三维形貌恢复（精选7篇）
三维形貌恢复 篇1
视频由单幅图片构成,探讨从单幅图片恢复三维形貌对从二维视频恢复2.5维信息有实际意义。而从人类视觉能就单幅图片恢复2.5维信息的特点来看,研究单幅图片的恢复也具有重要的学术价值。
本文探讨从单幅图片恢复人体三维形貌,是指对单幅图像进行分析处理,得到人体表面0°～180°的三维信息,是一种实用的三维人体恢复技术,在生物学、医学及人类科学[1]、多媒体、人机工程、视频会议、3D 游戏开发等领域有广泛的应用[2]。
本文利用明暗恢复形状(Shape From Shading,SFS)[3]方法从单幅图片中恢复人体三维形貌[4]。其核心思想是利用二维图像中留下的三维线索——灰度信息,在光源坐标系下计算与每个像素点对应的表面法向矢量信息,通过坐标旋转到图像坐标系中,得到图像中的人体的三维尺寸。这种方法不受光源限制、便于现场操作、最大限度的节省硬件资源,测量速度快、成本低,且易于实现系统间的信息集成。将人体知识加入到人体图像中光源的预测中,利用人体四肢可以近似为圆柱体这个特点进行粗略的光源预测,并将预测的光源用于恢复人体表面三维形貌。以此为基础进行了实验,实验表明此方法在一定情况下是有效的。
1 SFS方法
SFS方法早在1970 年由麻省理工学院的Horn等人首次提出来,他们将反射图的概念引入照度方程中,假定物体表面为朗伯体表面[5],建立了物体表面方向和图像亮度之间的函数关系,求解该函数模型即可获取物体表面坐标的高度值。
朗伯体表面模型如图1。以摄像机坐标系为参照系,将物体表面高度值表示为z(x,y),物体表面材质的反射率为ρ。规定物体表面法矢可由物体表面各点的法向量n(n1,n2,n3)的反方向矢量(p,q,-1)表示,其中,(p,q)为表面梯度。深度是摄像机到表面点的相对距离,同时也可以看作是相对于XOY平面的表面高度(表面法矢是与物体表面切平面垂直的向量方向,表面梯度是深度在x和y方向的变化量)。假设观察者方向的视线与像平面XOY平面垂直相交,光源到达物体表面一点(x,y)的强度为I(x,y),光源向量为(ps,qs,-1),光在观察方向反射的强度为E(x,y) ,则由朗伯定理得模型方程如下[6]
从式(1)可以理解,所谓SFS,即要恢复Z(x,y),则需通过E(x,y)求取p,q,然后通过光滑性约束来求取Z(x,y)。求解问题需要确定两类参数,一是光源相关参数,一类是跟被观察物结构和反射属性相关参数。关于光源的预测,一般是利用已知几何形状的物体对不同光源位置具有不同形状阴影的原理,通过分析阴影形状追踪光源位置。
在已知光源的情况下,现实的物体及图像采集系统无法满足理想的朗伯体模型,以及其他信息的不确定性导致的SFS问题的病态,因而需要根据采集图像的特点引入附加条件[6]
e1=∫∫(I-R)2dxdy (2)
e2 =∫∫(p
e3=∫∫((zx-p)2+(zy-q)2)dxdy (4)
式中:I是测量亮度;R是估计反射图亮度;px,py和qx,qy分别表示函数p和q在x和y方向上的偏微分;式(2)为亮度约束;式(3)为光滑性约束;式(4)为可积性约束。求解式(1)时,应使e1,e2,e3最小。
2 人体图片光源预测
就单幅图片而言,若未加特定摄制条件,其光源方向是未知的,因此需要求取光源的方向。关键就是预测光源入射角与物体表面点的夹角,以确定已知光源的入射方向。
本文三维形貌恢复的对象具有特定的目标——三维人体形貌恢复,可利用人体知识将光源预测问题简化。人体的四肢可以近似为圆柱体,而圆柱体是一种简单特殊的几何形状,光线在圆柱体表面发生反射时会遵循指定的规律,因而可以利用四肢这种几何特殊性对图像中的人体光源方向进行预测。
若去除毛发、衣服等遮挡物后,人体(如图2)的躯干、四肢、颈部可以近似为圆柱体(如图3)。正常情况下,人体四肢表面皮肤的材质和颜色差异不显著,因此可以将人体图片中没有遮挡且弯曲变形程度不大的四肢提取出来,分别拟合成对应的矩形(圆柱体的正面视图为矩形),经过分析得到各个圆柱体的预测光源方向,计算出对应该拟合矩形的光源分量,再将得到的几个光源方向平均值作为预测的整个人体光源方向。
如图4所示,考虑圆柱体上一点M的法向量为(0,cosα,sinα),则若以-Z方向为观察方向,根据式(1)得到
图片上M点的亮度为
E=Iρcosθ=Iρ(ns2×cosα+ns3×sinα) (5)
如图5所示,圆柱体的横截面圆的半径为r,N点距离圆柱体最左侧母线的距离为1,N点距该截面圆心O的距离d等于r-l,光源方向为(ns1,ns2,ns3),ns2和ns3分量构成的面与XOY平面的夹角α为
通过在二维图片上选用一个接近矩形的圆柱体像,估计出d;分析一系列不同r的点的强度,利用式(6),通过最小二乘法估计出相对应的α。根据d,r,α估计值,光源方向的ns2分量估计值为
依此类推,选用不同方向的圆柱体,可以得出ns1分量。依照(ns1,ns2,ns3),假定ns3为1,则可倒换出(ps,qs,-1)。若选出的圆柱体并不在图片的竖直或水平方向,则通过坐标倒换也可以推出相关结果。综合人体图片上选用的不同位置的圆柱体而预测出的光源矢量进行平均即得图片的光源矢量的预测。
3 人体图片恢复结果
本文恢复人体三维形状利用的是人体表面灰度信息,衣服、头发等遮挡物会产生错误的信息,因此实验对象必须选择没有衣服等遮挡物的人体,人体模特在外形和颜色等角度都与真实人体比较接近,且没有衣服等遮挡物的干扰,本文选择人体模特图片作为实验对象,恢复的步骤如图6所示[7]。
1) 实例一原始图像如图2所示,预测光源方向为(0.53,0,1),恢复的三维模型几个不同角度的截图如图7所示。
恢复结果分析:二维的人体图片的光源并没有进行太多的控制,SFS方法中的光源是单一光源,即无限远的电光源或平行光,而获得的二维的图片中的光源情况较复杂,有主光源、环境光,这样的光源会造成复原结果与真实人体模特的误差。具体分析如表1所示。
2) 实例二原始图像如图8所示,预测光源方向为(0.19,0,1),恢复的三维模型几个不同角度的截图如图9所示。
恢复结果分析:整体的复原结果还是比较理想。具体分析如表2所示。
4 结论与探讨
该三维人体测量方法在实施过程及实际应用中,依然存在不少问题。在提取用于预测光源的人体四肢时,本文采用的办法是手工提取,如何利用带入人体知识的边缘检测法自动提取出无遮挡的四肢,是下一步的工作。另外阴影在图片中是在所难免,人体的姿势千变万化,经常会出现遮挡的部位,但人体始终逃不脱躯干、头部、四肢的结构,下一步将利用光源矢量及各点的深度值计算出阴影区域并对其进行修正,并利用人体知识填充遮挡部位丢失的信息量。
虽然目前基于单幅图像进行人体形貌恢复的精度还不能够达到很高的要求,但此算法模拟人眼的视觉原理,只须单幅图像进行分析处理,便可以快速得到人体表面0°～180°的三维信息,是一种实用的三维人体恢复技术。
摘要：从单幅图片出发,通过简单的方法,根据人体的先验知识,从光学角度预测图片中的光源,并对人体图片进行2.5维恢复,以便以后从视频中恢复三维信息。实验表明,在一定条件下,将光源预测应用于人体表面三维形貌的复原是有成效的。本工作为从二维视频恢复2.5维信息提供了简单、实用、可改进的方法。
关键词：人体测量,三维形貌恢复,朗伯体,从明暗恢复形状
参考文献
[1]GUAN P,FREIFELD O,BLACK M J.A2D human body model dressed in eigen clothing[C]//Proc.11th European Conf.Computer Vision.Ber-lin:Springer-Verlag,2010:285-298.
[2]IKIZLER N,CINBIS R G,PEHLIVAN S,et al.Recognizing actions fromstill images[C]//Proc.19th International Conference on Pattern Recog-nition.Tampa,FL:IEEE Press,2008:1-4.
[3]HORN B K P.Shape from shading:A method for obtaining the shape of a smooth opaque object from one view[D].Boston:Massachusetts Inst.of Technology,1970.
[4]宋丽梅.基于单幅实时测量图像形貌三维恢复的研究[D].天津:天津大学,2004.
[5]BASRI R,JACOBS D.Lambertian reflectance and linear subspaces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(2):218-233.
[6]徐东平.基于SFS方法的三维表面重建算法研究[J].计算机与数字工程,2008,36(2):7-9.
[7]阮秋琦.数字图像处理(MATLAB版)[M].北京:电子工业出版社,2005.
三维形貌恢复 篇2
明暗恢复形状 (shape from shading, SFS) 技术是计算机视觉领域中三维形貌恢复 (3D shape recovery) 的一个热点问题, 是进行图像理解和三维目标识别的关键技术之一, 具有良好的应用前景。
SFS算法从物体的单幅灰度投影图像中提取到足够多的信息来重构其三维形貌。本文简单介绍了其中常用的4个典型算法。
2、原理分析
SFS的主要原理[1]是利用灰度投影图像中物体表面的明暗变化来恢复其表面各点的相对高度或表面法方向等参数值, 从而进一步重构物体的三维性状。
由光学物理的有关定律可知, 图像灰度及其分布与三维形状空间有着密切的关系, 空间物体表面取向的逐渐变化会引起图像的灰度平滑变化。具体而言对采集到的灰度图像, 物体表面的灰度值与4个因素有关:
(1) 物体可见表面的几何形状;
(2) 光源的入射强度和方向;
(3) 观察者相对物体的方位和距离;
(4) 物体表面的反射特性。
这四个因素都相对复杂, 因此在三维重构中, 通常做如下假设:
(1) 光源为无限远处点光源;
(2) 成像几何关系为正交投影。
3、反射模型
不同物体的表面具有不同的物理特性[1,2], 甚至同一物体的不同部分其物理特性也不尽相同, 这些物理特性的不同往往导致对入射光线表现出不同的反射特性。据此, 物体表面的划分对物体形状重构非常重要。常见的划分方式为:完全漫反射表面、完全镜面反射表面、混合型表面 (漫反射和镜面反射同时存在) 和具有更为复杂物理特性的表面。而不同特性的表面需要用不同的反射模型来描述。
常见的反射模型有Lambertian反射模型[3]、Torrance-Sparrow反射模型[4]、Hybrid反射模型[5]。
(1) Lambertian反射模型
基本特征是物体表面仅有漫反射。对于具有Lambertian表面的物体, 其表面亮度与入射光的强度成正比, 而单位表面所接受到的入射光强度又与光线的入射角的余弦成正比。Lambertian反射模型表示为:
其中, n= (n1, n2, n3) 为表面各点法向量, (p, q) 为表面梯度, n0= (n01, n02, n03) 表示光源方向。
(2) Torrance-Sparrow反射模型
物体表面是由许多微小的、朝向任意方向的小镜面组成, 表面上任意一点的亮度E (x, y) 可看作由漫反射和镜面反射形成。Torrance-Sparrow反射模型为:
(3) Hybrid反射模型
物体的表面既不是完全漫反射, 也非完全的镜面反射, 而是同时具有多种特性。由此, hybrid反射模型由三部分组成:diffuse lobe, specular lobe和specular spike。hybrid反射模型为:
4、SFS典型算法
现有SFS算法基本上都假设所研究对象为光滑表面物体, 即物体表面高度函数C 2 (或至少是C 1) 是连续的[5,6,7,8]。这样, 将物体表面反射模型与光滑表面模型相结合, 再利用一些已知条件 (如物体表面形状的边值) , 就构成SFS问题的正则化模型。
根据建立正则化方法的不同, SFS算法可分为:最小值方法、演化方法、局部方法和线性化方法[9]。
4.1 最小值方法 (M i n i m i z a t i o nApproaches)
一般情况下, 由物体反射模型确立的SFS问题没有唯一解。而最小值方法是将由物体表面反射模型所确定的亮度方程和光滑表面模型均表示为能量函数的形式, 然后将它们联合转化为一个泛函极值问题, 其最小化的解即为SFS问题的解。在能量函数中, 亮度方程和光滑表面模型均由各种约束表述, 因此, 这一能量函数也即由亮度约束和其他约束组成。
4.2 演化方法 (P r o p a g a t i o nApproaches)
从动力学角度而言, SFS基本问题可以看作Hamilton系统问题。当具有给定初值或边界条件时, 方程的求解就成为一个Cauchy问题 (初值) 或Dirichlet问题 (边界问题) 。该算法的关键步骤是找到图像中能够唯一确定形状的某一点或某些点, 并从这些点出发, 进而求得整个表面的解。
4.3 局部分析方法 (Local Approaches)
上述两类SFS问题的求解方法需要通过迭代或演化过程来将边界条件或初值条件扩展到整个物体表面, 其求解过程是全局的, 且不能独立得到物体表面的局部形状表示, 而SFS问题局部分析方法则是将反射模型与物体表面局部形状的假设相结合, 来构成关于物体局部形状参数的线性偏微方程组, 再利用已知边界条件来求得该方程组的唯一解, 这样即可直接确定物体的局部三维表面形状。其中常用的物体表面假设为球形表面。
4.4 线性化方法 (Linear Approaches)
SFS问题的线性化方法是指通过对反射函数的线性化, 将原SFS非线性问题转化为一个线性问题并进行求解的方法。该方法的基本思想是认为在反射函数中, 低阶项占主要部分, 将反射函数作Taylor展开后, 忽略非线性项的影响, 只保留线性项并认为这是对原反射函数的一个极好的近似。这种方法虽然没有明确提出一种表面模型, 但线性化反射函数时, 对变量高阶项的舍弃已暗示了物体表面形状变化是缓慢的。
比较上述四种算法:
最小值方法充分考虑了在图像成像过程中各种可能的约束, 这些附加约束条件和原亮度方程联立求解时, 能够产生较为稳定和精确的解。但是算法在搜索最小值时, 如果初始条件未知, 容易陷入局部最小值;如果使用遮挡边界条件作为初始值, 则解具有凸凹二义性;若使用奇异点 (图像亮度值最大点) 作初始条件, 虽然可以避免凸凹二义性, 但奇异点易与噪声混淆, 导致恢复的图像与期望值有较大的差异。而且最小值方法普遍使用的泛函变分和松弛迭代法会导致收敛速度过慢, 经常需配合一些加快收敛速度的算法。
演化方法的求解过程中借用了优化控制的各种理论, 通常可以找到全局最优值。还可以使用各种算法, 如遗传算法和模拟退火算法加快收敛速度。另外, 由于它是把光滑性假设融入算法中, 可以避免由于引入二阶微分而导致的过光滑问题。但此算法复杂性过高, 会随着图像的增大而增加, 并且对先验知识的要求比较严格 (如最小下山法和等值线的方法利用了图像的奇异点) , 这样对于实际图像含有噪声的情况会产生较大的误差, 导致演化过程不稳定。
局部分析方法是通过将反射模型与假设的物体表面局部形状相结合来解出物体表面的高度值的, 因此该方法对较符合形状假设的人工合成的光滑表面物体恢复的效果较好, 而对于难以满足形状假设的实际图像的恢复效果则很差。同样, 由于对物体表面局部形状的人为假设存在偏差, 因此其最后结果只是对真解的一种近似, 而系统误差始终存在。另外, 由于求局部问题的解可以直接得到物体表面的局部形状而不需要多次迭代过程, 因此它的速度较快。
线性化方法对亮度方程的一阶转化过程中舍去了二阶及二阶以上的项, 对于球形表面等二阶项很重要的表面, 其计算结果的近似误差很大。与局部分析方法类似, 此算法对反射函数的线性化假设导致最后的结果只是对真解的一种近似, 系统误差始终存在。同样, 这种算法的速度比较快。
5、结论
本文介绍的四种方法, 是SFS中较为典型的算法。这四种方法基于物体的反射模型, 从不同思路出发, 提取出物体的三维特征。它们各有其优势与不足, 有其适用的环境, 应用时必须根据具体情况做出选择。
参考文献
[1]B. K .P .Horn and M. J. Brooks, Shape From Shading, Cambridge, MA:MIT Press, 1989.
[2]B.K.P. Horn, ?Shape from Shading: A Method for Obtaining the Shape of a Smooth Opaque Object from One View, PhD thesis, MassachusettsInst. of Technology, 1970.
[3]R.Massen, “Multi-sensorial cameras in industrial quality inspection”, Advanced Technologies, Intelligent Vision, 23-26, 1995.
[4]刘上乾, 李庆辉.CCD及其应用技术.西安电子科技大学出版社.1998.
[5]Horn B K P, Brooks M J. The variational approach to shape from shading[J]. CVGIP, 1986, (33) :174-208.
[6] Horn B K P. Height and gradient from shading[J]. International Journal of Computer Vision. 1990, 5 (12) :37-57.
[7] Pentland A. Shape information from shading:A theory about human perception[A]. In: Proc Intl. Conf. CV[C], Tampa, 1988:404-413.
[8] Dupuis P, Oliensis J. Shape from shading:Provably convergent algorithms and uniqueness results[A]. In: Computer Vision-ECCV 94[C].Stockholm, Sweden, 1994:259-268.
三维形貌恢复 篇3
刀具磨损对工件品质有着直接的影响。近年来,国内外学者对刀具状态检测技术进行了大量研究,这些研究主要关注以下3个方面:1)对刀具在切削过程中产生的切屑进行测量[1],该方法是一种间接测量方法,尚处于理论研究阶段;2)监视特定的机床参数[2],用来判断刀具的磨损情况,也是一种间接测量方法,操作较为容易,但精度不高;3)直接对刀具进行观测[3],该方法操作虽然实现较难,但是精度较高。
刀具的磨损区域集中在微米级的研究范围,因而对于测量提出了更高的要求。目前,由于三维测量设备的应用限制,刀具磨损分析一直局限在二维形貌的分析上,磨钝标准的制定也仅限于平面二维参数方面的度量,比如:前刀面的月牙洼磨损深度KT,刀尖磨损最大值VC,主沟槽磨损量VN,后刀面磨损宽度VB[4]。
刀具磨损区域的三维重构属于显微三维表面重构的范畴。传统的三维重构方法比如双目视觉的方法,由于显微照片的背景和结构关系简单、对比度低、光学畸变等原因难以确定特征点并进行有效的匹配;结构光三维重构方法又由于系统结构复杂,标定困难等原因推广较难。国内外对刀具磨损区域的三维重构的研究都鲜有报道。提出了一种基于聚焦合成[5,6,7]原理,仅利用光学显微镜和计算机,即可实现刀具磨损三维重构的方法。进而提出了刀具磨损的三维评价指标,为研究刀具磨损形貌在加工过程中的变化,以及磨损机理的研究提供了量化的依据。
1 原理
a) 聚焦合成算法:聚焦合成的基本思想[6,7]是:首先,通过调整显微镜z轴位置,获取显微样本的序列图像,使整个序列覆盖在显微镜中的全部z轴方向的高度信息,每幅图像有聚焦清晰区域和模糊区域;然后,在序列图像中通过一定的叠合规则,获取每个像素点所对应的聚焦清晰位置,从而重建出一副十分清晰的图像,再通过聚焦分析,恢复深度信息;最后,对深度信息进行插值拟合,恢复出比较精确的物体深度信息,从而通过二维图像序列进行三维重建和测量。其原理如图1所示。
b) 叠合算法:聚焦合成的叠合算法分为3种[7]:基于点的算法,基于区域的算法和基于频域空间的算法。
以往的梯度灰度算子[8]是一阶导数,二阶偏导数可以获得高频分量,从而得到比较锐化的边缘。拉普拉斯算子是一种二阶导数算子,可以作为高频分量的估计量,然而对x方向和对y方向的二阶偏导数可能会符号相反,相互抵消,从而使图像的聚焦产生偏差。因此考虑实现的效果和时间,选用基于点的改进拉普拉斯算子(Modified-Laplacian)进行图像的叠合,其计算公式如下:
SymbolQCp2f(x, y, n)=undefined+undefined(1)
式中: f(x, y, n)为第n幅图像的(x, y)点处的灰度值。
在数字图像处理中一般使用差分代替微分进行计算,以往使用的拉普拉斯算子进行图像处理时,一般是运用3×3的算子,考虑到显微图像的纹理变化,文献[9,10]提出一种改进的拉普拉斯算子,使用时引入可变步长来计算二阶差分,公式如下:
F(x, y, n)=ML(x, y, n)=|2f(x, y, n)-
f(x-s, y, n)-f(x+s, y, n)|+|2f(x, y, n)-
f(x, y-s, n)-f(x, y+s, n)| (2)
式中:F(x, y, n)是点(i, j)处的聚焦值,表示该点的聚焦测度;ML(x, y, n)为第n幅图像的(x, y)点处的拉普拉斯算子;s为步长。
进而,点(x, y)处的高度值就是该点的最大聚焦值所对应的高度,这里用图像的序列号代表其高度信息,公式为:
h(x, y)=L (L=1...n)
while max{F(x, y, n)} for F(x, y, n)≥T (3)
式中:h(x, y)是点(x, y)处的高度值,取值为点(x, y)处的最大聚焦值;T为阈值,用来去除噪声和背景点。
c) 深度插值:由此得到的深度信息是工具显微镜的z轴逐级调节得到的,只能得到粗略的深度值。为了恢复得到磨损表面更为精确的深度信息,还需要进行深度插值[10]。现采用高斯插值[11]的方法估计刀具磨损表面的精确的聚焦位置。
2 三维磨损评价指标提出
长期以来,由于三维成像设备性能以及成本的限制,刀具磨损的分析一直局限在二维形貌参数的分析上。刀具磨损区域三维形貌的重构给刀具磨损三维形貌的观察和三维参数的度量提供了可能,为此,提出以下几个基于像素点的三维磨损的度量指标。
a) 磨损最大深度:
hmax=max(hij) (1≤i≤m, 1≤j≤n) (4)
式中:hmax为最大磨损深度;hij为磨损区域像素点的深度;i, j分别为某点在图像中的行列数;m, n分别为图像总的行列数。
b) 磨损体积:
undefined(5)
式中:V是磨损的体积;s为单个像素的面积(将像素简化为长方形)。
c) 磨损平均深度:
undefined(6)
式中:undefined——磨损平均深度;
V——磨损体积;
S——磨损区域的面积(由S=s×g得出);
g——磨损区域像素个数。
3 实验步骤及结果
a) 算法的精度验证实验:采用了日本MITUTOYO工具显微镜,配合Panasonic彩色摄像头,在600倍放大倍数下,对一个车床加工的圆锥的锥尖部分进行三维重构,显微镜的调节步长为0.06mm,通过不断调节显微镜z轴的高度,使显微镜的成像面聚焦在磨损区域的不同高度层面,顺序采集10幅同一区域内的图像,组成图像序列,并以最低面为基准面。以理想圆锥的计算值作为真值,将重构后计算的测量值与理想值进行对比,来验证算法的精度。图像中的区域的水平距离和竖直距离在经过最小刻度为0.01mm的刻度光栅尺的标定后,测得的实际大小为:0.2388×0.1803mm。图2是圆锥不同聚焦高度所拍摄的两张照片,图3是圆锥锥尖的三维重建结果,图4是理想的圆锥,表1是圆锥测量的结果。从表1中可以看出,测量的误差<10%,能够满足我们的测量要求。
b) 刀具磨损测量实验:在相同的实验条件下,我们对陶瓷刀具的前刀面的月牙洼磨损区域进行观察。显微镜的调节步长为0.005mm,通过不断调节显微镜z轴的高度,使显微镜的成像面聚焦在磨损区域的不同高度层面,顺序采集8幅同一区域内的图像,组成图像序列,并以最高面为基准面。
图5是显微镜聚焦在磨损区域的不同高度所拍摄的两张照片。图6是将磨损序列聚焦图像进行融合,提取它们最清晰聚焦的部分后所合成的照片,可以与其三维重建图7进行对比,表明三维重建图确实反映了磨损区域的原貌。
对于该刀具的月牙洼磨损,其最大磨损高度为0.035mm,平均磨损高度0.019mm,磨损体积为0.000655mm3。对于本月牙洼磨损,这些参数都是合理的数值,这进一步说明了重构的刀具磨损区域的地貌反应了刀具磨损的实际情况。本试验在AMD Athlon 3000+,512M的电脑配置下用Matlab软件进行的,重构时间为292.16s。
4 结论
提出了一种运用聚焦合成的原理来重构刀具磨损区域的方法,将磨损区域从显微镜采集得到不同聚焦深度的图像序列,通过数字图像处理的方法,提取其深度信息,重构出刀具的磨损表面;并且提出了基于像素点对磨损区域进行测量的可行的三维评价指标。实验证明,这种重构方法简单有效。
参考文献
[1]Huang S N,Tan K K,Wong Y S,et al.Tool wear detection andfault diagnosis based on cutting force monitoring[J].InternationalJournal of Machine Tools&Manufacture,2007(47):444-451.
[2]林颖,刘亚俊,陈忠.基于分形理论和神经网络的刀具磨损监测[J].中国机械工程,2004,15(16):1426-1427.
[3]Sortino M.Application of statistical filtering for optical detectionof tool wear[J].International Journal of Machine Tools&Manu-facture,2003(43):493-497.
[4]张幼桢.金属切削原理及刀具[M].南京:南京航空航天大学,1990:110-112.
[5]Valdecasas A G,Marshall D.On the extended depth of focus algo-rithms for bright field microscopy[J].Micron,2001,32:559-569.
[6]姜志国,韩冬兵,等.基于全自动控制显微镜的自动聚焦算法研究[J].中国图像图形学报,2004,9(4):396-398.
[7]姜志国,史文华,等.基于聚焦合成的显微三维成像系统[J].CT理论与应用研究,2004,13(4):10-12.
[8]徐家骅.计量工程光学[M].北京:机械工业出版社,1981:42-50.
[9]Shree K Nayar,Yasuo Nakagawa.Shape from focus:an effectiveapproach for rough surfaces[J].IEEE,1990:219.
[10]龚俊峰,徐西鹏.基于聚焦合成的砂轮表面三维重构方法[J].金刚石与磨料磨具工程,2006,8(4):15-16.
[11]郑慧娆,陈绍林,等.数值计算方法[M].武汉:武汉大学出版社,2002:164-165.
三维形貌恢复 篇4
三维形貌测量是使用电子仪器获取被测物体表面三维形貌信息的技术［１］。随着现代科学研究的深入和工业生产水平的不断提高,人们对于物体三维形貌准确测量的需求日益强烈,而基于数字条纹投影的三维形貌测量技术作为新一代非接触式三维形貌测量技术,相比较传统方法有着诸如非接触无损耗、操作和实现简单、实时、成本低廉等优势,已经被广泛应用于工业自动检测、逆向设计、生物医学、文物复制、特征识别等众多领域［２－６］。
基于数字条纹投影的三维形貌测量需要的硬件设备仅仅是一台照相机和一台投影仪,利用计算机设计一组光栅图像通过投影仪投影到待测物体表面,同时用照相机拍摄经物体表面形貌调制后的变形条纹,通过对变形条纹的分析获取待测物体表面的三维数据,如图1所示。
1 测量步骤
基于数字条纹投影的三维形貌测量一般有五个步骤,如图2所示。第一步,搭建测量系统的硬件平台,进行系统标定,确定照相机所在坐标系、投影机所在坐标系和待测物体所在的世界坐标系之间的关系。第二步,合理的设计一组光强呈正弦规律变化的数字条纹图片,通过投影仪将其投射到待测物体上并用照相机拍摄经物体表面形貌调制的变形条纹。第三步,利用条纹分析方法从变形条纹中求解出取值范围被限定在-π 到π 范围内的包裹相位图。第四步,选择合适的相位展开算法从包裹相位图中求解出单调变化的绝对相位。第五步,结合第一步得到的标定参数和第四步得到的绝对相位计算出物体表面的三维坐标。其中,第四步相位展开的效果直接影响最后获取的待测物体表面三维点云数据的准确性,是基于相位测量技术的关键,也是研究者们研究的热点之一,陆续有多种相位展开算法被提出。 其中一类时间相位展开方法因其相位展开结果稳定、展开过程简单、测量范围较宽［７］等显著优点而具有更大的研究价值。但是,传统的时间相位展开算法也存在需要投影和拍摄的图片数目过多,实时性差等缺点,因此,为了最小化投影条纹图片数目即提高测量效率的同时提升测量精度,我们在自己已经提出的基于波长选择的双波长条纹投影相位展开算法［８］的基础上进行了双波长条纹投影三维形貌测量的实现。
2 硬件系统的搭建
为解决传统的基于数字条纹投影的三维形貌测量系统可操作性差和约束过强等问题,S.Zhang和P.huang提出一种新的三维测量系统模型［９］,即通过建立照相机图像和投影仪图像的对应关系,使得投影仪可以像照相机一样拍摄图像,即变成一个逆向相机,从而将投影仪的参数标定转化为成熟的照相机参数标定,进而将整个三维形貌测量系统的标定演变成为成熟的双目视觉系统的标定,如图3所示。
这种模型是基于小孔成像原理的,它通过标定确定照相机坐标系、投影机坐标系和待测物体所在的世界坐标系之间的关系［１０］,新的系统模型无需参考平面,标定过程减少人工操作,对硬件的位置关系要求不严格,且最终得到的是待测物体表面的三维坐标,而不是像传统模型一样只能得到物体表面的高度数据,因此使用较为广泛。
基于以上原理我们搭建了一套基于新模型三维形貌测量系统,如图4 所示。 其中我们利用微软公司提供的以C+ + 类的形式封装了Windows API的类库即MFC,结合USB数字照相机的SDK,通过调用其中的应用程序编程接口API,实现了工业相机的曝光时间、图像增益和AD转换级别等自动调节,并通过控制计算机的桌面显示间接控制了投影仪的投影,从而实现整个测量系统的自动化。
3 基于波长选择的双波长条纹投影相位展开算法［８］
当两组波长分别为λ１和λ２的正弦条纹图片进行投影时,投影图像上的一个像素点(记为yｐ)投影到物体表面并被照相机拍到,那么照相机拍到的图像(记为照相机图像)上必然有一一对应的一个像素点存在(记为yｃ),也就是说两幅图像中相位相等的点一一对应。如果投影仪的垂直分辨率为R ,那么投影仪图像相位 Φｐｉ(yｐ), (i=1,2)可以表示如下:
然而从变形条纹通过条纹分析技术只能得到被包裹的相位图φc1y()c和φc2y()c,它们的范围被压缩在[-π,π)中,而这些相位图又是与各自的绝对相位Φc1y()c和Φc2y()c相关的,具体关系如下:
其中m１(yｃ)和m２(yｃ)是条纹阶数,为整数,要从包裹相位图获取绝对相位即要求解条纹阶数。为了与方程组(1)和(2)的表达式匹配进行零对齐,不失一般性,相位图φｃ１(yｃ)和φｃ２(yｃ)可以平移至[0,2π)。因为相位相等的点一一对应即方程(1)和(2)相等,可以推出式(3)所示的对应关系:
注意到方程(3)的左边可以通过条纹分析技术得到,因为方程的右边必为整数,所以方程的左边也要为整数。 如果方程的右侧数值与m１(yｃ)和m２(yｃ)有一一对应的关系,那么方程(3)就揭示了一个从方程左侧的相位图求出条纹阶数的办法。为简化表达,后面的推导将省略下标c。联立方程(3)和相位图的取值范围将得到:
同时,可推出条纹阶数的取值范围:
联合不等式(4)、 (5) 和(6), 从[λ1φ1(y )-λ2φ2(y)]/2π到m１(y) 和m２(y) 的特殊映射关系将建立起来。为了证明这种方法的有效性,我们选择条纹波长λ１=55和λ２=70,投影机垂直分辨率R=768为例进行说明。我们根据不等式(5)和(6)依次取遍所有可能的条纹阶数m１(y) ,m２(y) 的值,再计算出对应的m２(y )λ２-m１(y )λ１值,选出并保留所有符合不等式(4)范围要求的数据,超出范围的去掉。如此可将满足不等式(4)(5)(6)的所有数据用表格的方式罗列出来,如表1所示。
上面这个例子说明了[λ１φ１(y )-λ２φ２(y )]/2π和m１(y )、m２(y) 是存在一一对应的关系,也就是说可以通过每个像素点的相位图的值唯一的确定对应的条纹阶数,那么就能够正确的进行展开相位的操作。所以基于波长选择的双波长条纹投影相位展开算法的实现步骤如下:
1.选择两个符合要求的条纹波长(λ１,λ２),满足条件R≤λ１λ２,其中R是指投影机的分辨率,k是λ１和λ２的最大公约数,以确保m２(y )λ２-m１(y )λ１和一组m１(y) ,m２(y) 是一一对应的关系,并建立如表1所示的查找表;
2.将具有这两个波长的正弦条纹图片投影到待测物体上并拍照,通过条纹分析技术获取包裹相位图φ１(y) 和φ２(y) ;
3.根据相位图计算[λ１φ１(y )-λ２φ２(y)]/2π并四舍五入取整,在第一步建立的查找表中寻找m２(y )λ２-m１(y )λ１数值与其最接近的一行,记录下同行的m１(y) ,m２(y) 值;
4. 根据方程(2)和已得到的m１(y) ,m２(y) 值进行相位展开,恢复两个投影条纹的绝对相位。
4 实验
在图4所示的硬件平台上我们首先完成了系统的标定工作,即设计并制作了黑白棋盘格的标定板,通过分别投影单色光和棋盘格图片拍照,然后利用Jean-Yves Bouguet［１１］的照相机标定Matlab工具箱进行照相机的标定,接着将照相机拍摄到的图像转换为投影机“拍摄”的图像,进行投影机和系统标定,最后确定相位和三维坐标间的转换关系。
系统标定完成后设计两个波长为55和70的横向条纹图像,即光强在垂直方向(y方向上)呈正弦规律变化的条纹图片,投影到待测长方体上,通过照相机采集到的变形条纹如图5(a)和(b)所示。对变形条纹用六步相移的条纹分析技术处理得到的包裹相位图见图5(c)和(d)所示。因为该包裹相位图的相位误差约为π/100,小于根据文献[8]计算出来的双波长条纹投影相位展开算法的最大相位误差容限kπ/(λ１+λ２)=π/28,且55×70/5=770大于768满足双波长选择条件R≤λ１λ２/k,因此根据文献[8]的结论可知绝对相位能被正确恢复。图5(e)和(f)即为恢复的绝对相位,从图中可以看出在待测物体表面绝对相位的变化是连续的,因此可以判定这个相位展开的结果是正确的。
为了在后续操作中丢弃无用的背景区域,降低运算量,提高运算速度,我们设计了背景滤波器,如图6(b)所示。图6(a)为待测长方体的照片。因为待测物体表面形貌起伏很小,设计的滤波器可以有效的滤除背景噪声。通过计算,对该长方体进行相位展开的误差率为1.625×10－５。重构的三维视图如图6(c)所示,注意到此实验中我们只做了一个面的三维重构,要精确获得待测物体的三维数据,例如此长方体盒子的长宽高至少需要重构五个面的数据并进行拼合。本实验中利用单面重构,通过测量像素点之间的距离我们初步估算出长方体的长宽高的参数分别为:20.75cm,14.27cm和4.23cm,而用最小刻度为mm的尺子测得长宽高为20.8cm×14.3cm×4.1cm,结果显示双波长条纹投影的三维测量技术是可以准确的进行三维测量和三维重构的。
5 结论
基于数字条纹投影的三维形貌测量技术是目前最有发展前景的非接触式光学测量技术之一。本文在分析了基于双目测量原理的系统的标定方法和基于波长选择的双波长条纹投影相位展开算法的基础上搭建了一套双波长条纹投影三维形貌测量系统,该系统能够实现全电脑控制操作且计算速度快。通过测量实验,验证了该技术的可行性,为快速准确的进行三维测量和三维重构奠定了实验基础。开发自动化的实时三维形貌测试平台有助于三维形貌测量技术向实际应用系统的转化。因此,研制自动化的三维形貌测量和重建实验原型系统有着十分重要的实用价值。
参考文献
[1]SuX.and Zhang Q,Dynamic 3-D shape measurement method:A review[J].Optics and Lasers in Engineering,2010.48(2):191-204.
[2]Luhmann T,Robson S,Kyle S et al.Close range photogrammetry:principles,techniques and applications[M].New York:Wiley&Sons.,2006.
[3]Besl P.Active optical range imaging sensors[J].Machine Vision and Applications,1988,1(2):127-152.
[4]Blais F.Review of 20years of range sensor development[J].Journal of Electronic Imaging,2004,13(1):231-240.
[5]Rocchini C,Cignoni P.Montani C.A low cost 3Dscanner based on structured light[J].Computer graphics forum,2001,20(3):299-308.
[6]Chen F,Brown G,Song M.Overview of three-dimensional shape measurement using optical methods[J].Optical Engineering,2000,39(1):10-22.
[7]Ding Yi,Xi Jiangtao,Yu Yanguang,et al.The height variance range for one frequency fringe pattern profilometry[C].2010Seventh International Conference on Computer Graphics,Imaging and Visualiztion,Sydney,Australia,2010.
[8]Long Jiale,Xi Jiangtao,Zhu Ming,et al.Absolute phase map recovery of two fringe patterns with flexible selection of fringe wavelengths[J].Applied Optics,2014,53(9):1794-1801
[9]Zhang S,Huang P.Novel method for structured light system calibration[J].Optics Engineering,2006,45(8):8360-8368.
[10]Zhang Z Y.A flexible new technique for camera calibration[J].IEEE Trans,2000,22(11):1330-1334
三维形貌恢复 篇5
由于社会的发展,越来越多行业对微观物体表面形貌观测的要求也越来越高,以获取微观物体更多的表面形貌信息,比如工业分析、医学分析等[1]。但是,由于普通显微镜的固有特性,只有聚焦区域的图像成像清晰,非聚焦区域的图像成像模糊。因此普通显微镜无法实现在同一景深中对显微物体表面形貌的全聚焦,更不能重构其三维形貌。
随着计算机图像处理技术的快速发展,在普通显微镜下实现显微物体形貌的三维重构已成为可能,普通显微镜下的多聚焦图像经过相应变换,可重构出微观物体的三维形貌[2,3]。
2三维形貌重构的基本原理(Principlesof3Dreconstruction)
从聚焦图像获取高度DFF[4,5](Depth From Focus)的基本原理是:首先通过计算机控制步进电机匀速从下而上、由远而近地调整显微镜的Z轴位置,利用摄像头获取微观物体的序列图像1—n,并将每幅图像的图像信息记录在三维矩阵f(x,y,i)中;然后判断每幅图像的聚焦区域和非聚焦区域;最后通过聚焦分析获取聚焦区域的深度信息,从而完成显微物体形貌的三维重建,DDF基本原理图如图1所示[6,7]。
3三维形貌重构的相关算法(Algorithmsof3Dreconstruction)
3.1聚焦评价算法
要准确判断序列图像中的聚焦区域和非聚焦区域,就必须对图像的聚焦程度进行判断,常用的测量聚焦程度的算法有灰度方差算法、梯度算法、Laplace算法和改进的Laplace算法等[8]。
Laplace算法是二阶导数算法,可获取图像的高频分量, 但对x、y两个方向的二阶偏导数可能会符号相反,数值相互抵消,使图像的聚焦产生偏差[9,10],所以采用改进的Laplace算法作为聚焦评价算法,其计算方法如下:
为便于计算通常用差分代替微分,可得式(2)。
将式(2’)应用到图像系列1—n中,计算出每个点在图像系列的改进Laplace算子值ML(x,y,i),将计算结果构成一个三维矩阵,但由于在实际操作中存在多种干扰因素,若直接采用计算结果将对三维形貌的重构产生较大影响,通过实验比较发现对计算结果进行一次步长为2的中值滤波操作可以得到更好的效果,中值滤波算法为[11,12]:
其中,ML(x,y,i)是点(x,y)在第i幅图像中计算出来的改进Laplace算子值,MML(x,y,i)是经中值滤波后的滤波值。
在每幅图像中都存在背景图像和物像[13],聚焦的物像是进行图像融合和三维重构的关键,因此需在图像中提取聚焦的物像,分离背景。由于改进的Laplace算法对图像的高频分量比较敏感,聚焦图像的改进Laplace算子值比较高,非聚焦图像或背景的改进Laplace算子值比较低,通过设置合适的阈值T,如果点(x,y)在图像序列中所有的中值滤波值都小于阈值T,则可判定它为背景。
取出点(x,y)在图像系列中的滤波值MML(x,y,i)大于或等于阈值T的那些数据,取其最大值作为聚焦值,表示为:
其中,FP(x,y)表示点(x,y)的聚焦值,即MML(x,y,i)在阈值以上的最大值。
3.2显微物体高度测量算法
在本文中显微物体的高度采用的是相对高度而非真实高度,由于步进电机推动显微镜Z轴匀速移动,显微物体与显微镜头之间的距离构成线性关系(s=v*t),同时图像采集摄像机采集图像的速度也是恒定的,因此显微物体的高度就与图像的序号i对应起来(s→t),故采用图像的序号i作为显微物体的相对高度,表示为:
其中,FH(x,y)表示点(x,y)的相对聚焦高度,当点(x,y)在序号为m图像上的中值滤波值等于它的聚焦值,意味着点在第m幅图像上聚焦,故取m作为该点的聚焦高度;如果点是背景, 就统一将高度确定为固定的序号N。
3.3多聚焦图像融合算法
图像系列中的每幅图像都存在聚焦区域和非聚焦区域, 从式(4)中可知,每个点的聚焦位置基本位于序列号不同的图像上,多聚焦图像融合就是将每个点的聚焦图像“拼接”到一幅二维图像上,从而得到清晰的显微物体全景深图像[14]。融合算法思想如下:根据式(5)可以确定像素点的聚焦位置,取出其聚焦位置的像素信息作为融合图像的像素信息,对图像中的每个点皆进行该操作就可完成全景深图像的融合,用公式表示为。
其中,f(x,y,m)是点(x,y)在聚焦高度为m处的像素,f’(x,y) 是全景深图像矩阵。
3.4三维形貌重构算法
根据式(6)和式(5)可分别获得每个像素点的聚焦信息和聚焦时的高度信息,利用这两个信息可以重构出该像素点的三维形貌,对像素矩阵执行相同的操作即可重构出全部三维形貌。
4实验结果与分析(Experimentalresultsandanalysis)
为进行实验验证,将普通显微镜进行改装,整个实验系统包括计算机、天敏SDKZ000图像采集卡、Panasonic WV-GP470彩色数字摄像机、STEPPING MOTOT42HSZA47-254步进电机、TMS320LF2407DSP控制模块和普通光学显微镜。
实验观测对象为五角铜硬币边缘,图像采集卡每隔370ms采集一张图片,共计采集176幅图像,部分原始图像如图2所示。
采用公式(3)和公式(4)求取每个像素点的中值滤波值和聚焦图层号,利用公式(5)和公式(6)获得每个像素点的聚焦高度,从而完成显微形貌的三维重构,重构后的效果图如图3所示。
通过对以上实验效果图的分析和比较,利用Laplace算子作为聚焦评价标准能较好地重构出显微物体三维形貌,它真实清晰地反映出物体的显微结构,是工业分析、医学分析的一个较好解决方案。
5结论(Conclusion)
通过理论分析和实验验证,证明利用显微物体的二维图像重构出其三维形貌是可行的,利用改进的Laplace算子作为二维图像的聚焦评价标准能较好地测量出显微物体的聚焦高度,从而较准确地重构出显微物体的三维形貌。
此重构方法采用普通显微镜重构出三维形貌,让观察者更能全面、细致地观测和分析显微物体,将分析从二维扩展到三维。同时,由于普通显微镜价格低廉,可以极大地降低观测和研究成本。当然此重构方法也存在不足和改进之处, 首先,该方法计算量大,运行速度较慢,内存消耗较大,不能进行实时重构;其次,图像系列始终从一个方向(Z轴)进行采集,不能实现多角度采集,无法重构出显微物体的全部三维形貌。这些都是以后改进的方向。
摘要：显微物体表面三维形貌观测与分析在工业、医学、艺术、计算机等领域具有越来越重要的应用价值,也发挥着越来越重要的作用。该文以能够快速、廉价、非接触地重构出显微物体三维形貌为目标,提出一种基于改进的Laplace算子值进行图像的聚焦评价、高度测量和三维重构的方法,该方法通过计算每个像素点的改进Laplace值,帮助用户快速实现显微物体的三维形貌重构,将显微物体的形貌观测和分析从二维扩展到三维。大量的实验结果和用户体验反馈信息进一步验证了该方法的有效性和实用性。
三维形貌恢复 篇6
关键词：表面形貌,高斯滤波,Matlab GUI,评定软件
工件表面的微观形貌特征[1]能影响到工件的实际使用过程,二维形貌分析评定由于获取信息的局限,已无法满足现代制造业对表面评价和表征的需求[2]。因此,以ISO25178 标准系列为基础,研究表面三维形貌的分析与评定算法,开发相应分析评定软件系统具有重要意义[3]。
1 三维表面形貌表征参数研究
三维表面形貌复杂多变,难以通过单一的参数进行描述。参考国际标准ISO25178 参数体系,为说明文中方法的有效性,选取以下5 个典型参数作为分析评定表面形貌的主要参考[4,5]。
( 1) 表面高度分布的算术平均偏差Sa
式中,A为被测表面面积; z( x,y) 表示表面幅值; M、N表示采样点数。Sa可有效检测整个区域的高度特征。
( 2) 表面形貌的均方根偏差Sq
Sq能反映整个三维表面的高度信息,缺点是不能反映高峰和深谷形貌的空间特性。
( 3) 表面高度分布的偏斜度Ssk
Ssk能表示被测表面分布的对称程度,表征表面的耐磨性能。
( 4) 表面高度分度的陡峭度Sku
Sku可表征被测表面形貌分布情况,理想的高斯表面参数Sku= 3,参数陡峭度一般与偏斜度配合使用,识别磨削表面的稳定性。
( 5) 表面形貌的最大高度Sy
Sy定义为被测表面取样长度内,表面最大峰高与最大谷深之和。
2 三维表面形貌评定方法研究
基准面的确定是进行参数评定的基础与前提,在Areal三维表征中产生基准面的方法众多,在此选取高斯滤波法[6]。
2. 1 三维高斯滤波评定法
三维高斯滤波能在频域分离表面形貌成分,得到粗糙度信息,且无相位偏移,评定效果理想,有必要对评定算法与过程进行深入研究[7]。
三维表面的3 种频率成分关系为
式( 6) 中,r( x,y) 和w( x,y) 满足
粗糙度信息,且无相位偏移,评定效果理想,有必要对评定算法与过程进行深入研究[7]。三维表面的3种频率成分关系为z(x,y)=r(x,y)+w(x,y)(6)式(6)中,r(x,y)和w(x,y)满足W(wx,wy)=Z(wx,wy),wx≤wcx;wy≤wcy0,wx≥wcx;wy≥w{cy(7)R(wx,wy)=Z(wx,wy),wx≥wcx;wy≥wcy0,wx≤wcx;wy≤w{cy(8)器函数卷积求得,其值为w(x,y)=z(x,y)×h(x,y)=∫+∞-∞∫+∞-∞z(x-ξ,y-η)g(ξ,η)dξdη(13)频域表达式为W(λx,λy)=Z(λx,λy)H(λx,λy)(14)确定基准面之后,可根据式(15)得粗糙度成分r(x,y),然后进行相关参数的计算,完成评定工作。r(x,y)=z(x,y)-w(x,y)=z(x,y)-ax-by-c(15)
式中,h( x,y) 为滤波器冲击响应函数; H( wx,wy) 为Fourier变换形式。理想情况下,滤波器应具有矩形通带,其传输函数为
矩形低通滤波器是一种理想的情况,而高斯低通滤波器具有与矩形低通滤波器相似的幅频特性,且是可实现的,其滤波器冲击响应函数及传输特性如下
式中,x和y为表面点到高斯权函数中心的距离;λcx、λcy为滤波器x、y方向上的截止波长,α是常数,规定滤波器的50%衰减处为归一化的截止波长,可得。当λcx=λcy时,二维滤波器的冲击响应函数图形如图1示。
w( x,y) 就是基准面,其可由表面原始信息与滤波器函数卷积求得,其值为
频域表达式为
确定基准面之后,可根据式( 15) 得粗糙度成分r( x,y) ,然后进行相关参数的计算,完成评定工作。
因实际实验中获得的表面形貌信息都是三维的离散数据点,有必要将式( 12) 进行离散化处理。离散处理后可得下式
式中,i = M,…,Lx- M; j = N,…,Ly- N,Lx和Ly为在x和y向上的采样个数,M、N是滤波器x和y向上截止波长内的采样点,是离散化的高斯函数,如式( 17)所示
利用Matlab仿真表示一个236 × 368 的三维表面,如图2 所示,采用直接卷积法可确定高斯评定基准面如图3 所示。
图中高斯滤波平面是采用直接卷积法得到的,存在边界效应,x轴和y轴边界处的数据点不能使用,并且程序执行时间较长,图示236 × 368 个采样点程序执行需要18. 346 817 s。在确定基准面wi,j后,由式( 18)得三维表面粗糙度信息,如图4 所示。
上面是使用直接卷积法求解高斯评定基准面的过程,运算量大,程序执行较慢。要减少运算时间,可利用FFT算法来计算wi,j。FFT算法是利用时域卷积对应频域相乘的原理,运用Fourier变换将式( 13) 的卷积运算转换为式( 14) 的乘积运算,求得频域的wi,j值后再通过反变换即可求得wi,j的值,算法流程如图5 示[8]。
2. 2 三维高斯滤波评定法的改进
普通三维高斯评定法会出现待评测表面边界处的数据无法使用,出现图7 的边界效应。因此改进对三维表面边缘数据点的处理,抑制边界效应变得尤为重要[9]。
三维高斯滤波评定是对二维方法的延伸,二者原理相通,故可修改权函数,使其在边界处也能保证总权重值为1,改进后的三维高斯滤波器权函数定义如下
式中,v( x - ζ,y - η) 为权函数修正函数,其值随位置的变化而变化,并保证h( x - ζ,y - η) 卷积的权重总为1,定义如下
lx和ly分别为滤波器在x轴和y轴卷积的长度。利用改进后的高斯滤波器进行评定得到的基准面w( x,y) 如下
利用可分离性转化得w( x,y) 值为
利用改进后的高斯滤波评定法对表面进行评定能充分利用表面边界处的数据点,实现对被测表面区域的完整评定。
3 软件系统总体设计
软件系统以Matlab为平台开发,采用模块化设计思想对评定软件系统进行设计,总体框架有读取数据文件、参数评定和图形显示,如图6 所示。
4 表面形貌评定软件系统测试
利用实验所获取的工件表面三维数据信息,对表面特征进行评价分析,并验证软件系统的正确性。导入一块工件表面的三维原始数据信息,利用软件评定系统进行分析,并与标准软件所得结果进行比较,评定如图7 和图8 所示。
利用高斯滤波FFT算法评定所得表面参数结果和标准软件评定结果比较如表1 所示。
由表1 可知,软件评定参数与标准参数间误差较小,由此可验证评定软件系统的正确性。
5 结束语
为准确评价三维表面形貌,本文在新一代产品几何量技术规范与认证标准体系( GPS) 下,研究并改进了高斯滤波评定方法,消除了高斯滤波的边界效应,开发了一套基于Matlab GUI的软件评定原型系统,实现了对工件表面形貌的图形显示、滤波以及表征参数的计算。通过与标准软件对比测试,验证了算法程序的正确性与整个系统的精准性。
参考文献
[1]黄艳华.产品几何规范(GPS)知识库的研究[D].武汉:华中科技大学,2005.
[2]毛起广.表面粗糙度的评定和测量[M].北京:机械工业出版社,1991.
[3]Francois Blateyron.New 3D parameters and filtration techniques for surface metrology[J].Research Gate,2005(6):5-15.
[4]De Chiffre L,Lonardo P,Trumpold H,et al.Quantitative characterisation of surface texture[J].CIRP Annals-Manufacturing Technology,2000,49(2):635-652.
[5]李成贵,董申.三维表面微观形貌的表征趋势[J].中国机械工程,2000,11(5):488-493.
[6]黄美发.基于计量数学的新一代GPS国际标准体系的发展和应用[J].桂林电子科技大学学报,2010,30(5):447-452.
[7]李惠芬.基于新一代GPS体系的表面稳健高斯滤波技术的研究[D].武汉:华中科技大学,2004.
[8]高瞻.FFT处理器设计及其应用研究[D].成都:西南交通大学,2006.
三维形貌恢复 篇7
1 三维点云拼接技术概述
三维点云拼接技术是现代地质检测的主要技术手段之一, 是现代网络计算机空间模拟技术应用的重要体现, 其核心技术主要包括摄像精确技术、图像处理技术、空间拼接技术、曲面构建技术[1]。三维点云拼接技术在应用过程中, 首先通过摄像精确技术对检测形貌进行数据采集, 然后应用计算机数据处理空间进行数据处理, 应用曲面构建技术构建虚拟空间, 最后对不同部分数据模型进行数据处理, 形成三维空间模拟图形。三维点云拼接技术的种类主要包括典型性扫描技术和非典型性扫描技术[2]。依据典型性扫描技术的拼接方式分为坐标式拼接和空间图形拼接, 其中坐标式拼接形式最常用。
2 三维点云拼接技术的应用优势
2.1 立体性
三维点云拼接技术在大尺寸形貌检测中的应用优势包括三个方面, 其一为立体性。三维点云拼接技术应用计算机网络空间模拟技术构建空间模型, 这种抽象空间数据将传统的二维数据模型转化为三维空间立体图像, 使形貌图的结构性更加完整、数据应用的立体性增强, 发挥了三维点云拼接技术在实际地貌检测中的作用。
2.2 数据云储存
其二, 数据云储存。三维点云拼接技术应用计算机系统进行数据空间处理, 使外部空间的使用程度降低, 网络云空间的应用率提高, 从而实现现代形貌检测技术网络存储空间的智能化应用。此外, 三维点云拼接技术对不同部分中数据信息储存实现数据智能化存储, 大大提高了形貌检测数据的准确性和完整性, 提高形貌数据监测应用率。
2.3 数图同步应用
其三, 数图同步应用。传统的形貌检测技术以数据监测为主, 这种数据监测形式需要人工进行检测, 较大尺寸的形貌测量不仅需要耗费较多的人力, 而且检测时间也较长, 制约了我国地貌建筑的长远发展。应用三维点云拼接技术进行检测, 能够简化检测手段, 保障检测数据和检测技术应用水平的进一步提高, 一方面, 三维点云拼接技术的应用可以准确反馈检测数据, 另一方面, 三维点云拼接技术能够科学应用虚拟空间模型, 构建空间图像, 实现大尺寸形貌测量数图同步应用。
3 大尺寸形貌测量三维点云拼接技术的应用
3.1 数据收集
大尺寸形貌测量中三维点云拼接技术的应用主要包括五部分, 第一部分, 数据采集[3]。应用数据采集系统进行数据拼接。当前, 我国常用的几种三维点云拼接技术主要包括精确化摄像机技术、视觉传感技术, 这几种数据采集技术在计算机系统的操作下实施红外线检测定点, 检测系统中半导体技术将红外线监测数据反馈到系统内部, 最终实现地理形貌基础信息的检测, 初步实现对检测形貌数据的收集整理, 为后期三维图形构建提供数据保障。例如, 某大型建筑工程中应用三维点云拼接技术进行形貌检测, 检测系统中应用红外线实施系统定位, 不仅保障了大型建筑施工形貌测量数据的准确性, 同时也提高了地质环境监测的工作效率, 为该工程的顺利施工提供了前期数据保障。
3.2 数据存储
第二部分, 数据存储。三维点云拼接技术与计算机内部数据挖掘管理系统之间相互联系, 能够在三维点云拼接技术进行红外线定点检测后, 依据地貌特征实施数据挖掘处理, 实现了形貌检测数据的系统性存储。智能化数据存储系统的应用与传统数据处理相比, 数据存储的效率提高, 数据处理的基础管理分配技术更准确, 后期形成的三维空间模型更加清晰。同时, 三维点匀拼接技术的应用将整体数据切分为不同层次的小数据, 从系统程序中基础数据存储的主要依据来看, 数据应用的整体逻辑性提高, 云数据存储的层次性更强。例如, 三维点云拼接技术中的数据存储技术在实际程序操作中, 能够对外部检测数据进行智能检测[4], 一旦系统初步检测到数据应用中出现数据不符的情况, 系统会自动给予数据错误信息反馈, 保障了数据应用的准确性。
3.3 数据处理
第三部分, 数据处理。由于数据采用红外线声音感应扫描系统, 实施大尺寸形貌检测扫描, 系统中收集的数据信息资源为声音图像, 为了使后期形成的数据监测图像更加清晰, 对数据声波中的噪音等数据信号进行处理。一方面, 数据处理步骤能够对后期应用的数据资源实施净化处理[5];另一方面, 应注重分析后期图像形成后, 数据变动的空间, 充分发挥网络三维点云拼接技术的空间灵活应用特征, 实现了大尺寸形貌检测技术应用中整体构造与部分的灵活应用。
3.4 图像拼接
第四部分, 是三维点云拼接技术中最主要的技术应用部分, 这一部分的构成主要包括两方面, 一方面为部分空间虚拟坐标应用技术。依据国内外三维点云拼接技术分析研究得出结论, 三维点云拼接技术的最初形态是从数据转化为独立的空间模型, 这种空间数据模型之间存在着数据链接, 保障不同部分的数据不会丢失。第二方面为综合性拼接技术。数据图像拼接技术应用中, 依据各部分之间的数据链接将不同部分的图像拼接成为整体, 形成完整的数据应用系统, 实现了系统的整体性特征。例如, 某地质检测中心对某地区的地质资源进行检测[6], 这种检测技术的应用, 将大型地质检测系统划分成不同的子系统, 最终完成数据拼接, 实现了地质检测系统中数据管理的完整性和逻辑性特征, 推进我国地质检测应用技术的进一步创新。
3.5 图形复原
第五部分, 图像复原技术[7]。主要从图像的清晰程度和图像的数据准确性两方面入手进行分析。应用曲线平滑处理技术, 系统中数据资源进行内部图像平滑处理, 从人的视觉感官上达到清晰的程度, 提高三维点云拼接技术的实际应用作用。同时, 图像复原技术应用过程中, 为三维空间模拟数据图形的数据变化提供了可变动数据虚拟模型处理功能, 技术操作人员应用三维点云拼接技术处理图像时, 可以基于现有的空间模型实施空间建设, 实现了三维点云拼接技术的灵活应用。
4 大尺寸形貌测量三维点云拼接技术应用中遵循的原则
4.1 整体性原则
大尺寸形貌测量三维点云拼接技术应用中应遵循以下几个原则, 第一, 整体性原则。三维点云拼接技术是在计算机网络空间分析的基础上将较大型的形貌切分成多个子部分[8], 然后再将不同部分数据转化为空间模拟图像。技术人员应用三维点云拼接技术时, 应从最终形成的拼接图像整体入手, 把握整体特征的基础上, 进行不同部分的分析, 遵循整体原则, 避免出现以偏概全的数据分析情况, 提高三维点云拼接技术应用的准确性。
4.2 局部数据精确原则
第二, 局部数据精确原则。大尺寸形貌测量三维点云拼接技术是应用现代网络拼接技术将一个大型整体切分成不同层次的小数据, 在这些小数据构成的数据图形的基础上进行数据重组, 最终实现图像三维空间图像综合应用, 技术人员应用三维点云拼接技术时, 应遵循局部数据精确原则。三维点云拼接技术的应用只有各个子系统中数据分析的准确性得到保障, 系统最终形成的图像才具有较高的清晰度, 大尺寸形貌测量三维点云拼接技术才能够发挥实际作用。
4.3 实用性原则
第三, 实用性原则。三维点云拼接技术应用网络通讯技术对监测数据实施全程监控分析, 保证系统应用图像的清晰程度和数据的准确性, 从而使数据三维空间模型建立能够为地质检测提供准确的、科学的、合理的检测数据, 为大型地质检测提供可靠数据资源, 发挥三维点云拼接技术的优势, 推进技术的进一步深入应用与发展, 体现大尺寸形貌测量三维点云拼接技术研究的意义。
5 结语
三维点云拼接技术是一种新型形貌检测技术, 结合计算机智能数据监测处理系统, 将较大的外部空间切分成不同子部分实施数据分析, 将分析完成的数据整体构建成为三维空间模拟图像, 为地质建设提供准确的数据和立体空间模型, 实现了数形结合的技术分析模型, 推进科学技术在社会建设发展中应用程度的进一步加深。
参考文献
[1]谭启蒙.基于视觉定位跟踪的大型机械部件数字化对接关键技术研究[D].北京:北京邮电大学, 2012.
[2]葛云峰.基于BAP的岩体结构面粗糙度与峰值抗剪强度研究[D].北京:中国地质大学, 2014.
[3]刘旭冉.微磨削锥塔结构Si表面的自适应方向检测与加工精度评价[D].广州:华南理工大学, 2014.
[4]王超.基于角度扫描法的大口径非球面高精度测量方法研究[D].北京:北京理工大学, 2015.
[5]陆子渊.基于结构光3D扫描的数据反求及处理研究[D].南京:南京师范大学, 2014.
[6]魏新国, 刘涛, 刘震.基于平面圆靶标的三维数据拼接[J].光学学报, 2013 (2) :137-143.
[7]韩建栋, 吕乃光, 王锋, 等.采用光学定位跟踪技术的三维数据拼接方法[J].光学精密工程, 2009 (1) :45-51.