[发明专利]一种基于分区域K-means算法的光条分割方法

摘要

本发明一种基于分区域K‑means算法的光条分割方法，属于视觉测量领域，涉及一种基于分区域K‑means算法的光条分割方法。该方法首先通过双目相机采集线激光条图像，粗提取感兴趣区域，并利用高斯滤波算子去除噪声。然后将图像进行分区，并对每个子区采用K‑means算法进行分割。最后。将所有子区重新拼接，获得整幅图像的分割结果，实现了非均匀光条特征的准确分割。该方法可有效解决因光条明暗不均、测量视场过大、现场环境复杂等因素，导致的阈值选取困难，光条特征分割不完整，分割结果不准确等问题。同时。能有效地降低外部干扰噪声对分割结果的影响，实现非均匀光条特征的准确分割，具有高精度、高效、高鲁棒性的特点。

主权项

1.一种基于分区域K-means算法的光条分割方法，其特征是，该方法首先通过双目相机采集线激光条图像，粗提取感兴趣区域，并利用高斯滤波算子去除噪声，然后将图像进行分区，并对每个子区采用K-means算法进行分割，最后将所有子区重新拼接，获得整幅图像的分割结果，实现了非均匀光条特征的准确分割；分割方法的具体步骤如下：/n第一步、利用双目相机采集激光光条图像，粗提取感兴趣区域；/n搭建双目视觉测量系统，在零件(5)前架设顶部安装有转台(2)的三脚架(8)，将辅助激光器(3)安装在转台(2)上，同时将左、右相机(1、4)安装在转台(2)两端的固定支架上，将辅助激光器(3)、左、右相机(1、4)与图像采集系统(7)相连，双目视觉测量系统搭建完成；/n利用双目相机采集激光条图像，打开辅助激光器(3)，将激光条(6)投射到零件(5)上，用图像采集系统(7)控制左、右相机(1、4)同步采集图像，同时控制转台(2)带动辅助激光器(3)转动，使得激光条(6)在零件(5)上扫描，当激光条(6)从最左端扫描至最右端后，用图像采集系统(7)停止转台(2)的转动；同时停止左、右相机(1、4)的图像采集，扫描采集停止后，共获得2d张图像，粗提取包含了光条部分的区域；由于辅助激光器(3)与零件(5)的相对距离不变，故对双目相机采集的2d张图像的任意一张图像，均存在一个像素尺寸为u×v的感兴趣区域roi_u,v，要从双目相机采集的图像中提取出零件(5)的几何形貌点云信息，只需对感兴趣区域roi_u,v进行处理即可；/n第二步、利用高斯滤波算子去除噪声；/n将感兴趣区域roi_u,v看作列数为u，行数为v的矩阵M_u,v，矩阵中每个元素的值为图像对应位置的灰度值；利用式(1)计算大小为m×n的高斯滤波卷积模板矩阵H_m,n；/n /n其中，h[a,b]为高斯卷积模板H_m,n第a行、第b列处元素的值，σ为高斯函数的均方差，控制平滑效果，σ的值越大，平滑效果越好，一般取σ＝1～10；通过式(2)对感兴趣区域roi_u,v进行滤波降噪；/n /n其中，ROI_u,v为处理后的感兴趣区域矩阵，M_u,v为处理前的感兴趣区域roi_u,v对应的矩阵，u为感兴趣区域矩阵列数，v为感兴趣区域矩阵行数，H_m,n为高斯滤波卷积模板矩阵，m为感兴趣区域矩阵行数，n为感兴趣区域矩阵列数；/n第三步、分区域分割图像，获得图像的分割结果；/n将图像ROI_u,v沿竖向均匀分为L块，每块图像记为ROI_u,k,l，其大小为u×k，其中k＝vL，l＝1,2,...,L；对每个图像块ROI_u,k,l分别采用K-means算法进行分割；对于一个图像块ROI_u,k,l，以其所有像素为数据集X＝{x₁,x₂,...,x_N}，N＝u×k，设置聚类中心数目为2，初始聚类中心为C＝[c₁,c₂]，其值由式(3)计算；/n /n其中，x_i∈X，i＝1,2,...,N，min(x_i)为数据集X＝{x₁,x₂,...,x_N}中的灰度最小值，max(x_i)为数据集X＝{x₁,x₂,...,x_N}中的灰度最大值；对每一个样本x_i，利用式(4)计算该样本到2个聚类中心c₁和c₂的欧式距离并将其分到距离最小的聚类中心所对应的类中；/n /n其中，c⁽ⁱ⁾为样本x_i对应的类别，c⁽ⁱ⁾∈{1,2}，c_j为第j类对应的聚类中心，c_j∈C，j∈{1,2}；由此，数据集X＝{x₁,x₂,...,x_N}被分为两类，类别1距离聚类中心c₁更近，记为数据集X₁；类别2距离聚类中心c₂更近，记为数据集X₂；根据聚类后得到的数据集X₁、X₂，利用式(5)重新计算，并更新聚类中心C＝[c₁,c₂]的值；/n /n其中，c_j为新的聚类中心的值，j∈{1,2}，ω_i为求解聚类中心的分类系数，由式(6)确定；/n /n更新聚类中心C＝[c₁,c₂]的值后，再次利用式(4)计算数据集X＝{x₁,x₂,...,x_N}中的样本到两个新的聚类中心c₁和c₂的欧式距离并将其分到距离最小的聚类中心所对应的类中，聚类后，再次用式(5)和式(6)更新聚类中心C＝[c₁,c₂]的值，如此重复，直到聚类中心的位置不再变化时，聚类过程完成；此时数据集X＝{x₁,x₂,...,x_N}中的所有样本被分为两类，即数据集X₁、X₂；其中，一类为图像块ROI_u,k,l的背景像素，另一类为光条像素，至此完成了图像块ROI_u,k,l的分割；对每一个图像块ROI_u,k,l进行分割后，将L块图像块ROI_u,k,l按l＝1,2,...,L的顺序拼接，获得整幅图像ROI_u,v的分割结果。/n