【技術實現步驟摘要】
本專利技術屬于光學計量，具體涉及一種基于無監督機器學習的十字圖像中心定位方法。
技術介紹
1、自準直儀和和中心偏測量儀是一種利用對光學元件的光軸中心偏移量測量的光學儀器，此類儀器一般是通過對返回十字圖像的中心坐標的計算來對光軸的偏移量進行測量。對此類儀器來說，目標圖像定位的重復性越好，以及精確度越高，此類測量儀器的測量精度就越高。所以關于如何通過圖像處理來準確而又快速獲得十字像的中心坐標一直是此類儀器研究的熱門話題。
2、目前，利用卷積神經網絡cnn通過人為標定的手段來訓練十字像定位的精確度。或者利用監督機器學習的支持向量機(svm)來進行圖像中心的定位。上述方法均需對算法加以訓練和標定，而在實際測量過程中，由于鏡頭畸變和光瞳函數衍射的影響，相機采集到的圖像并不能和之前訓練好的圖像保持完全一致，從而造成測量精度誤差。
3、傳統算法對于十字像中心位置的定位有很多，有利用橫縱坐標累計求和的，有分區域計算質心并擬合的，也有直接利用霍夫變換直線檢測的。但是這類算法由于在實際處理圖像時，因為其復雜性會遇到多個特征點，從而具有魯棒性差的特點。
技術實現思路
1、本專利技術的目的在于解決上述存在的一個或多個問題，而提供了為此我們在傳統算法的基礎上提出了一種基于無監督機器學習的十字圖像中心定位方法，實現對十字靶標的中心很好的定位。
2、為實現上述目的，本專利技術所提供的技術解決方案是：
3、一種基于無監督機器學習的十字圖像中心定位方法，包括以下步驟：
4、步驟1：獲取十字圖像，并將十字圖像轉化為灰度圖像；
5、步驟2：利用自適應閾值法對灰度圖像進行二值化操作，得到二值化圖像；
6、步驟3：利用先腐蝕后膨脹的形態學方法對二值化圖像進行處理，去除二值化圖像的白噪音和暗噪音；
7、步驟4：利用canny算法提取步驟3處理后的二值化圖像邊緣，得到邊緣圖像；
8、步驟5：利用hough變換檢測邊緣圖像角點，得到角點坐標；
9、步驟6：利用無監督機器學習的k-mean算法對角點坐標進行聚類，最終計算出十字中心點坐標。
10、進一步的，利用人眼感光細胞對rgb各個組分顏色的感光強弱，將目標圖像轉化為灰度圖像，表示為：
11、gray＝0.3r+0.59g+0.1b
12、其中，gray代表灰度圖像的單通道像素值，r代表目標圖像的紅色通道像素值，g代表目標圖像的綠色通道像素值，b代表目標圖像的藍色通道像素值。
13、進一步的，步驟2中，將目標像素點的周圍取包括目標圖像的塊區域，基于塊區域內像素點灰度值的平均值，計算出像素閾值；
14、將像素點的像素值與像素閾值進行比較，若像素值大于像素閾值，則該像素值賦值為225；若像素值小于像素閾值，則該像素值賦值為0；遍歷灰度圖像中各個區域位置的像素值，完成灰度圖像二值化。
15、進一步的，像素閾值通過下式計算得到：
16、
17、其中，t代表像素閾值，c代表人為設置的參數閾值，lij代表塊區域(i，j)位置的像素值，代表塊區域內像素點灰度值的平均值，r、c代表塊區域矩陣的行數和列數。
18、進一步的，塊區域的面積大小為奇數。
19、進一步的，步驟3中，利用結構矩陣對二值化圖像通過下述公式進行腐蝕操作：
20、(fθb)(x,y)＝min{f(x＝x',y＝y')-b(x',y')|(x',y')∈db}
21、其中，(fθb)(x,y)代表腐蝕操作后的二值化圖像在位置(x,y)的像素值，fθb代表灰度腐蝕，f代表二值化圖像，b代表結構矩陣，db代表b的定義域也就是要計算的圖像區域，將結構矩陣通過每次平移覆蓋二值化圖像中的每一個方位(x',y')，用結構矩陣中每一個結構元素的像素值減去二值化圖像的對應像素值，并取所得到的值中的最小值作為腐蝕操作后的二值化圖像在位置(x,y)的像素值。
22、進一步的，步驟3中，利用結構元素對二值化圖像通過下式進行膨脹操作：
23、
24、其中，代表膨脹操作后的二值化圖像在位置(x,y)的像素值，代表灰度膨脹，b代表結構矩陣，db代表要計算的圖像區域，將結構矩陣通過平移覆蓋圖像中的每一個方位(x',y')，在每個結構矩陣運動到的位置區域，取矩陣內的每一個元素像素值與二值化圖像矩陣對應坐標下像素值的積和的最大值作為膨脹操作后的二值化圖像在位置(x,y)的像素值。
25、進一步的，步驟4中，先利用高斯濾波對步驟3處理后的二值化圖像進行平滑操作，再計算每個像素的梯度，利用非極大值抑制算法去除每一個梯度sobel矩陣運動到的塊區域內最大幅值的像素點，根據雙閾值法劃分強、弱邊緣，最后消除孤立的弱邊緣，得到邊緣圖像。
26、進一步的，步驟4中的具體步驟為：
27、步驟4-1、具體操作為首先高斯濾波對步驟3處理后的二值化圖像進行平滑操作:
28、h(x,y)＝g(x，y)*i(x,y)
29、g(x，y)為高斯濾波器，i(x,y)為要計算的圖像。*代表卷積操作，h(x,y)代表計算后的圖像；
30、步驟4-2、其次再利用sobel算子計算圖像梯度m(x，y)和方向θ(x，y)：
31、
32、步驟4-3、再利用非極大值抑制算法去除最大賦值的極值點：
33、
34、其中ml為人為設定的低閾值，其和計算出的圖像像素平均梯度值有關，δx，δy為梯度方向的偏移值(δx＝cosθ(x，y)，δy＝sinθ(x，y))；
35、步驟4-4、最后再用雙閾值法消除孤立弱邊緣：
36、
37、mh為設置的高閾值，strong、weak和non-edge分別代表強邊緣、弱邊緣和無邊緣，最終消除弱邊緣和無邊緣便是提取出的邊緣。
38、進一步的，步驟6中，計算十字中心點坐標的具體步驟為：
39、步驟6-1：將角點坐標隨機生成k個中心點坐標；
40、步驟6-2：遍歷所有角點，根據角點與中心點的位置關系(坐標之間的歐式距離)將每個角點歸類到不同中心；
41、
42、公式中x1，y1代表點1坐標，x2，y2代表點2坐標，d代表兩個隨機點間的歐式距離，根據計算出的歐式距離，將與中心點坐標歐式距離相近的點歸為一類。
43、步驟6-3：計算每個聚類角點坐標的平均值，并將平均值的角點坐標作為新的中心點坐標；
44、步驟6-4：判斷新的中心點坐標是否收斂；若中心點坐標不收斂，則重復步驟6-2、步驟6-3，直至新的中心點坐標收斂，輸出聚類結果，根據聚類結果對幾個聚類中心坐標求平均值，最終得到十字中心點坐標。
45、本專利技術的優點是：
46、本專利技術所提供的基于無監督機器學習的十字圖像中心定本文檔來自技高網...
【技術保護點】
1.一種基于無監督機器學習的十字圖像中心定位方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟1中，將目標圖像轉化為灰度圖像，表示為：
3.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟2中，將目標像素點的周圍取包括目標圖像的塊區域，基于塊區域內像素點灰度值的平均值，計算出像素閾值；
4.根據權利要求3所述的十字圖像中心定位方法，其特征在于，像素閾值通過下式計算得到：
5.根據權利要求3所述的十字圖像中心定位方法，其特征在于，塊區域的面積大小為奇數。
6.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟3中，利用結構矩陣對二值化圖像通過下述公式進行腐蝕操作：
7.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟3中，利用結構元素對二值化圖像通過下式進行膨脹操作：
8.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟4中，先利用高斯濾波對步驟3處理后的二值化圖像進行平滑操作，再計算每個像素的梯度，利用非極大值抑制
9.根據權利要求8所述的十字圖像中心定位方法，其特征在于，步驟4中的具體步驟為：
10.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟6中，計算十字中心點坐標的具體步驟為：
...【技術特征摘要】
1.一種基于無監督機器學習的十字圖像中心定位方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟1中，將目標圖像轉化為灰度圖像，表示為：
3.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟2中，將目標像素點的周圍取包括目標圖像的塊區域，基于塊區域內像素點灰度值的平均值，計算出像素閾值；
4.根據權利要求3所述的十字圖像中心定位方法，其特征在于，像素閾值通過下式計算得到：
5.根據權利要求3所述的十字圖像中心定位方法，其特征在于，塊區域的面積大小為奇數。
6.根據權利要求1所述的十字圖像中心定位方法，其特征在于，步驟3中，利用結構矩陣對二值化圖像通...
【專利技術屬性】
技術研發人員：賈云峰，尤越，姜昌錄，劉衛平，康登魁，陳潔婧，王楠茜，李輝，
申請(專利權)人：西安應用光學研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。