分?jǐn)?shù)階微分局部強(qiáng)反射的去噪方法應(yīng)用

唐瑞尹沈鴻海 何鴻鯤

（華北理工大學(xué)電氣工程學(xué)院 唐山 063000）

分?jǐn)?shù)階微分局部強(qiáng)反射的去噪方法應(yīng)用

唐瑞尹*沈鴻海 何鴻鯤

（華北理工大學(xué)電氣工程學(xué)院 唐山 063000）

針對具有強(qiáng)反射的表面光條圖像出現(xiàn)散斑或復(fù)合散斑等嚴(yán)重噪聲情況，該文提出一種利用分?jǐn)?shù)階微分增強(qiáng)的圖像去噪聲的處理算法，突出噪聲的顆?；卣鳎ㄟ^連通區(qū)域面積統(tǒng)計的方法對有效連續(xù)光條進(jìn)行分離并去除散斑噪聲，獲得有效光條圖像，最后利用灰度重心法提取有效光條的中心。經(jīng)實驗對比，該方法得到的信息熵值和光條中心提取精度都顯著提高，體現(xiàn)了分?jǐn)?shù)階微分算法增強(qiáng)圖像高頻信息的同時，有效保留更多的低頻信息的特點，保留了更多的圖像紋理細(xì)節(jié)，顯著提高了特征光條中心提取精度。

圖像去噪；分?jǐn)?shù)階微分；強(qiáng)反射；光條中心提??；熵

1 引言

在結(jié)構(gòu)光視覺測量系統(tǒng)中，關(guān)鍵任務(wù)之一是提取圖像特征光條的中心坐標(biāo)［1］。激光光條中心坐標(biāo)的提取精確度直接影響到了最終被測點的3維世界坐標(biāo)測量精度［2］。

常見的光條中心線提取方法有灰度重心法、極值法、梯度閾值法和利用Hess矩陣的Steger方法［3，4］等。這些光條中心提取算法主要是根據(jù)光條具有高斯分布中心對稱的特點進(jìn)行計算的。但是當(dāng)激光投射到強(qiáng)反射區(qū)域，大量存在模糊散斑，造成CCD攝像機(jī)接收到的光條的橫截面光強(qiáng)不呈高斯分布。那么這些基于高斯分布的光條中心提取方法就不適用了。

本文在對現(xiàn)有特征光條提取方法分析的基礎(chǔ)上，結(jié)合強(qiáng)反射表面散斑的特點提出了基于分?jǐn)?shù)階微分的特征光條中心高精度提取方法，在實驗中對其測量精度和誤差進(jìn)行評估。

2 強(qiáng)反射表面光條中心提取

2.1 強(qiáng)反射表面的光學(xué)特性分析

根據(jù)物體表面的反射特性，可將物體表面劃分為朗伯（Lambert）表面、鏡面以及反射特性介于兩者之間的混合反射特性表面（以下簡稱混合表面）［5，6］。針對Lambert表面，采用基于光刀法的3維形貌測量精度較高，效果較好。而對于鏡面反面，一般具有較強(qiáng)的鏡面反射［7］。當(dāng)激光投射到該表面后，會形成模糊的散斑。如圖1（a）所示，圖1（b）為其局部放大圖，圖1（c）為圖1（b）中白色直線對應(yīng)的灰度分布圖。為有效提取強(qiáng)反射表面光條中心的位置，Kokku和Brooksby提出了模板法［8］，該方法利用一種特殊的圖像模板來將有效信息和噪聲區(qū)分開，從而達(dá)到有效提取光條中心的目的。但是這種模板僅符合部分已進(jìn)行過深入研究的測量表面，而不能用以進(jìn)行較復(fù)雜或任意測量形態(tài)的研究［9］。

2.2 強(qiáng)反射表面光條中心提取

圖1 強(qiáng)反射表面的光條散斑圖像及其灰度分布圖

強(qiáng)反射表面的散斑噪聲與有效連續(xù)光條在于條紋的灰度離散程度差異，即顆粒狀與連續(xù)條紋的區(qū)別。因此，本文首先利用分?jǐn)?shù)階微分增強(qiáng)圖像的處理方法，突出噪聲的顆?；卣?。接下來再通過連通區(qū)域面積統(tǒng)計的方法對有效連續(xù)光條和散斑噪聲進(jìn)行分離并去除散斑噪聲，得到準(zhǔn)確度更高的光條圖像。最后通過常規(guī)的灰度重心法獲取光條中心即可。算法的流程設(shè)計如圖2所示。

在該算法中，關(guān)鍵是在增強(qiáng)顆粒感明顯的散斑噪聲同時要保持灰度連續(xù)的有效條紋的圖像區(qū)域。而目前的圖像增強(qiáng)算法，如空域法、頻域法等都無法徹底解決強(qiáng)化高頻信息就會降低低頻信息這種問題。如直方圖均衡化方法增強(qiáng)了圖像中的高頻部分并使輸出圖像直方圖近似服從均勻分布，而對于邊緣部分過度銳化，會對紋理細(xì)節(jié)的識別產(chǎn)生影響［10］；線性濾波方法則過度平滑了圖像低頻信息，但對增強(qiáng)圖像的邊緣等高頻部分作用很小；整數(shù)階微分梯度算子（一階微分算子如 Sobel， Prewitt， Canny算子；二階微分如Laplace二階微分算子）通常在突出圖像中的細(xì)節(jié)或是增強(qiáng)模糊的細(xì)節(jié)效果明顯， 但是造成低頻分量信息損失嚴(yán)重。而分?jǐn)?shù)階微分在增強(qiáng)了高頻分量的同時也保留了低頻分量的信息，從而能有效克服整數(shù)階微分算子圖像增強(qiáng)中的缺點，在圖像處理領(lǐng)域也表現(xiàn)出了強(qiáng)有力的生命力。

圖2 強(qiáng)反射區(qū)域光條中心提取算法

3 分?jǐn)?shù)階微分圖像增強(qiáng)

3.1 分?jǐn)?shù)階微分

目前常用的GrUmwald-Letnikov分?jǐn)?shù)階微積分是在Euclid測度下定義的，是將微積階次從整數(shù)推廣到分?jǐn)?shù)的結(jié)果，也就是說，分?jǐn)?shù)階微積分的 G-L定義是將微積分階次從整數(shù)階變換到了分?jǐn)?shù)階。依據(jù)規(guī)定，在Euclid測度空間發(fā)生的物理狀態(tài)與過程完全可以應(yīng)用在Euclid測度下定義的分?jǐn)?shù)階微積分描述和論證，對于這個分?jǐn)?shù)階微分的定義如下［11］：

式中，Gamma函數(shù)

3.2 分?jǐn)?shù)階微分圖像增強(qiáng)算法

根據(jù)式（1），2維數(shù)字圖像函數(shù) f（x，y）對自變量x和y分別求分?jǐn)?shù)階偏微分得到數(shù)值多項式和，其對應(yīng)的后向差分近似表達(dá)式分別為式（3）和式（4）所示。

4 分?jǐn)?shù)階微分圖像增強(qiáng)性能評價

4.1 比例尺的設(shè)定實驗

為了驗證分?jǐn)?shù)階微分對圖像增強(qiáng)的卓越性，分別選擇2類樣本圖像：街道（street）圖像和硬盤光條強(qiáng)反射圖像。圖3，圖4分別展示了將2類樣本用Laplace增強(qiáng)、Sobel增強(qiáng)和本文的分?jǐn)?shù)階微分增強(qiáng)的方法效果對比。

信息論中熵可以作為刻畫圖像紋理特征的有效參數(shù)［12］。圖像2維熵的定義為

式中， pij=f（i，j）/N2， i表示像素灰度值（0 ≤i≤ 255）， j表示鄰域灰度（0 ≤ j≤ 255）， f（i，j）為特征二元組（i，j）出現(xiàn)的頻率，N為圖像的尺度。熵值越大，表面圖像信息量越大，紋理越豐富。表1中記錄了增強(qiáng)后各圖的熵值。

從表1可見，分?jǐn)?shù)階微分增強(qiáng)后的leaf， street及硬盤圖像要比整數(shù)階微分增強(qiáng)后的這些圖像的熵值大。即分?jǐn)?shù)階微分算法保留了更多的圖像紋理信息，達(dá)到了增強(qiáng)圖像高頻信息的同時，保留了更多的低頻信息［13］的效果。

表1 3種算法增強(qiáng)后的熵值

利用分?jǐn)?shù)階微分將強(qiáng)反射的散斑噪聲增強(qiáng)后，并與保留下來的連續(xù)有效條紋有效分離開后，就可以利用常規(guī)的灰度重心法進(jìn)行提取了。

圖3 street樣本增強(qiáng)效果對比

圖4 硬盤樣本增強(qiáng)效果對比

4.2 光條中心提取精度

如圖5所示為硬盤局部反射區(qū)域的光條圖像，用 Laplace法去噪后再用灰度重心法求取其光條中心如圖 5（a）所示，右圖黑色橢圓標(biāo)出強(qiáng)反射區(qū)域光條中心提取失??；用本文算法后提取的光條中心結(jié)果如圖5（b）所示。在暗背景暗光條下拍攝圖像進(jìn)行光條中心提取結(jié)果如圖 5（c）所示，強(qiáng)反射區(qū)域的光條中心提取成功。同樣，以圖5（c）提取結(jié)果為基準(zhǔn)，圖5（a），圖5（b）提取結(jié)果與圖5（c）誤差對比如圖5（d）所示。本文算法對硬盤的光條中心提取誤差優(yōu)于其它傳統(tǒng)方法。

4.3 結(jié)構(gòu)光視覺測量中的應(yīng)用

采用線結(jié)構(gòu)光視覺檢測系統(tǒng)對被測對象計算機(jī)硬盤進(jìn)行掃描測量。由于硬盤表面多處具有強(qiáng)反射區(qū)域。圖6所示為直接用灰度重心法提取各個掃描光條中心后掃描測量得到的2維物體輪廓圖，從圖中白色方框部分可以明顯看出，光條中心提取失敗，造成圓形輪廓缺失，誤差很大，硬盤其它強(qiáng)反射的很多區(qū)域也出現(xiàn)了這種現(xiàn)象。

應(yīng)用分?jǐn)?shù)階微分方法對強(qiáng)反射區(qū)域進(jìn)行增強(qiáng)后，然后利用上述方法進(jìn)行光條中心提取，相應(yīng)的2維輪廓圖如圖7所示。顯然，白色矩形框中強(qiáng)反射區(qū)域的輪廓更加清晰準(zhǔn)確。

圖5 Laplace法和本文方法光條中心提取及誤差對比結(jié)果

圖6 直接用灰度重心法提取后的2維輪廓圖

圖7 應(yīng)用分?jǐn)?shù)階微分 算法后的2維輪廓圖

5 結(jié)論

本文通過分析強(qiáng)反射表面反射特性，提出了一種基于分?jǐn)?shù)階微分先增強(qiáng)散斑的顆粒狀，再利用面積統(tǒng)計的方法分離散斑，提取有效條紋光條中心的算法，給出了具體的算法流程。選用了包括硬盤在內(nèi)的2類樣本分別用Laplace， Sobel和本文的分?jǐn)?shù)階微分算法做圖像增強(qiáng)實驗，并利用信息熵做出定量對比，結(jié)果利用分?jǐn)?shù)階微分算法對圖像增強(qiáng)后信息熵值明顯提高，均在88%以上，光條中心提取的精度明顯提高。同時將該算法應(yīng)用在線結(jié)構(gòu)光視覺測量計算機(jī)硬盤形貌中，在硬盤表面多處強(qiáng)反射區(qū)域2維輪廓清晰，有效克服原來強(qiáng)反射區(qū)域數(shù)據(jù)缺失的現(xiàn)象。分?jǐn)?shù)階微分增強(qiáng)算法不僅增強(qiáng)了圖像的高頻信息，同時有效保留更多的低頻信息的特點，保留了更多的圖像紋理細(xì)節(jié)，有效克服整數(shù)階微分算子圖像增強(qiáng)中的缺點，為強(qiáng)反射物體表面的結(jié)構(gòu)光視覺測量的精度提供有力的保障。

［1］ 宋佳， 孫長庫， 王鵬. 錫膏激光掃描三維測量系統(tǒng)光強(qiáng)自適應(yīng)調(diào)節(jié)技術(shù)［J］. 傳感技術(shù)學(xué)報， 2012， 25（8）: 1166-1171. Song Jia， Sun Chang-ku， and Wang Peng. Techniques of light Intensity adaptive adjusting for the 3D measurement system of the solder paste［J］. Chinese Journal of Sensors and Actuators， 2012， 25（8）: 1166-1171.

［2］ 陳慶利， 黃果， 秦洪英. 數(shù)字圖像的分?jǐn)?shù)階微分自適應(yīng)增強(qiáng)［J］.計算機(jī)應(yīng)用研究， 2015， 32（5）: 1597-1600. Chen Qing-li， Huang Guo， and Qin Hong-ying. Adaptive fractional differential algorithm for image enhance ment［J］. Application Research of Computers， 2015， 32（5）: 1597-1600.

［3］ Zuo Li-juan， Bai Cui-xia， Yang Yun-fan， et al.. Image signal enhancement based on fractional differential technologies［J］. Journal of Multimedia， 2014， 9（9）: 1097-1104.

［4］ Ying Y B， Wang J P， and Jiang H Y. Inspecting diameter and defect area of fruit with machine vision［J］. Transactions of the CSAE， 2002， 18（5）: 216-220.

［5］ 張國雄. 坐標(biāo)測量技術(shù)發(fā)展方向［J］. 紅外與激光工程， 2008，37（S1）: 1-5. Zhang Guo-xiong. Development orientations of coordinate measuring techniques［J］. Infrared and Laser Engineering，2008， 37（S1）: 1-5.

［6］ Yang C C， Marefat M M， and Ciarallo F W. Error analysis and planning accuracy for dimensional measurement in active vision inspection［J］. IEEE Transactions on Robotics and Automation， 2008， 14（3）: 476-487.

［7］ Kokku R and Brooksby G. Improving 3D surface measurement accuracy on metallic surfaces［J］. Society of Photo-Optical Instrumentation Engineers， 2005， 5856: 618-624.

［8］ 趙博華， 王伯雄， 張金， 等. 粗糙金屬表面光條中心提取方法［J］. 光學(xué)精密工程， 2011， 19（9）: 2138-2145. Zhao Bo-hua， Wand Bo-xiong， Zhang Jin， et al.. Extraction of laser stripe center on rough metal surface［J］. Optics and Precision Engineering， 2011， 19（9）: 2138-2145.

［9］ 易子麟， 尹東， 胡安洲， 等. 基于非局部均值濾波的SAR圖像去噪［J］. 電子與信息學(xué)報， 2012， 34（4）: 950-955. Yi Zi-lin， Yin Dong， Hu An-zhou， et al.. SAR image despeckling based on non-local means filter［J］. Journal of Electronics & Information Technology， 2012， 34（4）: 950-955.

［10］ Kammel S and Leon F P. Deflectometric measurement of specular surfaces［J］. IEEE Transactions on Instrumentation and Measurement， 2008， 57（4）: 763-769.

［11］ Pu Yi-fei. Fractional differential analysis for texture of digital image［J］. Journal of Algorithms & Computational Technology，2009， 1（3）: 102-107.

［12］ Pu Yi-fei， Patrick Siarry， Zhou Ji-liu， et al.. Fractional partial differential equation denoising models for texture image［J］. Science China Information Sciences， 2014， 57（7）: 1-19.

［13］ 楊宇曉， 汪飛， 周建江， 等. 跳頻周期和跳頻間隔的最大條件熵射頻隱身設(shè)計方法［J］. 電子與信息學(xué)報， 2015， 37（4）: 842-847. Yang Yu-xiao， Wang Fei， Zhou Jian-jiang， et al.. RF stealth design method for hopping cycle and hopping interval based on conditional maximum entropy［J］. Journal of Electronics & Information Technology， 2015， 37（4）: 842-847.

唐瑞尹： 女，1976年生，副教授，主要研究圖像處理與光學(xué)精密檢測技術(shù).

沈鴻海： 男，1990年生，碩士生，研究方向為圖像處理與光學(xué)精密檢測技術(shù).

何鴻鯤： 男，1975年生，工程師，主要研究圖像處理技術(shù).

Application of Denoising Method to Local Strong Reflection Based on Fractional Differentials

Tang Rui-yin Shen Hong-hai He Hong-kun
（College of Electrical Engineering， North China University of Science and Technology， Tangshan 063000， China）

To deal with the problem of the serious speckle or composite speckle noise in the image of the strong reflection surface， an image denoising algorithm based on fractional differential enhancement is proposed， which can highlight the granular characteristics of noise， by means of the method of connected region area to remove speckle noise and separate the effective continuous light stripe. Finally， the center of the effective light stripe is extracted with the gray gravity method. By comparison， the method can significantly improve the information entropy and the extraction accuracy of the light stripe center. The fractional differential enhancement algorithm enhance the high frequency information of the image， at the same time it effectively preserves the features of the low frequency information and more details of image texture， and the accuracy of feature extraction is significantly improved.

Image denoising； Fractional differentials； Strong reflection； Extraction of light stripe center； Entropy

The National Natural Science Foundation of China （51105273）

TP391.4

A

1009-5896（2015）12-3046-05

10.11999/JEIT150500

2015-04-30；改回日期：2015-07-27；網(wǎng)絡(luò)出版：2015-10-13

*通信作者：唐瑞尹 dancingbaby@126.com

國家自然科學(xué)基金（51105273）