度地图。原理就是基于图像的卷积来实现在水平方向与垂直方向检测对于方向上的边缘。对于源图像与奇数Sobel水平核Gx,竖直核Gy进行卷积可计算水平核竖直变换，当内核大小为3x3时：
对图像中每一点结合卷积后的结果求出近似梯度幅度G:
当对精度的要求较高时可以使用Scharr滤波器，Scharr滤波器的水平方向与竖直方向的核为：
使用OpenCV中的库函数Sobel函数实现边缘检测，OpenCV中的Soble函数原型如下：
void cv::Sobel(InputArrat src,OutputArray dst,int ddepth,int dx,int dy,int ksize=3,double scale = 1,double delta=0,int borderType = BORDER_DEFAULT);
参数说明：
src : 输入图像
dst : 和输入图像有相同大小和通道的目标图像
ddepth : 输出图像的深度
dx : x方向的微分阶数
dy : y方向的微分阶数
ksize : sobel算子卷积核的大小，可以为1,3,5,7
scale: 可选参数，缩放导数的放缩因子
delta: 可选的增量常数
borderType : 用于推断图像外部像素的边界模式，一般是DORDER_DEFAULT,不支持BORDER_WRAP.
代码示例如下：
#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main(int argc,char* argv[])
{
    Mat srcImage = imread(argv[1]);
    if (!srcImage.data)
    {
        cerr << "fail to load image" << endl;
        return -1;
    }
    //转换为灰度图像
    Mat grayImage;
    cvtColor(srcImage,grayImage,COLOR_BGR2GRAY);
    //边缘检测
    Mat edge,EdgeX,EdgeY;
    //X方向
    Sobel(grayImage,EdgeX,CV_16S,1,0,3,1,0,BORDER_DEFAULT);
    //Y方向
    Sobel(grayImage,EdgeY,CV_16S,0,1,3,1,0,BORDER_DEFAULT);
    //转换为8bit
    convertScaleAbs(EdgeX,EdgeX);
    convertScaleAbs(EdgeY,EdgeY);
    addWeighted(EdgeX,0.5,EdgeY,0.5,0,edge);
    //使用Scharr
        Mat edgeS,EdgeXS,EdgeYS;
    //X方向
    Scharr(srcImage,EdgeXS,CV_16S,1,0,1,0,BORDER_DEFAULT);
    //Y方向
   Scharr(srcImage,EdgeYS,CV_16S,0,1,1,0,BORDER_DEFAULT);
    //转换为8bit
    convertScaleAbs(EdgeXS,EdgeXS);
    convertScaleAbs(EdgeYS,EdgeYS);
    addWeighted(EdgeXS,0.5,EdgeYS,0.5,0,edgeS);
    imshow("src",srcImage);
    imshow("edge",edge);
    imshow("edgeS",edgeS);
    waitKey(0);
    destroyAllWindows();
    return 0;
}
结果展示如下：