一种标定图像质量评价方法与流程

本发明涉及机器视觉，特别是一种标定图像质量评价方法。

背景技术：

1、伴随着计算机视觉、人工智能以及机器人等相关技术的发展，机器视觉系统正越来越广泛的应用于各种工业场景，能够极大地提高工业产线的柔性和自动化程度。目前机器视觉系统主要可以实现识别、测量、定位和检测四大功能，其中在进行测量和定位时，需要对由工业相机和镜头组成的图像采集系统进行光学模型标定。该光学模型的标定精度直接影响着系统的测量和定位精度。

2、机器视觉系统的标定可分为单目标定、双目标定、多目标定以及机器人与视觉系统的手眼标定，上述标定主要是为了标定系统中相机的内外参数以及相机与系统中其他模块的外参数。

3、目前通用的标定方法都是基于张氏标定法，主要是视觉系统识别棋盘格标定板上的标定特征点来实现标定。视觉系统对标定特征点的提取精度是实现高精度标定的基础，因此获取高质量标定图像对实现高精度标定至关重要。

4、目前图像评价方法可分为主观评价和客观评价两大类。主观评价方法以人的主观评价为准，易受观测着的个体因素影响，难以应用于实际生产中。消除个体因素的客观评价方法是目前研究的主流方向。根据评价过程中有无真实图像作为参考，可将其分为全参考、部分参考以及无参考三种图像评价算法。无参考在进行质量评价过程中缺乏参考，对于细节处的质量难以准确且鲁棒地获得。全参考评价方法实则是比较待评价图像与参考图像之间的相似度，但该方法侧重于对整体图像的质量进行评价，由于待评价图像背景因素的影响，此类方法难以对棋盘格角点处的细节进行关注。与此同时，标定过程中相机需要变换姿态，故而棋盘格图像在待评价图像中的位置不一，导致获取高质量参考图像较为困难。

技术实现思路

1、本发明要解决的技术问题是针对上述现有技术的不足，而提供一种标定图像质量评价方法，该标定图像质量评价方法既能够关注整体图像质量也能够很好的关注到图像的细节质量，极大地提高了图像中标定特征点的提取精度，从而能够准确地对标定图像的质量进行评价。

2、为解决上述技术问题，本发明采用的技术方案是：

3、一种标定图像质量评价方法，包括如下步骤。

4、步骤1、获取待评价图像t：采用相机a在设定位置对标定板参考图像r进行拍摄，得到待评价图像t；其中，标定板参考图像r具有m个标定特征点；待评价图像t包含标定板参考图像r中的所有标定特征点。

5、步骤2、待评价图像t整体质量判断：利用点锐度算法对待评价图像t的整体清晰度进行评价；当待评价图像t的点锐度p不低于点锐度最小阈值pmin时，进入步骤2；否则，判断待评价图像t的质量评分为g＝0。

6、步骤3、提取标定特征点：分别提取标定板参考图像r和待评价图像t中所有标定特征点的像素值，从而获得标定特征点集pr和pt；

7、步骤4、非局部梯度图像评价，具体包括如下步骤：

8、步骤4-1、构建非局部梯度：针对标定特征点集pr和pt中的第i个标定特征点，分别构建非局部梯度μr(i)和μt(i)；其中，1≤i≤m。

9、步骤4-2、计算非局部梯度μr(i)，具体为：

10、a、构建方领域ω：对标定特征点集pr中的第i个标定特征点构建以为中心的方领域ω，且方领域ω的每条边均具有(2t+1)个像素点。

11、b、计算偏差ngr(j)：设方领域ω内第j个像素点的像素值为rj，则ngr(j)的计算公式：

12、

13、c、计算μr(i)：通过计算方领域ω内所有ngr(j)的均值，从而得到μr(i)。

14、步骤4-3、计算非局部梯度μt(i)：采用步骤4-2的方法，得到标定特征点集pt中第i个标定特征点对应的偏差ngt(j)和非局部梯度μt(i)。

15、步骤4-4、计算平均变化程度相似度s1(i)：根据μr(i)和μt(i)计算获得，具体计算公式为：

16、

17、式中，λ为大于零的任意常数。

18、步骤4-5、计算结构相似度s2(i)，具体计算公式为：

19、

20、式中，为ngr(j)的方差，为ngt(j)的方差，σr,t(i)为ngr(j)和ngt(j)的协方差。

21、步骤4-6、计算待评价图像t的质量评分g，具体计算公式为：

22、

23、式中，0≤g≤1。

24、步骤4-2中，方领域ω涉及的t的取值范围为20≤t≤100，具体根据待评价图像t中标定板参考图像r所占比值k进行确定；当k值越大，则t值也越大。

25、步骤1中，标定板参考图像r为黑白相间棋盘格；标定特征点为黑白相间棋盘格的角点。

26、步骤2中，点锐度p的计算公式为：

27、

28、式中，m和n分别表示待评价图像t的长度与宽度。

29、df表示待评价图像t灰度的变化幅值。

30、dx表示像素之间的距离增量。

31、点锐度p表征图像中每个像素点灰度值的扩散程度，p值越大，扩散程度越大，则待评价图像t越清晰。

32、步骤3中，标定特征点集pt的获取方法，包括如下步骤。

33、步骤3-1、计算相似度c：采用高斯核进行卷积，计算出待评价图像t中每个像素点与标定特征点的相似度c。

34、步骤3-2、c值筛选：对步骤3-1中的c值进行筛选，从而得到标定特征点集pt的标定特征点集，并记为

35、步骤3-1中，高斯核具有4种，分别为a卷积核、b卷积核、c卷积核和d卷积核。

36、步骤3-1中，相似度c的计算公式为：

37、

38、其中：

39、

40、

41、

42、

43、

44、

45、式中，为当前像素点与标定板参考图像r无倾斜时经a和b卷积核卷积后标定特征点的相似度。

46、为当前像素点与标定板参考图像r倾斜时经a和b卷积核卷积后标定特征点的相似度。

47、为当前像素点与标定板参考图像r无倾斜时经c和d卷积核卷积后标定特征点的相似度。

48、为当前像素点与标定板参考图像r倾斜时经c和d卷积核卷积后标定特征点的相似度。分别为待评价图像t与n×n的高斯核卷积所得，分别表示标定板参考图像r无倾斜时a、b、c和d四种卷积核的卷积响应值。

49、分别为待评价图像t与n×n的高斯核卷积所得，分别表示标定板参考图像r倾斜时a、b、c和d四种卷积核的卷积响应值。

50、μ1为的均值。

51、μ2为的均值。

52、步骤3-2中，采用非极大值抑制算法对步骤3-1中的c值进行筛选。

53、当g≥0.9时，能满足0.05mm及以上的图像标定需求。

54、步骤4-1中，m个μr(i)，共同构成μr；m个μt(i)，共同构成μt；则μr和μt的具体表达式为：

55、μr＝{μr(1)、μr(2)、…、μr(i)…、μr(m)}

56、μt＝{μt(1)、μt(2)、…、μt(i)…、μt(m)}

57、式中，μr(1)、μr(2)、…、μr(i)…、μr(m)分别为标定板参考图像r中第1个、第2个、第i个和第m个标定特征点的非局部梯度。

58、μt(1)、μt(2)、…、μt(i)…、μt(m)分别为待评价图像t中第1个、第2个、第i个和第m个标定特征点的非局部梯度。

59、本发明具有如下有益效果：

60、1、本发明属于半参考评价方法，该方法相对于传统方法既能够关注整体图像质量也能够很好的关注到图像的细节质量，极大地提高了图像中标定特征点的提取精度。另外，参考模板图像易于获取，便于实现自动化标定。

61、2、在对视觉系统进行标定时，通过实验证明，使用本发明的图像标定方法对标定图像进行筛选后，视觉系统的标定精度能够提升20％-30％。

62、3、本发明能消除个体因素对标定图像质量评价的影响，评价准确性和鲁棒性高且实现自动化评价流程。