性模型,如图
5 所示。空间点 P(XW,YW,ZW)在图像平面上的像点为 p(u,v),点
是空间点
P 与光心的连线和图像平面的交点。坐标的转换过程,如图 6 所示。
转换关系:
M3 为世界坐标到相机坐标的变换矩阵,可表述为旋转加平移变换,R 为 3×3 旋转矩
阵,为一正交矩阵,虽然有
9 个元素,但只有 3 个独立变量(φ θ 准)。T 为平移矩阵
T=[Tx Ty Tz]T。M2 为相机坐标到图像坐标的转换矩阵,f 为焦距。M1 为图像坐标到像素坐
标的转换矩阵,其中
dx、dy 分别表示一个像素在 x 与 y 方向的物理距离,u0、v0 分别表示
相机光心在像素坐标系中的位置。
若已知矩阵
M1,M2,M3,就可建立起世界坐标和像素坐标的对应关系。相机的标定
的任务就是求出每个变换矩阵中的参数,其中矩阵
M3 中的(φ,θ,Tx Ty Tz)为相机的
外部参数,矩阵
M1,M2 中的(f,dx,dy,u0,v0)为相机的内部参数。
2.3 图像分割
在计算机视觉领域,图像分割(
Segmentation)指的是将数字图像细分为多个图像子区
域(像素的集合)(也被称作超像素)的过程。图像分割的目的是简化或改变图像的表示形
式,使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界(线,曲线
等)。图像分割的方法有很多种,主要可以分为:阈值分割方法、边缘检测方法、区域提取方
法、集合特定理论分割方法,在图像分割方面,本文综合运用了阈值分割方法和边缘检测方
法。
2.3.1 边缘检测
边缘(
edge)是指图像局部强度变化最显著的部分.边缘主要存在于目标与目标、目标
与背景、区域与区域(包括不同色彩)之间,是图像分割、纹理特征和形状特征等图像分析
的重要基础
.图像分析和理解的第一步常常是边缘检测(edge detection)。
图像中的边缘通常与图像强度或图像强度的一阶导数的不连续性有关
.图像强度的不连
续可分为:(
1) 阶跃不连续,即图像强度在不连续处的两边的像素灰度值有着显著的差
异;(
2) 线条不连续,即图像强度突然从一个值变化到另一个值,保持一个较小的行程
后又返回到原来的值
.在实际中,阶跃和线条边缘图像是很少见的,由于大多数传感元件具
有低频特性,使得阶跃边缘变成斜坡型边缘,线条边缘变成屋顶形边缘,其中的强度变化
不是瞬间的,而是跨越一定的距离。
图像先采用高斯函数进行平滑,然后再用拉普拉
斯算子进行边缘检测,即
Laplace-Gauss 算法。它使用一个墨西哥草帽函数
作为滤波器。通常使用的
LOG 算子是一个 的模板如下:
将
Sobel 算子与 LOG 算子结合形成修正 LO 算法。具体地说,将取较小阈值的 Sobel 算
子作为边缘检测的前提条件,然后进行
LOG 的边缘检测,可得到较好的结果。
2.3.2 最佳阈值分割迭代算法
对单个图像目标的处理,采用了以颜色为优势特征的提取算法。算法针对目标与背景颜
色的明显差异,将图像转化为灰度图像,利用从
RGB 到 HSV 的转换公式:
(其中
或 )
对调整后的灰度图像分别计算其
R、G、B 分量值和 H、S、V 分量值,将目标特征突显化。
通过对各分量图像的对比,选取目标突显最为明显的
R、G 和 V 分量灰度图像。采用迭代法
求出最佳阈值,再求出图像的全局阈值。得到全局阈值分割图像,利用该阈值对各图像分别
进行阈值分割,并运用二值形态学方法对图像进行膨胀和腐蚀处理,以完全分离工件目标。
工件进行灰度处理和阈值变换后的图像如下图
7 和图 8 所示。
图
7 灰度处理 图 8 阈值变换
(
1)计算图像的最大和最小灰度值 和 ,令阈值 T 的初始值为
(
2)根据阈值 将图像分割成目标和背景两部分,计算两部分的平均灰度值 。