复杂产品内部结构射线图像的特征压缩与识别方法

　　图像特征是用于区分一个图像内部的最基本的属性或特征,由于实际应用中所获取的图像信息量往往较大,而且混有背景、噪声等冗余信息,因此要达到准确识别的目的,必须依赖于有效的特征提取方法。目前特征提取的方法很多,但计算量较复杂,笔者针对复杂产品内部结构装配正确性在线检测的需求及复杂产品射线透视图像的特点,在对前人方法的分析与比较的基础上,提出了一种适用于产品结构特征的快速识别方法。

　　1　特征压缩

　　1.1　特征分析

　　由于复杂产品内部构件的结构关系复杂,造成射线影像重叠、边缘混杂等现象,提取构件边缘特征比较困难,此外装配完成后构件的空间位置不确定,取向和轮廓特征不易提取,且原始图像不具有明显的像素集群特性,区域特征提取方法也不可行^[1]。

　　投影特征具有计算简单、唯一性和可区别性好及特征数量少的特点^[2],对于灰度分布不均匀图像的特征信息识别非常重要,无论有无噪声,图像的投影都能保持大致的稳定性,从而有效地提高了识别效率,所以采用投影特征作为识别特征。

　　图像f(x,y)在任意θ方向上的投影可以定义为该图像诸像素在该方向上对应投影之和。根据这一定义,数字图像f(i,j)(i=0,1,2,…,N-1;j=0,1,2,…,N-1)在水平和垂直方向上的投影分别为:

　　1.2　算法描述

　　将投影统计特征分析方法与一维投影值差分量化法相结合,将一维投影特征压缩为由0,1组成的二进制特征,并将其作为匹配识别的特征,这种方法在复杂产品检测识别中是一种新的尝试。

　　投影方法最早在光学字符识别中使用。由于投影计算的实时性,其作为一种快速匹配算法被不断改进采用。图1为特征提取流程框图,首先根据检测的需要,对预处理后的图像确定待检区域,利用式(1)对待检区域作投影,对得到的一维投影数据运用差分量化法,将投影特征进一步转化为由0,1组成的二进制新特征,建立检测特征库,通过上述步骤可以获取可靠反映构件状态的字符串特征。

　　假设待检区域图像为I(I,J),投影后的曲线为f(j),对f(j)进行差分量化^[3]

　　式中g(i)为提取出的0,1字符串特征。

　　1.3　实验结果

　　图2a和图3a分别为样本复杂产品和待检复杂产品的待检区域分割图,图2b和图3b分别为上述对应图像的垂直投影曲线。表1中的数据是利用式(2)和式(3)计算出的与图2b和图3b对应的特征向量。

    2　匹配识别

　　2.1　基本原理