高维图像数据的最优表达

高维图像数据的最优表达（共2篇）

篇1：高维图像数据的最优表达

高维图像数据的最优表达

对于M×N维图像数据,提出了一种用M维和N维向量表达的方式,这种方式使得图像处理可以在较低维数的`空间中进行,便于计算.同时在一定意义下,这种表达是最优的.证明了在图像采样点数趋于无穷时,就相当于文献的结果.给出了这一方法的应用实例.

作 者：谭璐 吴翊 刘卓  作者单位：国防科技大学理学院,湖南,长沙,410073 刊 名：国防科技大学学报  ISTIC EI PKU英文刊名：JOURNAL OF NATIONAL UNIVERSITY OF DEFENSE TECHNOLOGY 年，卷(期)： 25(5) 分类号：O29 关键词：高维图像数据   最优表达  

篇2：高维图像数据的最优表达

因为机器视觉技术[1]具有损坏小、成本低、速度快、正确率高、时间工作长等优势, 所以其在现代工业自动检测领域中被普遍使用。对于各种工业产品, 使用机器视觉技术检测, 因为在测试阶段产品是随机放置的, 所以它应该是在一个随机的方向, 以实现产品测试的检测, 故首先要确定待检物品图像在合格产品的图像标准库中最优方位信息。因此, 需研究一种快速准确确定待检测图在标准库中位置的方法。

确定最优位置过程就是图像的匹配过程, 一般的图像匹配方法有:Harris -Affine、Edge -Based Regions 、Hessian -Based Affine 、MSER、ASIFT算法和SIFT (Scale Invariant Feature Transform) 算法[2]。改进的SIFT算法不仅具备SIFT的尺度、旋转、平移的不变性等优点, 而且还拥有比SIFT更高更可靠的准确度, 故其被普遍应用, 但是它在匹配速度方面有所不足, 不能满足工业检测的实时性。文章提出一种基于图像灰度统计曲线的最优位置确定法在实时性方面有很大的突破。

1 基于改进SIFT的最优位置确定法

采用SIFT算法结合RANSAC对待匹配图像与标准库中图像进行一一匹配, 可以增强图像匹配的准确度, 从而确定待匹配图像在合格产品标准库中的最优位置, 其步骤如下:

Step1.以3°为采样步长对合格产品进行采样, 获得120 幅图像, 对每幅图像进行SIFT特征点提取[3], 为每个特征点建立特征向量, 得合格产品标准库。

Step2.获取随机方位下的待检产品图像, 对其进行SIFT特征点提取, 并建立特征向量。

Step3.取随机方位下待检图的一个特征点, 从合格产品标准库中找出距离这个待检特征点最近的两个特征点, 若在这两个标准库特征点中最近距离比上次近距离的值小于0.65, 则将其判断成一对匹配点。对随机方位下待检图的所有特征点进行一一匹配。

Step4.利用RANSAN算法[4]去除误配点, 统计合格产品标准库中每幅图像含有的匹配点数, 将匹配点数最多的图像判为待检图像在标准库中的最优位置。

2 基于图像灰度统计曲线的最优位置确定法

若产品待识别尺寸非常小, 则采用步长就非常小, 获取的合格产品标准库图像数量非常多。选择将待配图和标准库的图像进行一一匹配的话, 将需要较长时间, 则工业的实时性要求就得不到满足。而采用基于图像灰度的统计曲线趋势分析法的查找速度较快, 可以满足工业的实时性要求。

2.1 灰度统计曲线法的步骤

Step1.分别对合格产品和待检产品以3°为采样步长获取120 幅图像, 对每幅图像进行灰度平均值计算, 以每幅图像的灰度平均值分别建立合格品灰度统计曲线和待检品灰度统计曲线。

Step2.比对合格品灰度统计曲线和待检品灰度统计曲线, 确定待检产品图像在标准库的最优位置。

2.2 灰度平均值法

设每幅图像具有m×n个像素, 共采集了q幅图, 则采集的图像数据可用下面矩阵表示:

其中矩阵元素Si, j为第j幅图第i个像素的灰度值 (1≤i≥m×n, 1≤j≥q) 。

若记Aj为第j幅图像的灰度平均值, 则有:

计算出q个灰度平均值就可画出灰度统计曲线。

3 实验结果及分析

文章以产品内部多个待检测零件为检测目标, 实验中图片是来自X射线图像, 实验环境是, Intel (R) Core (TM) i5-2450M CPU @2.5GHZ 2.50GHZ的处理器, 4.00GB内存, 仿真品台Matlab2010b, 操作系统Windows7。采用基于改进SIFT的最优位置确定法, 将待检图与标准库中图像一一匹配, 得到待检图与标准库中24°位置图像的匹配点数最多[3], 故位置相对应, 如图2 所示, 耗时间为8.4s。采用基于图像灰度的统计曲线趋势分析法, 如图3 所示, 由于待检产品序列图的像灰度统计曲线与合格产品序列图像的灰度统计曲线大体趋势一致, 确定在随机摆放下的待检产品第一幅图像与标准库中第9 幅位置图像对应, 即对应24°位置图像, 识别过程用时4.02s。上述的检测时间, 均是在保证准确率的情况下经40 次实测统计作平均值得出。实验结果表明, 基于图像灰度的统计曲线趋势分析法在实时性方面明显优于基于SIFT的最优位置确定法。

4 结束语

文章提出了一种基于灰度统计曲线的最优位置确定法, 仅以两条灰度统计曲线对比为依据, 确定两个序列图之间的对应关系, 大大的减小了图像匹配的运算量, 极大的提高了图像匹配的速度。实验结果表明本方法匹配速度较快, 适用于实时性要求高的工业批量生产领域。

摘要：针对基于改进SIFT的最优位置确定法存在的实时性差的问题, 提出了一种基于图像灰度统计曲线的待检产品图像在标准库中最优位置确定法。该方法采用图像灰度统计的曲线趋势分析法进行图像匹配, 对比待检产品与标准库的图像灰度统计曲线趋势, 从而确定待检的产品图像在标准库中的最优位置。实验结果表明采用基于图像灰度统计曲线的最优位置确定法比基于改进SIFT的最优位置确定法平均可节省4.38s。

关键词：图像灰度统计曲线,最优方位的确定,图像匹配,SIFT算法

参考文献

[1]韩芳芳.表面缺陷视觉在线检测关键技术研究[D].天津大学, 2011:3-15.

[2]Matas J, Chum O, Urban M, et al.Robust wide-baseline stereo from maximally stable extremal regions[J].Image and Vision Computing (S2628-8856) , 2004, 22 (10) :761-767.

[3]徐青, 韩跃平, 杨志刚.SIFT算法与折半查找法在产品表面缺陷检测中的应用[J].计算机测量与控制, 2014, 22 (1) .