一种快速亚像素边缘检测方法研究

提出了一种新的亚像素边缘检测方法。此种方法先经过传统模板算子确定边缘的大致位置，然后用曲线拟合方法求出边缘的精确位置，经过粗、精两次定位，在不牺牲速度的情况下，就可获得亚像素级的定位精度。由于B－样条函数所具有的优越性能，该方法采用它作拟合函数。     

红外图像的亚像素边缘检测

针对红外图像目标边缘的模糊性,为了准确提取目标,提出了基于三次样条插值和灰阶边缘细化的方法,该方法通过对边缘过渡区域及其法线方向信息的处理,使图像边缘精确定位在亚像素级。实验结果表明,该方法能够精确定位目标边缘,优于传统的边缘检测方法。     

一种无衍射激光图像亚像素边缘检测方法

为进一步提高无衍射激光图像的定中精度,提出了一种亮环亚像素级边缘点检测方法.首先,采用局域亮度最大方法,提取亮环像素级屋脊边缘点;然后,利用线性插值算法对每一像素级边缘点进行亚像素处理进而获得亚像素边缘点;最后,用最小二乘方法,将亚像素边缘点拟合定中.分别对距离光源40 m、50 m、60 m处,各连续拍摄的50幅图像(图像分辨率为640×480,光靶分辨率为0.057 2 mm/pixel)进行了处理,各位置处的亚像素级边缘点x方向定中标准差分别为0.021 4 nm、0.037 2 mm和0.042 3mm,y方向定中标准差分别为0.022 8 mm、0.035 1 mm和0.043 7 mm,明显优于像素级边缘点,实验结果表明,该方法切实可行.     

基于灰度的亚像素插值视觉测量方法

针对现有视觉测量中的检测代价高,精度低和速度慢问题,该文提出一种基于计算机机器视觉的紧密内插值亚像素测量方法。该方法基于线性插值算法的原理,结合常规边缘检测方法和图像的灰度曲线图,利用阈值分割和标准长度进行亚像素自适应阈值选择。为验证该方法的有效性,对标准量块长度进行测量实验,并分析测量系统的误差影响因素。相比于传统的Canny算子方法检测结果,该方法的平均测量准确度提升46.2%。实验结果表明该算法的测量精度较高,可以快速、精确地测量出物体的几何尺寸。     

利用二次曲线拟合的CCD图像亚像素提取算法

在图像测量系统中，测量系统的精度与边缘提取的精度成正比关系，普通算法的精度为像素级，现在最常用的亚像素算法是重心法。本文提出了一种利用二次曲线拟合方法的亚像素边缘提取算法，介绍了算法的推导过程，并给出了实验结果。     

一种改进的灰度矩亚像素边缘定位方法

针对传统边缘检测方法存在的定位精度差、抗噪声干扰能力弱等问题,提出了一种运用一维灰度矩确定亚像素边缘位置的新方法.首先采用阈值分割来获得图像边缘所在的位置范围,然后以阈值分割边界点拓展像素做边缘粗定位,再以粗定位边缘点拓展像素做精定位,直到两次精定位结果相差小于0.01像素即可确定边缘位置.实验结果证明,与其他亚像素边缘定位方法相比,基于所提方法的边缘定位精度分别为0.05个像素(标准图像)和0.14个像素(实际图像).     

基于正反图案的亚像素条纹边缘检测方法

为了精确确定格雷码条纹边缘,提出了一种基于正反格雷码图案的直线拟合的条纹边缘定位方法．该方法向测量空间投射条纹宽度相等的正、反色格雷码图案,用摄像机拍摄得到经编码图案调制的强度图像,提取两幅强度图像的条纹边缘区域并对其进行直线拟合,求取两条拟合直线的交点,并将其作为边缘点．采用行扫描的方法求取图像中每一行的边缘点,即可得到图像的条纹边缘．文中具体介绍了测量系统组成、测量及定位原理,分析了具体实现过程．实验结果表明,该方法的相对定位误差小于1％．     

精加工零件尺寸视觉检测中的亚像素定位分析

使用CCD成像的机器视觉系统进行精加工零件尺寸检测时,图像轮廓边缘的亚像素定位分析是决定测量精度的一个重要因素．为了寻求精加工零件图像轮廓边缘的亚像素定位分析依据和计算方法,运用菲涅耳直边衍射理论研究了几何边缘在CCD检测图像中由衍射所形成的灰度分布,理论分析和实验测量都证实了衍射和摄像参数是产生和影响图像边缘灰度分布的主要因素．文中给出了基于衍射的精加工尺寸边缘图像检测时的亚像素定位分析依据和计算方法,对量块进行了对比检测实验,实验结果证实了所给方法的合理性和可行性．     

基于高斯积分曲线拟合的亚像素边缘提取算法

针对传统边缘提取算法定位精度低、对噪声敏感等缺点,提出一种基于高斯积分曲线拟合的亚像素边缘提取算法。通过曲面插值求取像素级边缘法截线上各离散点的灰度值,再进行高斯积分曲线拟合,寻找高斯积分曲线的均值点坐标,实现亚像素边缘的精定位。用量块直线边缘进行实验,并与现有亚像素边缘提取算法比较,实验证明基于高斯积分曲线拟合的亚像素边缘提取算法定位精度较高,可以达到1 μm,且算法可靠性高、计算速度快,能够用于高精度测量。     

汽车发动机进气歧管高精度亚像素边缘检测

提出基于边缘像元投影的汽车发动机进气歧管高精度亚像素边缘检测方法。利用物体边缘投影将其所穿过的感光单元划分2个部分,边缘像素单元的最终灰度值为投影两侧局部灰度统计值的面积加权平均值,并利用矩形邻域建模求得边缘亚像素的准确位置。对汽车发动机进气歧管的实验结果表明,与基于曲面拟合的亚像素边缘检测方法相比,对50.00mm×40.00mm规格产品,长短轴标准差分别降低了1.71%和17.78%,对50.05mm×40.05mm规格产品,长短轴标准差分别降低了38.66%和2.03%。     

一种基于视觉模型的边缘检测阈值选择策略

按照仿生学原理,通过分析人眼的阈值亮度比曲线和weber比曲线,将图像根据背景亮度 划分为低暗区、中间区和高亮区,分别采用不同的公式计算边缘阈值。仿真表明,该方法能够根据边缘所处背景亮度自适应地选择阈值,从而检测出与人的主观视觉更为一致的图像边缘。     

基于亚像素边缘的摄像机标定板特征提取算法

目的在视觉测量领域,摄像机的标定精度是最终测量精确度的决定性因素,为了提高标定板特征的提取精度,提出一种基于亚像素边缘的提取方法。方法针对圆点标定板,首先采集标定板图像,对图像进行处理,获取像素级别边缘,然后以边缘像素点为中心,取3×3的数字窗口计算梯度方向,在梯度方向上进行像素点灰度的双曲正切拟合,获取亚像素级别边缘,最后对亚像素边缘按照圆形进行拟合,求得圆心坐标。结果实验表明算法的分辨率达到0.03个像素,精度可达0.1个像素。结论该算法具有稳定可靠,精度高,运算速度快等特点,能够应用于图像拼接和分割,特征提取和摄像机标定等领域。     

基于图像边缘的灰度加权算法应用于LED管芯检测

LED管芯检测的像素级算法受到图像分割的影响,造成目标中部分像素的丢失.本文利用图像边缘区域的灰度加权算法,以求取物体边缘所在像素点的灰度来计算边缘位置.检测结果分析表明,该算法在检测精度上有了明显提高.     

基于HT的显微视觉亚像素定位算法

根据显微图像的几何特点,提出了基于HT（Hough Transform）十字显微图像亚像素定位算法（SLACHT）和基于HT近似圆显微图像亚像素定位算法（SLARHT）,对显微图像特征中的直线和近似圆的亚像素定位做了深入的研究。通过与经典直线HT定位算法和经典随机HT圆定位算法进行实验对比,验证了该定位算法的优越性;通过与Matlab中的直线HT定位算法和圆HT定位算法进行实验对比,验证了该算法的可靠性。大量实验表明,该算法的定位精度优于0．01像素,具有运行速度快、鲁棒性强的特点。     

一种微型零件图像边缘提取的方法

准确地提取微型零件的边缘。为图像的精密尺寸检测奠定基础。采用光学测量显微镜-CCD-图像采集-微机数字图像处理。与传统的sobel算子比较，本文提出的系统结合提供的相关算法对于提取微型零件图像边缘信息更加有效。满足了用户的测量要求。     

圆结构光光条中心亚像素级提取方法

从图像中准确提取光条中心对于主动视觉系统十分重要。分析微小物体内表面视觉检测系统中圆形结构光光条图像特征,将干扰光条分为漫反射和镜面反射两类。利用Hessian矩阵确定图像中光条法线方向,在光条法线方向上求解光条中心亚像素位置,用8方向搜索法剔除干扰光条。实验证明,光条提取和剔除干扰光条方法是有效的。     

百米距离坐标的视觉检测方法

为了实现对大型射电天文望远镜的百米远目标进行测量,建立视觉测量系统对目标检测算法、测量系统的稳定性等进行研究.首先,CCD相机获取百米远处反射靶标的图像信息,采用样条函数对靶标图像进行插值,然后用Canny算法检测靶标图像的边缘信息;接着,采用椭圆拟合算法检测靶标的位置,从而确定靶标在CCD像面上坐标.采用一个平面标准...     

基于FPGA边缘检测算法的研究

当前,基于计算机的图像边缘检测在各领域中占有重要环节,通过有效的边缘检测,可以大大简化后续图像处理过程对图像信息的分析工作。因此,基于FPGA的实时图像边缘检测的研究与设计已经倍受人们的关注。本文主要研究基于FPGA图像边缘检测的算法。     

利用Sobel-Zernike矩算子的快速亚像素边缘检测方法

利用Sobel算子快速检测出所有可能的边缘点;再利用Zernike矩算子以亚像素精度重新定 位边缘。为提高定位精度,根据Zernike矩理论,推导了2个77的模板。测试结果表明,该方法定位精度接近于Zernike矩算子,而算法运行时间仅为0.91s。     

一种小模数齿轮边缘检测效果评价方法

利用机器视觉评定小模数齿轮精度时,在齿轮整体图像中提取的边缘特征信息不能直接描述图像中的单独目标,需要后续识别算法去适应局部的多变特征.为此提出一种基于特征图像的边缘检测效果评价方法来获取丰富的局部图像信息,用于评定小模数渐开线齿轮视觉测量系统中轮廓提取的精度.首先根据齿轮图像中渐开线齿廓边缘的函数特性建立特征图像模型;然后使用基于Zernike矩的亚像素边缘检测算法获取小模数渐开线齿轮特征图像的边缘;最后结合构建特征图像的标准函数,量化特征图像的边缘检测结果与标准函数间的偏差,用以评价边缘检测的效果.实验表明,运用小模数齿轮的特征图像评价基于Zernike矩的亚像素边缘检测算法,渐开线齿廓的检测精度优于0.58pixel.