图像测量（精选9篇）
图像测量 篇1
0 引言
在压缩编码参数相同时,不同电视频道的节目图像质量有好有坏;即便是同一频道的节目图像质量,也可能时好时差。实际上,当节目图像画面容易压缩时,质量损伤就较轻微;当节目图像画面不易压缩时,质量损伤就较明显。那么,用什么指标来衡量图像画面被压缩的难易程度?如何测量和分析?衡量结果有什么作用?以下将作介绍。
1 苛刻度的定义
视频压缩编码是在保证一定图像质量的前提下,通过减少视频图像在空间上和时间上的冗余来实现数据量的压缩。由于视频图像的冗余信息大小不同,压缩的难易也不尽相同。描述某一视频图像被压缩的难易程度,比较笼统的说法叫“图像内容复杂度”,但它并不是可量化的指标。确切的衡量指标主要基于两个维度:第一个维度是编码比特数,即保持编码质量相对固定,通过计算编码所需比特数来衡量,比特数越大,说明压缩难度越高;第二个维度是编码质量,即保持编码码率相对固定,通过评估图像编码质量的优劣来衡量,编码质量越差,说明编码难度越高。基于编码比特数的衡量指标称为“苛刻度”。
苛刻度的概念来源于ITU测试图像序列标准[1],其英文名称为‘criticality’,在我国的高清测试图像序列标准[2]中,将其称为苛刻度,并给出定义:对图像进行压缩编码时,图像被压缩的难易程度,通常以每像素所需的平均比特数表示。
2 苛刻度的测量
苛刻度的测量方法主要有两个关键环节,一是要对图像进行压缩编码并保持编码质量相对固定;二是要统计出压缩编码的比特数和图像的像素数再进行相应计算。根据编码过程实现方法的不同,可分为基于编码软件的测量和基于硬件编码器的测量。
2.1 基于编码软件的测量
ITU测试图像序列标准[1]和我国高清测试图像序列标准[2]计算苛刻度时采用的是基于编码软件的方法。该方法以MPEG-2编码软件为基础,对软件代码进行调整,使其支持固定量化器编码,然后设定合适的量化步长,用该编码软件对图像序列素材进行VBR编码,统计每帧图像的编码比特数再除以每帧图像的像素数,从而得到每帧图像的苛刻度,进而得到每个图像序列的苛刻度。
该方法便于用户根据实际应用需求,有针对性地调整编码软件的相关代码,准确输出所需信息。另外,由于编码参考软件的编码工具集较为统一,不同用户测量的苛刻度具有一定的可比性。但是,该方法只适用于对视频文件进行计算,不适用于实时节目信号的测量。
2.2 基于硬件编码器的测量
基于硬件编码器的方法是采用硬件编码器进行实时编码来实现。参考文献[4]中采用一款支持VBR编码的MPEG-2编码器,设定图像质量压缩编码的目标质量值,对图像序列逐个进行实时VBR编码,并实时统计平均视频码率(即每秒的编码比特数),再结合每秒的图像像素数,计算出各个图像序列的苛刻度。
基于硬件编码器的方法能够在实时编码过程中测量图像苛刻度,适合于对实际在播节目的长时间测量。
3 苛刻度的结果分析
对苛刻度测量结果的分析,主要有以下几个方面。
3.1 平均值
苛刻度平均值是反映一个图像序列总体苛刻度的重要数据,也是影响压缩编码后图像序列整体质量的重要因素。根据测量目的的不同,可以对一个图像序列的所有帧统计平均值,也可以对某个时间段内或是某个节目段内的图像统计平均值。
3.2 最大值和最小值
在一整段图像序列中,苛刻度的值往往也是此起彼伏的,平均值相同的两个图像序列,其苛刻度变化范围可能差异很大,编码后的图像质量也不同。因此,有必要统计图像序列中各帧图像的苛刻度最大值和最小值。
3.3 逐帧苛刻度曲线
在得到每帧(或每场)的苛刻度后,可将各帧的苛刻度绘制成逐帧曲线,便于直观反映序列中不同时刻的苛刻度变化情况。便于对测试图像的选取或者分析某一频道(栏目)的苛刻度变化,更好的分配其相应的编码码率。
3.4 苛刻度分布曲线
在对长时间素材(或对多个图像序列)计算苛刻度时,可以先按照一定的时间间隔统计出每个间隔的苛刻度平均值,然后再对这些平均值进行分析,得出苛刻度的相关分布曲线。获得某一频道不同苛刻度发生的频繁程度。
4 苛刻度测量实例
以下给出了采用MPEG-2编码参考软件计算的一组高清素材苛刻度和一组标清素材苛刻度实例。
4.1 高清素材苛刻度
4.1.1 高清素材
示例素材为GB/T 31001-2014《高清晰度数字电视主观评价用测试图像》中的24个高清测试图像序列,各序列信息如表1所示。
4.1.2 高清苛刻度计算结果
各高清素材的苛刻度平均值、最大值和最小值统计结果如图1所示。其中,“足球”序列的逐场苛刻度如图2所示。
4.2 标清素材苛刻度
4.2.1 标清素材
示例素材为GY/T 228-2007《标准清晰度数字电视主观评价用测试图像》中的24个标清测试图像序列,各序列信息如表2所示。
4.2.2 标清苛刻度计算结果
各标清素材的苛刻度平均值、最大值和最小值统计结果如图3所示。其中,“女排啦啦队”序列的逐场苛刻度如图4所示。
5 苛刻度的作用和意义
苛刻度的直接作用是将图像被压缩的难易程度表示成可量化的衡量指标,使得不同图像间具有一定的可比性。在实际应用中,苛刻度具有重要意义。
1.实际播出电视节目的苛刻度
实际播出的电视节目具有海量的视频内容,节目图像内容各式各样,如果能对这些节目进行长时间的苛刻度统计形成大数据,即可分析出不同类型、不同频道、不同时段的节目图像内容复杂度,并能分析出各种苛刻度的概率分布图等。这些数据可为播出机构制定编码方案和优化编码策略提供重要依据,对保障播出节目质量,提高带宽资源利用率等具有重要意义。
2.测试图像序列的苛刻度
国际和国内已经发布了许多测试图像序列的标准,包括标清、高清等。这些标准提供了各种类型的图像序列并给出了相应的苛刻度。用户可以根据不同的考察对象和不同的考察目的,选取相应苛刻度的序列进行测试,以获得更具应用价值的测试结果。另外,测试图像序列制作机构也可根据实际电视节目的苛刻度概率分布情况,为今后的序列制作提供指导,以制成适用性更广、针对性更强的测试图像序列。
6 总结
苛刻度作为图像内容复杂度的衡量指标,就像一把尺子,为用户比较不同图像的内容复杂度提供了依据,对视频编码的测试、研究和规划具有重要作用。目前,ITU规定的苛刻度测量方法主要是基于传统的MPEG-2编码软件,然而,随着技术的发展,新兴编码算法(如AVS+、AVS2、H.265等)中又出现了许多新的编码工具,基于MPEG-2计算得到的图像苛刻度能否反映出该图像对于新兴编码算法的编码难易程度还有待研究。另外,MPEG-2不支持超高清编码,因此,超高清图像的苛刻度计算需要采用其他编码方法。广播电视规划院在苛刻度方面的研究还在继续,未来还将推出基于硬件编码器的苛刻度实验结果等更多研究成果。
摘要：苛刻度是衡量图像被压缩编码难易程度的一项可量化指标。本文首先介绍了苛刻度的来源和定义,然后介绍了苛刻度的测量和结果分析方法,并给出了一组高清素材和标清素材的苛刻度实例,最后总结了苛刻度的作用意义。
关键词：视频编码,压缩,广播电视
参考文献
[1]RECOMMENDATION ITU-R BT.1210-3 Test materials to be used in subjective assessment[S].
[2]GB/T 31001-2014《高清晰度数字电视主观评价用测试图像》[S].
[3]GY/T 228-2007《标准清晰度数字电视主观评价用测试图像》[S].
[4]《标准清晰度数字电视主观评价用测试图像》标准项目技术报告[R].
图像测量 篇2
用于物体表面形貌和变形测量的三维数字图像相关方法
使用单个摄像机的二维数字图像相关方法通常仅局限于平面物体的面内变形测量,而使用两个摄像机基于双目立体视觉原理的三维数字图像相关方法克服了这一局限,可对平面和曲面物体表面的`三维形貌和载荷作用下的三维变形进行测量.本文介绍了三维数字图像相关方法的基本原理及其关键技术,并用两个典型的实验验证了该方法的有效性.
作 者：潘兵 谢惠民 李艳杰 PAN Bing XIE Hui-min LI Yan-jie 作者单位：清华大学,航天航空学院工程力学系,北京,100084刊 名：实验力学 ISTIC PKU英文刊名：JOURNAL OF EXPERIMENTAL MECHANICS年，卷(期)：22(6)分类号：O34关键词：数字图像相关方法 立体视觉 摄像机标定 变形
图像测量 篇3
关键词： 显微测量； 超分辨图像复原； 圆孔边缘判据； 核孔膜
中图分类号： O 439 文献标志码： A doi： 10.3969/j.issn.1005-5630.2016.05.002
文章编号： 1005-5630（2016）05-0383-05
引 言
数字显微图像测量是重要的微结构横向尺寸非接触测量方法[1]。目前用于显微测量的主要设备有扫描隧道显微镜、电子显微镜、原子力显微镜、光学共焦显微镜和普通光学显微镜。其中，扫描隧道显微镜、原子力显微镜、电子显微镜横向分辨力具有纳米级横向分辨力，其图像能够直接用于微结构的横向尺寸测量，但这些设备造价昂贵、操作复杂、测量时间长，适于计量标定使用。光学共焦显微镜横向分辨力比普通光学显微镜提高了1.4倍，且具有独特的三维成像能力，是重要的微结构三维尺寸测量仪器，但光学共焦显微镜属于相干成像系统，其图像不能直接采用超分辨复原等处理方法，横向分辨力难以进一步提高，加之扫描成像速度较慢，造价较高，也不适于用作在线实时工业测量设备[2]。普通光学显微镜成像速度快，图像处理算法丰富，成本低廉，特别适合在线实时工业测量设备。但是，受卷积效应影响，微结构的光学边缘与微结构的物理边缘不一致[3-4]。建立准确的微结构边缘判据，依据光学图像精确确定微结构的边缘是普通光学显微成像测量的关键[5]。常规的边缘检测方法首先采用固定阈值或动态阈值对图像进行分割，然后再通过二值化来确定边缘，或者利用边缘检测算法求取数字图像梯度来确定边缘。但受显微镜分辨力影响，直接采用原始图像测量，精度难以满足需求[6]。
本文利用0.550 μm单色光作为照明光源对圆孔结构显微成像，然后利用超分辨复原算法处理原始图像，消除衍射效应影响，提高圆孔结构图像分辨力，并依据超分辨后图像建立圆孔图像的边缘判据，探测圆孔边缘，进而测量直径，提高了对微米级圆孔直径的光学显微测量精度。该方法能够实现对圆孔结构快速、准确的显微图像测量。
由图5可见，测量误差随着采样间隔的变大而变大，为保证测量结果准确性，应采用小的采样间隔。当图像归一化采样间隔小于1（当λ=0.550 μm，nsin u=0.40，约0.2 μm）时，测量误差小于0.2（当λ=0.550 μm，nsin u=0.40，约4.4 nm）。常用图像传感器的像元尺寸和物镜参数能够满足归一化图像采样间隔要求。
4 核孔膜核孔测量实验
核孔膜是具有理想圆孔形状、尺寸均一的过滤薄膜，广泛用于膜分离（即过滤）、安全识别、防伪等领域[10]。核孔孔径是决定核孔膜过滤性能的核心参数，在化学腐蚀工序中亟需在线快速测量手段以精确控制圆孔孔径[11]。核孔孔径范围为零点几微米到十几微米。常规光学显微测量方法不能准确测量其孔径。以参数为λ=0.550 μm、nsin u=0.40、M=10×，图像传感器像元尺寸10 μm（对应归一化图像像素尺寸vΔ=0.457 0，约vAiry/8） 的光学显微镜作为测量设备，利用超分辨复原方法实现了对图 6所示名义值为6 μm（vd≈27.4）直径核孔的测量。核孔膜准确孔径由扫描电子显微镜得到，为6.268 μm，测量不确定度为0.083 μm（3σ）。核孔膜光学显微图像如图 7所示。
图7中超分辨复原图像比原始图像更为清晰，便于观察；二值化图像便于对核孔膜进行分析、测量和计数。由二值化图像得到孔径测量结果为6.35 μm，测量不确定度为0.08 μm，与扫描电镜测量结果相符，误差为0.08 μm。实验中图像处理和孔径测量时间小于30 s，较为准确地测量了核孔直径，适用于较大孔径核孔化学腐蚀过程中在线测量以及核孔膜产品质量快速检查。
5 结 论
通过对圆孔显微图像的超分辨复原，本文建立了圆孔复原图像的边缘判据IE=0.399，实现了对核孔膜核孔的精确探测和准确孔径测量，为核孔膜产品的生产过程检测和产品质量分析提供了低成本、精度满足需要、快捷易用的新方法。本方法也可以用于针孔等样品的直径测量。
参考文献：
[1] 杨国光.近代光学测试技术[M].杭州：浙江大学出版社，2001.
[2] 赵维谦，陈珊珊，冯政德.图像复原式整形环形光横向超分辨共焦显微测量新方法[J].物理学报，2006，55（7）：3363-3367.
[3] GOODMAN J W.Introduction to Fourier optics[M].3rd ed.Englewood：Roberts and Company，2004.
[4] 苏秉华，金伟其.基于Poisson-Markov场的超分辨力图像复原算法[J].电子学报，2003，31（1）：1-4.
[5] 王植，贺赛先，毛庆洲，等.数字图像处理技术在钢坯在线检测系统中的应用[J].武汉大学学报（信息科学版），2005，30（3）：269-273.
[6] 杜华月，顾济华，杨勇，等.数字图像消卷积在显微测量中的应用[J].光学技术，2007，33（4）：576-579.
[7] 顾 M.共焦显微术的三维成像原理[M].王桂英，译.北京：新时代出版社，2000.
[8] CONCHELLO J A.Superresolution and convergence properties of the expectation-maximization algorithm for maximum-likelihood deconvolution of incoherent images[J].Journal of the Optical Society of America A，1998，15（10）：2609-2619.
[9] MARKHAM J，CONCHELLO J A.Fast maximum-likelihood image-restoration algorithms for three-dimensional fluorescence microscopy[J].Journal of the Optical Society of America A，2001，18（5）：1062-1071.
[10] VIJAY Y K，DHAYAL M，AWASTHI K，et al.Surface modification and synthesis of polymeric membrane for energy and biological applications[J].Journal of Biomedical Nanotechnology，2006，2（2）：144-151.
[11] NAMVAR A，HAQ I，SHIELDS M，et al.Extraction of Bacillus endospores from water，apple juice concentrate，raw milk and lettuce rinse solutions using tangential flow filtration[J].Food Control，2013，32（2）：632-637.
图像测量 篇4
1 MATLAB数字图像处理的特点
MATLAB全称是Matrix Laboratory (矩阵实验室) , 一开始它是一种专门用于矩阵数值计算的软件, 从这一点上也可以看出, 它在矩阵运算上有自己独特的特点[1]。实际运用中, MATLAB中的绝大多数的运算都是通过矩阵这一形式进行的。首先必须对其在空间和亮度上进行数字化, 这就是图像的采样和量化的过程。二维图像均匀采样, 可得到一幅离散化成M×N样本的数字图像, 因而用矩阵来描述该数字图像是最直观最简便的, 用MATLAB处理数字图像非常的方便。
2 MATLAB实现灰度直方图及直方图均衡化
图像的直方图是图像中各灰度值统计特性与图像灰度值的函数, 它统计了一幅图像中各个灰度级出现的次数或概率。表现在图形上, 直方图是一个二维图, 其横坐标表示了图像中所有可能出现的灰度级, 纵坐标为各个灰度级对应的图像中像素点出现的次数或概率。直方图很直观地描述了一幅图像的灰度级内容, 任何一幅图像的直方图都包含了丰富的信息, 它主要用在图像分割、图像灰度变换等处理过程中。
2.1 图像的对比度调整
MATLAB中提供了专门绘制直方图的函数imhist () , 该函数可以直接绘制出图像的灰度直方图。对比度调整函数imadjust () 可以用于原直方图对比度较低的图像, 将占有图像中绝大多数像素点的一段灰度级或感兴趣的一段灰度级扩展到整个灰度范围, 以达到突出需要的特征, 增强图像可利用度的效果。
程序如下:
a=imread ('ccdphoto.bmp') ;%读取图像
imhist (a, 256) ;%分256级显示图像a的直方图
b=imadjust (a, [50/255, 100/255], []) ;%这幅图像就是因为采光不足造成原图像对比度较小, 灰度值集中在50~100之间该操作只取了这段灰度扩展到[0, 255], 会明显增强图像对比度。
figure, imshow (b) ;%显示图像b
figure, imhist (b, 256) ;
实验产生的对比图1、2所示。
从图1、2可以看出, 原始图像动态范围较小, 整体较暗, 反映在直方图上像素主要集中在低灰度的一侧, 如图2 (a) 所示。经过对比度调整, 图像变亮, 可以看到更多的细节如图1 (b) 和图2 (b) 所示。
2.2 图像的直方图均衡化
直方图均衡化的基本思想是把原始图像的直方图变换成均匀分布的形式, 这样就增加了像素灰度值的动态范围, 从而达到了增强图像整体对比度的效果。MATLAB中提供的histeq () 命令可实现这一操作。
程序如下:
a=imread ('ccdphoto.bmp') ;%读取图像
c=histeq (a) ;%对图像a进行均衡化生成图像c
imshow (c) ;
figure, imhist (c, 256) ;
对图1 (a) 进行直方图均衡化后产生的图像及对应直方图如图1 (c) 和图2 (c) 所示。
从图1、2可以看出, 经过直方图均衡化处理后, 图像变得清晰了, 处理后的图像直方图分布更均匀了, 在每个灰度级上图像都有像素点。
3 MATLAB实现图像的平滑滤波
图像平滑主要是为了消除噪声。噪声并不限于人眼所能看得见的失真和变形, 有些噪声只有在进行图像处理时才可以发现。图像的常见噪声主要有加性噪声、乘性噪声和量化噪声等。图像中的噪声往往和信号交织在一起, 尤其是乘性噪声, 如果平滑不当, 就会使图像本身的细节如边界轮廓、线条等变得模糊不清, 如何既平滑掉噪声又尽量保持图像细节, 是图像平滑主要研究的任务。我们可以很方便的运用一些函数完成数字滤波工作, 从而改善图像质量。用滤波器祛除图象噪声 (分别用均值滤波、中值滤波、及维纳滤波器祛除加入高斯噪声的图象) 程序如下;
a=imread ('ccdphoto.bmp')
b=imnoise (a, 'salt&pepper', 0.05) ;%加入强度为0.05的椒盐噪声
c=filter2 (fspecial ('average', [3, 3]) , b) ;%用3×3的平均掩模对加入椒盐噪声的图像进行均值滤波
d=medfilt2 (b, [3, 3]) ;%用3×3的掩模对加入椒盐噪声的图像进行中值滤波
e=wiener2 (b, [5, 5]) ;%进行维纳滤波
从以上试验可以看出, 选取不同的滤波器产生的最终效果也不同, 中值滤波对含有椒盐噪声的图像滤波效果较好。因此在进行图像滤波时要针对噪声的类型选择合适的滤波器。
结束语
本文讨论了MATLAB在测量图像增强方面的应用。重点介绍了直方图均衡、平滑滤波、锐化等操作。实验结果表明, 应用MAT-LAB进行图像增强具有较好的效果和实际应用价值。MATLAB为图像处理提供了一种简单、快捷的方法, 大大提高了图像处理的效率, 提升了图像处理的效果。
参考文献
红外多光谱图像测量技术研究 篇5
现在所广泛使用的红外测温仪器一般有两种:红外测温仪与红外热像仪。前者通过红外传感器接受红外辐射能量, 进行对温度的测量;而红外热像仪则是通过拍摄红外图像, 根据图像的灰度值得到红外辐射能量的信息, 进行温度的测量。上述两种方法都因为各自的特点被广泛应用, 但是仍存在着一些不足。例如, 成像不清晰;不能够快速地对目标进行多次测量;对测温环境的要求较高, 不能有遮挡等[1,2,3]。而红外多光谱测量系统可以较好的解决这些所存在的问题, 使红外测温技术能够更广泛的得到应用。
2、红外多光谱测温理论依据
根据维恩位移定律, 峰值光谱辐射出射度对应的波长与绝对温度的乘积为常数。当温度升高时, 峰值光谱辐射出射度对应的波长向短波长方向移动, 见图1。由图1可知在温度为1667K以上时, 辐射光谱范围是覆盖了可见光域与近红外光域。所以可采用对可见光及近红外光谱敏感的传感器, 对在高温时所产生的辐射进行采集, 从而得到相关信息用于温度测量。
经过黑体辐射亮度计算, 当温度在800℃至2000℃, 波长小于1.1μm时, 维恩公式代替普朗克公式的相对误差δ≤0.1%。但随温度变化, 发射率较难准确获得, 为了避免发射率的求取, 对不同波长λ1和λ2在同时测相同温度点发出的辐射能Mλ1T和Mλ2T, 对于灰体物质将两者相比并取对数得该点的温度为:
3、红外多光谱测温系统设计方法
红外多光谱测量系统的主要设计思路为, 通过设计一个光学系统将被测物体的像分成四个。然后, 利用镀膜透镜使分得的四个图像各显示所要求波段的被测物体的像, 并使得四幅图像可以被光电探测器接收, 并存储起来[4]。最后, 在利用这些图像进行红外多光谱特征融合, 从中提取出所需信息。系统框图如图2所示。通过所得图像的灰度值可以知道对应波长光λ1、λ2、λ3、λ4, 的辐射能M1λT、Mλ2T、M3λT、Mλ4T, 两两带入比色测温公式, 可以得到六个温度值T1、T2、T3、T4、T5、T6。对这六个值进行数学处理得到一个最后的温度值T, 这个温度值即为所求温度。
4、结语
本文对比了现有红外测温技术, 依据黑体辐射学基本原理, 设计了一套基于分光光学系统的红外多光谱图像测温系统, 并对比色测温法理论公式进行了推导, 给出了红外多光谱图像测温系统的系统结构图, 为系统的实现搭建了理论平台, 为下一步对该系统平台的研究奠定了基础。
摘要：通过设计一种新型的红外多光谱测量系统, 对目标进行温度测量。采用的方法是设计光学系统对目标物体进行分光, 使目标物体图像分成多个与原图像相同的图像。然后在通过镀膜技术, 将分得的多个图像各自按不同的光谱成像并被光电探测器接收到, 从而得到对一个物体的多光谱图像, 再对这些图像进行特征的融合, 从中提取出所需温度信息。
关键词：红外多光谱,分光系统,图像融合
参考文献
[1]刘晓东.高温微粒红外辐射特性测量技术研究[D].哈尔滨:哈尔滨工业大学, 2008.
[2]邓建平, 王国林, 黄沛然.用于高温测量的红外热成像技术[J].流体力学实验与测量, 2011, 15 (1) :43-47.
[3]张易凡.多光谱遥感图像融合技术研究[D].西安:西安工业大学, 2006.
图像测量 篇6
两相流动体系在自然界和工业生产中涉及范围十分广泛,但两相流参数测试仍然是一个工业界和科学界的难题。电阻层析成像(ERT)技术是一种基于电阻传感机理的层析成像技术,通过测量介质电阻率分布造成的边界电压来反演这个介质分布。利用这个原理,可以实现对导电液体为连续相的两相流(如油/水、气/水、泥浆、煤浆、纸浆、矿浆)相含量及其分布的实时监控和测量[1,2,3]。具有非侵入、无放射性、成本低、响应速度快等优点。
2 ERT测量原理和反演算法评价
2.1 电阻层析成像的数学模型和正问题解
给定电阻率分布ρ(x,y)和边界电流密度j(x,y),求物体内部的电位分布u(x,y),这就是ERT系统要解的Neumann边值问题:
式中:∇·和∇——散度、梯度算子;Ω——物体所在的空间区域;∂Ω——边界。
通常因式(1)对管道两相流任意分布没有直接解,而用有限元法取其数值解。根据电极系统构造,分别将不同投影p方向时的激励边界条件jp(x,y)代入并解方程(1)得到相应的电位分布up(x,y),并根据电位分布up(x,y)求测量电极之间的电压V
本文仿真采用16电极系统,相邻电极激励原理,m=16,n=13(去掉3个与激励电极有关的电压值),共有208个电压测量值。根据互易定理,有104个独立测量值。
2.2 电阻层析成像的反演
反演过程又称图像重建过程。电阻层析成像的反演过程就是在某一个数学模型(反演算法)的作用下,将系统在测量区域边界上的电压测量值V
g(x,y)=gk=f(V
式中:k——有限元单元序号;m——投影激励电流场序号;n——测量电极对序号;V
2.3 反演算法及其图像评价
可用下列三个参数对反演算法及其图像进行评价:
(1)电压测量误差准则:
式中:Vmeas,Vcal——测量电压值和计算电压值;‖·‖——范数。
这是ERT反演算法中用得最多的判定方法。因为Vmeas是实验可得到的数据,使用式(3)给出的判定准则可以判定迭代过程中的反演是否收敛。并且可合理假设:如在迭代过程中不考虑测量和计算误差,当Vcal无限逼近Vmeas时,像素g
(2)图像相关系数准则:
相关系数:
式中:X,G——设定流型和反演图像灰度向量,都已归一化;
R(X,G)反映了向量G和向量X之间的相似程度。R(X,G)=1,则向量G和向量X所代表的图像完全相似;R(X,G)=0,则向量G和向量X所代表的图像完全不相似。和电压测量误差准则不同,使用R(X,G)需要关于设定流型X的先验知识,这在实际测量中无法得到,但这不妨碍通过仿真确定X来使用R(X,G)准则。
(3)图像方差准则:
图像方差:D(X,G)=E[(X-G)2]-[E(X-G)]2 (5)
式中:E[(X-G)2]——(X-G)2的数学期望;[E(X-G)]2——(X-G)的数学期望的平方。
D(X,G)反映了向量G和向量X之间的数值逼近程度。D(X,G)越小,则向量G和向量X所代表的图像差异越小;D(X,G)越大,则向量G和向量X所代表的图像差异越大。如同R(X,G)准则,使用D(X,G)也需要关于设定流型X的先验知识,主要在仿真研究中应用图像方差准则。
以上三个准则分别从三个不同角度考察了反演算法及其图像的收敛。电压测量误差准则强调模型计算值与实际测量值之间的接近程度;图像相关系数准则强调模型反演图像与实际图像之间灰度值分布的相似关系;图像方差准则强调反演图像与实际图像之间灰度值分布的接近程度。用电压误差准则控制收敛过程已在迭代反演算法开发中有大量应用,本文主要观察各反演算法在不同流型作用下的图像相关系数和图像方差。
3 ERT图像重建
在所有本节下述的反演仿真实例中,两相流模型连续相的电阻率值为2 Ω·m、分散相的电阻率值为9 Ω·m。仿真中所用的两相流测试流型选取,主要根据界面的不同复杂程度以达到考核其对反演算法的影响而设计,并不代表实际物理流型的存在。
3.1 LBP层析成像
LBP算法假设:在一个投影域内,认为电阻率的平均变化与相应的等位线间电位差的变化成正比,假设电阻率的变化较小,场内等位线分布可以近似地认为不变,则当边界测量电压V变为V′i时,设相应的投影域内的平均电阻率ρi变为ρ′i,则:
这就是反投影的过程。将所有反投影结果迭加起来,得到整个场域内电阻率的分布轮廓。为简化算法,可以对场域的模型进行线性逼近。设场内的电阻率分布为ρ,令:
R=ln ρ (7)
则:
R′i=Ri+ln V′i-ln Vi (8)
一般当非均匀电阻率分布与均匀电阻率分布相对变化较小时,式(8)的重建效果要好;反之,式(6)的误差要小一些。按上述原理直接采用LBP算法成像,其图像较模糊。用改进的迭代线性反投影算法增加迭代次数,将上次计算得到的电阻率ρ′作为参考电阻率代入下一步的反投影计算,可以不断放大,用于成像的数据间的区分度,使图像更加清晰。图1给出了5个测试流型下采用迭代LBP算法的反演结果。
层析图、图像相关系数R和图像方差D
根据图1给出的图像相关系数和图像方差,LBP法对简单的流型(如层状流、环状流)有较好的处理能力。随着流型的复杂度增加,其反演图像的相关系数变小,而图像方差变大,该结果和层析图所示的结果是一致的。值得注意的是,虽然大多数情况下,反演图像的相关系数大,对应着有一个小的图像方差(见层状流、环状流、粒子流、特殊测试流),但不是绝对的。比较图1中的空心流和特殊测试流发现,空心流的图像相关系数和图像方差都比特殊测试流大。这说明流型对反演算法的影响,同时也说明,反演图像与测试流型的图形相似度R大不代表两者间像素的总体差异程度D小。
3.2 MNR层析成像
MNR算法是一种用正问题的迭代输出逼近测量值来求解反问题的算法,是公认的理论上较为完善、实际应用效果较好的一种迭代重建算法。实际上它是解非线性最小二乘问题的著名的Gauss-Newton算法及其改进形式,具有最优化思想的静态电阻抗图像重建算法,具体可理解为寻求最优化电阻率分布,使得误差(重构模型计算边界电压与对目标实测边界电压之差的平方和)最小。MNR计算流程如图2所示。
注:V——测量值;ρ——电阻率;k——迭代次数;f——正问题计算映射关系
根据图2,MNR算法在使用中的问题主要有两个:
(1)计算电阻率迭代过程公式:
Δρk+1==-{[f ′(ρk)]Tf ′(ρk)+μE}-1
·[f ′(ρk)]T[f(ρk)-V0] (9)
式(9)中Hessian矩阵[f ′(ρk)]Tf ′(ρk)严重病态,导致整个迭代过程的不准确以及解的不稳定。式(9)中的μ为非负正则化因子,μ值过大可以避免病态性的出现,使算法稳定,但过多强调先验知识,掩盖了实际的物理意义,迭代过程会停滞不前;而μ值过小,则对防止病态性的出现没什么效果,无法消除Hessian矩阵本身的病态性来保证算法的稳定。
(2)MNR算法的迭代初值选取极为关键。因为MNR算法本身数值稳定性不好、收敛范围小,当迭代过程的初始电阻率分布与实际电阻率分布的差值过大时,MNR算法就有不收敛的危险。分析其原因,主要是MNR算法是由求解一维问题的Newton法推广得到的,而Newton法的一个缺点就是初始点的选取不能距离极值点太远,否则迭代可能不收敛[23]。在本课题的仿真计算中,采用了自适应调整正则化因子的策略:
式中:k——迭代次数;μ0——初始μ;B——略大于1的经验常数。显然,随着k增大,μk会自适应地减小。
图3给出了不同测试流型下采用100次MNR迭代下的反演结果。
注:中列结果在随机初值下取得;右列结果在LBP层析图基础上取得。仿真时取μ0=0.000 5,B=1.15。
由图3可以看出初值的选取对MNR收敛的影响。采用LBP-MNR组合成像,不但提高了反演质量,而且与随机初值条件下使用MNR相比大大加快了收敛速度。如增加MNR迭代次数,图3所示的反演质量还可进一步提高。仿真还表明,MNR比LBP有更强的处理复杂流型的能力,虽然这些都是以漫长的迭代过程作为代价的。
3.3 GA算法层析成像
GA是一种将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的高效全局寻优搜索算法。GA摒弃了传统的搜索方式,不依赖于梯度和其它系统高阶信息,模拟自然界生物进化过程,依据适者生存、优胜劣汰的进化原则,不断得到更优的群体。采用人工的方式对目标空间进行随机优化搜索,以全局并行搜索方式来搜索优化群体中的最优个体,以求得满足要求的最优解。GA算法的全局寻优能力比MNR算法更强。
图4是基本遗传算法的运算过程图。本文仿真中采用了MNR算法的误差函数的倒数作为遗传算法的目标函数(适应度值函数):
式中:V0——实际边界测量电压值;V(k)——第k次迭代时计算得到的边界电压值。
直接使用单纯遗传算法,会有两个方面的问题:①随着有限元剖分单元数增多,遗传算法中染色体中的基因变量个数也随之增加,导致计算量迅速增大、收敛时间增长,同时收敛效果明显变差,甚至于无法收敛。通过仿真测试可知,即使是对最简单的测试函数
可见单纯直接将GA算法应用于ERT反演,因收敛性限制也不能有效提高反演图像的分辨率。
3.4 LBP-MNR-GA组合算法层析成像
基于上述讨论,考虑到图像初值对MNR和GA收敛都有直接影响,本文提出了一种组合型成像方法,形成了由图5所示的结合LBP,MNR,GA三种ERT反演方法的组合图像重建成像算法。该算法首先通过鲁棒性较强的LBP及较少次迭代的MNR算法成像,再根据成像结果对剖分单元划分区域,分割图像空间,将某些确定了物质分布的单元电阻率统一为同一变量数值,而减少变量个数;另一方面为了给遗传算法提供一个合适的初值,在进行遗传算法之前先利用LBP及MNR算法得到一组成像数据,作为遗传算法的迭代初值。对GA算法来说,这组初值充分应用了LBP及MNR算法从测量数据中提取的图像信息,使得减少变量个数成为可能,并使一个原来无法收敛的问题转换为可收敛。
考虑到是应用于两相流的测量,在图像分割决策时遵循两方面的假设作为组合图像重建算法的先验知识:①管道中只存在两相流的两种物质,即只有两种电阻率值分布,设为ρlow,ρhigh;②已知两种物质的大体电阻率范围,即已知遗传算法的搜索区间。当知道了两相流中是何种物质时,根据多相流测量的经验数据,该假设是可接受的。
图5算法实现分为以下几步:①首先利用迭代LBP算法进行图像重建,得到物质的大体分布;②以经过处理的LBP算法成像结果作为初值带入MNR算法计算成像。经过较少次数的计算迭代,进一步得到较LBP算法准确的成像结果;③按照归一化后的MNR计算结果划分不同物质的区域,分割图像空间,并以此确定遗传算法的变量个数、迭代初值等信息,再利用遗传算法计算成像。并且每隔若干次迭代重新按照计算结果分割图像空间,进一步减少变量个数,如此反复计算得到最后的成像结果。
根据上述假设和图5制定的流程,我们可以用MNR运算优化LBP基础上的层析图,再用GA运算进一步优化MNR基础上的层析图。图6给出了一个使用组合算法,并在GA算法中使用实数编码,采取最优保存策略、轮盘赌选择算子、中间交叉与算术交叉两种交叉算子相结合,实数变异等操作,交叉概率0.7、变异概率0.4、种群大小50、最大代数200代的计算实例。
注:LBP结果是经历5次迭代的反演图像;MNR结果是经历10次迭代的反演图像。
图6中的两相流流型故意采用不同复杂度、含有多颗粒、边界内凹缺陷、有十字型状等复杂边界来考核所采用各反演算法的图形分辨能力。结果表明,组合算法完全体现了设计意图:在LBP层析图基础上实施MNR算法的计算结果要比单独直接采用MNR算法好,而在MNR层析图基础上实施GA算法的计算结果要比单独直接采用GA算法好。随着计算过程的深入,图像相关系数逐渐增大,图像方差逐渐减小,对应的反演层析图像逐渐从模糊到清晰。这个过程正好体现了组合算法具有充分利用包含在原始测量以及先前简单反演算法中间结果中的信息(贝叶斯准则),从定性到定量,从局部到全局的寻优过程。值得说明的是,图6中的有限单元总数为288,这在直接采用GA原理的ERT算法中是不可想象的。
对应图6,表1给出了LBP-MNR-GA组合算法电阻率收敛结果。
注:ρlow的理论值=2.000 0;ρhigh的理论值=9.000 0
这个结果充分说明采用LBP-MNR-GA组合算法的反演能力。
4 LBP-MNR-GA组合算法层析图分析
观察图6,可以得到下列结论:
(1)在同一流型下,有关LBP,LBP-MNR,LBP-MNR-GA三个反演算法的图像相关系数R逐渐增大,图像方差D逐渐减小。对所有流型,LBP算法反演图像的分辨率最低,LBP-MNR算法反演图像分辨率好于LBP算法的反演图像分辨率,BP-MNR-GA算法的反演图像分辨率最好。这个结果体现了图像初值对MNR,GA算法的收敛有很大影响。根据图5,LBP法计算结果为MNR提供了计算初值,MNR法计算结果为实施GA算法中的图像分割打下了基础。从检测角度,合适的初值相当于是在解空间中靠近真值的某一个邻域内的值,用它作为真值的初始解,将十分有利于解的收敛并且提高收敛速度。图6中,反映各流型收敛过程的图像相关系数曲线和图像方差曲线中呈现的两个阶跃点,正是体现了初始值对后继算法的影响。
(2)在不同流型下采用同一种反演算法(LBP或LBP-MNR),流型从上到下总体上相关系数R逐渐减小,方差D逐渐增大。这反映了流型相界面复杂性对图像重建算法的影响。通常相界面越复杂,其图像反演的难度越大,得到的图像相关系数就越小。但要注意的是,图像相关系数准则和图像方差准则反映的物理背景不同,前者反映图像之间的相似而后者反映图像之间的逼近,故在比较两个反演结果时不一定存在两者间有“R大D小”现象,有可能会是“R大D也大”(见图6空心环状流和粒子流有关R和D的比较)。图6中除特殊测试流外,其它测试流型的相关系数R都收敛到1,方差D都收敛到0。说明组合算法有较强的反演能力,能较好地重建各种典型两相流型图像。即使如此,随着流型复杂度增加,其反演能力也会变弱,造成R值变小,D值变大。
(3)随着迭代的进行,大部分情况下图像相关系数R逐渐增大,图像方差D逐渐减小。但从图6的R,D曲线中观察到两个例外:①在GA的迭代过程中,R和D都出现小范围的波动;②在LBP关于环状流反演中,某个区间中曲线R有随迭代负增长现象。这些例外的解释如下:第一个例外是由于GA计算中随机搜索造成的R和D的波动(而这种波动现象在MNR梯度搜索中没有出现,说明这种波动是必要的,有助于跳出局部最小值而实现全局最优解);第二个例外反映了虽然迭代LBP可能得到一个清晰的层析图,但并不能保证反演结果与原图像之间有更好的图像保真度(相似特性)。这个结论告诉我们,清晰的层析图并不一定是最好的层析图,在分析反演结果时,一定要注意所用的评价参数。
总结如下:上述结论(1)体现了基于贝叶斯原理设计的LBP-MNR,LBP-MNR-GA组合图像重建算法的优越性。结论(2)则反映了流型相界面复杂性对图像重建算法的影响。同时也反映了图像相关系数准则和图像方差准则反映的物理背景不同。结论(3)反映收敛过程中的一些局部特性。这些局部过程和反演算法有密切关系。根据图6给出的R,D曲线,显然LBP-MNR算法的图像重建能力要优于LBP算法,LBP-MNR-GA算法的图像重建能力要优于LBP-MNR算法。这些结果表明,采用本文所述的图像相关系数R和图像方差D来评价反演图像分辨率质量是可行而且有效的。不但可以避免图像比较中的目测误差,还可以观察不同反演算法在迭代中的收敛过程。笔者认为,这种通过量化的分析手段评价ERT算法对提高层析测量准确度,分析和改善算法的抗噪音特性(鲁棒性),优化算法的组合以及收敛过程是非常必要的。
5 结 论
本文利用图像相关系数R和图像方差D分别考察了LBP,MNR,LBP-MNR,LBP-MNR-GA在若干个测试流型作用下的反演情况。重点探讨了用组合算法提高反演的图像相关系数或降低图像方差的途径。主要结论如下:
(1)用量化分析方式阐述了如何在定性的LBP图像基础上再施加MNR运算,又在MNR的基础上再施加GA运算,逐步提取包含在原始测量以及先前简单反演算法中间结果中的信息(即遵循贝叶斯估计理论),从定性到定量,从局部到全局,在迭代过程中使R不断增大(或使D不断减小),使两相流层析图的边界渐渐地从模糊到清晰,提高了ERT层析反演的质量。
(2)通过使用和分析R曲线(或D曲线)的变化过程,可以分析两相流流型对不同反演算法的作用,并分析有关反演算法在收敛过程中的局部和全局特性,这为比较ERT算法性能提供了依据。
(3)在评价反演层析图质量时,要给出所使用的评价参数。仿真表明:图像相关系数R大的层析图其图像方差D不一定小;清晰的层析图不一定是高保真的层析图。
图像测量 篇7
关键词：角膜测量,裂隙灯,Canny算法
0 引言
人眼前部的许多组织都是屈光结构,如角膜、房水、瞳孔、晶状体和玻璃体等,正常情况下它们都是透明的,这种特性为眼部的可见光检查提供了条件,因此使裂隙光源检查成为目前眼科最普遍的检查手段。
本文分三个部分对裂隙灯显微图像的采集进行分析。
1 裂隙灯显微图像的采集系统构建和采集方法
裂隙灯显微图像的采集是参数提取的基础,首先构造“眼前节图像采集和归档系统”。在PC上通过视频采集卡接收来自于CCD摄像头的视频信号,然后通过PCI接口把视频数据传送到主机上。
利用VisualC++所提供的VideoforWindows库函数所提供的函数、宏、结构以及回调函数实现实时视频捕获,并将采集得到的视频流存储到文件或者直接对视频缓存进行处理,获得裂隙光源检查的序列数字图像。
系统中有两种方法可以获取眼前节图像:
1)将采集的视频进行回显的同时,从采集的视频流中分解出一帧图像;
2)在进行视频回放时,将比较满意的关键帧提取出来。
归档功能将所得到的眼前节图像存储成BMP文件,并有对采集的图像进行分类、归档的模块,将获得的图像转换成DICOM格式,存入数据库,实现病历及图像数据库管理。
2 裂隙灯显微图像的去噪处理
根据以上所述的裂隙灯显微镜图像采集方法,获得的图像中含有噪声,其主要由三部分组成:
1)外界光源等引起的伪信号。
2)主要是由于裂隙光线在虹膜表面的反射造成的伪信号。
3)来自于采集和传输设备本身以及其他随机的干扰,将这类噪声近似地认为是白噪声。
对于这三种噪声,相应采用不同的方法进行去除。前两种噪声有共同的特点,它们都是直接由眼球表面的镜面反射形成的。而要提取的信息都是由眼球组织的内部表面或光切面反射形成的,如虹膜的反射和角膜的切面反射。因而,噪声区域的亮度远比其他区域的亮度大的多。所以,用灰度阈值法就可以将亮斑区域去除,再根据周围的灰度值进行线性插值,填补去除的部分。这样使得噪声去除后与周围环境缓慢过渡,不会在提取边界时产生伪信号。对于白噪声的去除,采用高斯滤波,但滤波尺度的选择要配合边界提取方法。
3 裂隙灯显微图像边界提取和拟合
3.1 显微图像边界提取
本研究采用了一种基于多尺度梯度的Canny算法。Canny算法[3]是CannyJ.在1986年提出的一种边缘检测方法,它选取高斯函数的一阶导数作为阶跃型边缘的次最优检测算子,具体的做法是:
设二维高斯函数为:G(x,y)=12πσ2exp-2σ2x2+y2。
对它在两个方向上分别求导,获得两个一维的行列滤波器:
将上式分别与图像f(x,y)卷积,得到两个方向上的高斯梯度:
令反映了图像上(i,j)点处的边缘强度,而则是图像的(i,j)点处的法向矢量。
这样就可以在每一点的梯度方向上判断此点强度是否为其邻域的最大值来确定该点是否为边缘点。这种方法简单易行、运算量不大,而且在很多场合应用效果良好。
从上述对Canny算法的描述可以看出,算法的关键是两个方向上的梯度算子。梯度算子的尺度是根据高斯函数的方差σ确定的,它决定了能够检测的边界的宽度。在基本的Canny算法中,σ的值是给定的,边缘检测的性能取决于σ的大小,如果σ足够大,则对斜坡边缘来说,梯度算子的输出即等于边缘高度。但遗憾的是,大的模板尺度会造成边缘间严重的相互影响,裂隙灯显微图像同时存在着边缘较平缓和边界点距离较接近的问题。采用传统的梯度算子,很难获得较好的结果。
类似于形态学多尺度梯度的定义,采用多尺度的算法计算梯度,能够很好地解决上述问题。多尺度梯度定义如下:
设σ取值范围为:σ(a,b),(a,b)Q,有:
用这种算法计算图像的梯度具有更强的抗噪声能力和很强的抗边缘间相互影响的能力。
3.2 裂隙灯显微图像边界拟合
提取出的角膜边缘是一些不连续的点,并且由于裂隙光线的长度有限,不能获得完整的信息。因此为了获得完整和准确的特征参数,需要进行角膜曲线拟合处理。
根据角膜特点,提取拟合的模型,因为角膜的曲率比较大,中心近似椭球型,周边比较平,故选用抛物线拟合角膜的前后表面。因为采集时的图像中角膜前后表面成轴对称图形,对称轴沿水平方向,故选取抛物线函数f(x)=c0+c1x+c2x2,曲线拟合的过程用来确定系数c0,c1,c2的最佳取值,使得该抛物线到给定点的误差在均方差的意义下最小。本文采用伪逆法来求解系数c0,c1,c2。首先构造包含给定x值的矩阵X,包含y值的矩阵Y和包含待定系数的矩阵C:
那么,表示每一个数据点误差的列向量可以写作:
其中,矩阵的积XC就是由抛物线方程算出的列向量:
上式中对C中的元素进行微分并令导数为零可以得出:C=BTB-1 BTY,这样,求得角膜前后表面的拟合模型参数c1和c2,为了减少分类误差的影响,根据得到的抛物线方程,再进行一次迭代运算,即将得到的边缘数据各自代入抛物线方程,去除其中误差较大的点,利用剩下的边缘点再进行一次抛物线拟合。这样可以去除一些距离比较远、误差比较大的干扰点,从而提高拟合的效果。
4 结语
本文研究和探讨了基于裂隙灯显微镜角膜采集系统,利用VisualC++开发环境开发了裂隙角膜序列图像的处理系统,通过对采集角膜的图像预处理、边缘提取以及曲线拟合,得到角膜前后表面的二维模型。本设计控制方法简单、实用,已在某系统中得到验证,结果稳定可行。
参考文献
[1]李海亮.裂隙灯显微图像采集与分析系统[D].南京:南京航空航天大学硕士学位论文,2007.
[2]鞠颖,王博亮,谢杰镇,等.一种新的基于模型的图像配准方法及其在裂隙灯图像眼前节三维重构中的应用[J].中国生物医学工程学报,2004(3):21-22.
图像测量 篇8
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.
图像处理在粘度测量中的应用 篇9
粘度是液体粘性的程度,也称动力粘度、粘性系数、内摩擦系数。不同物质粘度不同,国际单位制粘度单位为Pa·s,符合为![1]。
粘度测定在许多工业部门和科学研究领域十分重要,特别是在医药、食品和化工等工业流程中更需要准确测量和控制粘度,以提高产品的质量水平[2]。人们对粘度的测量早已开始,并且发展了许多相当成熟的方法,如传统的毛细管法、旋转法及振动法等[3]。
在分析了各种测量方法后,提出了一种基于计算机视觉技术和图像处理技术相结合的毛细管粘度测量方法。
2. 毛细管法液体粘度的测量
2.1 测量的基本方法
根据泊松定律,一定体积的液体在一定压力梯度下通过给定毛细管所需时间正比于层流液体的粘度[4]。因此,通过测量液体流速和液体流经毛细管产生的压力差即可得液体粘度。毛细管粘度计制造简单,价格较低,温度控制简单,实验操作方便,测量精度高,能够进行粘度的绝对测量,因此毛细管法是一种有吸引力的测量方法。
2.2 测量中的人为影响
操作者从观察到记录的瞬时存在一定的时间差,反应的快慢因人而异,操作者揿动秒表具有一定的滞后性。操作者反复多次才重复测量时试点的高低远近不尽相同,操作者观察液面时画面存在一定的视差,这些均为人为操作误差。为了尽可能减小甚至剔除人为操作造成的误差,设想结合计算机视觉技术对液体粘度进行测量。
3. 液位图像的计算机视觉技术测量
3.1 计算机视觉技术测量的优点
(1)有效剔除了各项人员误差;
(2)提高了测量精度;
(3)通过编程实现粘度的自动测量。
3.2 液位图像自动测量实验系统
基于计算机视觉技术的毛细管粘度测量系统结构图如图1所示。
光源:白帜灯
镜头型号:M1614WI,焦距:16.0mm,光圈系数:F1.4。
CCD相机:MINTRON CCD CAMERA,型号:MTV—188IEX。
图像采集卡:OK_M10
3.3 毛细管图像获取的相机标定
毛细管呈圆管状,而且毛细管是仪器玻璃制成的,具有一定的透明性;所测液体——硅油(实验中为水)也具有一定的透明性。若视线与标线的位置没有保持在同一水平面,观察者观察到的画面将产生“叠影”现象。相机的视线与标线未标齐而产生了两条具有一定间隔的标线,这对观察者准确把握计时的开始和结束的时刻产生了一定的影响,因此必须对CCD相机的位置进行标定。
3.3.1 相机标定方法
(1)首先,调整CCD相机的左右上下位置,使相机与被拍摄物粗略地对准,将相机支架固定在工作台上。
(2)打开相机的镜盖,调节相机镜头上镜头的光阑,控制进入镜头的光量,使得产生合适亮度的图像。调节相机的焦距,使CCD相机产生清晰的画面。
(3)微量调节装有相机的支架的上下位置,观察计算机上所得的画面,直到上下标线在画面上的像均为一条直线,此时固定相机支架上升降部位的位置。
4. 采集液柱下降的序列图像
通过Ok Demo 5.45软件序列采集功能,从液柱开始下降时刻直到液面下降到第二条标线为止进行序列采集,采得若干幅图像。如图2所示为在四个不同时刻采集到的液柱下降序列图像。
依次为t1=0时刻、t2=41 interval时刻、t3=101 interval时刻、t4=105 interval时刻的图像。
5. 图像预处理
由于经输入系统获取的图像信息中含有各种各样的噪声与畸变,例如:
(1)室外光照度不够均匀造成图像灰度过于集中;
(2)由CCD(摄像头)获得的图像经过A/D转换过程中,线路传送会产生噪声污染等等。
这些不可避免的因素会影响系统图像的清晰程度,降低了图像质量,轻者表现为图像不干净,难以看清细节;重者表现为图像模糊不清,连概貌也看不出来。因此,在对图像进行分析之前,必须要对图像质量进行改善,即图像增强。
5.1 图像的平滑处理
平滑处理的目的是为了减少图像的噪声,模糊了图像细节和边缘。应用空间域法对图像进行改善处理,即在空间域中对图像像素灰度值进行运算处理,描述如下:
g(x,y)=f(x,y)h(x,y)
f(x,y)是处理前的图像;g(x,y)是处理后的图像;h(x,y)是空间处理函数。
语言描述:将原图中一个像素的灰度值和它上下左右周围邻近的8个元素的灰度值相加,然后将求得的平均值(除以9)作为新图像中该像素的灰度值。
均值滤波的程序流程图如图3所示。
(1)取得图像大小、数据区,并把数据区复制到缓冲区中;
(2)取得滤波器中心坐标值N(N=1);
(3)循环取得各点象素值;
(4)算出以该点象素为中心的3×3屏蔽窗口内平均值;
(5)把该点象素值设置为平均值;
(6)把缓冲区中改动的数据复制到原数据区中。
5.2 图像的边缘检测
系统采用了sobel算子进行边缘检测。Sobel边缘算子有两个模板,如表1所示。
Sobel边缘检测程序流程图如图4所示:
(1)取得原图数据区指针;
(2)开辟两个和原图相同大小的图像缓冲区,将原图复制到两个缓冲区;
(3)分别设置Sobel算子的两个模板,调用模板函数分别对两个缓冲区的图像进行卷积计算;
(4)两个缓冲区图像每个象素依次循环,取两个缓冲区各个象素灰度较大值;
(5)将缓冲区中的图像复制到原图数据区。
5.3 图像预处理的效果
图像预处理效果图如图5所示。
6. 液柱的追踪和运动分析
为了研究液柱经过两标线的时间差,必须通过计算机存储的序列图像对液柱的运动进行跟踪和分析。
观察相邻两帧序列图像,发现两者的主要差异是液面位置的变化,在相邻2帧的图像中找相互匹配的对应的弯月面的最低点。每相邻2帧对弯月面的最低点进行特征匹配,统计每张图像上特征点的相对位置和时刻的数据,可得到如图6所示的以y’(特征点坐标值)和间隔时间分别作为坐标轴的位移-时间曲线。
图中:X,Y是凹液面最低点在原图上的坐标位置,以像素为单位;
△X,△Y是相邻两帧图像中凹液面坐标位置相对变化量,以像素为单位;
Y'是以第一帧图像中凹液面的最低点为原点的坐标,以像素为单位。
由于毛细管的凹凸有致的外形,毛细管内液体在下降过程中的速度并不是恒定不变的。在t0-t9时刻,即液面在上标线E附近时,粘度计的直径变化情况是粗—细—粗,因此液面的位移的变化情况是慢—快—慢,尤其是液面在标线处即粘度计直径最狭小的地方,液面的位移变化最快,即液面下降的瞬时速度最快。同理,在t96-t106时刻,即液面在下标线F附近时,粘度计的直径变化情况是粗—细—最细,因此液面的位移变化情况是慢—快—最快,在图中可以明显地看到在最后的时刻,液面位移的变化几乎呈一条直线,也就是说,液面经过下标线F处,液面下降的速度达到了整个下降过程的最大值。
768x576大小的原图像经过滤波—边缘检测的处理后,由于Sobel算子的特性,标线的图像由原来的一条黑线变成了两条黑色的轮廓线。在进行数据处理的时候,为了避免误差,取两条黑线间隔的中点所在的水平线作为标线在图中位置。通过测量得上下标线在768x576的图像中,坐标值为E(418pixel,222pixel),F(418pixel,465pixel),以第一帧图像中凹液面的最低点即(418pixel,197pixel)点为原点,建立坐标系,E、F点在新坐标系的坐标变换为E’(0,25),F’(0,268),如图7所示。
t=(t F-t E)nterval
其中interval=0.314s,t F-t E=104.9697-5.5455=99.4242,代入上式得:
时间差△t=0.314×99.4242=31.2192s
7. 结论
在本实验中选用了MINTRON MTV-188IEX型号的摄像机,计算机的CPU为Pentium 4 1.8GHZ,用水来代替要求中的硅油,达到了预想的效果。在实际系统中,如果选择一款每秒帧数大于50帧的高速型CCD相机、对硅油进行粘度测量、改善处理器的处理速度都会大大提高本实验系统的精度,而且十分容易地达到0.1s的时间精度。
摘要：介绍了一种计算机视觉技术和图像处理技术相结合的粘度测量。采用M1614WI镜头、MINTRON CCD相机、OKM10图像采集卡、计算机构成整个系统,对毛细管的液体粘度进行测量和采集数据的处理,实验达到了预期效果。
关键词：视觉技术,图像处理,粘度测量
参考文献
[1]彭景华,毛汉云.毛细管法粘度测量的影响因素[J].新疆:新疆化工,2006(2):13.
[2]周波,任建新,张鹏.采用科里奥质量流量计的流体粘度测量方法及影响因素研究[J].北京:机械与电子,2008(2):10-13.
[3]Iida T,Guthrie R IL.The Physical Properties of Liquid Metals[M].Clarendon:Oxford,1988:147-148.