賈志前

摘 要：針對基于改進(jìn)SIFT的最優(yōu)位置確定法存在的實時性差的問題，提出了一種基于圖像灰度統(tǒng)計曲線的待檢產(chǎn)品圖像在標(biāo)準(zhǔn)庫中最優(yōu)位置確定法。該方法采用圖像灰度統(tǒng)計的曲線趨勢分析法進(jìn)行圖像匹配，對比待檢產(chǎn)品與標(biāo)準(zhǔn)庫的圖像灰度統(tǒng)計曲線趨勢，從而確定待檢的產(chǎn)品圖像在標(biāo)準(zhǔn)庫中的最優(yōu)位置。實驗結(jié)果表明采用基于圖像灰度統(tǒng)計曲線的最優(yōu)位置確定法比基于改進(jìn)SIFT的最優(yōu)位置確定法平均可節(jié)省4.38s。

關(guān)鍵詞：圖像灰度統(tǒng)計曲線；最優(yōu)方位的確定；圖像匹配；SIFT算法

引言

因為機器視覺技術(shù)[1]具有損壞小、成本低、速度快、正確率高、時間工作長等優(yōu)勢，所以其在現(xiàn)代工業(yè)自動檢測領(lǐng)域中被普遍使用。對于各種工業(yè)產(chǎn)品，使用機器視覺技術(shù)檢測，因為在測試階段產(chǎn)品是隨機放置的，所以它應(yīng)該是在一個隨機的方向，以實現(xiàn)產(chǎn)品測試的檢測，故首先要確定待檢物品圖像在合格產(chǎn)品的圖像標(biāo)準(zhǔn)庫中最優(yōu)方位信息。因此，需研究一種快速準(zhǔn)確確定待檢測圖在標(biāo)準(zhǔn)庫中位置的方法。

確定最優(yōu)位置過程就是圖像的匹配過程，一般的圖像匹配方法有： Harris-Affine、Edge-Based Regions 、Hessian-Based Affine 、MSER、ASIFT算法和SIFT（Scale Invariant Feature Transform）算法[2]。改進(jìn)的SIFT算法不僅具備SIFT的尺度、旋轉(zhuǎn)、平移的不變性等優(yōu)點，而且還擁有比SIFT更高更可靠的準(zhǔn)確度，故其被普遍應(yīng)用，但是它在匹配速度方面有所不足，不能滿足工業(yè)檢測的實時性。文章提出一種基于圖像灰度統(tǒng)計曲線的最優(yōu)位置確定法在實時性方面有很大的突破。

1 基于改進(jìn)SIFT的最優(yōu)位置確定法

采用SIFT算法結(jié)合RANSAC對待匹配圖像與標(biāo)準(zhǔn)庫中圖像進(jìn)行一一匹配，可以增強圖像匹配的準(zhǔn)確度，從而確定待匹配圖像在合格產(chǎn)品標(biāo)準(zhǔn)庫中的最優(yōu)位置，其步驟如下：

Step1.以3°為采樣步長對合格產(chǎn)品進(jìn)行采樣，獲得120幅圖像，對每幅圖像進(jìn)行SIFT特征點提取[3]，為每個特征點建立特征向量，得合格產(chǎn)品標(biāo)準(zhǔn)庫。

Step2.獲取隨機方位下的待檢產(chǎn)品圖像，對其進(jìn)行SIFT特征點提取，并建立特征向量。

Step3.取隨機方位下待檢圖的一個特征點，從合格產(chǎn)品標(biāo)準(zhǔn)庫中找出距離這個待檢特征點最近的兩個特征點，若在這兩個標(biāo)準(zhǔn)庫特征點中最近距離比上次近距離的值小于0.65，則將其判斷成一對匹配點。對隨機方位下待檢圖的所有特征點進(jìn)行一一匹配。

Step4.利用RANSAN算法[4]去除誤配點，統(tǒng)計合格產(chǎn)品標(biāo)準(zhǔn)庫中每幅圖像含有的匹配點數(shù)，將匹配點數(shù)最多的圖像判為待檢圖像在標(biāo)準(zhǔn)庫中的最優(yōu)位置。

2 基于圖像灰度統(tǒng)計曲線的最優(yōu)位置確定法

若產(chǎn)品待識別尺寸非常小，則采用步長就非常小，獲取的合格產(chǎn)品標(biāo)準(zhǔn)庫圖像數(shù)量非常多。選擇將待配圖和標(biāo)準(zhǔn)庫的圖像進(jìn)行一一匹配的話，將需要較長時間，則工業(yè)的實時性要求就得不到滿足。而采用基于圖像灰度的統(tǒng)計曲線趨勢分析法的查找速度較快，可以滿足工業(yè)的實時性要求。

2.1 灰度統(tǒng)計曲線法的步驟

Step1.分別對合格產(chǎn)品和待檢產(chǎn)品以3°為采樣步長獲取120幅圖

像，對每幅圖像進(jìn)行灰度平均值計算，以每幅圖像的灰度平均值分別建立合格品灰度統(tǒng)計曲線和待檢品灰度統(tǒng)計曲線。

Step2.比對合格品灰度統(tǒng)計曲線和待檢品灰度統(tǒng)計曲線，確定待檢產(chǎn)品圖像在標(biāo)準(zhǔn)庫的最優(yōu)位置。

2.2 灰度平均值法

3 實驗結(jié)果及分析

文章以產(chǎn)品內(nèi)部多個待檢測零件為檢測目標(biāo)，實驗中圖片是來自X射線圖像，實驗環(huán)境是，Intel（R） Core（TM） i5-2450M CPU @ 2.5GHZ 2.50GHZ的處理器，4.00GB內(nèi)存，仿真品臺Matlab2010b，操作系統(tǒng)Windows7。采用基于改進(jìn)SIFT的最優(yōu)位置確定法，將待檢圖與標(biāo)準(zhǔn)庫中圖像一一匹配，得到待檢圖與標(biāo)準(zhǔn)庫中24°位置圖像的匹配點數(shù)最多[3]，故位置相對應(yīng)，如圖2所示，耗時間為8.4s。采用基于圖像灰度的統(tǒng)計曲線趨勢分析法，如圖3所示，由于待檢產(chǎn)品序列圖的像灰度統(tǒng)計曲線與合格產(chǎn)品序列圖像的灰度統(tǒng)計曲線大體趨勢一致，確定在隨機擺放下的待檢產(chǎn)品第一幅圖像與標(biāo)準(zhǔn)庫中第9幅位置圖像對應(yīng)，即對應(yīng)24°位置圖像，識別過程用時4.02s。上述的檢測時間，均是在保證準(zhǔn)確率的情況下經(jīng)40次實測統(tǒng)計作平均值得出。實驗結(jié)果表明，基于圖像灰度的統(tǒng)計曲線趨勢分析法在實時性方面明顯優(yōu)于基于SIFT的最優(yōu)位置確定法。

4 結(jié)束語

文章提出了一種基于灰度統(tǒng)計曲線的最優(yōu)位置確定法，僅以兩條灰度統(tǒng)計曲線對比為依據(jù)，確定兩個序列圖之間的對應(yīng)關(guān)系，大大的減小了圖像匹配的運算量，極大的提高了圖像匹配的速度。實驗結(jié)果表明本方法匹配速度較快，適用于實時性要求高的工業(yè)批量生產(chǎn)領(lǐng)域。

參考文獻(xiàn)

[1]韓芳芳.表面缺陷視覺在線檢測關(guān)鍵技術(shù)研究[D].天津大學(xué)，2011：3-15.

[2]Matas J，Chum O，Urban M，et al. Robust wide-baseline stereo from maximally stable extremal regions[J].Image and VisionComputing

（S2628-8856），2004，22（10）：761-767.

[3]徐青，韓躍平，楊志剛.SIFT算法與折半查找法在產(chǎn)品表面缺陷檢測中的應(yīng)用[J].計算機測量與控制，2014，22（1）.

[4]邱亞輝，李長青，崔有幀.RANSAC算法在剔除圖像配準(zhǔn)中誤匹配點的應(yīng)用[J].影像技術(shù)，2014，26（4）.