[发明专利]一种基于特征聚类的光条定位方法

权利要求书

1.一种基于特征聚类的光条定位方法，其特征是，该方法首先通过激光结合双目视觉的方式，利用左、右相机(1、4)拍摄激光发射器(3)在被测物(5)上形成的辅助激光条纹(6)，获取激光光条(6)图像；然后将光条图像进行分块处理，根据光条的特征，建立三个光条特征描述；最后，利用这三个特征描述基于特征聚类的方法区分分块图像内是否存在光条边界，从而筛选出光条，实现光条的准确定位；方法的具体步骤如下：

第一步，采集激光光条图像

搭建激光辅助双目视觉测量系统，打开辅助激光发射器(3)并照射被测物(5)，在左、右相机(1、4)开始采集之后，通过转台(2)带动激光发射器(3)转动，使激光扫描被测物(5)；通过信息采集系统采集到辅助激光光条(6)图像之后，需要对图像中的光条进行定位；

第二步，将光条图像分块

设定一幅包含了光条的图像为I_m,n，像素尺寸为m×n，为有效对图像局部进行分析，将图像均匀划分为k×k个区域，每个区域记为图像R_i,j，尺寸为w×h，其中i＝1,2,...,k、j＝1,2,...,k，w＝m/k，h＝n/k；

第三步，建立三个光条特征描述

A.光条形状描述：

由于光条在切向方向能量符合高斯分布或近似高斯分布，光条法线方向的灰度梯度变化很大，采用光条灰度梯度描述可有效表示光条的形状特征；根据公式(1)计算R_i,j的横向对称梯度图像RX_i,j：

其中，代表长度为t的全1向量，G_X为卷积核，代表图像卷积运算，RX_i,j即为区域图像内像素横向梯度变化信息的描述，i＝1,2,...,k、j＝1,2,...,k；

RX_i,j中有w×h个元素，由于其数据量太大，不能直接用来表达R_i,j的特征，故将RX_i,j中每行数据极差的最大值作为R_i,j的像素特征，用公式(2)表示：

其中，range(X)＝max(X)-min(X)，(u,v)为RX_i,j中元素的坐标，u＝1,2,...,w、v＝1,2,...,h，MRX_i,j即为光条形状描述；

B.光条抗噪能力描述:

峰值信噪比可用来计算原图像和加噪声滤波后图像的差异，反映图像对噪声的抗干扰能力；对于分块图像R_i,j，若图像的明暗变化很小，则认为图像仅占有一种信号，其信噪比较高；相反，认为图像占有一个信号和多个噪声，则该图像的峰值信噪比较低；故峰值信噪比可以用来衡量图像的粗糙程度，而包含光条边界的图像被认为是粗糙度较高即峰值信噪比较低；

计算R_i,j的峰值信噪比PSNR_i,j，作为R_i,j的信号特征，用公式(3)表示：

其中，G(θ,s)是均值为θ、标准差为s高斯分布随机值构成的二维随机高斯图像，NR_i,j是R_i,j加随机高斯噪声的图像，FR_i,j是NR_i,j按3×3模板均值滤波后的图像；PSNR_i,j即为光条抗噪能力描述；

C.光条纹理描述:

根据线激光在图像中的纹理特征，如果光条边界在R_i,j中，那么R_i,j-1或R_i,j+1的对比度要高于R_i,j的对比度；根据公式(4)计算R_i,j的Tamura对比度F_i,j：

其中μ_i,j是R_i,j的平均灰度值，M₄是R_i,j的四阶矩，α₄是R_i,j的峰度；

计算F_i,j-1、F_i,j、F_i,j+1的Michelson对比度FM_i,j，作为R_i,j的分块图像特征，用公式(5)表示：

其中，FM_i,j即为光条纹理描述；

第四步，基于特征聚类定位光条

在获取图像各分块的特征信息后，需要利用这三个特征区分分块图像内是否存在光条边界；利用基于特征相似度的聚类方法——K均值聚类，将所有分块图像分为三类，以分块图像的MRX_i,j、PSNR_i,j和FM_i,j分别作为三个维度的特征，绘制到特征空间上，每个分块图像R_i,j对应一个特征点(MRX_i,j,PSNR_i,j,FM_i,j)；在特征空间内初始化三个聚类中心，以各特征点到最近聚类中心欧式距离的均方差作为代价函数，通过迭代更新聚类中心直到代价函数小于给定阈值；最后以到三个聚类中心的欧式距离d₀、d₁、d₂作为判定标准，将所有特征点划分成三类；

根据特征点类别的数量占比，将特征点数量较少的一个或两个类别作为目标R_i,j,1，最少类别对应的聚类中心为d_min，其他类别作为背景R_i,j,0；由于实际图像的背景中存在一部分高亮光斑，其特征与光条很相似，为了进一步筛选出光条，基于特征点到K均值聚类中心的距离，提出光条匹配系数MC；提取图中所有连通区域region，根据公式(6)计算属于同一连通区域region内的R_i,j,1的匹配系数，其中S_region是连通区域region的像素面积；

匹配系数越大的区域，表示存在光条的可能性越大，当匹配系数大于某一阈值时认定该区域存在光条特征，完成了光条的定位。