基于中心定位算法的激光光斑檢測系統(tǒng)研究

趙鵬飛，馬 健，郭海利，顧 進

（1.南京航空航天大學，江蘇南京 210016；2.空軍裝備部駐蕪湖地區(qū)軍代室，安徽蕪湖 241007；3.國營蕪湖機械廠，安徽蕪湖 241007；4.江蘇金陵機械制造總廠，江蘇南京 211100）

目前，在中距和近距激光光斑測量中，主要依靠人工測量手段對光斑進行捕捉和保存，這種方式不利于測量數(shù)據(jù)的管理。同時，人工測量存在風險性大，且識別準確性差的問題。為了降低操作人員的風險，提高測量效率，采用圖像處理技術代替人工測量，實現(xiàn)智能捕捉激光出現(xiàn)的位置與形態(tài)，對激光光斑圖像進行實時采集、定位以及角度分析，并實現(xiàn)測量圖像和數(shù)據(jù)的自動存儲與導出。這一技術具有重要的應用價值和前景。

激光光斑自動檢測技術是一種自動、智能、高效、穩(wěn)定的檢測方法。當光斑光強分布均勻時，采用灰度重心法[1]、閾值分割法[2]等可以使光斑定位精度達到亞像素級別，但這只是理想的情況。在實際測量中，存在很多不可控的因素，如光斑存在散斑等，同時光線的折射以及反射，使得CCD 相機拍攝到的圖像中光斑強度不均勻，且?guī)в泻軓姷脑肼?，導致目標與背景難以分離。這些特點將導致光斑自動檢測的準確率降低，無法滿足工業(yè)現(xiàn)場的要求。為了解決該問題，趙琦[3]提出了一種高精度的激光光斑中心定位方法，該方法采用最大類間方差，在降低了噪聲干擾的同時，提高了光斑定位精度。許丹丹[4]等人提出了一種自適應ROI 提取算法對光斑中心進行準確測量，首先對光斑圖像進行結(jié)構相似度（SSIM）計算得到自適應ROI，然后將提取到的ROI進行類間方差最大化（Otsu）的圖像分割，得到光斑二值圖；其次對光斑二值圖進行圓擬合，最后得到光斑中心坐標。沈翀[5]等人首先將三通道的影像分割成三幅，分別為R、G 及B 的單通道影像；然后截取R 通道的影像中包含光斑的ROI；其次，對ROI 影像二值化及使用圓形結(jié)構元素的開運算進行光斑圖像雜散圖像信息的去除；最后提取光斑連通域輪廓，再用橢圓擬合函數(shù)定位光斑中心。石達順[6]等人提出一種基于統(tǒng)計高斯擬合算法，結(jié)合二維高斯曲面的分布特性，對圓形光斑的灰度分布進行分析，指出了在對圓形光斑灰度擬合時需對光斑像素點進行有效篩選，避免因光照或噪聲等帶來的擬合誤差。但這些算法大多是針對圓形激光光斑進行處理的，算法運行效率低，并且對非規(guī)范形狀的光斑中心定位算法還需進一步研究。針對這一問題，提出一種新的高精度光斑中心定位算法，能夠有效克服噪聲及光強不均勻的情況，實現(xiàn)不規(guī)范激光光斑中心定位檢測。

1 激光光斑中心檢測原理

激光光斑檢測是通過激光對靶板進行照射，獲得激光光斑圖像[7]。然后通過實時的圖像分析軟件對采集到的圖像進行處理，檢測光斑位置并計算光斑的大小、質(zhì)心等參數(shù)，并通過終端設備進行讀取與顯示，從而實現(xiàn)對激光光斑檢測性能的評估，其主要工作原理如圖1 所示。

圖1 激光光斑中心檢測原理圖

針對工業(yè)相機的激光光斑檢測，提出一種基于中心定位算法的激光光斑檢測系統(tǒng)。首先對激光光斑圖像進行梯形校正，去除鏡頭拍攝物體帶來的畸變變化；然后對圖像進行去噪和增強等預處理操作，以消除圖像中噪聲以及散射光斑的影響；最后結(jié)合光斑中心定位算法對激光光斑圖像進行光斑中心定位，其檢測方法框圖如圖2 所示。

圖2 激光光斑中心檢測方法框圖

2 改進的光斑中心檢測算法

2.1 梯形校正

在鏡頭拍攝物體時存在成像的畸變，會造成圖像的失真[8]。為了消除梯形失真帶來的影響，采用幾何投影變換方法對畸變圖像進行梯形（透視）校正。幾何投影變換[9]方法是解決圖像像素位置變化的一種有效手段，所有像素點的位置關系可以用式（1）表示：

其中，u(x0,y0) 和v(x0,y0) 為原圖像到失真圖像的坐標變化函數(shù)。當確定兩幅圖像間所有像素點的位置變化關系后，可以通過逆變換[10]對失真圖像進行校正，如式（2）所示：

為了計算坐標函數(shù)，提取原圖像和失真圖像的四個參考點為對應點，再結(jié)合雙線性變換進行求解，如式（3）所示：

以靶板的四個參考點為對應點，首先采用自動閾值分割[11]對畸變圖像進行分割，然后采用區(qū)域填充、邊界提取的方法進一步得到校正靶板與背景分離的圖像，提取圖像輪廓；然后對失真圖進行縱橫比計算，并和原圖像縱橫比進行對比，得到四個參考點的坐標；最后通過幾何投影變換方法對失真圖像進行梯形校正，如圖3 所示。

圖3 靶板梯形校正效果圖

2.2 圖像預處理

工業(yè)相機拍攝的環(huán)境較為復雜，常常導致得到的目標圖像并不是非常理想。為了得到圖像更好的特征，利用圖像增強與圖像去噪技術，對光斑圖像進行預處理操作，從而消除干擾因素對圖像的影響。

2.2.1 圖像增強

圖像增強算法[12]一般可以分為基于空域的方法和基于頻域的方法，文中采用基于空域的直方圖均衡法[13]直接對原始圖像進行圖像像素的增強。對激光光斑圖像采用直方圖均衡法，就是對圖像的灰度級分布以及灰度值進行映射變換，使其均勻分布。圖像灰度級的分布可以用概率密度函數(shù)Pr(rk)來表示，如式（4）所示：

由于對原始圖像進行歸一化處理，所以0 ≤rk≤1，Pr代表圖像中每個像素點的像素灰度級，k=0,1,2,…,N-1,nk為圖像中出現(xiàn)rk這種灰度的像素個數(shù)，N是圖像中的像素個數(shù)的總數(shù)。直方圖均衡化的變換函數(shù)T(rk)如式（5）所示：

通過計算得到均衡后每個像素的灰度值。

2.2.2 圖像去噪

噪聲會影響光斑圖像的質(zhì)心精度。通過采用中值濾波法[14]對激光光斑進行去噪處理，消除噪聲對圖像的影響。中值濾波算法采用一個滑動窗口，并對這個窗口中的所有灰度值由低到高進行排序，然后利用窗口中灰度值的中值來代替中心點的灰度值，進而實現(xiàn)對噪聲的抑制和消除。

2.3 光斑中心定位算法

為了得到精確的激光光斑中心，首先將原始光斑圖像轉(zhuǎn)換為二值圖像，然后對二值圖像進行形態(tài)學運算閉操作[15]，閉操作可以消除圖像中一些小的間斷和一些空洞區(qū)域，使目標的輪廓線更加清晰明顯，進而可以容易地找到目標光斑的外輪廓線。由于二值圖像值只有0 和1，因此對圖像白色部分即像素值為1 的部分求均值，可以求出光斑中心的大概位置(px,py)，如式（6）所示：

式中，(xj,yj) 為像素值為1 的點的像素坐標，z為像素值為1的像素點的個數(shù)。找到圖像中像素值為0的一系列點(xj,yj)，并計算得到像素值為0的點與光斑中心點的距離r，同時找到最小距離rm，如式（7）和式（8）所示：

式中,(xi,yi)為像素值為0 的點的像素坐標，n為像素值為0 的點的個數(shù)。

沿光斑中心點與距光斑中心點最近的點(xm,ym)的方向移動圓心(px,py)，移動距離為一個像素點，同時更新光斑中心點位置(px,py) 。不斷重復上述步驟，直到計算出最小距離rmin，退出循環(huán)。此時點(px,py)即為光斑中心點。激光光斑中心檢測算法具體處理效果如圖4 所示。

圖4 激光光斑中心檢測算法

2.4 圖像坐標變換

圖像坐標變換的過程實際是建立圖像世界與三維世界位置的關系，將圖像坐標系下的坐標轉(zhuǎn)化為世界坐標系下坐標，得到坐標的實際值[16]。由于靶板上的四個點在圖像中被映射為矩形，矩形的頂點在世界坐標系下的距離已知，因此可以建立起圖像坐標系與世界坐標系對應的距離映射關系。根據(jù)此映射關系，將光斑中心點坐標(px,py)映射為世界坐標系下的具體坐標值。

3 實驗結(jié)果及分析

在實驗過程中，采用CCD 對各種形狀的激光光斑圖像進行采集，并在Matlab 軟件上對原始圖像進行預處理，處理后得到尺寸為114×114 的圖像。最后利用提出的算法對激光光斑圖像進行光斑中心定位，并與現(xiàn)有的一些算法進行對比分析。

采用基于中心定位算法的光斑中心檢測結(jié)果如圖5 和圖6 所示，圖5 所示為采用閉操作填補輪廓線中的斷裂，得到目標光斑的外輪廓線圖像；圖6 所示為采用中心定位算法得到的激光光斑中心圖像。

圖5 激光光斑輪廓圖

圖6 激光光斑中心定位圖

采用結(jié)合光斑中心定位的光斑檢測算法，最小化圖中像素值為0 的點與光斑中心點的距離，不斷更新光斑中心點位置，從而避免了雜光等因素的影響，提高了檢測的準確性。最后將提出的算法與傳統(tǒng)的灰度重心法、圓心擬合法得到的光斑中心坐標進行比較如表1 所示。

表1 激光光斑中心定位坐標比較結(jié)果

從表1 可以看出，在面對非規(guī)則光斑時，所提算法得到的兩組光斑中心坐標值與實際值誤差在三個像素點之內(nèi)，而灰度重心法和圓擬合法的誤差都比較大，無法精確地計算出非規(guī)則光斑中心坐標。由此可見，該文的算法在檢測現(xiàn)場對非規(guī)則光斑進行光斑中心定位時，可以得到更為精確的結(jié)果，檢測軟件采集圖像如圖7 所示。

圖7 檢測軟件現(xiàn)場采集圖像

4 結(jié)束語

機器視覺檢測具有比人眼更高的辨別精度和速度，且具有安全性，優(yōu)點突出。提出的算法能夠?qū)崿F(xiàn)對不同形狀光斑中心的精確定位，并能夠滿足光斑運動的實時性要求。首先，算法對圖像質(zhì)量要求不高，對存在光線干擾及不同程度的噪聲干擾的情況具有較好的抗干擾能力；其次，對較為模糊的圖像仍能精確地實現(xiàn)圖像特征點的識別。提出算法具有較強的實用性，能夠滿足各種形狀激光光斑高精度測量的需求。實驗結(jié)果顯示，在較為復雜的檢測現(xiàn)場下，該文所提出的算法能夠檢測到較為準確的激光光斑位置。