[发明专利]一种基于有监督学习的条纹阈值分割方法

权利要求书

1.一种基于有监督学习的条纹阈值分割方法，其特征在于，获取光条图像并定位，制作数据集，训练深度残差网络，使用训练结果作为分类器，通过二分法确定边界阈值，基于二阶矩评估最佳阈值，实现快速精确分割激光条纹与周围背景；具体步骤如下：

第一步，获取光条图像并定位；

搭建激光辅助双目视觉测量系统，激光辅助双目视觉测量系统包括两相机、转台(2)、激光发射器(3)和信息采集系统(7)；转台(2)位于相机支架中间处转动，两相机分别位于相机支架上、转台(2)两侧，激光发射器(3)位于转台(2)上随之转动；激光发射器(3)向被测物(5)发射激光形成激光光条(6)，两相机连接信息采集系统(7)获得光条图像，基于多特征聚类的方法定位激光光条区域；

第二步，制作激光条纹二值图像的数据集；

在竖向方向上均匀将激光条纹区域划分成多块图像，根据灰度和阈值分割图像，得到训练数据，为训练数据打标签，得到激光条纹二值图像的数据集；

所有的激光条纹二值图像类别为：

其中，l为图像分割阈值，rol_h,l是从图像切割得到的第h幅、使用图像分割阈值l分割得到的图像，C₀为白噪声图像，C₁为无噪声图像，C₂为黑噪声图像；b₀是C₀和C₁之间的边界阈值，b₁是C₁和C₂之间的边界阈值；L是图像的灰度等级；

然后将激光条纹二值图像的数据集随机划分成训练集、验证集和测试集，用于训练深度神经网络；

第三步，训练深度残差网络；

设置网络结构与参数，建立深度残差网络，深度残差网络包括输入层、最大池化层、Block层、全连接层和损失层，网络参数是W＝{w,b,γ,β,ω_fc}；

输入层于网络开端输入第i张图像PROL⁽ⁱ⁾；

最大池化层，步长为2，置于输入层的下一层和全连接层的上一层，前者用于对输入数据降采样,减少网络参数的数量，加速训练，后者用于减缓过拟合；

其公式如下：

其中，1是卷积核的尺寸大小，是输入数据中执行最大池化的2×2矩阵中的四个阈值；

Block层由卷积层、BatchNorm层和ReLu层组成，用于对上一层的输出依次进行卷积运算、BatchNorm运算和线性整流运算，得到更稳定的训练结果；其公式如下：

其中，ω和d是卷积层的训练参数，γ和β是BatchNorm层的训练参数，x是输入图像的二维数组集合，和分别是输入数据的平均值和方差，和分别是BatchNorm层运算后的集合和卷积层、BatchNorm层和ReLu层的顺序集合；

全连接层用于将Block层计算得到的特征空间映射样本标记空间，减少特征位置对于分类结果的影响；将特征空间长向量转换成一个短向量后输出，与标签对齐；其公式如下：

g_W(PROL⁽ⁱ⁾)＝ip(x_H)＝ω_fcx_H (4)

其中，x_H是全连接层的输入向量，长度为H＝1024；ω_fc是全连接层的训练参数；g_W(PROL⁽ⁱ⁾)是整个网络输入为PROL⁽ⁱ⁾的输出向量，长度为3，对应于激光条纹二值图像的三种类别C₀,C₁和C₂；

损失层置于深度残差网络的输出端，通过损失函数用于计算全连接层的输出g_W(x⁽ⁱ⁾)与图像标签y⁽ⁱ⁾的误差，判断训练效果；图像标签y⁽ⁱ⁾定义为：

其中，是输入图像x⁽ⁱ⁾的第k维标签数据；

在损失函数中分别引入softmax函数的结构和交叉熵误差，实现多分类；同时为了提高类别C₁的分类精度，增加惩罚因子，控制误差和学习率；

损失函数为：

其中，χ_k是惩罚因子，仅在图像错误分类成C₁时提高学习的惩罚力度，满足χ₁＞χ₀＝χ₂＝1；

将第二步中分类好的数据集训练深度残差网络；

第四步，基于二阶矩评估最佳阈值；

使用训练好的深度残差网络分类数据集；挑选出一张C₁类型的图像；通过二分法找到b₀和b₁，最优的分割图像阈值介于b₀和b₁之间；提取阈值b₀和b₁之间所有图像的形状特征；其公式如下：

其中，M_h,l是类别C₁激光条纹的形状特征，和分别是u和v的平均值；

再计算这些图像二阶矩特征的平均值；找出图像二阶矩与M_h,l最接近的二值图像即为最优分割图像；其公式如下：

其中，是图像的最优分割阈值；

拼接所有图像最优分割结果，得到激光条纹图像的分割结果。