matlab 光斑质心算法,一种光斑提取及其质心确定的方法技术

【技术实现步骤摘要】

一种光斑提取及其质心确定的方法

本专利技术涉及一种光斑提取及其质心确定的方法，属于激光提取和定位

技术介绍

国内外有不少对光斑提取的详细分析和讨论，但都大部分侧重于对其中某种误差的讨论。有的虽然分析了CCD噪声对光斑质心定位精度的影响，但却未提出具体的实现方法。在市场应用这一块还存在很大的缺陷，本专利技术提供一种光斑提取及其质心确定的方法，可以很好的解决这一问题，具有非常广阔的市场前景和实际意义。

技术实现思路

专利技术目的：针对现有技术中存在的问题与不足，本专利技术提供一种光斑提取及其质心确定的方法，针对外界输入的图像，进行一系列图像的分解和特征提取来提取激光斑块，在使用交叉点定位光斑和高斯拟合的方法来确定中心坐标，从而达到准确确定光斑质心的效果。技术方案：一种光斑提取及其质心确定的方法，包括如下步骤：第一步：导入图像，对图像进行预处理，包括基于去雾算法的处理、滤波处理、基于直方图增强算法的处理以及基于彩色特征提取算法的处理，以提高图像质量。第二步：计算图像彩色特征，得到特征图像(这里分析最佳色彩特征)。第三步：阈值分割特征图像，并得到分割二值化图像(采用最佳阈值分割算法)。第四步：通过寻找一阶导数交叉点的方法确定光斑的质心所覆盖的基本像素区域。第五步：使用像素中心区域不饱和点灰度信息高斯拟合来计算光斑中心坐标。有益效果：与现有技术相比，本专利技术提出的光斑提取及其质心确定的方法，通过简单而有效的实验方法实现了光斑的提取和质心的确定，大大的提高了他的精确度，减少实际运用测量中的误差。附图说明图1为本专利技术方法实施例的整体工作流程图；图2为去雾算法物理模型图；图3为S的边界示意图，其中(a)为结构元素S，(b)为Sup，(c)为Slow，(d)为Sleftt，(e)为Srigh；图4(a)为理想光斑的能量分布图；图4(b)为理想光斑x方向的能量分布函数曲线；图4(c)为一阶导数分布曲线；图4(d)为实际获得的光斑图像；图4(e)为光斑中心确定原理图；图4(f)为光斑中心确定原理图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，光斑提取及其质心确定的方法，具体步骤如下：第一步：对从CCD获取的彩色图像进行预处理，包括基于去雾算法的处理、滤波处理、基于直方图增强算法的处理以及基于彩色特征提取算法的处理，以提高图像质量。我们从CCD中获取的为彩色图像。与灰色图像不同，彩色图像是一种多通道的图像信号，由多个颜色分量组成。图像的像素是多维矢量，矢量的大小和方向代表不同的颜色信息。在处理时既要考虑有效的抑制噪声，又要减少处理前后图像在颜色上的误差。因此，在这我们采用的是基于排序统计的矢量中值滤波法。首先对于具有N个矢量的集合V＝{v1,v2,,…,vN}，将其通过一个矢量中值滤波器后得到的输出中值为xVM＝VM{v1,v2,,,,vN}，其中VM{v1,v2,,,,vN}表示获得的彩色图像矢量。算法如下：(1)对于每个矢量计算它到其余矢量的距离之和即为矢量差值的二范数之和(i＝1，2，…，N)；(2)对Si进行排序，从中选出最小值，记为Sk；(3)则满足的vk即为输出的中值矢量最后得到的滤波结果xVM对高斯噪声的平滑和脉冲噪声的滤除以及图像边缘信息的保护都有较好的效果。但当在雾、霾等不佳天气条件下因大气中大量的悬浮颗粒会导致的图像退化，导致图像内容模糊或丢失。因此我们需要采用去雾算法来提高图像的质量。如图2所示，从图中可以看出进入摄像设备的光线主要有两部分组成(图中虚线表示的光线组和单点画线表示的光线组)，一部分是场景中的物体反射光直接传播到镜头中(单点画线表示的光线组)，这部分光强随着场景的深度增加而呈指数衰减；另一部分是由太阳光照射以及由大气中悬浮颗粒散射进入镜头的大气光，当大气中的悬浮颗粒浓度较高时，太阳光可忽略。用公式来表述该模型为：I(x)＝J(x)·t(x)+A[1-t(x)]，t(x)＝exp[-βd](1)式(1)中I(x)是观测到的有雾图像，J(x)为待求的无雾图像，t(x)为大气透射率，A表示大气光，β为大气衰减系数，d为场景中物体到摄像位置的距离。经去雾处理后的图像我们再利用直方图增强算法来放大图形所含的信息。步骤如下：假设f(i,j)＝I＝{I(i,j)}代表一副数字图像，这里I(i,j)代表在(i,j)点处的图像灰度值。将图像亮度数字化，并分成诸如{I0,I1,I2,...,IL-1}的L个等级。显然假设nk代表图像中灰度等级为Ik的像素总个数。使用单阈值T可以将输入图像I分割成二个子图像IL、IU：I＝IL∪IU其概率密度函数PDF可以由下式表示：nk代表子图像IL、IU中灰度等级为Ik的像素总个数。T代表阈值。N代表整幅图像的像素个数。从而，IL、IU的累积密度函数PDF可以定义为：显然，传递函数可以定义为：fL(IK)＝I0+(T-I0)cL(IK),(K＝0,1,、、、，T)(7)fu(IK)＝IT+1+(IL-1-IT+1)cu(IK),(K＝T+1,T+2,、、、，L-1)(8)这样，我们就完成了图像的预处理，接下来就可以进行更精确的后续分析了。第二步：对处理后的图像f(i，j，k)进行RGB分解得到三个颜色分量R分量r(i，j)、G分量g(i，j)和B分量b(i，j)。计算图像的彩色特征，同时分析最佳色彩特征。计算RGB颜色系统的r、g、b的均值标准偏差rstd、gstd、bstd，方差rvar、gvar、bvar及r、g、b相互间的相关系数rg、rb、gb。公式如下：经上述(9)-(20)公式可计算得出特征图像。第三步：对特征图像进行最佳阈值分割，得到二值化图像。我们采用基于Otsu's法阈值分割的单阀值分割方法，步骤如下：(1)分割阈值选择阈值分割实际上就是输入图像f到输出图像g的如下变换：其中，T为阈值，范围0～255对于目标的像素：g(i,j)＝1对于背景的像素：g(i,j)＝0Otsu's方法被广泛应用于自动将图像分割成两个部分：目标区域和背景区域。该方法假设被分割的图像包含两类像素，即前景和背景，那么最佳阈值就是使得他们的类间方差最大。σ2(XT)＝WL(E(XL)-E(X))2+WU(E(XU)-E(X))2(21)E(XL)和E(XU)代表被阈值XT分割成的两个子图像的亮度均值。E(X)是整幅图像的亮度均值。WL和WU代表着两个子图像中像素占整幅图像的权重。(2)单独处理每一个子图像式中，T是单阈值(范围：(0～255)，pL、pU是对应子图像IL、IU的概率密度函数。E(IL)、E(IU)为对应子图像IL和IU的亮度均值。E(I)是整幅图像的亮度均值。最后，输出图像表达式如下：Y＝{Y(i,j)}＝YL∪YU＝fL(IL)∪fU(IU)(25)这样我们得到的图像为二值化图像。到此，我们所需的光斑区域就可以和其他区域很清晰区别开。第四步：通过寻找一阶导数交叉点的方法确定光斑的质心所覆盖的基本像素区域。具体步骤如下：一、利用边界像素检测进一步缩小质心所在位置过程如下：步骤1，利用边界检测找到本文档来自技高网...