一种轴类零件边缘精确定位方法

针对目前的边缘检测算法存在定位精度低、处理速度慢、抗噪性能差等缺陷,提出了一种轴类零件尺寸检测的图像边缘高精度定位方法。该方法采用改进的自适应中值滤波算法、改进的Kirsch算子和在图像边缘灰度梯度方向上进行二次函数逼近高斯曲线拟合方法,实现了图像边缘亚像素高精度定位,提高了尺寸检测精度。通过对气门尺寸的计算机视觉检测实际应用,证明提出的算法精确且稳定,满足高精度视觉检测要求。     

微细特征三维测量系统标定的精确椭圆提取方法

针对目前小微测量系统标定中圆心提取精度低与稳定性差的问题,提出了一种精确的椭圆中心提取算法。利用Zernike正交矩进行亚像素边缘检测,通过矩阵的块分解进行椭圆拟合。根据提取的亚像素边缘数据点,计算出最佳椭圆参数,提取中心。采用张正友的平面标定算法进行了标定实验,结果表明:所提算法精度高、稳定性好、易于实现。     

O型金属密封件亚像素尺寸检测方法的研究

针对在现实生产中,硬件受限的O型金属密封件机器视觉检测的问题,提出了在亚像素图像条件下的精确尺寸检测方法。利用分形插值和小波变换的改进边缘检测算法,实现亚像素图像的边缘检测;并用结合梯度的区域生长和距离直方图的改进算法,实现O型的尺寸检测和圆度校验。实验结果表明,提出的方法与传统方法相比计算速度快、边缘检测精度高、尺寸测量精度可达微米级。     

瞳孔亚像素边缘检测与中心定位

为提高视线跟踪系统的分辨率和精确度,提出了一种亚像素精度的边缘检测与中心定位算法。利用设计的一维边缘检测算子对瞳孔像素级边缘点进行提取,然后利用边缘点小邻域内梯度方向上图像信息,进行亚像素边缘位置检测,最后经椭圆拟合确定瞳孔中心的精确位置及瞳孔形状参数。仿真实验验证了算法的有效性,提出的算法已被成功应用于实时视线跟踪系统中。     

亚像素边缘检测技术的研究

精确确定数字图像边缘的位置,对于图像测量非常重要。同时,图像获取过程中受到各种噪声的影响,必然会引起图像边缘的模糊,因此对图像边缘提取技术的研究一直是一个热门。对几种代表性的亚像素边缘检测技术进行了原理分析和性能比较。介绍了基于曲面拟合的和基于灰度矩的亚像素边缘检测算法。     

一种图像亚像素边缘检测算法的改进研究

为了提高刀具预调测量仪的检测精度,提出了一种改进的图像快速亚像素边缘检测算法——基于正交多项式拟合的亚像素边缘检测算法。首先,利用传统的Sobel算子完成边缘点整像素级别的检测,确定边缘的主体区域;然后,过边缘点沿边缘法线方向拓展像素,取一系列像素点并计算其灰度值;最后根据像素点灰度分布的数学特征,利用正交多项式和最小二乘法求拟合函数,通过拟合曲线确定图像边缘点的精确位置,实现图像亚像素边缘检测。实验证明,该算法运行时间短,约为0.63 s;检测精度高,可达0.1 pixels。     

基于边缘检测及方向加权的H.264帧内错误隐藏算法*

针对H.264帧内错误隐藏忽略边缘纹理信息的问题,提出了一种改进算法。首先对丢失块的相邻块的像素作边缘检测,统计相关像素的个数,确定相邻块的边缘方向;然后通过距离和相关像素进行加权,以估计出丢失块每个像素的插值方向;最后,通过对宏块状态标志进行检测,选择插值方法,完成插值运算。在H.264标准测试平台JM86上对该算法进行验证,结果表明：在像素丢失块达50%的恶劣情况下,该算法的PSNR值比空间像素加权算法提高了211 dB。     

二维几何图形测量中的边缘定位算法研究

研究图像优化测景和提取问题,针对CCD摄像机采集的图像中含有各种噪声,传统的边缘检测算法不仅不能很好地抑制噪声,而且定位精度只达到像素级.为了更好地提取图像边缘信息并抑制噪声,以提高测量系统的测量精度.在比较分析各种像素级边缘检测及亚像素细分算法的性能后,采用能同时协调图像边缘信息和抑制噪声的多结构多尺度形态边缘检测.根据测量系统的被测目标,采用矩估计亚像素细分算法来实现图像边缘的精确定位,并进行仿真.仿真结果表明算法通过提高定位精度,有效地提高了测量精度.     

基于Sobel算子的图像边缘检测及其实现

Sobel算子是图像边缘检测中常用的方法之一,利用像素的左、右、上、下邻域的灰度加权算法,根据在边缘点处达到极值这一原理进行边缘检测。该方法不但产生较好的检测效果,而且对噪声具有平滑作用,可以提供较为精确的边缘方向信息。本文提供了利用Sobel算子实现灰度图像边缘检测的C 源程序。     

小型连接件尺寸高精度测量研究

提出了一种非接触式的机器视觉尺寸测量方案。首先使用摄像机标定矫正畸变效应,获得摄像机内参数,随后采用双线定位法确定针脚位置,利用基于Zernike矩的亚像素边缘检测算法实现边缘检测和针宽测量。实验分析了该方法在小型连接件尺寸高精度检测中的效果。     

面向惯性约束聚变实验靶图像的快速椭圆检测

目的：针对惯性约束核聚变实验中靶图像轮廓模糊、亮度不均匀等问题,并从提高图像处理实时性角度出发,提出了一种高可靠性和高精度的快速椭圆检测方法。方法：首先利用椭圆边缘点在它与圆心相连方向上具有较大灰度变化率这一特点,以预估中心点为极点建立极坐标系,通过从极点出发的射线上灰度变化率极值点搜索实现椭圆边缘点检测,极值点搜索在图像局部范围进行保证边缘点检测的有效性和实时性;其次利用基于RANSAC的自适应椭圆参数提取算法得到最终椭圆参数,该方法利用椭圆参数空间聚类分析选取最优椭圆参数,从而实现了一致样本集的自适应选择,保证了椭圆参数拟合精度的同时提高了算法的适应性和鲁棒性。结果：采用本文算法检测一幅图像的平均时间约为110ms,与常用椭圆检测方法相比检测速度有显著提高。结论：对比实验表明,本文提出的椭圆检测方法与其他方法相比具有更高的精度、更快的实时性和更强的鲁棒性。     

基于显微视觉的微小型零件边缘检测技术研究

针对显微视场下微小型零件边缘检测精度要求高的问题,设计了一套微小型零件实时检测系统,给出了系统总体设计,完成了图像实时传输和处理;提出一种微小型零件亚像素级边缘检测算法：采用非正交二次B样条小波变换得到微小型零件的像素级边缘,利用Zernike矩算法的矩不变性对像素级边缘进行亚像素级精确定位,给出了算法原理,分析了像素级和亚像素级的边缘检测结果。实验数据表明：该系统检测零件尺寸可以达到0.01~10 mm,检测精度可以达到0.01%~0.1%,可准确识别出微小型零件的边缘,将检测精度提高到亚像素级,能够满足显微视场下微小型零件检测需要。     

基于改进ROEWA算子的SAR图像边缘检测方法

指数加权均值比(ROEWA)算子是一种较好的适用于SAR图像的多边缘检测算子,然而传统方法无法准确定位边缘,且不能计算边缘方向。改进边缘检测流程,分析上述问题产生的原因并采用传统ROEWA算子保证边缘检测恒虚警,对ROEWA加权后的滤波值进行差分运算保证非极值抑制的准确性。利用Radon变换具有较好抗干扰性和几何解析性的性质,提出基于Radon变换计算边缘方向。针对实测SAR图像的实验结果表明,该方法边缘检测及边缘方向计算性能较好。     

基于气门油封的亚像素边缘检测

针对气门油封的尺寸检测问题, 本文提出了一种基于Zernike矩改进算法的亚像素边缘检测方法. 首先, 对比分析了高斯滤波和双边滤波的预处理效果, 结果表明双边滤波在滤波和保留边缘信息方面具有更好的表现. 然后, 采用Canny算子进行边缘粗定位, 并利用自适应的Zernike矩过度模型进行亚像素级定位. 最后, 采用最小二乘拟合圆法获取圆心坐标和半径. 经试验证明, 优化后算法的边缘定位平均误差更小, 精度更加准确.     

基于概率估计的Sobel算子医学图像边缘细化方法

针对存在大量噪声和目标边缘模糊的医学CT图像难以提取精确边缘的难点,提出边缘检测精确定位算法。该算法利用Sobel梯度图以及一阶微分期望阈值,从概率分布的方法进行定位估值,从而获得较高的定位精度。实验结果表明,本文算法比传统Sobel等算子对提取医学CT图像边缘更有效。     

基于Halcon的阀芯尺寸亚像素级测量

针对传统人工在检测阀芯时的低效和低精度问题,采用性能优越的机器视觉软件Halcon为平台,利用Canny算子边缘检测和双线性插值方法得到阀芯图像亚像素级边缘,结合最小二乘算法进行边缘拟合,实现对阀芯快速、稳定和较高精度的尺寸测量。实验结果表明：该检测方式可以达到亚像素级的尺寸测量,测量精度高于2‰,满足企业对测量精度要求,且测量过程比较稳定和快速。     

基于特征匹配要求的纹理边缘检测

为了更精确地进行机器人双目视觉中的特征匹配,需要获得数字图像中丰富而精确的纹理与边缘信息。为此提出了一种新的基于稳态小波变换（SWT）的多尺度纹理边缘检测算法。利用稳态小波变换（SWT）的平移不变性来精确捕获奇异点,在多尺度上通过小波参数的梯度变化检测纹理边缘,而后进行多尺度融合并运用形态学方法得到单像素宽度、精确的纹理边缘二值图。通过对比实验结果表明,相对于经典的边缘检测算法,该算法在抗噪声能力,物体表面纹理的丰富度以及边缘定位的准确性上有很大的提升,并满足特征匹配的需求。     

基于多尺度自适应扩散方程的边缘检测方法

针对Canny算法对较高密度椒盐噪声和双阈值选取方面存在的不足,提出一种改进方法,采用多尺度自适应各向异性扩散方程对图像进行平滑,有效去除较高密度脉冲信号的同时又可以更好地保留边缘轮廓信息。在双阈值门限的选取上采用最大类间方差法根据图像的灰度信息自适应地选取,可以更好地满足实时性要求。为验证其性能,在不同噪声浓度情况下进行实验,结果表明,改进的边缘检测算法可以更完整地保留边缘信息,提高边缘检测的准确性,得到较理想的边缘轮廓信息。