一种金属板料成形应变测量中点阵网格图像采集与识别方法与流程
本发明属于光学三维非接触式测量技术领域，涉及一种金属板料成形应变测量中点阵网格图像采集与识别方法。更进一步涉及一种基于多曝光图像融合的点阵网格图像采集与识别方法。
背景技术：
金属板料成形是材料加工技术中的重要分支之一，在航空航天、汽车、装备制造、电器等国民经济的各部门得到了广泛的应用。在金属板料成形过程中，需要通过测量金属板料表面的三维应变来分析其成形情况，从而监测临界变形部位、解决复杂成形、优化冲压工艺等。金属板料表面的三维应变测量手段和方法主要包括机械法、电测法及光学三维非接触式测量法等。其中，光学三维非接触式测量法是目前金属板料成形三维全场应变测量的主要手段。
中国发明专利zl201110263622.x公开了一种基于光学三维非接触式测量的金属板料成形应变测量方法。该方法采用数码相机或者工业ccd相机对金属板料表面制备的点阵网格图案进行取样拍摄，获得两幅或者两幅以上的网格图像用于网格的三维重建，并根据成形前后三维网格的尺寸变化，计算出金属板料表面的三维全场应变。与机械法及电测法相比，该方法具有非接触式、测量效率高、测量精度高、可获得三维全场应变及可适用于大尺寸金属板料成形制件等优点。然而，由于金属板料表面的强反光特性，通常，采集的点阵网格图像中明暗差异较大，尤其在一些反光严重的区域，网格节点在图像中的成像只保留很少的部分或无法成像，使得网格节点识别率低下，进而影响三维应变的测量。
技术实现要素：
为解决现有技术中存在的上述缺陷，本发明提供了一种基于多曝光图像融合的点阵网格图像采集与识别方法，该方法可消除取样拍摄过程中金属板料表面强反光的影响，改善点阵网格图像拍摄质量，提高点阵网格图像的识别率。
为达到以上目的，本发明采取的技术方案是：
一种金属板料成形应变测量中点阵网格图像采集与识别方法,包括下述步骤：
步骤一，拍摄多曝光点阵网格图像
保持相机不动，在黑白拍摄模式下拍摄若干幅曝光量不同的点阵网格图像；
步骤二，计算权重图
分别计算出步骤一所拍摄的每一幅多曝光点阵网格图像的对比度及曝光度，并将计算的每一幅多曝光点阵网格图像的对比度与曝光度相乘，得到每一幅多曝光点阵网格图像的权重图；
步骤三，权重图塔形分解
对步骤二所计算的每一幅多曝光点阵网格图像的权重图进行高斯金字塔分解；
步骤四，多曝光点阵网格图像塔形分解
对步骤一所拍摄的每一幅多曝光点阵网格图像进行拉普拉斯金字塔分解，分解的层数与步骤三所分解的权重图高斯金字塔的层数相同；
步骤五，拉普拉斯金字塔赋权
将步骤四所分解的每一幅多曝光点阵网格图像的拉普拉斯金字塔各层上的图像与步骤三所分解的该幅多曝光点阵网格图像的权重图高斯金字塔对应层上的图像相乘，获得赋权的拉普拉斯金字塔；
步骤六，拉普拉斯金字塔融合
将步骤五所获得赋权的若干幅多曝光点阵网格图像的拉普拉斯金字塔相同层上的图像相加；
步骤七，点阵网格图像重构
对步骤六所融合的拉普拉斯金字塔进行逆塔形变换，重构出一幅新的点阵网格图像；
步骤八，点阵网格图像二值化
对步骤七所重构的点阵网格图像进行局部自适应二值化处理，获得二值图像；
步骤九，亚像素边界识别
采用8连通域规则识别出步骤八所获得的二值图像中点阵网格节点的整像素边界；在此基础上，采用空间矩法识别出点阵网格节点的亚像素边界；
步骤十，椭圆拟合
对步骤九所识别的点阵网格节点的亚像素边界，采用最小二乘法迭代拟合出椭圆中心坐标，从而获得点阵网格节点的坐标。
进一步地，所述金属板料成形应变测量中点阵网格图像采集与识别方法还包括，在进行步骤一拍摄多曝光点阵网格图像之前，先调节焦距，使得金属板料表面的点阵网格可清晰地成像，调节完毕后锁定焦距。
进一步地，所述步骤一拍摄多曝光点阵网格图像时，将相机调至黑白拍摄模式，保持相机稳定，调节曝光量，拍摄3幅或3幅以上从欠曝光、正常曝光至过曝光的点阵网格图像。
进一步地，所述步骤二中权重图计算方法如下：
2.1)对步骤一所拍摄的每一幅多曝光点阵网格图像，采用拉普拉斯算子进行滤波，将滤波结果取绝对值，便得到每一幅多曝光点阵网格图像的对比度因子；
2.2)对步骤一所拍摄的每一幅多曝光点阵网格图像，其曝光度因子采用如下公式计算：
其中，e表示自然常数，k表示第k幅多曝光点阵网格图像，(i，j)表示像素点位置，ik(i,j)表示第k幅多曝光点阵网格图像在(i，j)位置处的像素点的灰度值，ek(i,j)表示第k幅多曝光点阵网格图像在(i，j)位置处的曝光度因子，σ表示核函数宽度；
2.3)在步骤2.1)所计算的对比度因子及第2.2)所计算的曝光度因子的基础上，采用如下公式计算每一幅多曝光点阵网格图像的权重因子：
其中，
2.4)对步骤2.3)所计算的每一幅多曝光点阵网格图像的权重因子进行归一化处理，获得每一幅多曝光点阵网格图像的权重图，归一化方法如下：
其中，wk(i,j)表示第k幅多曝光点阵网格图像的权重图在(i，j)位置处的像素点的灰度值，n表示步骤一所拍摄的多曝光点阵网格图像的幅数，s表示第s幅多曝光点阵网格图像，
进一步地，所述步骤2.2)中采用的拉普拉斯算子h为：
进一步地，所述步骤三中塔形分解层数l的计算方法如下：
其中，r和c分别表示多曝光点阵网格图像的行数和列数，ln()表示以自然常数e为底的自然对数函数，min(r,c)表示多曝光点阵网格图像的行数和列数取最小值函数。
进一步地，所述步骤八中点阵网格图像局部自适应二值化方法如下：
8.1)采用逐窗口二值化法对步骤七所重构的点阵网格图像进行快速二值化，获得二值图像；
8.2)对步骤8.1)所获得的二值图像进行连通区域标记，对于像素点数目大于给定阈值τ的连通区域，进一步采用逐像素二值化法对连通区域内的所有像素点重新二值化：
a)为大于给定阈值τ的连通区域内的任一像素点计算一个二值化阈值：
其中，(i，j)表示像素点位置，t(i,j)表示连通区域内(i,j)位置处的像素点的二值化阈值，
b)根据步骤a)所计算的二值化阈值对像素点重新二值化：
其中，i′(i,j)表示重新二值化后步骤8.1)所获得的二值图像在(i，j)位置处的像素点的灰度值，i′0(i,j)表示步骤七所重构的点阵网格图像在(i，j)位置处的像素点的灰度值。
进一步地，所述步骤8.2)中阈值τ的取值为τ＝10000。
进一步地，所述步骤十中每次迭代过程中，计算出每个边界点至所拟合的椭圆的间距以及标准偏差值sigma，对间距大于3sigma的边界点，不参与下一次的迭代运算。
与现有技术相比，本发明方法具有以下优点：
(1)本发明方法可消除金属板料表面强反光的影响，采集到高质量的点阵网格图像；
(2)本发明方法采集的点阵网格图像质量高，因此点阵网格图像的识别率也相应提高；
(3)本发明方法采集的点阵网格图像质量高，因此点阵网格图像的识别精度也相应提高；
(4)本发明方法提高了点阵网格图像的识别率及识别精度，因此也间接地提高了三维网格的重建精度及三维应变的测量精度。
附图说明
图1本发明具体操作步骤的流程图。
图2a拍摄的某杯突试件欠曝光点阵网格图像。
图2b拍摄的某杯突试件正常曝光点阵网格图像。
图2c拍摄的某杯突试件过曝光点阵网格图像。
图3重构的某杯突试件点阵网格图像。
图4某杯突试件欠曝光点阵网格图像检测结果。
图5某杯突试件正常曝光点阵网格图像检测结果。
图6某杯突试件过曝光点阵网格图像检测结果。
图7重构的某杯突试件点阵网格图像检测结果。
具体实施方式
下面结合附图和实施例对发明作进一步的详细说明，但并不作为对发明做任何限制的依据。
本发明提出一种金属板料成形应变测量中点阵网格图像采集与识别方法，如图1所示。采集与识别某一视角金属板料表面的点阵网格图像时，第一步，拍摄多曝光点阵网格图像。拍摄前，先调节焦距，使得金属板料表面的点阵网格可清晰地成像，调节完毕后锁定焦距。拍摄时，为了减少杂色，将相机调至黑白拍摄模式，保持相机稳定，调节曝光量，拍摄3幅或3幅以上从欠曝光、正常曝光至过曝光的点阵网格图像。
第二步，计算权重图。计算第一步所拍摄的每一幅多曝光点阵网格图像的权重图。权重图计算流程包括如下步骤：
1)计算对比度因子。对第一步所拍摄的每一幅多曝光点阵网格图像，采用拉普拉斯算子h进行滤波，将滤波结果取绝对值，便得到每一幅多曝光点阵网格图像的对比度因子。所采用的拉普拉斯算子h为：
2)计算曝光度因子。对第一步所拍摄的每一幅多曝光点阵网格图像，采用如下公式计算其曝光度因子：
其中，e表示自然常数，k表示第k幅多曝光点阵网格图像，(i，j)表示像素点位置，ek(i,j)表示第k幅多曝光点阵网格图像在(i，j)位置处的曝光度因子，ik(i,j)表示第k幅多曝光点阵网格图像在(i，j)位置处的像素点的灰度值，σ表示核函数宽度，其取值范围为0＜σ≤0.5，一般选σ＝0.2。
3)计算权重因子。在第1)步所计算的对比度因子及第2)步所计算的曝光度因子的基础上，采用如下公式计算每一幅多曝光点阵网格图像的权重因子：
其中，
4)权重因子归一化。对第3)步所计算的每一幅多曝光点阵网格图像的权重因子进行归一化处理，得到每一幅多曝光点阵网格图像的权重图，采用的归一化公式如下：
其中，wk(i,j)表示第k幅多曝光点阵网格图像的权重图在(i，j)位置处的像素点的灰度值，n表示第一步所拍摄的多曝光点阵网格图像的幅数，s表示第s幅多曝光点阵网格图像，
第三步，权重图塔形分解。对第二步所计算的每一幅多曝光点阵网格图像的权重图进行高斯金字塔分解。分解流程包含如下步骤：
1)计算塔形分解层数。塔形分解层数l的计算方法如下：
其中，r与c分别表示多曝光点阵网格图像的行数和列数，ln()表示以自然常数e为底的自然对数函数，min(r,c)表示多曝光点阵网格图像的行数和列数取最小值函数。
2)构造权重图高斯金字塔第0层。将第二步所计算的每一幅多曝光点阵网格图像的权重图作为权重图高斯金字塔第0层上的图像：
gk,0(i,j)＝wk(i,j)，
其中，k表示第k幅多曝光点阵网格图像，(i，j)表示像素点位置，gk,0(i,j)表示第k幅多曝光点阵网格图像的权重图高斯金子塔第0层上的图像在(i，j)位置处的像素点的灰度值，wk(i,j)表示第二步所计算的第k幅多曝光点阵网格图像的权重图在(i，j)位置处的像素点的灰度值。
3)构造权重图高斯金字塔第t层。将权重图高斯金字塔第t-1层上的图像与一个5×5窗口函数进行卷积，再把卷积结果作隔行隔列的降采样便得到权重图高斯金字塔第t层上的图像：
其中，t表示金字塔的第t层，gk,t(i,j)表示第k幅多曝光点阵网格图像的权重图高斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值，m和n表示两个整数变量，gk,t-1(2i+m,2j+n)表示第k幅多曝光点阵网格图像的权重图高斯金字塔第t-1层上的图像在(2i+m,2j+n)位置处的像素点的灰度值，λ(m,n)表示5×5窗口函数：
在第2)步所构造的第k幅多曝光点阵网格图像的权重图高斯金字塔第0层的基础上，根据所述权重图高斯金字塔第t层构造方法，可构造出第k幅多曝光点阵网格图像的权重图高斯金字塔第1层，以此类推，可构造出第k幅多曝光点阵网格图像的权重图高斯金字塔第l层。
第四步，多曝光点阵网格图像塔形分解。对第一步所拍摄的每一幅多曝光点阵网格图像进行拉普拉斯金字塔分解。分解流程包含如下步骤：
1)多曝光点阵网格图像高斯金字塔分解。按照第三步所述的权重图塔形分解方法，对第一步所拍摄的每一幅多曝光点阵网格图像进行高斯金字塔分解，并将所分解的高斯金字塔第t层上的图像记为g′k,t，其中，k表示第k幅多曝光点阵网格图像；
2)构造拉普拉斯金字塔第l层。将第1)步所分解的高斯金字塔第l层上的图像作为拉普拉斯金字塔第l层上的图像：
lpk,l(i,j)＝g′k,l(i,j)，
其中，(i，j)表示像素点位置，l表示第三步所计算的塔形分解层数，lpk,l(i,j)表示第k幅多曝光点阵网格图像拉普拉斯金字塔第l层上的图像在(i，j)位置处的像素点的灰度值，g′k,l(i,j)表示第1)步所分解的第k幅多曝光点阵网格图像高斯金字塔第l层上的图像在(i，j)位置处的像素点的灰度值；
3)构造拉普拉斯金字塔第t层。拉普拉斯金字塔第t层构造方法如下：
a)将第1)步所分解的高斯金字塔第t+1层上的图像内插放大：
其中，t+1表示金字塔第t+1层，
b)将第1)步所分解的高斯金字塔第t层上的图像与第a)步内插放大后的图像做减法运算：
其中，lpk,t(i,j)表示第k幅多曝光点阵网格图像拉普拉斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值，g′k,t(i,j)表示第1)步所分解的第k幅多曝光点阵网格图像高斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值；
根据所述拉普拉斯金字塔第t层构造方法，可依次构造出拉普拉斯金字塔第l-1层至第0层。
第五步，拉普拉斯金字塔赋权。对第四步所分解的每一幅多曝光点阵网格图像的拉普拉斯金字塔，采用如下方法进行赋权：
lp′k,t(i,j)＝gk,t(i,j)×lpk,t(i,j),
其中，k表示第k幅多曝光点阵网格图像，t表示金字塔第t层，(i，j)表示像素点位置，lp′k,t(i,j)表示赋权后的第k幅多曝光点阵网格图像拉普拉斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值，gk,t(i,j)表示第三步所分解的第k幅多曝光点阵网格图像的权重图高斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值，lpk,t(i,j)表示第四步所分解的第k幅多曝光点阵网格图像拉普拉斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值，符号×表示两个像素点的灰度值相乘。
第六步，拉普拉斯金字塔融合。拉普拉斯金字塔融合方法如下：
其中，k表示第k幅多曝光点阵网格图像，t表示金字塔第t层，(i，j)表示像素点位置，n表示第一步所拍摄的多曝光点阵网格图像的幅数，
第七步，点阵网格图像重构。对第六步所融合的拉普拉斯金字塔进行逆塔形变换，构造出一幅新的点阵网格图像。逆塔形变换包括如下步骤：
1)恢复高斯金字塔第l层。将第六步所融合的拉普拉斯金字塔第l层上的图像作为待恢复的高斯金字塔第l层上的图像：
其中，(i，j)表示像素点位置，l表示第三步所计算的塔形分解层数，i′l(i,j)表示所恢复的高斯金字塔第l层上的图像在(i，j)位置处的像素点的灰度值，
2)恢复高斯金字塔第t层。高斯金字塔第t层恢复方法如下：
a)将第六步所融合的拉普拉斯金字塔第t+1层上的图像内插放大：
其中，t+1表示金字塔第t+1层，
b)将第a)步内插放大后的图像与第六步所融合的拉普拉斯金字塔第t层上的图像做加法运算：
其中，i′t(i,j)表示所恢复的高斯金字塔第t层上的图像在(i，j)位置处的像素点的灰度值，
根据所述高斯金字塔第t层恢复方法，可依次恢复高斯金字塔第l-1层至第0层，所恢复的高斯金字塔第0层上的图像i′0就是待重构的点阵网格图像。
第八步，点阵网格图像自适应二值化。自适应二值化流程包含如下步骤：
1)采用文献“circulargridpatternbasedsurfacestrainmeasurementsystemforsheetmetalforming”(shibandliangj,optlasereng,2012,50(9):1186-1195)中所描述的逐窗口二值化法对步骤七所重构的点阵网格图像进行快速二值化，获得二值图像。
2)对第1)步所获得的二值图像进行连通区域标记，对于像素点数目大于给定阈值τ的区域，进一步采用逐像素二值化法对连通区域内的所有像素点重新二值化：
a)为大于给定阈值τ的连通区域内的任一像素点计算一个二值化阈值：
其中，(i，j)表示像素点位置，t(i,j)表示连通区域内(i,j)位置处的像素点的二值化阈值，
b)根据步骤a)所计算的二值化阈值对像素点重新二值化：
其中，i′(i,j)表示重新二值化后步骤8.1)所获得的二值图像在(i，j)位置处的像素点的灰度值，i′0(i,j)表示步骤七所重构的点阵网格图像在(i，j)位置处的像素点的灰度值，。
第九步，亚像素边界识别。亚像素边界识别方法如下：
1)采用8连通域规则识别出第八步所获得的二值图像中点阵网格节点的整像素边界；
2)在第1)步所识别的点阵网格节点的整像素边界的基础上，采用空间矩法进一步识别出点阵网格节点的亚像素边界。
第十步，椭圆拟合。对第九步所识别的二值图像中的点阵网格节点的亚像素边界，采用文献“leastsquaresfittingofcirclesandellipses”(w.gander,g.h.golubandr.strebel,bitnumericalmathematics，1994，34:558-578)所描述的最小二乘迭代法拟合出椭圆中心坐标。为了减少噪声干扰，在每次迭代过程中，计算出每个边界点至所拟合的椭圆的间距以及标准偏差值sigma，对间距大于3sigma的边界点，不参与下一次的迭代运算。最终拟合的椭圆中心坐标即为点阵网格节点的坐标。
以下结合具体模拟实验对本发明进行说明，其中本发明方法在vs2010及opengl平台上实现相应的算法并在inteli7-4770cpu3.4ghz、16gb内存的pc机上运行。
拍摄的3幅某杯突试件多曝光点阵网格图像如图2a-图2c所示，其中，图2a所示为拍摄的某杯突试件欠曝光点阵网格图像，图2b所示为拍摄的某杯突试件正常曝光点阵网格图像，图2c所示为拍摄的某杯突试件过曝光点阵网格图像。图3所示为依据所拍摄的3幅某杯突试件多曝光点阵网格图像采用本发明方法所重构的一幅新的点阵网格图像。通过对比图2a-图2c与图3可以看出，所重构的点阵网格图像中点阵网格更加清晰。图4至图7所示为某杯突试件欠曝光点阵网格图像、正常曝光点阵网格图像、过曝光点阵网格图像及所重构点阵网格图像中点阵网格节点检测结果，点阵网格节点识别率依次为49.6％、77.78％、72.3％、86.87％。其中，白色的十字线表示所检测的点阵网格节点的坐标。通过对比图4-图7可以看出，在所重构的点阵网格图像中点阵网格节点检测的数目最多，点阵网格节点识别率最高，为86.87％。通过本实施例也可以说明，本发明方法可消除金属板料表面强反光的影响，改善点阵网格图像采集质量，提高点阵网格图像的识别率。
上面结合附图和实施例对本发明的实施方式作了说明，但本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
- 还没有人留言评论。精彩留言会获得点赞！