一种提取结构光条纹的中心线的方法

技术领域

本发明涉及图像处理技术，尤其涉及一种提取结构光条纹的中心线的方法。

背景技术

结构光视觉测量是非接触测量技术中的一种重要测量方法。由于结构光视觉测量具有大量程、速度快、系统柔性好和准确度适中等优点，在工业在线测量领域得到了广泛的应用。

结构光视觉测量的测量过程是：将一线条形状的光条纹投射到被测对象表面，采用相机拍摄光条图像，利用算法来提取光条纹的中心，从而根据光条纹中心的像素坐标计算被测轮廓的世界坐标。

但在实际应用过程中，由于被测对象表面形状复杂、存在各种污点的存在，因此对寻找光条纹的中心线带来了较大困难。

发明内容

本发明的目的在于解决寻找光条纹中心线的问题。

为解决上述问题，本发明实施例提供了一种提取结构光条纹的中心线的方法，包括：

获取图像数据，所述图像数据中包括结构光条纹；

将所述图像数据转化为HSV颜色空间数据；

在所述HSV颜色空间数据中确定所述结构光条纹的轮廓；

根据所述轮廓确定所述结构光条纹的中心线。

可选的，所述获取图像数据，包括：

获取包括结构光条纹的图片，所述图片为RGB格式，所述图片来源于高清相机或者带有照相装置的显微镜系统；

对所述图片进行放大处理；

将放大后的图片裁剪为预设尺寸。

可选的，所述将所述图像数据转化为HSV颜色空间数据，包括：

确定所述图像数据中每个像素点的RGB信息；

根据所述RGB信息计算出每个像素点的HSV信息；

组合所述HSV信息构成所述图像数据的HSV颜色空间数据。

可选的，在所述HSV颜色空间数据中确定所述结构光条纹的轮廓，包括：

对所述HSV颜色空间数据进行单通道数据提取操作，以获得中间数据；

对所述中间数据进行去噪处理，以获得去噪图；

对所述去噪图进行图像增强处理，以获得增强图；

对所述增强图进行二值化处理，以获得二值图；

对所述二值图进行中值滤波处理，以获得滤波图；

从所述滤波图中提取所述结构光条纹的轮廓。

可选的，通过限制对比度自适应直方图均衡(CLAHE)获得增强图。

可选的，从所述滤波图中提取所述结构光条纹的轮廓的方式为Suzuki轮廓跟踪算法。

可选的，根据所述轮廓确定所述结构光条纹的中心线，包括：

通过对轮廓进行直线拟合，以获得所述结构光条纹的中心线。

可选的，所述结构光条纹由棱镜激光灯光模组产生，所述模组的功率在10mw～3w之间。

可选的，所述结构光条纹为红色激光或者绿色激光。

可选的，所述结构光条纹的波长为500nm～700nm。

本发明实施例提供了一种获取图像数据，将所述图像数据转化为HSV颜色空间数据，在所述HSV颜色空间数据中确定所述结构光条纹的轮廓，根据所述轮廓确定所述结构光条纹的中心线的方法。该方法从图像处理角度出发，能有效抑制各种背景噪声的干扰，迅速提取出线结构光的轮廓及中心线。因而明具有成本低、速度快、效率高的优点。

附图说明

图1为本发明实施例提供的一种提取结构光条纹的中心线的方法的流程图；

图2为本发明实施例提供的获取图像数据的方法的流程图；

图3为本发明实施例提供的将所述图像数据转化为HSV颜色空间数据的方法的流程图；

图4为本发明实施例提供的在所述HSV颜色空间数据中确定所述结构光条纹的轮廓的方法的流程图；

图5为本发明实施例提供的RGB格式的图像；

图6为本发明实施例提供的转化为HSV颜色空间数据的图像；

图7为本发明实施例提供的单通道数据提取的图像；

图8为本发明实施例提供的图像增强以及二值化后的图像；

图9为本发明实施例提供的中值滤波处理后的图像

图10为本发明实施例提供的提取所述结构光条纹的轮廓并进行标记的图像；

图11为本发明实施例提供的确定结构光条纹的中心线的图像。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明实施例提供的一种提取结构光条纹的中心线的方法的流程图。该方法应用于对图片中的结构光条纹进行中线线的确定的场景。参考图1，该方法包括：

S10、获取图像数据。

图像数据是指用数值表示的各像素(pixel)的值的集合。获取图像数据是获取经过处理后的图像数据，即将一般的图像数据行进处理，修改为统一的格式，便于后续的处理。一般的，图像数据包括结构光条纹。即图像数据可以分为结构光条纹与背景部分。

图像数据可能有对应多种色彩模型的表达形式，如：RGB色彩模式、CMYK色彩模式、YUV色彩模式和Lab色彩模式。由于不同色彩模式之间可以相互转换，因此不对原始图像数据采用的色彩模式进行限定。

一般的，获取的图像数据为RGB格式，如图5所示。

结构光条纹由棱镜激光灯光模组产生，棱镜激光灯光模组的功率在10mw～3w之间。结构光条纹为红色激光或者绿色激光。结构光条纹的波长为500nm～700nm。

参考图2，步骤S10还可以包括如下的步骤：

S11、获取包括结构光条纹的图片。

所述图片为RGB格式。RGB色彩模式是工业界的一种颜色标准，是通过对红(Red)、绿(Green)、蓝(Blue)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。

一般的，图片来源于高清相机或者带有照相装置的显微镜系统。

S12、对所述图片进行放大处理。

由于条纹本身很细小，需要使用放大10倍及以上图片。

S13、将放大后的图片裁剪为预设尺寸。

预设的尺寸可以根据实际情况确定，为了便于后文的描述，将预设尺寸设定为m*n*3。

S20、将所述图像数据转化为HSV颜色空间数据。

HSV(Hue,Saturation,Value)也称六角锥体模型(Hexcone Model)。HSV颜色模型是指色调(H)，饱和度(S)，亮度(V)，是三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色。

HSV颜色空间数据是指通过色调(H)，饱和度(S)，亮度(V)表示的图像的数据。

参考图3，步骤S20还可以包括如下的步骤：

S21、确定所述图像数据中每个像素点的RGB信息。

S22、根据所述RGB信息计算出每个像素点的HSV信息。

S23、组合所述HSV信息构成所述图像数据的HSV颜色空间数据。

通过对RGB图像进行颜色转换处理，转换成HSV颜色空间数据，计算过程为：

令

则HSV为：

通过上述方式可以将RGB格式转化为HSV颜色空间数据，如图6所示。

S30、在所述HSV颜色空间数据中确定所述结构光条纹的轮廓。

参考图4，步骤S30还可以包括如下的步骤：

S31、对所述HSV颜色空间数据进行单通道数据提取操作，以获得中间数据。

进行单通道数据提取操作的公式为：

V＝Cmax (5)

提取结果如图7所示。

S32、对所述中间数据进行去噪处理，以获得去噪图。

一般的，对图像进行去噪处理可以采用如下方法：

1.空间域滤波：空域滤波是在原图像上直接进行数据运算，对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。

2.变换域滤波：图像变换域去噪方法是对图像进行某种变换，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。将图像从空间域转换到变换域的变换方法很多，如傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等。而傅立叶变换和小波变换则是常见的用于图像去噪的变换方法。

3.偏微分方程(例如：P-M方程)：偏微分方程是近年来兴起的一种图像处理方法，主要针对低层图像处理并取得了很好的效果。偏微分方程具有各向异性的特点，应用在图像去噪中，可以在去除噪声的同时，很好的保持边缘。偏微分方程的应用主要可以分为两类:一种是基本的迭代格式，通过随时间变化的更新，使得图像向所要得到的效果逐渐逼近，这种算法的代表为Perona和Malik的方程，以及对其改进后的后续工作。该方法在确定扩散系数时有很大的选择空间，在前向扩散的同时具有后向扩散的功能，所以，具有平滑图像和将边缘尖锐化的能力。偏微分方程在低噪声密度的图像处理中取得了较好的效果，但是在处理高噪声密度图像时去噪效果不好，而且处理时间明显高出许多。

4.变分法(例如：全变分TV模型)：另一种利用数学进行图像去噪方法是基于变分法的思想，确定图像的能量函数，通过对能量函数的最小化工作，使得图像达到平滑状态，现在得到广泛应用的全变分TV模型就是这一类。这类方法的关键是找到合适的能量方程，保证演化的稳定性，获得理想的结果。

5.形态学噪声滤除器：将开与闭结合可用来滤除噪声，首先对有噪声图像进行开运算，可选择结构要素矩阵比噪声尺寸大，因而开运算的结果是将背景噪声去除；再对前一步得到的图像进行闭运算，将图像上的噪声去掉。据此可知，此方法适用的图像类型是图像中的对象尺寸都比较大，且没有微小细节，对这类图像除噪效果会较好。

S33、对所述去噪图进行图像增强处理，以获得增强图。

可以通过限制对比度自适应直方图均衡(CLAHE)获得增强图。具体公式为：

其中滑动窗口大小为M*M，Hist(*)为局部窗口的直方图,为局部直方图的累积分布函数，T为截取阈值，L为直方图上升高度，Hmax为改变的最大直方图高度。

S34、对所述增强图进行二值化处理，以获得二值图。

对增强图S进行阈值分割，使图像成为二值图M，计算公式为：

图像增强以及二值化后，获得图像如图8所示。

S35、对所述二值图进行中值滤波处理，以获得滤波图。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为3*3，5*5区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。

中值滤波处理后的图像如图9所示。

S36、从所述滤波图中提取所述结构光条纹的轮廓。

从所述滤波图中提取所述结构光条纹的轮廓的方式为Suzuki轮廓跟踪算法。Suzuki轮廓跟踪算法可以包括以下步骤：

1、定义虫，通常是一个矩形形状的具有相同权值的窗口。窗口越大，对梯度的平滑作用越强，也就越抗噪声。

2、以当前边界点为窗口轴心。

3、以上一边界点和当前边界点确定当前边界方向。

4、窗口在当前边界方向左右-a～+a的角度内旋转，在每一个窗口内确定平均梯度值对应梯度点。确定平均梯度值的方法是：用窗口中每一点所对应的图像上的点的梯度值乘以窗口中该点的权值(这里所用的跟踪虫的每点权值相同，定义权值为1就可以了)，然后累加，再平均。有些边界跟踪算法中窗口的每点权值是不同的，比如按照高斯分布来分配窗口的权值。

5、确定具有最高平均梯度的窗口，对应的梯度点作为下一边界。

6、重复5，直到满足终止条件。

提取所述结构光条纹的轮廓并进行标记的图像如图10所示。

S40、根据所述轮廓确定所述结构光条纹的中心线。

通过对轮廓进行直线拟合，以获得所述结构光条纹的中心线。

一般的，可以设：

C＝{(x

使用最小二乘对轮廓点集进行直线拟合，得

y＝kx+b，(x

其中x

确定结构光条纹的中心线的图像如图11所示。

本发明实施例提供了一种获取图像数据，将所述图像数据转化为HSV颜色空间数据，在所述HSV颜色空间数据中确定所述结构光条纹的轮廓，根据所述轮廓确定所述结构光条纹的中心线的方法。该方法从图像处理角度出发，能有效抑制各种背景噪声的干扰，迅速提取出线结构光的轮廓及中心线。因而明具有成本低、速度快、效率高的优点。

虽然，上文中已经用一般性说明、具体实施方式及试验，对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。