粒子图像测量系统（精选7篇）
粒子图像测量系统 篇1
0 前言
随着数字电视的推广和普及, 数字电视技术已深深植入广播电视领域, 新技术的应用使得用于测评广播电视系统 (包括电视播出系统、发射/传输系统和接收显示系统) 的质量情况有了新的测量标准。尤其是对于数字电视图象质量的测量就显得更加重要, 下面就数字电视图像质量测量的方法和标准进行了探讨。
1 数字电视图像质量的客观测量
数字电视系统图像质量测量主要是使用图像质量分析系统对数字视频系统进行测量和分析的方法。为了更好地测试压缩视频系统, 人们研究开发了多种图像质量客观测试方法, 总体来说, 这些方法大致可以分为两类:特征提取法 (如图1) 和图像差值法 (如图2) 。
整体来说, 影响数字电视系统视频图像质量的因素有输入视频的质量、输入视频的特性、使用的编码算法和编码参数。视频损伤常出现在高速运动、高度细节、圆周性运动、高频噪音、圆片颗粒和纹状等中, 常见的损伤类型有块状、模糊/污损状、边缘嘈杂、块状出错、飞虫噪音、量化噪声等。但是, 人的视觉图像质量的等级度量并不完全取决于这些, 在主观上, 画面亮度的差异比色度上的更易察觉, 前景上的差异比背景上的更易觉察, 平坦场面上的差异比活动场面上的更易察觉。只能参照原始基准图像来测量图像质量的好坏, 并且当客观测量的结果与主观评估基本一致时才有效。编码测量的理论和方法要充分考虑人眼对比的敏感度、空间时间的响应、色度的感觉灵敏度等特点。
根据运用最普遍的数字电视编码系统MPEG-2视频的基本原理及其引入图像失真的机理和失真表现, 可挑选了一些具有复杂快速运动、场景切换、色彩鲜艳和细节丰富等特点的素材作为测试图像序列, 要具有非常容易实现和精确的压缩编码的特性, 以此来进行主观画面编码测量 (如表1所示) 。
2 TS码流测量
数字电视信号都要编码打包成传送流 (TS) 形式, 通过异步串行接口ASI传输播出, 其可以有不同数据速率, 因此可发送和接受不同速率的MPEG-2数据。根据DVB标准TR101290的要求, 将TS码流测试按照其重要性分为三个优先等级, 第一级是可正确解码所必须的几个参数;第二级是达到同步后可连续工作必须的参数和需要周期检测的参数;第三级是依赖于应用的几个参数。这是数字电视质量的客观技术指标, 尽管它们不能直接用于图像质量的主观评价, 但影响着数字信号的质量和整个系统的稳定性, 其中第一、二直接关系到传送流能否被正确解码, 以及解码后节目图像和伴音的效果 (如表2所示) 。
3 传输测量
网络上传输的数字电视信号都要采用调制技术, 这是由信道噪声、带宽等客观因素引发的。最主要采用的就是正交幅度调制QAM、它同时利用载波的幅度和相位联合调制来传递信号。其调制阶次是传输频带利用率和载波抗干扰性取舍的综合性产物, 高阶的传输码率高, 而低阶的抗干扰性表现尤佳。调制阶次的选择与有限网络的模拟性能指标息息相关。
QAM调制是平衡调幅, 数字电视的调制信号是均匀的散布于指定带宽的, 也无峰值可言。在传输通道存在非线性失真的情况下, 使得非线形产物对模拟频道的干扰较重, 这需要调整数字频道的信号电平, 使数字电视视频质量处于最优状态。信号电平是用该频道信号平均功率来表达。
数字信号是离散的, 接收的信号有“断崖效应”, 要么稳定, 要么中断, 它只与传输误码率有关, 所以此指标是测量传输信号的重点。而在调制传输系统中一般采用载噪比指标, 载噪比差的数字频道会出现马赛克, 严重的图像不连续甚至不能解码。载噪比与调制阶次m的关系:C/N=Eb/No+101gm, Eb/No为每个有用比特能量和两倍噪声功率谱密度的比率, m是每个符号的比特率 (对64QAM来说, m=6) 。在QAM调制系统中, 信号的幅度、相位都会导致误码的产生。
调制误差率是理想符号矢量幅度的平方和除以符号误差矢量幅度的平方和, 用dB表示。它并非意味着此信号已经误码, 而是表征它在尚未误码时的质量。它用来早期检测非突发性的噪声 (或称做无用信号) 的影响, 如各种噪声、失真、交调制产物、干扰等。这些噪声它不像模拟信号那样直接产生雪花、滚动等, 但它表征信号质量, 警告系统将出现故障。
噪声余量是传输通道富裕程度和可靠性的一种表示方法, 是接收信号的载噪比与误码率为10E-4 (拐点) 时的载噪比之差。它是一种简易方便的测量方法。
以下为QAM传输测量的技术指标
(1) 输出电平
数字频道电平比模拟频道电平≤10dB
相邻数字频道间最大电平差≤3dB
相邻数字和模拟频道最大电平差≤13dB
(2) 调制误差率
调制误差率 (MER) 值为35～37dB
(3) 系统噪声余量
系统输出口噪声余量应>6dB
(4) 误码率/载噪比
误码率 (BER) <10E-4 64QAM
载噪比 (C/N) >31dB 64QAM
这四个方面构成了一个完整的要素, 分别对应流域的各个环节, 缺一不可。我们在测量数字电视的信号时要想全面的衡量数字电视图像信号的质量, 就要进行全面的测量, 由下而上的展开, 切实运用, 灵活掌握, 且在过程中尤其要考虑突发性因素的影响。
参考文献
[1]汪章瑞.DVB-C QAM调制主要参数的选择与测试.2003.
[2]卜瑞峰.浅谈95122有线数字电视系统的参数及测量.中国有线电视.2004.
[3]向天明.DVB-C数字电视的测试.国外电子测量技术.2005.
[4]苏志武, 林定祥, 章文辉.数字电视系统测量与监测.电子工业出版社.2009.
粒子图像测量系统 篇2
摘要： 主要研究基于表面等离子共振（SPR）技术的纳米级金属膜厚在线测量系统中的视频信号处理问题。由于CCD在动态连续采集图像的过程中会受到环境以及工作台旋转的影响，从而会随机地产生高斯白噪声和图像的扭曲现象，造成视频图像的模糊或者扭曲失效。通过对视频图像进行滑动平均滤波、小波分析以及动态补偿时域滤波的处理，消除了高斯白噪声和避免图像扭曲的发生，确保了CCD获取视频图像的有效性与清晰度，从而提高了从图像中获取的共振角度变化量的准确性，并进一步提高了金属薄膜厚度的测量精确度与可靠性。
关键词： SPR； 纳米级； 膜厚； 在线测量； 滑动平均滤波； 小波分析； 时域滤波
中图分类号： TH 744文献标识码： Adoi： 10.3969/j.issn.1005
引言纳米级金属膜厚的在线精确测量主要是基于等离子体共振技术实现。当入射光以一定角度入射时，因金属对光具有吸收特性，而产生消逝波，使得发生反射现象时反射系数不为1，从而引发全内反射现象[1]。入射光与金属薄膜的表面的自由电子相互作用，在沿着金属介质界面上产生表面等离子振荡，又当入射光的波长与入射角度在一定范围内时，使得消逝波与金属介质表面所产生表面等离子震荡的频率与波矢相同，产生表面等离子体波共振[24]。根据共振角的变化可以得出10 nm以内的金属薄膜厚度，以达到精确测量的目的。本文所提出的在线测量系统主要利用表面等离子体共振（surface plasmon resonance，SPR）技术结合CCD进行动态的视频图像信息采集，以获得SPR共振角度的变化，反演计算金属薄膜厚度。由于整个系统是处于一个动态的工作环境，CCD在进行视频图像采集时容易因为测量环境以及工作台的转动而产生噪声以及图像的扭曲失真，使得获取的SPR共振角度变化信息不够精确而对膜厚测量结果造成干扰。本文提出利用滑动平均滤波与小波分析法对视频图像进行滤噪处理，增强图像的清晰度，以动态补偿时域滤波对视频图像进行动态补偿，以确保图像不会出现细节上的模糊扭曲造成失真，增强视频图像采集的可靠性，达到精确获取SPR共振角的变化量，精确测量纳米级金属膜厚的目的。
1.1Kretschmann结构模型及原理1970年德国物理学者Kretschmann E提出了Kretschmann结构模型[5]。该模型的工作原理是在特定棱镜的底部直接镀上一定厚度的某种金属薄膜，待测定的介质则在金属薄膜下方，倏逝波透过金属薄膜，与其在待测介质表面发生等离子体波共振。依据Kretschman型结构的等离子体波振荡原理，根据SPR的反射光强角度分布，可精确获得纳米级金属薄膜的厚度。Kretschman模型结构图如图1所示[5]。在图1中ε1、ε2、ε3分别为棱镜、金属薄膜以及真空的介电常数；kx1、kx3为激发表面等离子体振荡的光波在X轴方向的波矢分量；kz1、kz2、kz3为入射光在对应介质中垂直于分界面的波矢分量；λ为入射光的波长；d为金属薄膜的厚度；SPW表面等离子体波的波矢为kspr，
等：基于SPR原理的纳米级金属膜厚在线测量系统中的视频图像处理
1.2在线测量系统本文的SPR纳米级金属膜厚在线测量系统主要是利用棱镜适配临界角的典型Kretschman结构，当金属薄膜被大于临界角的光束照射时，在金属膜与真空的界面上将产生表面等离子体震荡，根据SPR反射曲线随着膜厚的变化而变化的原理，利用曲线匹配的方案最终实现金属薄膜厚度的实时在线测量。图2所示为整个系统在线测量的原理图。在图2所示的测量系统中，半导体激光器经过准直扩束之后的输出光，通过柱面透镜转化后，变为有效覆盖角度约为40～57°的较为理想的柱面光，该柱面光经过偏振片后得到P偏振光，P偏振光进入棱镜后，在金属薄膜表面激发等离子体波，形成衰减全反射。实验时以中低速旋转工作平台，可以获得产生等离子共振现象时的共振角。由前面的基本原理可知，当产生SPR现象时，反射光光强最小，该反射光经过成像透镜与CCD接收到的反射光强信号在纵轴方向的分量进行叠加，以消除散斑的影响。该系统中短天线目的是为了CCD接收到的信号与计算机之间的通信，利用短天线通信不仅免除了多线干扰，而且提高了系统的稳定性。在利用短天线进行通信时，考虑到外界其他信号对通信模拟信号的干扰，利用钟罩来避免。整个系统采用二维标准视频CCD，该CCD获取帧率为每秒25帧，在CCD采集到图像之后将其转换成数字信号通过短天线传输到计算机内进行分析和处理。计算机根据所采集的由系统角度自定位所标记的角度与光强数据建立一个供曲线匹配专用的数据库，可反演出CCD所采集的每一帧之间金属薄膜增量，从而达到精确控制膜厚的要求。
由于CCD在采集图像的过程中容易受到环境等因素的影响而随机产生高斯白噪声使得获取到的视频图像不清晰，而在动态采集图像过程中又由于工作台的中低速转动极易造成视频图像扭曲和拖尾，对获取共振角度的准确值造成影响，从而影响反演出的金属薄膜厚度的精确数值，因此需要对获取到的视频图像进行处理。
2视频图像处理在本文中所设计的在线测量纳米级膜厚精密测量系统中，在CCD采集到图像之后，通过短天线进行通信，并将其转换成数字信号传输到计算机内进行分析和处理这一过程中，在系统自定位角度进行标记与曲线进行匹配时，发现所采集到的视频信号会到噪声的影响而上下浮动。经过分析发现该噪声属于高频白噪声，因此需要对视频信号先进行滤波处理。鉴于本系统的特性，结合滑动平均滤波方法的特点，考虑采用该方法对视频信号先进行粗略的滤波处理，再利用小波分析得到平滑的信号。由于系统是一个动态测量过程为了避免由于运动“拖尾”造成影响，提出基于运动补偿的时域滤波方法，更好的保护视频细节。
2.3时域滤波由于本系统的数据采集是一个以中低速转动获取数据的动态过程，而视频信号所带的噪声是随机产生的，因而在某些特定时刻会发生运动图像的扭曲及失真现象造成“拖尾”。为了解决在视频信号采集过程中对静止部分的去噪有效性，以及尽量消除运动图像的失真和扭曲产生的“拖尾”所带来的影响，采用基于运动补偿的时域滤波方法。该方法主要利用运动补偿技术，在时域上跟踪并提取视频信号中的噪声，并沿着物体的运动运动轨迹进行滤波，W表示滤波器的滤波强度，其流程图见图6[9]：
nlc202309011252
运动补偿时域滤波通过空间的相关性和图像序列在时间维上的相关性，不会引入各帧图像在细节上的模糊，并克服了由于运动所引起的时域非平稳方式，利用运动估计与运动补偿技术保证整个滤波过程始终沿着像素运动轨迹进行。
图7中，为某一时刻所采集的视频图像经过滑动平均滤波与小波分析进行除噪处理之后，发现该图像由于运动采集的影响，出现了细节上的模糊。利用运动补偿时域滤波进行图像恢复，实验证明，该方法能够克服由于图像动态采集所引起的图像失真，并能保证视频图像的清晰性与完整性。
所采集的视频图像信息传输至计算机进行图像滤波处理之后，将视频图像信号利用AD转换成离散数据点，通过归一化处理以及Y方向上的数据叠加，进行反射光强峰值点（最高点a）和谐振吸收峰值点（最低点b）的标记，并与计算机内的原始数据库进行数据比对和曲线匹配，从而反演出金属膜层厚度。图8反映的是在三组不同厚度（1 nm、5 nm、10 nm）情况下，入射角度与反射率关系曲线图。随着入射角度的逐步增大，反射光强亦随之增大，当反射光强增至峰值点时，继续增大入射角，反射光强反而降低，增至一定角度时，反射光强最弱，此时所对应的入射角即为SPR共振角。在理论上，所得的关系曲线是平滑的，但在实测中发现，由于CCD的非线性光电响应引起光强误差、金属薄膜在蒸镀上的粗糙、角度定位以及标记点所引起的角度误差导致实测数据曲线会在理论曲线上下浮动。由于金属薄膜较为粗糙，使得所获精度是通过与理论曲线进行对比而得的平均精度，平均误差不超过0.5 nm。在未进行滤波处理前，所对应的实测曲线相对理论曲线浮动较大。滤波之后，可以明显看出实测曲线相对滤波前更为接近理论曲线，同时测量精度有所提升，平均误差不超过0.3 nm。3结论本文研究了基于Kretschmann结构模型的测量10 nm以内的金属膜厚的在线精密测量系统，通过CCD进行动态连续性图像采集，以获取在每一帧之间共振角度的变化量，从而反演出金属薄膜的厚度。但在这个视频图像数据采集过程中，会因工件架转动而随机造成图像扭曲失真现象，以及由于环境等因素而随机产生高斯白噪声造成的图像不清晰的现象，均会造成测量上获取数据的不准确。文章研究了利用滑动平均滤波与小波分析2种方式相结合对所采集的视频图像进行滤波处理，以获得清晰图像，同时，利用运动补偿时域滤波有效地避免了在视频图像采集过程中的图像扭曲，保证图像的有效性。利用三种方式进行视频图像的滤波处理之后，增强了获取共振角变化量的准确性，提高了厚度测量的精确度。
参考文献：
[1]李湘宁.工程光学[M]北京：：科学出版社，2005.
[2]吴英才，顾铮先.表面等离子共振谱半波全宽的算法讨论[J].光子学报，2010，39（1）：53-56.
[3]吴英才，顾铮先.激励表面等离子共振的金属薄膜最佳厚度分析[J].物理学报，2008，57（4）：2295-2299.
[4]牟海维，王宏瑾，王强，等.表面等离子体共振理论与仿真研究[J].光学仪器，2011，33（2）：1-6.
[5]李艳敏，李孟超，刘芳芳，等.基于SPR的类铬型金属膜厚在线纳米测量研究[J].光学技术，2012，38（1）：9-13.
[6]朱彩莲.光纤SPR检测及数据处理[D].南京：东南大学，2005：35-37.
[7]沈兰荪，卓力.小波编码与网络视频传输[M].北京：科学出版社，2005：62-63.
[8]飞思科技产品研发中心.MATLAB6.5辅助小波分析与应用[M].北京：电子工业出版社，2003：42-45.
[9]谢剑斌，徐晖.数字视频处理与显示[M].北京：电子工业出版社，2010：119-120.
粒子图像测量系统 篇3
随着计算机技术、数字图像处理、模式识别技术等学科的发展和融合, 计算机视觉作为一种快速、准确、可靠的检测手段越来越多地应用于位移、长度、直径等量的测量。由于计算机视觉测量的准确度、精度主要由图像的质量和图像处理的方法决定, 受环境的影响不大, 因此可用于环境比较恶劣非接触测量中。
常用的图像测量系统主要由图像采集卡和CCD摄像头获取图像, 所得图像的质量与采集卡和摄像头的质量有关, 而且还需要采集卡的相应驱动程序, 相应的测量处理软件需根据固定的采集卡开发成固定的系统, 因此这样的图像测量系统不但成本比较高而且可扩展和移植性较差。
TWAIN (Technology without an Interesting Name) 是图像输入设备和图像处理软件之间的一种标准的通信方式。对测量的精度要求不高的测量系统中可以选用基于TWAIN接口的摄像头进行图像的采集, 相应测量处理软件只需根据TWAIN标准进行开发就能适应不同的基于TWAIN的图像输入设备, 这样整个测量系统具有较强的开放性和扩展性。
1 TWAIN标准及二次开发
1.1 TWAIN简介
为了使各种图像输入设备和通用图像处理软件彼此更好地支持, 由五家公司Aldus, Carere, Eastman Kodak, HewlettPackard和Logitech发起成立了TWAIN工作小组, 旨在提供一个开发的、跨平台的光栅输入设备和应用软件互连解决方案。
任何基于TWAIN接口的图像输入设备能够被支持TWAIN标准的软件调用, 为确保设备无关性要求, 应用软件并不直接从设备资料读取数据, 而是通过TWAIN.DLL对所有数据、各种信息进行交换和管理。TWAIN结构主要分应用层、协议层、获取层和设备层。TWAIN定义了一套标准软件协议和程序接口, 主要包括三个部分:应用软件 (Application Software) 、源管理软件 (Source Manager Software) 和源软件 (Data Source Software) 。三者的关系如图1所示。
三部分之间的通信是通过两个入口函数:DSM-Entry () 和DS-Entry () 来实现的。
1.2 TWAIN程序开发
如图1所示, 应用程序可以通过TWAIN接口连接和使用图像设备, 因此开发基于TWAIN接口的设备的应用软件需要遵循TWIAN标准的规范和步骤。图2为从图像设备获取图片的过程。
TWAIN标准自带的源管理软件和图片源管理软件都含有自己的用户界面, 应用程序可以直接调用, 也可以根据使用情况不显示源管理软件和图片源管理软件的用户界面, 直接在应用程序中设定设备和图片的属性或开发自己的程序界面来完成图片的采集操作。在应用程序开发中, 只需改变DSM-Entry () 和DS-Entry () 两个函数的参数就能实现需要的结果。
2 图像测量系统
由于图像测量的非接触性、实时性、稳定性和高精度性等优点, 使得图像测量技术的应用越来越广泛。
2.1 图像测量原理及系统框图
图像测量的基本原理是利用图像传感器获取目标图像, 然后对获取的图像进行图像处理, 根据处理的结果计算出被测量的值。通常是利用图像传感器和图像采集卡组合采集图像的, 随着技术的发展, 已经有基于TWAIN标准的摄像机出现。
运动控制台可以控制TWAIN摄像机也可以控制被测对象的运动, 使得被测对象能成像于摄像机的视场内。
图像测量系统的软件流程图如图3所示。应用程序首先连接系统中已安装的TWAIN设备, 如果未找到TWAIN设备则直接结束, 如连上设备则调整摄像机与被测对象的位置开始采集图像, 对采集的图像进行处理, 计算出其边缘, 对于直径、长度等不需要多次采集的被测量则可以计算出实际值, 对位移等需多次测量量则重复采集和边缘计算, 最后根据多次计算的数据算出最终所需的结果。
2.2 图像采集
对于不同的被测对象所需的采集图像的次数是不同的, 像小尺寸直径长度只需一次采集, 而位移和大尺寸的直径、长度需两次或多次采集, 因此采集的次数与被测量和被测量成像的大小有关。图像采集时, CCD摄像机前一般有一个或一组物镜, 对被测对象进行放大或缩小, 如图4所示。根据物镜的放大倍数的不同, 测量的范围也不同, 即可以测量微量, 也可以测量较大量。
2.3 图像测量
图像处理是整个测量系统的关键部分, 测量结果的准确性与图像处理的方法有关。被测对象通过CCD成像后, 对其尺寸的测量可转换为寻找其图像的边缘或轮廓。由于捕获的原始图像含有许多噪声和小的杂区域, 需要进行图像预处理, 可以利用中值滤波等方法消除噪声, 用小区域相关算法消除杂小区域。图像测量按其所处理的数据类型可分为二值图像、灰度图像、彩色图像和深度图像的测量。根据被测量及精度的要求可以选用不同的处理方法, 对于直径、长度、位移等量因只与被测对象的边缘轮廓有关, 所以可以选用二值图像处理方法。对二值图像寻找边缘的算法比较简单, 而且数据量小, 有助于满足系统速度和成本要求。
2.4 测量系统的标定
图像处理程序处理的数据是像素的坐标值及颜色值, 对于直径、长度、位移等量常用像素来表示, 因此为了得到实际值必须对数据进行标定, 将相对值转换为实际值。如位移测量中, 设定系统为线性变化, 若实际水平位移量为Smm, 物镜的放大倍数为k, CCD的面积为a*b, 在计算机中成像大小为m*n, 则水平方向上位移与像素的关系可用下式计算:
1mm=k*m/a像素
这样只要知道k, a, m的大小就可以计算出像素和位移的关系。当k, a, m大小不知的情况下, 可以用已知标准大小的对象测出其相应的像素数, 就可以知道相应的关系, 如将对象移动1mm时, 其相应图像移动10个像素, 则该测量系统有:1mm=10像素的关系, 若测得图像的移动像素数, 就可以知道实际移动的位移。
3 实验结果
基于以上提出的图像测量系统的理论, 利用基于TWAIN接口的网络摄像头PC CAMERA ZC0301PLH和计算机构建实验平台, 以测量工件的位移为目标进行了实验, 并用Visual C++6.0开发了基于TWAIN标准的应用程序, 使程序能直接调用摄像头进行图像采集。实验测量系统的图像分辨率为320×240, 在摄像头与工件的距离一定时已标定测量系统中有1mm=8像素, 因此每一个像素代表1/8mm=0.125mm。图5为工件移动前后的两个位置的图像, 利用图像处理技术可以分别得到两幅图片中工件左边边缘的位置, 根据两幅图片的位置差可测得工件前后移动的像素量S=27, 则说明工件移动了27×0.125=3.375mm。
4 结束语
基于TWAIN接口的图像输入设备集成了图像的采集和数字化过程, 而且能够被基于TWAIN标准的应用程序所调用, 根据这一特性, 再利用图像处理技术在测量中的快速、简便的优点, 可以开发出快速、准确的非接触测量系统。由于这样的测量系统成本低, 需要设备少, 可靠性和准确性高, 具有较强的实际意义。
参考文献
[1] The TWAIN Working Group. White paper: TWAIN as an API for high throughput image capture[EB/OL].http://www.twain.org.
粒子图像测量系统 篇4
1 系统结构
1.1 硬件设备
根据数字图像测量系统的实际要求, 对包括核心处理器、图像采集设备、数据输出设备为主的硬件设备进行甄选, 参考系统的具体设计标准选择S3C2440ARM微处理器为主要处理器结构, 图像采集设备主要应用USB摄像头, 数据输出设备应用LED显示屏, 核心设备经过双向数据链连接后基本构成了数字图像测量系统的硬件结构。
1.2 软件体系
在数字图像测量系统的硬件结构基础上, 进行软件结构的设计, 软件系统的整体与传统的设计结构基本相同, 主要区别和突出的特点就是搭载了嵌入式结构, 这种结构的出现让数字图像测量系统的软件系统结构有进一步的提升。嵌入式软件结构的出现让软件系统具备了基本的嵌入式操作能力, 不仅能够提供通用操作系统的主要功能, 而且能够形成与PC机相同的文件和目录管理能力、多任务线程管理、网络应用等多种使用功能, 这种功能结构不仅为系统的操作人员提供了更加强大的技术支持, 而且为上层开发人员提供了覆盖更加全面的数据接口, 系统开发人员能够直接在系统上层进行应用程序的开发。
2 视频驱动
视频驱动是数字图像测量系统功能实现的关键部分, 在嵌入式Linux系统结构下的驱动设备运行与传统系统结构内的设备驱动存在较大区别, 在嵌入式linux系统中驱动设备的驱动内容直接编译到系统的内核之中, 系统启动以后会按照相应的编译内容对设备进行驱动, 这种设备驱动形式能够让开发人员直接越过设备的复杂硬件实现环节, 而直接在系统内部形成对设备驱动内容和形式的设置。在嵌入式linux系统结构下的驱动设备运行控制极大简化, 驱动设备基本上可以按照普通文件的操作形式进行打开、关闭、读写数据等控制操作。
3 Qt图像处理平台
3.1 Qt平台的关键技术
Qt系统是C++面向对象OOP跨平台系统, 与传统的技术相比其突出的特点是运行的基本机制是信号/槽机制, 这是一种直线对应的软件形式, 当其内部的对象发生改变后, 改变所对应的信号就会被激发, 而这种信号在下层结构会引起相应的类及子类的改变, 进而实现对象内部信息变化与下层结构之间的对应交互机制。在数字图像测量系统的具体应用中, 因为其可调用的函数比较少, 基本上每一个信号发生以后, 都有一个专门的函数被调用执行。
3.2 Qt图像处理平台
在数字图像测量系统中USB摄像头是主要的图像信息采集设备, 经过采集后的图像信息在保存后, 可以利用Qt数字图像处理平台进行算法处理, 当前嵌入式Linux系统结构下主要存在File、Edit、Geometry等算法结构, 其中File和Edit是基本算法, 主要处理的是摄像头的图像信息读取, Geometry选项是采集图像的主要几何算法, Charater是采集图像信息的特征算法, 包括目标图像的转化灰度、颜色变换、亮度变换等, Pixel选项是采集图像信息的强化算法, 是在图像信息技术上对图像信息进行调整强化的重要选项, 能够实现图像的边缘提取、锐化、浮雕等等高级处理需求。
4 Qt数字图像处理算法设计
4.1 数字图像快速傅里叶变换
数字图像快速傅里叶变换是在数字图像傅里叶变换的基础上形成的强化变换形式, 相较于旧版本, 新版本极大的强化了运行效率, 缩短了傅里叶变换的时间, 其在处理效率上的突破主要是依靠库利-图基算法实现的, 以基本的时间抽选法实现了傅里叶的快速离散。在具体的处理过程中软件的处理流程主要有八个步骤, 首先将信息输入设备获得的信息送入到处理算法流程当中, 以N=2m, 极数为M的形式对其进行初步加工, 之后的程序主要采取倒序排列的形式来进行, 蝶形数据会优先于计算旋转因子进行计算, 在计算完成后根据基本数值的取值变化将计算结果归入到不同的算法中, 最终参数达到预设标准的要求则输出为结果。
4.2 数字图像小波变换
在数字图像测量系统运行过程中, 小波变换是基本的数据变化形式, 对数字图像小波变换的处理是系统的基本功能。通常情况下会应用Daubechies表示法对数字图像的小波变换现象。在系统内部采集的图像数据主要以二维的离散数据形式出现, 这种数据本身的离散性波动比较大, 在实际的应用中数字图像小波变换活动主要依据图像数据的离散程度来决定。i级的小波系数及尺度系数能够求得精度高一级j-1的尺度系数。
4.3 数字图像边缘提取
图像边缘提取是现代数字图像测量系统的主要功能之一, 对图像信息的测量具有鲜明的现实意义, 边缘提取主要是是依靠图像数据中的数据离散值来进行, 通常情况下数字化的图像数据会呈现出变化幅度较大的离散值数据, 这种离散值数据的突出变化区就是图像数据信息的边缘位置, 通过对图像数据信息离散数值变化幅度的平均取值, 可以实现图像边缘与图像的分离, 在此基础上对图像边缘的极值信息进行图像还原, 可以在输出系统屏幕上显示出目标图像的边缘化。
4.4 数字图像浮雕算法
数字图像浮雕算法是数字图像测量系统中的核心功能之一, 能够将目标图像中的主景象内容凸显出来, 起到对主要景物内容的强调作用, 在实际的测量活动中能够发挥对主要图像内容面积的测量和计算。为能够将目标图像中的主要图像内容凸显出来, 主要的处理功能是基于边缘提取技术实现的, 以边缘提取技术将目标图像的边缘信息提取出来以后, 浮雕算法会对其中的封闭边缘进行选定, 原则上认为目标图像封闭边缘的中间内容是浮雕算法要突出的主要内容, 这种处理内容的认定同时也接受人工调整, 操作人员可以手动对浮雕处理内容进行调整, 在内容认定完成以后, 会以卷积核的形式对图像数据进行计算, 可以较为便利的获得二维计算结果。
5 结语
基于嵌入式Linux系统的数字图像测量算法是嵌入式系统与现代数据图像处理技术的结合形式, 形成的数字图像测量算法同时具备嵌入式系统和图像处理技术的优势, 能够在图像测量活动中发挥更加积极的作用, 因此对基于嵌入式Linux系统的数字图像测量算法实现的研究具有鲜明的现实意义。笔者从系统结构、视频驱动、Qt技术、Qt平台、Qt算法等多个方面对这一问题进行了简要分析, 以期为基于嵌入式Linux系统的数字图像测量算法实现水平提升提供支持和借鉴。
参考文献
[1]汪国强.基于嵌入式Linux系统的数字图像处理技术研究[J].黑龙江大学工程学报, 2011 (4) .
[2]郭剑.基于嵌入式系统的数字图像处理技术的研究[D].西安电子科技大学, 2006.
粒子图像测量系统 篇5
高温蒸汽管道是锅炉核心承压部件之一,长期处于高温、高压恶劣环境下,导致材质老化和损伤,易引起突发性事故[1,2,3]。实现锅炉高温承压部件安全状态实时监测,即可对高温部件安全状态进行评估。因此开发电站锅炉高温蒸汽管道在线监测和管理系统可提高机组运行的安全和可靠性,规范锅炉启停操作,提高操作人员的水平,最大程度地减少启停对承压部件的破坏,并可实现承压部件超温管理,降低超温对高温部件的损伤。此外,根据设备的安全状态对锅炉启停和运行给予指导,合理安排检修、改造及更换,可为操作人员安全和国家财产提供保障[2,3]。
蒸汽管道工作环境恶劣,限制了许多位移传感器的实际应用[4,5]。传统的蒸汽管道位移测量方法多为膨胀指示器,需要在机组停运下实施,安全监测靠人工采集处理数据,测量数据不能远传,周期长,同步性差。尤其在电厂出现紧急情况时,不能及时连续完成数据采集,难以实时监控和评估蒸汽管道的安全状况。另外,膨胀指示器安装后使用一段时间后容易腐蚀生锈,指针的针尖造成面板划伤,导致读数区卡涩和测量数据不准确[6]。因此十分必要开发新兴的位移测量技术对锅炉蒸汽管道的蠕变以及由支吊架晃动造成的蒸汽管道宏观失稳偏移进行在线监测[7]。
本文提出一种基于CCD图像的非接触式蒸汽管道位移测量方法。首先介绍了测量原理,该方法采用直接线性法,利用棋盘格标定板对CCD相机进行标定,将标定好的CCD相机获取被测管道上圆形标志物的一系列图像,对采集到的图像进行相关计算,即可实现位移测量。最后建立了位移测量实验装置,进行了CCD成像位移测量系统标定和位移测量实验研究,并对实验系统进行了评价。
1 位移测量原理
基于CCD相机光学成像的非接触式蒸汽管道位移测量的基本原理:将一人工圆形标志固定在蒸汽管道上,人工标志与被测管道具有相同的位移变化,通过检测圆形标志的空间位置来测量管道位移。主要步骤包括:(1)在初始时刻,获取一包含标志点图像的子图像作为模板,在拍摄的管道图像中具有与模板大小相同、图案相似的目标子图像,通过一定的搜索策略在图像中找到该子图像,此计算过程称为模板匹配,并确定子图案在该时刻管道图像中的像素坐标;(2)标志点的图像具有模糊的边界,边界内灰度值较大,边界外灰度值较小,边界上具有较大的灰度梯度,通过计算匹配到的子图案的灰度梯度分布,确定圆形标志的边界位置,即确定标志点图像在子图案中的位置,结合步骤(1)中子图案的像素坐标,最终确定标志点图像在该时刻管道图像中的像素坐标;(3)采用直接线性变换法标定CCD系统,建立物空间坐标与图像像素坐标之间的对应关系,将标志点的像素坐标转化为物空间坐标,即可实现蒸汽管道位移测量。
1.1 标志图像模板匹配
将一幅已知的子图像作为模板,模板匹配就是在一幅大图像中搜寻与模板图像大小相同内容相似的子图案。为使模板匹配高速化,采用了序贯相似性检测法—SSDA法[8]。在被搜索图像S(W*H个像素)中选取和模板图像T(M*N个像素)相同大小的子图像Si,j,i和j为子图像左上角元素在被搜索图像S中的坐标。子图像Si,j的选取范围是
SSDA法使用式(2)计算子图像Si,j与模板图像T的非相似度c(i,j),作为匹配尺度
式中,M、N为模板图像T和子图像Si,j的大小,子图像Si,j以被搜索图像S中元素(i,j)为左上角元素。如果子图像和模板有相似的图案,则c(i,j)值较小,反之较大。
为减少模板匹配时间,人们提出了多步长模版匹配法、金字塔搜索法、遗传算法搜索法[9,10]等多种搜索策略。本文以蒸汽管道为研究对象,通过测量标志点的位置变化来表示蒸汽管道的位移。由于某一时刻获得的图像中标志点的位置是在前一时刻标志点位置的基础上附加一个较小位移得到,为此本文提出图1所示的搜索路径进行模板匹配的方法,即首先计算前一时刻模板位置处的子图案与模板的非相似度c(i,j),再计算其外围的8个、12个、16个、24个等位置的非相似度,直至某个位置处的非相似度小于设定的阀值,则该位置处的子图案为包含标志点图像,模板匹配计算停止。
给标志点1 mm、2 mm、……、7 mm的水平位移,拍摄位移前后共7组图像。分别采用SSDA法和改进搜索路径的SSDA法对标志点移动后的图像进行模板匹配,所花费的计算时间如表1所示。拍摄的图像大小为2 592×1 944,模板大小为151×151,发生位移前标志点圆心在图像中的坐标为(1 236,672)。由表1中数据可见,本文提出的改进搜索路径的SSDA法模板匹配的计算时间大幅缩短。在位移变化较小时,改进的SSDA法计算花费的时间较短,随着位移的增加,计算所需时间增加;而SSDA法计算时间始终维持在一个很高水平。这是由于SSDA法按照从左到右的顺序逐行搜索,花费时间由目标子图案在被搜索图像中的位置决定,且目标子图案左上角元素所在行数越小、列数越小,就越快被搜索到,计算时间就越短,本算例中随着水平位移增加,标志点图像向着列数减小的方向移动,因此SSDA法计算时间随位移增加会略有减少。
实际实验操作中,可以通过两种措施减少模板匹配的计算时间:(1)增加相机拍摄图像的帧率,减小拍摄两张图像的时间间隔,从而减小两次测量之间的标志点的位移;(2)增加相机与标定板之间的距离,使标志点在物空间的位移反映在图像上具有更小的像素间隔。
1.2 标志点中心获取
采用1.1部分所述的模板匹配计算标志点在图像中的位置,其精度受到两个因素的制约:(1)由于实际测量过程中,存在光照条件等外部环境的影响,为了确保能够在图像上搜索到模板图案,非相似度c(i,j)的阀值要求足够大,这会导致搜索到的子图案与模板图像存在一定偏差,如图2和图3,标志点的亮斑图像在搜索到的子图案(图3)中的位置要比在模板(图2)中偏左一些,因此还需要计算圆形标志点圆心在子图案中的位置;(2)模板匹配法的精度只能达到像素级。本文对匹配到的子图案进行进一步处理实现标志点像素坐标的精确定位,精度达到亚像素级。
受散焦退化影响,回光反射标志的圆形图像没有清晰的边界,图像中心部分的灰度值基本相同,在四周灰度值快速降低。在子图案中提取一个1×151的行向量,其灰度分布和灰度的梯度分布分别如图4(a)和4(b)所示。可以看到,灰度梯度存在一正一负两个绝对值较大的点,这两个点是圆形标志图像的边界点。计算这两个点的平均值作为标志点图像的圆形纵坐标。本文在搜索到的子图案(见图3)中,取41个行向量计算圆形标志圆心的纵坐标,取41个列向量计算圆形标志圆心的横坐标。该过程实现标志点图像圆心的亚像素级定位。
1.3 相机标定
采用1.1和1.2部分的方法可以确定标志点发生位移后,在图像中的像素坐标。通过标志点在图像中的像素坐标,采用直接线性变换法[11]建立线性模型,描述物空间坐标与像素坐标之间的对应关系。线性标定模型为
式中,(Xw,Yw,Zw)为三维物体的空间坐标;(u,v)为三维物体所成图像的像素坐标,具体可表示为像点在图像矩阵中的行数与列数,以像素为单位;li是直接线性变换法中的待定参数(i=1,…,11),表示了物空间坐标系和图像像素坐标系之间的关系。
已知一个控制点的物空间坐标(Xwi,Ywi,Zwi)和像素坐标(ui,vi),带入式(3),将l1,l2,…,l11作为未知数,可以得到方程组
由式(4)可知,一个控制点可以确定两个方程,为求解l1,l2,……,l11这11个参数,至少需要6个控制点的坐标。
CCD拍摄棋盘格标定板图像,以标定板图像的黑白格交叉点(角点)为控制点,采用Harris算法[12,13]计算控制点在图像中的像素坐标。Harris算法计算窗口沿任何方向移动后的灰度变化,并用解析形式表达
式中gx和gy———图像在x和y方向的灰度梯度;G(s)———高斯模板,对图像进行高斯滤波,用于消除噪声;
k———经验系数,本文取k=0.04;矩阵D称为像素点的自相关矩阵,
Det和tr———求矩阵的行列式和求迹运算;
I———像素点角点响应函数。
当函数I的大小同时满足“大于设定的阀值”和“是某领域内的局部极大值”这两个条件时,认为该像素点就是所求角点。提高阀值,则提取的角点数量变少,降低阀值,则提取的角点数目变多。此外,求局部极大值的邻域大小也会影响提取角点的数目和容忍度。
2 实验测量系统
图5为基于CCD成像的位移测量实验装置图。CCD相机分辨率2 592×1944,像素大小2.2μm,全帧14帧/秒。图5(a)为相机标定实验装置,标定板图案为10×10 mm的棋盘格,放置在手动位移台上,可通过标定板对相机进行标定。标定完成后从手动位移台上取下标定板,在原标定板位置垂直安置带有回光反射标志的平板,如图5(b)所示,选用的测量标志为圆形人工标志,标志内圈采用白色回光反射材料,外圈采用黑色材料,由于回光反射材料的反射系数很高,在同等光源的照射下,其反射亮度较普通白色标志高出数倍。通过转动手动位移台上的千分尺给标志点一定位移,相机拍摄标志点的图像,计算机计算测量标志点的位移大小。位移台上附有千分尺,精度0.001 mm,量程25.000 mm。
3 实验结果及分析
3.1 标定实验
如图5(a)所示,相机与标定板之间的距离为100 cm,相机拍摄标定板的图像送入计算机。采用Harris算法提取标定板图像角点的图像像素坐标,提取的角点如图6中星号所示。将角点的三维空间坐标和像素坐标代入方程组(4)计算11个标定参数,结果如表2所示。在得到标定参数的条件下,可以通过式(3)建立像素坐标(u,v)与空间坐标间(Xw,Yw,Zw)的对应关系,其中Zw为相机与标志点之间的距离。
3.2 漂移实验
对蒸汽管道位移的监测是一个长时间的持续过程,某一时刻的位移量由当前时刻人工标志点的三维坐标减去其初始时刻的三维坐标得到。由于系统硬件或环境原因,初始时刻标志点的三维坐标会随时间变化产生一定的偏移,即漂移。需要进行实验,检验位移测量系统的漂移。调整标志点与相机的距离为100 cm,相机曝光时间50 ms。从系统刚启动时,开始测量记录标志图像的位置,测量时间116min,每秒钟拍摄1帧图片,测量过程中不转动千分尺。116 min内记录的标志点位置相对初始时刻的漂移如图7所示。从图7可见,测量系统存在一定零点漂移(0~0.084 mm),并且随着时间的推移,漂移逐步增加,但近两个小时内漂移小于0.1 mm,处于可接受的范围内。
3.3 位移测量误差、重复性、线性度
通过转动手动位移台上的千分尺移动标志点,对标志点位移进行测量。首先在不同相机与标志点距离60 cm、70 cm、80 cm、90 cm、100 cm下,使用千分尺移动标志点25.000 mm,测量并记录标志点的位移。每组实验重复测量4次,计算4次的平均位移和误差。测量结果如表3所示。根据表3可见,五组数据的误差均在0.5%以内。随着相机与标志距离从60 cm增加到100 cm,误差先增大后减小,距离100 cm时的测量误差达到最小。这主要是由于系统的标定距离在100 cm处,因此距离100 cm时测量精度较高。测量现场实际安装时,相机与标志点距离取决于管道的纵向位移,而管道的纵向位移较小。
相机与标志点距离100 cm,使用千分尺移动标志点位移分别为5.000 mm、10.000 mm、15.000mm、20.000 mm、25.000 mm,测量并记录标志点的位移大小,每个位移重复测量10次。计算每个位移的10个测量值的归一化标准差(Normalized STD)作为测量的重复性误差,实验结果见图8。从图8可见,测量系统的重复性误差小于0.08%,表明系统具有较好的重复性。
相机与标志点距离100 cm,使用千分尺分别移动标志点距离为3.000 mm、6.000 mm、9.000 mm、12.000 mm、15.000 mm、18.000 mm、21.000 mm和24.000 mm,测量并记录标志点的位移大小,进行线性拟合。测量结果如图9所示,拟合得到的直线方程为y=0.997 2x+0.003 77,截距标准差为0.003 77,斜率标准差为2.487 44E-4,相关系数为1,表明系统具有良好的线性度。
4 结论
电站锅炉蒸汽管道热应力等关键参数在线监测手段的缺乏,使得现有高温部件失效,研究缺乏综合性,不能从设备管理层面实现全面、实时和高效的监管。为解决上述问题,本文提出了一种基于CCD成像的蒸汽管道位移测量方法,并系统介绍了测量的基本原理。设计搭建了基于CCD成像的位移测量系统,对测量系统进行了标定和性能实验评价。实验结果表明:系统相对误差优于0.5%,零点漂移小于0.1 mm,重复性误差小于0.08%,可满足蒸汽管道位移的实时测量要求。
摘要：高温蒸汽管道是电站锅炉的核心承压部件,长期处于高温、高压、蠕变、疲劳等恶劣运行环境下。实时监测电站锅炉蒸汽管道的宏观位移并对其安全进行评估,可提高机组运行的安全性和稳定性。本文提出一种基于CCD图像的非接触式高温蒸汽管道位移测量方法,采用直接线性法,利用棋盘格标定板对CCD相机进行标定,标定好的CCD相机获取被测管道上圆形标志物的一系列图像,采用改进的搜索路径SSDA法对采集到的图像进行相关计算,即可实现位移测量。在实验室条件下,设计并搭建了图像位移测量系统,对测量方法进行了验证及性能评价。结果表明:系统相对误差小于0.5%,零点漂移小于0.1 mm,重复性优于0.08%。
粒子图像测量系统 篇6
本文利用SIFT算法对图像中的特征点进行检测,并利用基于Kd-tree的最近邻算法进行特征点的匹配,最后依赖于已有的特征点匹配对,实现双目视觉立体匹配。
1 图像特征匹配
1.1 特征点的检测
在SIFT算法中[4],我们可以用变尺度的高斯函数和图像进行卷积运算,得到图像的尺度空间。用函数来表示该尺度空间,即:
SIFT算法建议首先对高斯尺度空间相邻的图像进行减操作,得到一个Do G(Difference of Gaussians)的响应值图像,再对该图像进行局部极大搜索,确定特征点在位置空间、尺度空间上的具体位置。其中:
式中,K为常量,表示相邻尺度空间之间的比值。
1.2 SIFT特征描述子及特征矢量
SIFT描述子是一种用于特征检测的特征描述子,通过量化描述图像局部特征,客观地反映特征点附近局部区域内图像的分布情况。为了实现图像的旋转不变性,我们通过图像的梯度参数,求取特征点附近局部结构的稳定方向。对于已经检测到的特征点,特征点尺度值是确定的,我们可以得到最接近该值的高斯图像:
以特征点为中心,以为半径做圆,计算该圆形区域内图像梯度的方向和大小,然后用直方图统计邻域内图像的梯度方向和大小。将梯度方向的360°均分在8个方向范围内,累计每一个范围内的梯度大小,并选取幅值最大的方向为梯度的主方向。为了增强系统的鲁棒性,再选择能量值相当于主峰值80%的峰值对应的方向为该特征点的辅方向,共同描述特征点。
SIFT描述子可以表示成矢量形式,描述特征点附近邻域内高斯图像梯度统计结果。由于是描述特征点附近的邻域,梯度方向分为8个范围,所以该特征矢量是128维,这也直接决定了系统的运行速度,接近实时处理。
1.3 图像特征点匹配
对捕获的同一场景两幅图像,如果两个特征点描述矢量之间相距较近,就认为这两个特征点对应于三维场景中的同一位置;反之,则处于不同的位置。特征点匹配技术就是从对应同一场景的两幅图像特征点集合中,找到两两距离最近的特征点,实现特征点一对一匹配。
特征匹配常采用线性扫描法,就是将特征点和查询点逐一进行距离比较,选择距离最小的点,但是该检索方法搜索效率比较低。本文采用Kd-tree[5]的数据结构,将整个数据空间划分成小空间,逐级展开搜索,搜寻最近邻点。Kd-tree本质上就是二叉树,每个节点表述一个空间范围。构建流程如下:
(1)分析数据点数据,展开kd-tree;
(2)找到分割超面,确定其垂直方向轴序号,计算对应维度上的数据方差;
(3)选择最大方差维数,记为Ki,并选取Ki维的中值Kv作为阈值;
(4)分割数据。维数小于阈值的,其对应的特征点放在右子树空间;否则放在左子树空间;
(5)分别展开左子树、右子树,重复上述步骤(2)、(3)、(4),将空间和数据集进一步细化,直至空间中只包含一个特征数据点。
在kd-tree中进行数据的查询是为了检索kd-tree数据集中与查询点距离最近的数据点。按照二叉树结构展开搜索,沿着搜索路径,找到最近邻的近似点,也就是包含查询点的叶子节点。但是这样找到的叶子节点不一定就是最近邻点,最近邻点肯定距离查询点更近,也就是说,最近邻点一定在以查询点为圆心,通过叶子节点为半径的圆域内。这就需要我们沿搜索路径回溯操作,看是否存在某一数据点,距离查询点更近。若存在,就用新查到的数据点代替叶子节点,反之若不存在,则认为已经找到的叶子节点就是最近邻点,从而完成特征点的匹配。
2 立体匹配
立体匹配[6]是指对参考图像中的任意像素,在待匹配图像中找到与之相对应的像素点的过程,即找到空间中任一场景点在两幅图像中对应的像素点。这些像素点有可能是已经检测出的特征点,也有可能只是普通的像素点。由于使用SIFT算法检测到的特征点具有多种不变特性,在图像中处于相对稳定的区域,我们可以建立待匹配像素点和周围特征点的关系,来实现像素点之间的匹配。
本文在特征匹配的基础上,研究了普通像素点和特征点之间的关系,实现了图像的立体匹配。算法具体流程如下:
(1)在参考图像中,从上往下,从左至右对图像特征点依次排序,并求取各特征点到参考像素点之间的欧氏距离;
(2)比较求得的欧氏距离,选择其中距离最小的特征点为最近特征点,如存在距离相同的特征点,选择序号最小的特征点为最近特征点;同理,选择距离次小的特征点为次近特征点;
(3)从匹配好的特征点对中,找到最近特征点和次近特征点,并从已经存在的匹配对集合中,找到待匹配图像中与之对应的最近特征点和次近特征点。
(4)在参考图像中,建立两个特征点与参考像素点之间的函数关系。运用该函数关系求出待匹配图像中对应的像素点。
对于立体匹配,除了借助特征点匹配对,立体匹配本身还具有一些约束条件:1)唯一性约束。每个参考像素点存在且只存在唯一的待匹配像素点与之相匹配;2)顺序一致性约束。同一扫描线上的两个像素点在参考图像和待匹配图像上具有相同位置次序;3)一致性约束。两幅图像中,对于未遮挡的相同场景,对应的像素点具有相同的视差。运用立体匹配条件,可以进一步优化我们已经得到的立体匹配点对,实现更好的匹配效果。
3 实验结果及分析
本文使用的实验设备:一个带有旋转云台的自动三脚架(三脚架和云台的运动情况可以进行参数设置),一台85mm微距的尼康摄像机,一台戴尔的台式电脑。
将摄像机安装在三脚架上,设置三脚架运动参数,使得三脚架只进行垂直运动。用该设备获取三脚架运动前后,对着的同一场景的两幅图像。
应用SIFT算法,对获取的两幅图像进行特征点检测。图中黑色的点表示检测到的特征点,从图1可以看出,利用SIFT算法进行特征点检测,得到的检测结果大多是比较明显的边缘点、角点、像素灰度变化比较大的点,这为后续的特征匹配打下了良好的基础。
从特征点匹配的实验结果来看,检测到的特征点都能在目标图像中找到对应的特征点,完成特征点的相互匹配。但是仔细观察不难发现,本实验中存在错误的匹配对。本实验中一共实现了151对特征点的匹配,其中存在3对错误的匹配,即误匹配率为1.98%,实现了较好的匹配效果。而且匹配运算时间只用了6.763 S,达到了很好的实时性效果。图中误匹配点对主要集中在图像中部,分析是书柜排布相似、书本上存在个别效果不明显的特征点等原因导致的。
在立体匹配上,本文进行了多次实验,选取其中几组实验,实验结果如图所示。其中蓝线表示最近特征点对和次近特征点对,红线表示对应的求得的匹配像素点对。实验像素坐标如表1所示。
从上述实验数据中可以看出,大部分数据横、纵轴差值相当,对比实验图像,实验数据是真实可靠的。进行实验时,理论上智能三脚架只进行垂直升降运动,由此参考像素点和待匹配像素点的横坐标是相同的,但是在实际的操作中,由于地面不完全平整、仪器本身条件限制等原因,摄像机运动过程中存在一定程度的晃动,会产生一定程度的横向偏移,使得参考像素点和待匹配像素点的横轴坐标不一致。其次,由于像素点的匹配是依赖于特征点匹配对的,如果特征点匹配对是误匹配,会直接导致后面的像素点匹配对发生错误,如图4所示。还有即使特征点匹配对是正确的,后面建立的几何函数的不精准或是计算的精确度等原因,也会影响像素点的匹配。
4 结语
在刑事案件现场中,一般人造物品比较多,特征都比较明显。本文利用SIFT算法对拍摄的现场图像进行特征点检测,能够快速、有效的实现特征点的检测。在特征匹配的过程中,通过SIFT特征描述子建立特征矢量,对检测到的特征点进行详细的描述。构造Kd-tree数据结构,利用该结构进行近邻检测,实现特征点的匹配,再在此基础上,完成立体匹配。本文实现了快速的立体匹配,实现了较好的匹配效果。但仍然存在不足,有误匹配的出现,正确的匹配在精度上也有待加强,有待于进一步优化。
摘要：本文采用SIFT算法进行特征点检测,运用Kd-tree构造数据索引空间,采用最近邻检测算法在其中进行数据的查询,实现待匹配图像特征点和参考图像特征点的匹配。由于SIFT算法描述的特征点具有旋转不变性、尺度不变性等优良特性,借助这些特征点对,能够实现测量系统中的立体匹配。本文对获取的同一场景的两幅图像进行处理,用上述方法进行立体匹配,实现了较好的匹配效果,达到了接近实时性的匹配速度。
关键词：SIFT算法,Kd-tree,最近邻检测,立体匹配
参考文献
[1]Moravec H.Rover visual obstacle avoidance[C].In Internation-al Joint Conference on Artificial Intelligence,Vancouver,Can-ada,1981,785-790.
[2]Schmid C.and Mohr R.Local gray-value invariants for imageretrieval[J].IEEE Trans.On Pattern Analysis and Machine In-telligence,1997,19(5):530-534.
[3]Lowe D.Distinctive Image Features from Scale-Invariant Key-points[J].International Journal of Computer Vision,2004,60(2):91-110.
[4]王永明,王贵锦.图像局部不变性特征与描述[M].北京:国防工业出版社,2010.4:79-88
[5]杜振鹏,李德华.基于KD-Tree搜索和SURF特征的图像匹配算法研究[J].计算机与数字工程,2012(2):96-100.
基于光流法的粒子图像测速 篇7
关键词：图像粒子成像测速(PIV),光流法,Lucsa-kanade
人类至今对流体力学中仍有许多疑难问题(如湍流、非定常流动等),而在许多工程应用(如飞行器外形设计、内燃机燃烧室中的多相流动等)中又迫切需要解决这些问题, 因而使流场测量问题变得极为重要[1,2]。随着对流体研究的深入,越来越多的问题涉及到了流动现象的物理机理及动力学特性,因而流场测量技术的研究成为揭示流体特性的关键。粒子图像测速技术是在流动显示的基础上,充分吸收现代计算机技术、光学技术以及图像分析技术的研究成果而成长起来的最新流动测试手段。它不仅能显示流场流动的物理形态,而且能够提供瞬时全场流动的定量信息,使流动可视化研究产生质的飞跃。本文提出的方法是建立在多学科交叉研究的基础上, 应用数字图像的分析和处理技术, 以期在非接触流场流速测量中提高分析精度[3], 从而可以对非接触流场流速的测量技术的发展起到推动和完善作用。
目前针对粒子图像测速的方法主要是应用匹配互相关[4,5],现应用目前在运动目标检测中流行的光流法来研究粒子图像测速。由于国外对光流法在运动目标的成熟应用,使其对这种方法的认识达到了新的高度,让光流场应用于粒子图像测速中成为可能。
1 粒子图像测速原理
PIV(Particle Image Velocimetry)即粒子图像测速技术,是一种于20世纪80年代发展起来的流动测试手段,具有瞬时性、全场性、无损性和定量性的特点。PIV技术可以显示流动流场物理状态,还能够定量的测量瞬时全流场的速度矢量,并且不会对流场产生干扰。
PIV源于固体应变位移测量的散斑技术。就是在流体中添加可以与之共同移动的失踪粒子[6],使用激光片光源将之照亮,使得看不见的流体可视化为离散的亮点,通过记录图像并按照一定的规则识别处在同一幅图像或两幅图像上对应的粒子集合对,得到粒子或粒子集合的运动速度,并以此作为粒子或粒子集合所在位置的流场速度[7]。
粒子图像的获得是在流场中散播示踪粒子,将激光器产生的光束经透镜散射后形成片光源照射所测流场区域用CCD摄像机以垂直片光源的方向对准该区域,通过示踪粒子对光的散射作用,通过连续2次或者多次曝光记录下两次脉冲激光曝光时粒子的图像。再用图像处理技术计算出速度矢量。
2 基于光流场的PIV算法
光流场是一种二维(2D)瞬时速度场,其中的2D速度场矢量是景物中可见点的三维(3D)速度矢量在成像表面的投影。光流不仅包含了被观察物体的运动信息,而且携带着有关景物三维结构的信息。
2.1 光流算法原理
给图像中的每一像素点赋予一个速度向量,就形成了图像运动场。在运动的一个特定时刻,图像上某一点Pi,对应三维物体上某一点P0,这种对应关系可以由投影方程得到。在透视投影情况下,图像上一点与物体上对应一点的连线经过光学中心,该连线称为图像点连线,如图1所示。
设物体上一点P0相对于摄像机V0,从而在图像平面上对应的投影点Pi具有速度Vi。在时间间隔δt时,点P0运动了V0δt。速度可有下式表示:
2.2 光流约束方程
由光流算法原理[8],设I(x,y,t)是图像点(x,y)在时刻t的照度,如果u(x,y)和v(x,y)是该点光流的x和y分量,假定点在t+δt时运动到(x+δx,y+δy)时,照度保持不变,其中,δx=uδt,δy=vδt,即:
如果亮度x,y,t光滑变化,则可以将式(2)的左边用Taylor级数展开:
式(3)中e是关于δx,δy,δt的二阶和二阶以上的项,式(3)两边的(x,y,t)相互抵消。两边除以δt,并取极限δt→0,得到:
设
则由式(4)得到空间和时间梯度与速度分量之间的关系:
上述方程称为光流约束方程,在上面的方程中,Ix,Iy,It可直接从图像中计算出来。实际上,上述光流约束方程产生的是恒值亮度轮廓图像运动的法向分量Vn=sn,其中n和s分别是法向运动分量的方向和大小。图像中的每一点有两个未知数u和v,由于孔径问题的存在,仅利用光流约束方程可能不可解,因此还需要其他约束条件,比如图像局部平滑等,这就要引入其他假设条件。
2.3 Lucsa-kanade (LK)方法
LK算法假设在一个小的空间邻域Ω上运动矢量保持恒定[9],然后使用加权最小二乘方估计光流。在一个小的空间邻域Ω上,光流估计误差定义为[9]:
式(9)中W(x)表示窗口权重函数,它使领域中心部分对约束产生的影响比外围部分更大。设v=(u,v)T,ᐁI(x)=(Ix,Iy)T,式(9)的解由下式给出:
式(10)中,在时刻t的n个点xi∈Ω。
式(10)的解为v=[ATW2A]-1ATW2b,其中当ATW2A为非奇异时可得到解析解,因为它是一个2×2的矩阵:
可以使用ATW2A(λ1≥λ2)的特征值来鉴别不可靠的估计,该值依赖于空间梯度的数量和方向的范围。如果λ1和λ2,都大于一个阈值τ,v用式(10)计算;如果λ1≥τ而λ2<τ,计算法向速度估计;如果λ1<τ,不计算速度。
2.4 光流算法的局限性
光流场的方法能够很好的用于二维运动估计,它也可以同时给出全局点的运动估计,但其本身还存在着一些问题。
2.4.1 遮挡问题
图2给出了覆盖/显露背景的概念。这里用实线表示的物体从时刻t到t’沿x方向平移。现把时刻t和t’的两帧分别记作k和k+1。帧k中的虚线区域表示在帧k+l中被覆盖的背景。因此,在帧k+1中是不可能找到这些像素的对应位置的。帧k+1中的虚线区域表明由于物体运动显露出的背景,而在帧k中却没有这些像素ui对应位置。
2.4.2 外部光照变化问题
一个可观测到的光流,并不总是对应于实际的运动。例如,如果外部照明按照一帧接一帧的变化时,即使没有运动,光流亦可观测到。因此,外部照明变化妨碍了真实的二维运动场估算。
2.4.3 孔径问题
只有一个方程一个点上的信息是不能确定光流的。人们将这种不确定问题称为孔径问题。理论上分析,仅能沿着梯度方向确定图像点的运动,即法向流。假定物体的运动方向为r,如图3所示。如果基于一个局部窗口(即孔径1)来估计运动,则无法确定图像是沿着边缘方向还是垂直边缘方向运动,其中沿着垂直边缘方向的运动就是法向流。但是,如再来观察孔径2,就有可能确定正确的运动,这是由于图像在孔径2中的两个垂直边缘方向上都有梯度变化。这样,在一个包含有足够灰度变化的像素块上有可能估计图像运动。当然,这里隐含着一个假设,那就是像素块里的所有像素都具有相同的运动矢量。
3 LK算法的实验结果及分析
本文中使用MATLAB软件编程实现粒子图像的速度场,使用LK算法对不同条件下的图像粒子进行测速,并对实验结果进行分析,比较得出粒子在怎样的条件下LK算法能更有效的计算出速度场。选用更适合于LK算法的粒子图像,进一步保证实验处理的精度,减小误差的累积,确保实验数据更接近实际数值。
其中Vx表示速度标准差,N表示粒子数,Dm表示粒子直径平均值,其中图4和图5均为1 000倍放大。
从试验结果得出图4平均速度为6.4像素/帧,而原始标准平均速度是7.4像素/帧;图5实验结果平均速度为7.2像素/帧,而原始标准平均速度为7.4像素/帧,其相应的光流场见图6及图7。由此可得出当其他条件一样时,粒子数越少则测量结果越准确,而这也恰恰与光流法的前面所讲局限性相对应,光流法由于是根据外部光照的变化来测定速度的,所以当粒子数很多时,由于遮挡的关系,不能很好的计算出光流场。
其中图8和图9均为1 000倍放大。从试验结果得出图10平均速度为6.7像素/帧,而原始标准平均速度是7.5像素/帧;图11实验结果平均速度为7.1像素/帧,而原始标准平均速度为7.5像素/帧。由此可得出当其他条件一样时,示踪粒子直径越小,结果越准确,同样,不难看出,由于粒子直径越大遮挡越为严重,不能很好的得出光流场。
4 结语
光流法是一种准确的、比较容易实现的粒子图像测速算法,对图像中的粒子能进行准确的速度检测,特别是在流场的光滑度以及流场的连续性上都比传统的方法有所提高,而且光流法的第二个局部平滑的条件使得光流算法在计算后无需后期处理,一定程度上减少了工作量。 但它并不是对所有粒子图像的处理效果都很好,由于光流本身的局限性,当粒子数较多,粒子直径比较大的时候,光流法并不能很好的估算出速度场,但这并不是不能解决的问题,例如可以根据光流的特定选取特定的示踪粒子等,相信光流法今后在PIV中的应用会越来越成熟。
参考文献
[1]申功折.全场观测技术概念、进程与展望.北京航空航天大学学报,1997;23(3):332—340
[2]康琦,申功忻.全场测速技术进展、力学进展,1997;27(1):106—120
[3]盛森之,徐月亭.90年代的流动测量技术.北京:北京大学,1993
[4] Westerweel J,Dabiri D,Gharib M.The effect of a discrete windowoffset on the accuracy of cross-correlation analysis of digital PIV re-cordings.Experiments in Fluids,1997;23:20—28
[5] Keane R D,Adrian R J.Theory of cross-correlation analysis of PIVimage.J Appl Sci Res,1992;49:191—215
[6] Paticle Image Velocimetry.TSI Incoporated.2002
[7] Adrian R J.Partical imagine techniques for experimental fluid me-chanics.Ann Rev Fluid Mech,1991;(23):201—304
[8] Lin C T,Chung I F,Martin Sheu L.Ka.A neural fuzzy system forimage motion estimation.Fuzzy Sets and Systems,2000;(114):281—304