坐标测量机定位中的边缘算法

　　质量与效率一直是衡量各种机器性能、生产过程优劣的两项主要指标.传统的三坐标测量机只能在操作人员的牵引下完成对被测表面的测量,测量效率跟不上生产加工、科研试验的节奏.而通过对采集到的视场图像进行处理,即可得到被测表面的准确位置的方法[1],也就是说采用基于机器视觉的自定位测量系统,可以有效提高三坐标测量机的工作效率.传统边缘检测的Roberts算子、Sobel算子等,对噪声干扰十分敏感,常常把噪声当作边缘点检测出来[2].而基于多尺度特性的小波变换,由于小波的方向性较差,检测的边缘常出现不连续的现象[3].Canny算子由于采用双阈值,检测效果比较理想.对于不同的图片需设定不同的阈值,许多学者设计了各种阈值设定方法[4],但低阈值设定时普遍存在检测边缘光滑与保留更多有效边缘信息不能兼顾的问题.

　　本文通过分析像素梯度分布对检测结果的影响,提出改进后的低阈值调整算法.该方法通过自调整低阈值,对孤立的噪声点有很好的抑制作用,同时能增强不太明显的边缘,为三坐标测量机提供更好的定位信息.

　　1　基于机器视觉的三坐标定位系统

　　基于机器视觉的三坐标定位系统由摄像头采集图像信息,图像信息经视频采集卡进入计算机后进行处理,得到被测表面的位置信息,计算机对这些信息处理后控制测量机测头的运动,实现自动测量.其工作原理构成一个完整的闭环控制系统(图1).

　　2　传统Canny算子边缘检测算法

　　传统Canny边缘检测的过程如图2所示.

　　由于Gaussian函数具有可分离性[5],因此Can-ny算法首先采用二维Gaussian函数对图像进行平滑,去掉或者减弱噪声:

式中,x为原始图像元素的横坐标变量,y为原始图像元素的纵坐标变量,σ为Gaussian函数曲线的标准差.

　　传统的Canny算法一般是采用2×2邻域内的一阶导数的有限差分来计算平滑后的图像的梯度幅值和方向.设Px(i,j)和Py(i,j)分别为x和y方向上的一阶偏导数.则梯度计算的幅值

　　对经过非极大值抑制的子图像分别使用高、低两个阈值HTV和LTV,可以得到边缘信息全面的图像,但也含有一些伪边缘.

　　3　基于梯度分布的调整低阈值Canny改进方法

　　针对图3的待检测原始图像,采用传统Canny算子进行边缘检测.LTV较低(选择LTV=0.1)的时候能很好地保留各种边缘信息,同时保留了伪边缘(图4a);LTV较高(选择LTV=0.3)的时候伪边缘容易剔除,同时也会把真正的边缘信息丢失,甚至出现边缘断裂的现象(图4b).

　　为了改善检测效果,先要找到出现这种现象的原因.在原始图像中选择一行像素,如图5中白线所示.把该行所有像素的梯度通过灰度的方法求出,得到图6所示的该行像素梯度分布图.从梯度分布图可以得出,在像素横坐标126、272以及360附近,分别分布有很明显的峰值,说明这些点的位置梯度变换很快,对应的图4a中叶片边缘与白线的交点.同时,这些点的梯度值都大于0.6,说明实验中选择的HTV=0.5是合适的.但是对于低阈值,可以看出在像素横坐标30附近有一梯度值大于0.2的小峰,参照原始图像知道该处为背景噪声.当选择LTV=0.1时,该点被保留,如图4a左下角所示;当进一步增大LTV时,可以把该点剔除掉,但相应一些边缘信息也丢失,如图4b所示.