基于影像测量仪的大尺寸零件高精度测量方法研究毕业论文(编辑修改稿)

基于影像测量仪的大尺寸零件高精度测量方法研究毕业论文(编辑修改稿)内容摘要：

可以不同。 全局变换则是指整幅图像通过相同的变换参数模型来描述变换过程。 图像变换方式一般可分成线性和非线性变换两种类型 ,其中线性变换包含刚体变换、仿射变换、投影变换等模型。 非线性变换常使用多项式函数。 搜索策略 搜索策略的目的是在搜索空间中找出图像之间进行旋转、平移等变换的最优配准参数。 判定最优的依据就是相似性度量。 有效的搜索策略能够确保图像之间经过变换后具有最大相 似性。 正确使用搜索策略有助于减少图像配准时的计算量 ,因此当搜索空间比较复杂时 ,搜索策略的合理选择将变得非常重要。 在图像配准时通常运用的搜索策略一般包含以下几种 :黄金分割法、多尺度搜索、松驰算法、 Brent 法、穷尽搜索、分层搜索、线性规划、三次插值法、广义变换、模拟退火算法、奴群算法、遗传算法和神经网络等。 图像配准的四个组成元素既相互影响又相互联系。 对图像配准算法 展研究 ,首先要依据实际应用背景 ,确定图像的成像方式 ,规划出图像配准的类型及相关性能指标 ,然后按照规划好的指标参数设计图像配准所需的特征空间和搜索空 间 ,最后遵循最优的搜索策略分析计算出能够使相似性度量值最大的最优变换参数模型。 图像配准算法分类 在图像配准中主要有两类算法 :一类是基于区域的图像配准算法 ,这类算法主要是通过两张图像的灰度关系来确定图像间坐标变化的参数 ,其中主要包括基于频域的算法和基于空间像素配准的算法。 另一类是基于特征的图像配准算法 ,这类算法主要是通过提取图像特征 ,进行图像之间特征的匹配 ,匹配后按匹配关系来构建图像间的变换关系 ,此类算法只需要提取图像的部分信息 ,从而能缩减计算时间。 该类算法主要包括基于图像轮廓特征的算法 ,基于角点检测的算法 ,SIFT 算法和基于区域特征的算法。 基于区域的图像配准算法 对不存在复杂变换的图像进行拼接时 ,通常会采用基于区域的图像配准算法 ,例如待配准图像只存在平移变换。 这类算法主要使用模板配准 ,并且在图像拼接过程中 ,往往能够很容易的完成图像重构和变换模型的构建。 该算法的原理是基于不同图像中景物的相对位置一般不变的情况下 ,根据局部的对应关系能够确定全局的对应关系。 针对这类算法所采用的构造思想比较直观 ,选取的模板一般都比较简单 ,在图像的配准过程中 ,可采用图像间的子图像和子图像间的配准 ,也可采用整 幅图像和整幅图像间的配准。 此类算法包括 :块配准法、网格配准法和比值配准法。 块配准法 块配准法是先取出第一幅图像中处于两幅图像重叠区域的一块数据作为模板 ,在第二幅图像中对比分析哪一区域的数据与前一幅图像数据相同 (或相似 ),从而准确定位图像配准的坐标。 采用块配准法时 ,当模板数据较大时算法的配准精度会很高 ,但同时计算量也将增大。 网格配准法 网格配准法是在块配准法基础上优化形成的。 其原理也是通过以第一幅图像的某个重叠区域作为模板 ,在第二幅图像中寻找相同 (或相似 )数据的块 ,在搜索过程中先进行粗配准 ,计算对 应像素点RGB 值在模板中差的平方和 ,在网格中找到最小值位置就是最佳配准的坐标 ,再以这个坐标为中心进行精确配准 ,最终得到图像配准 最佳坐标。 网格配准法的计算量相对块配准法会减小一些 ,但绝对计算量仍很大。 比值配准法 陕西理工学院毕业论文 第 7 页 共 22 页 比值配准法是在两幅图像的重叠区域内找出两列像素的相隔距离 ,将这两列像素之间的比值作为配准模板 ,在第二幅图像与第一幅图像的重叠区域中找到对应位置 ,从而确定图像配准位置。 这种算法只使用了两条竖直的平行线段的像素信息 ,并不能充分利用图像中的全部信息。 3. 3 基于特征的图像配准算法 使用图像中的特征 信息来进行图像配准工作是基于特征的图像配准算法的核心思想。 此类算法不需要使用图像中的全部信息 ,所以在计算时算法的效率比较高 ,对图像中的灰度变化也有较强的鲁棒性 ,但此类算法的精度很大程度上依靠的是特征点提取精度及其配准的准确度。 在图像配准中 ,可以使用的特征有很多 ,例如轮廓、角点、边缘、高曲率点、区域特征等 …], 因此出现很多种基于特征的图像配准算法。 基于图像轮廓特征算法 基于图像轮廓特征算法的核心思想是依照图像之间轮廓特征各不相同的特点 ,提取不同图像的轮廓用于图像配准 ,进而分析出正确的配准坐 标位置。 提取轮廓特征常用的方法为边缘检测法 ,使用该方法能够检测出比较清晰的图像轮廓 ,从而提高图像配准精度。 目前对图像边缘检测技术的研究已经很成熟 ,传统的边缘检测算法是通过计算图像中每个像素点在其较小邻域内的灰度变化程度 ,使用计算出的一阶或二阶方向导数变化来进行边缘检测。 例如 :索贝尔算子 (Sobel)、 Roberts 算子、Canny 算子、马尔算子 (LOG)等。 近些年来 ,如小波边缘提取算法等新的算法也陆续被研究出来 , 下面来具体研究这几种算法。 索贝尔算子 (Sobel) 索贝尔算子 (Sobel)的核心思想是 在图像的任一像素点 ,用图像亮度函数梯度值的近似值计算出图像边缘。 具体算法是 :先设定一个阈值 ,在比较图像中的每个像素的邻域梯度值来判断此像素是否 ^为图像的边缘。 此种算法在空间上易于实现 ,可以比较准确的找出图像边缘 ,有一定抗噪能力。 但对图像的边缘定位精度不高 ,存在伪边缘信息。 索贝尔算子 是由两个卷积 ),(1 yxg 与 ),(2 yxg 对原图 ),( yxf 卷积运算得到的。 其数学表达式如 下 ：   MmNn mjmiMmNn gnmfmjmignmfM A XyxS 1 11 1 )],(21, ),(),(),([)( （ ） Roberts 算子 Roberts 算子的具体算法是 :先设定一个阈值 ,然后在图像中选取任一像素点 ,对该点在任意相互垂直方向进行差分计算得出梯度值 ,再与事先设定阈值进行比较从而描述出图像的轮廓。 当图像噪声较低且在垂直方向与水平方向存在陆峭边缘的情况下 ,该算法往往具有良好效果 ,可以比较准确的定位图像 边缘。 但当存在噪声干扰的情况出现时 ,会因噪声等因素产生一些伪边缘。 设 ),( yxf 是图像灰度分布函数， ),( yxs 是图像边缘的梯度值； ),( yx 是梯度方向。 则有 2122 ]}),(),([)],(),({[),( vxfnvxfvxfvnxfyxs  ...)2,1( n （ ） 坎尼算子 (Canny 算子） 坎尼 (Canny)算子是指首先找出图像中具有局部最大梯度值的像素点 ,再通过寻找能够用于实际图像的梯度数字逼近来提取图像边缘。 此种算法能够在边缘检测和噪声抑制之间取得平衡。 同时也存在一些不足 ,为了能够在图像边缘检测中得出较好的检测结果 ,滤波尺度要运用的比较大 ,这会丢失图像中 的一些细节。 坎尼研究了最优边缘检测器所需的特性，给出了评价边缘检测性能优劣的三个指标： 陕西理工学院毕业论文 第 8 页 共 22 页 1） 高的准确性，在检测的结果里应尽量多的包含真正的边缘，而尽量少的包含假边缘。 2） 高的精确度，检测到的边缘应该在真正的边界上。 3） 单像素宽，要有很高的选择性，对每个边缘有唯一的响应。 针对这三个指标， Canny 提出了用于边缘检测的一阶微分滤波器 )(xh 的三个最优化准则，即最大信噪准则、最优过零件准则和单边缘相应准则 信噪比准则  nmnmdxxhdxxhxGSN R)()()(2 （ ） 其中 )(xG 为边缘函数； )(xh 为带宽为 W 的低通滤波器的脉冲响应；  是高斯噪声的均方差。 定位精确准则 L 为边缘的定位精度，定义如下：  nmnmdxxhdxxhxGL)()()(2 （ ） 其中 )(xG 和 )(xh 为 )(xG 和 )(xh 的一阶倒数； L 是对边缘精确定位的度量， L 越大定位精度越高。 单边缘响应准则 要保证对单边缘只有一个响应，检测算子的脉冲响应导数的零点交叉平均距离应该满足： yyxxdxxhdxxhfD11)()()(  （ ） 式中 )(xh 为 )(xh 的二阶导数； f 是进行边缘检测后的图像 这三个准则是对前述边缘检测指标的定量描述。 抑制噪声和边缘精确定位是无法同时得到足的，即边缘检测算法通过图像平滑算子去除噪声，势必增加边缘定位的不确定性；反之，提高边缘检测算子对边缘的敏感性，同时也提高了对噪 声的敏感性。 因此，在实际应用中只能寄希望于再抑制噪声和提高边缘定位精度之间实现一个合理的折衷。 马尔算子 (LOG) 马尔算子 (LOG)的核心思想是首先运用 Gaussian 函数平滑图像 ,再运用拉氏算子根据二阶导数过零点对图像进行边缘检测。 马尔算子 (LOG)本身有三方面优点 :一是通过对两个不同带宽的高斯曲面之差近似的实现算子 ,提高运算的速度。 二是使用高斯滤波器能够同时在空域和频域达到最佳。 三是具有边缘定位精度高、抗干扰能力强、连续性好等特点 ,并且可以提取对比度较弱的边缘轮廓。 不足之处是高斯滤波的零交叉点不一 定全部是边缘点 ,所以还需要进一步确定边缘像素点的真伪。 所谓零交叉点就是：如果一个像素处的值小于一 0，而此像素 8连通的各个像素都是大于 0（ 0是一个正数）那么这个像素就是零交叉点。 这样还能克服拉普拉斯算子对噪声敏感的缺点，减少了噪声的影响。 二维高斯函数为： 陕西理工学院毕业论文 第 9 页 共 22 页 )e xp(),( 2222 yxyxh   （ ） 几种算子的比较与选择 几种算子的 比较 图 几种算子的优缺点比较 算子 优缺点 索贝尔算子 对灰度渐变和噪声较多的图像处理较好， 索贝尔 算子对边缘定位比较准确 Roberts 算子 对具有陡峭的低噪声的图像处理效果较好，但利用Roberts 算子提取边缘的结果是边缘比较粗，因此边缘定位不准确 坎尼算子 此方法不容易收噪声干扰，能够检测到真正的弱边缘。 该方法的有点在于使用两种不同的阀值分别别检测强边和弱边缘，并且仅当弱边缘与强边缘相连时，才将弱边缘包含在输出图像中。 这种方法不容易被噪声 “填充 ”，隔壁容易检测出真正的弱边缘。 马 尔算子 (LOG) 马尔算子 经常出现在双边缘像素边界，对噪声比较敏感，所以很少用它检测边缘，而是用来判断边缘像素位于图像的明区还是暗区 根据上表可以看出本实验最好的检测方法是用 坎尼 算子来进行边缘检测。 角点检测算法 角点检测算法的核心思想是使用角点检测法找出图像中的角点 ,再使用相关函数计算就可以进行图像配准角点的检测法有很多种 ,例 Moravec 检测法、 Forstner 检测法、 Harris 检测法、 SUSAN 检测法、 Trajkovic 检测法等。 下面进行详细研究。 Moravec 检测法 Moravec 检测法是在 1977 年被提出来的 ,其核心思想是首先通过计算得出每个像素点的兴趣值 ,兴趣值是通过计算以像素点为中心向不同方向得出的灰度差的平方和 ,在这些平方和中取其最小值得到的。 其次 ,我们将根据实际图像来设定一个阀值 ,遍历图像中的每一个像素点 ,如果该点的兴趣值大于该点的阀值 ,那么这个点就作为一个候选点出现。 最后 ,选择一个固定大小的滑动窗口 ,并遍历这个滑动窗口中灰度图像 ,在遍历过程中蹄选兴趣值最大的候选点 ,将它作为特征点。 Moravec 检测法对斜边缘的响应很强 ,对噪声响应也较强。 Forstner 检测法 Forstner 检测法的核心思想是先计算图像中每一个像素的 Robert 梯度值 ,再得出以每个像素为中心窗口的灰度协方差矩阵 ,然后以接近圆的最小误差椭圆点作为角点。 Forstner 检测法的计算速度比较快而且计算的精度也比较高 ,但这种检测法的计算过程中非常复杂。 Harris 检测法 Harris 检测法是 C. Harris 和 M. J. Stephens 于 1988年在 Moravec 检测法的基础上改进的新算法。 该算法属于基于信号方法的点特征提取算法 ,因为在检测过程中只是用到了灰度的一阶差分以及滤波。 所以算法操作简单 ,在提取的特征点上是均勾且合理的 ,由于这种检测法只使用图像灰度的一阶陕西理工学院毕业论文 第 10。