本發(fā)明涉及圖像處理領域，尤其涉及一種輪胎模具圖像的拼接方法。
背景技術：
：隨著科學技術的發(fā)展，圖像拼接已成為圖像信息處理領域中一項非常重要的技術，并廣泛應用于數(shù)字視頻、運動分析、虛擬現(xiàn)實技術、醫(yī)學圖像分析及遙感圖像處理等領域。圖像拼接技術是根據(jù)圖像重疊部分，將多張順序相鄰的圖像拼接合成一張高分辨率的全景圖。目前基于體征點拼接的技術比較成熟，適用于特征點較多的圖像，算法計算量較小、配準精度高，但是往往要借助人工選取初始匹配點，這樣大大降低了算法的速度和適用范圍?；谙辔幌嚓P的拼接算法也是一種較常用的方法，具有配準精度高，速度快等優(yōu)點，但是不適用于存在旋轉關系的拼接。對于輪胎模具圖像，由于本身所具有的一些特點，導致配準難：有的圖片重疊區(qū)域只有斜紋沒有文字，有的圖片重疊區(qū)域線條很簡單，造成特征點匹配難或者特征點不足；圖像光照不均勻也加大預處理的難度。傳統(tǒng)的拼接算法一般只針對兩幅或者幾幅圖像，對于30到40幅圖像，拼接效果并不理想。此外，由于工業(yè)生產(chǎn)對速度的要求，以及拍攝不可避免遇到的圖像畸變問題，使得傳統(tǒng)算法不適用于輪胎模具圖像的拼接。因此，在工程應用上，針對輪胎模具圖像的拼接算法很少?，F(xiàn)有的輪胎模具圖像的拼接方法需要對原始圖像進行預處理得到ROI(RegionOfInterest，感興趣區(qū)域)圖像，預處理過程包括將原始圖像進行擬合圓與平直化處理，由于擬合圓的過程存在誤差，導致極坐標變換后的圖像存在形變，而相位相關法對于旋轉和細微的畸變十分敏感，在圖像拼接過程，容易出現(xiàn)配準誤差過大，造成嚴重的虛影，可靠性差。技術實現(xiàn)要素：本發(fā)明實施例提供一種輪胎模具圖像的拼接方法，以解決現(xiàn)有的拼接方法誤差大、可靠性差的問題。本發(fā)明實施例提供了一種輪胎模具圖像的拼接方法，包括：依次對待檢測輪胎模具進行掃描并采集獲得多幅原始圖像，并對原始圖像進行預處理生成多幅ROI圖像；通過相位相關法獲取順序相鄰的每兩幅ROI圖像的重疊區(qū)域；當所述重疊區(qū)域的差異度大于預設閾值時，獲取對應的兩幅ROI圖像，定義為第一圖像和第二圖像；在所述第一圖像上的預設坐標取預設尺寸的第一圖像塊，在所述第二圖像上以所述預設尺寸搜索第二圖像塊，當所述第一圖像塊和第二圖像塊的相似度符合預設條件時，獲取所述第二圖像塊的目的坐標；根據(jù)所述預設坐標和所述目標坐標，重新定義第一圖像和第二圖像的重疊區(qū)域；根據(jù)所述重新定義的重疊區(qū)域，對所述第一圖像和第二圖像進行拼接。進一步，所述依次對待檢測輪胎模具進行掃描并采集獲得多幅原始圖像，并對原始圖像進行預處理生成多幅待測ROI圖像的步驟，包括：根據(jù)預設旋轉角度依次對待檢測輪胎模具進行掃描并采集獲得多幅原始圖像，并分別對所采集的每張原始圖像進行處理后獲得輪胎外側圓弧形輪廓；擬合輪胎外側圓弧形輪廓的圓心和半徑后，通過極坐標變換將待測的輪胎外側圓弧形圖像轉換為平直型待測圖像，并對所述平直型待測圖像進行閾值分割后，定位輪胎模具圖像區(qū)域，生成多幅待測ROI圖像。進一步，所述通過相位相關法獲取順序相鄰的每兩幅ROI圖像的重疊區(qū)域的步驟，包括：獲取順序相鄰的每兩幅ROI圖像的梯度圖像；通過計算所述梯度圖像的歸一化互功率譜，確定順序相鄰的每兩幅ROI圖像的位移量；根據(jù)所述位移量，確定順序相鄰的每兩幅ROI圖像的重疊區(qū)域。進一步，所述獲取順序相鄰的每兩幅ROI圖像的梯度圖像的步驟，具體為：根據(jù)以下公式確定順序相鄰的每兩幅ROI圖像的梯度圖像：mag1(d,φ)=(f(d+1,φ)-f(d,φ))2+(f(d,φ+1)-f(d,φ))21≤d<m,1≤φ<nmag2(d,φ)=(g(d+1,φ)-g(d,φ))2+(g(d,φ+1)-g(d,φ))21≤d<m,1≤φ<n]]>其中，f是一幅圖像，為圖像f的灰度值，g是與f順序相鄰的另一幅圖像，是圖像g的灰度值，m是ROI圖像的像素行數(shù)，n是ROI圖像的像素列數(shù)，mag1(d,φ)是圖像f的梯度圖像，mag2(d,φ)是圖像g的梯度圖像；所述通過計算所述梯度圖像的歸一化互功率譜，確定順序相鄰的每兩幅ROI圖像的位移量的步驟，包括：根據(jù)以下公式對mag1(d,φ)和mag2(d,φ)進行二維傅里葉變換：F(u,v)=Σd=1m-1Σφ=1n-1f(d,φ)exp[-j2φ(dm-1u+φn-1v)]G(u,v)=Σd=1m-1Σφ=1n-1g(d,φ)exp[-j2π(dm-1u+φn-1v)]]]>根據(jù)以下公式獲取梯度圖像的歸一化互功率譜：S(u,v)=G(u,v)·F*(u,v)|G(u,v)·F*(u,v)|]]>對S(u,v)進行傅里葉逆變換，求出使得逆變化值最大的坐標(p,x*)，確定N＝(p,x*)為所述位移量；所述根據(jù)所述位移量，確定順序相鄰的每兩幅ROI圖像的重疊區(qū)域的步驟，具體為：根據(jù)以下公式獲取確定重疊區(qū)域的寬度q：q＝n-x*。進一步，所述當所述重疊區(qū)域的差異度大于預設閾值時，獲取對應的兩幅ROI圖像，定義為第一圖像和第二圖像的步驟，包括：獲取圖像f和圖像g被重疊區(qū)域覆蓋的圖像塊，并根據(jù)以下公式獲取圖像f和圖像g的差異度：Si=hfhg||hf||||hg||]]>其中，hf為圖像f被重疊區(qū)域覆蓋的圖像塊的HOG(HistogramofOrientedGradient方向梯度直方圖)特征，hg為圖像g被重疊區(qū)域覆蓋的圖像塊的HOG特征；判斷當所述差異度大于預設閾值時，獲取對應的兩幅ROI圖像，定義為第一圖像和第二圖像。進一步，所述在所述第一圖像上的預設坐標取預設尺寸的第一圖像塊，在所述第二圖像上以所述預設尺寸搜索第二圖像塊，當所述第一圖像塊和第二圖像塊的相似度符合預設條件時，獲取所述第二圖像塊的目的坐標的步驟，包括：在所述第一圖像上取尺寸為mp×np的第一圖像塊，在所述第二圖像上以尺寸為mp×np建立搜索模板，取所述搜索模板內(nèi)的圖像塊為第二圖像塊；提取第一圖像塊的HOG特征向量ht，在所述第二圖像上移動所述搜索模板，并提取搜索模板對應的第二圖像塊HOG特征向量hx,t；根據(jù)以下公式計算hx,t和ht的相似度：Sim(x)=hthx,t||ht||||hx,t||]]>其中，x為所述搜索模板左上角的水平坐標；根據(jù)以下公式獲取x的最佳取值：x*=arg{max1≤x≤np,{Sim(x)}}.]]>進一步，所述根據(jù)所述預設坐標和所述目標坐標，重新定義第一圖像和第二圖像的重疊區(qū)域的步驟，具體為：根據(jù)以下公式獲取第一圖像和第二圖像的重疊區(qū)域的寬度q＝x*+np。進一步，所述根據(jù)所述重新定義的重疊區(qū)域，對所述第一圖像和第二圖像進行拼接的步驟，具體為：使用加權漸變的融合方法對第一圖像和第二圖像的重疊區(qū)域進行拼接。進一步，所述使用加權漸變的融合方法對第一圖像和第二圖像的重疊區(qū)域進行拼接的步驟，包括：使用以下公式獲取第一圖像和第二圖像融合后的灰度：Z(d,φ)=It(d,φ)1≤φ<n-qIt(d,φ)W+It+1(d,φ-q+n)(1-W)n-q≤φ<nIt+1(d,φ-q+n)n≤φ≤2n-q]]>其中，It為第一圖像的灰度值，It+1是第二圖像的灰度值，W是權重，W=φq;]]>根據(jù)第一圖像和第二圖像融合后的灰度，獲取第一圖像和第二圖像拼接后的圖像。進一步，所述mp取值為m；所述np取值為n/4。本發(fā)明實施例的有益效果是：本發(fā)明通過在由相位相關法獲取ROI圖像的重疊區(qū)域后，通過判斷重疊區(qū)域的差異度，當差異度大于預設閾值時，進行二次配準，提高配準精度，避免虛影，也發(fā)揮了相位相關配準速度快的優(yōu)點。同時，通過在第一圖像上選取預設尺寸的第一圖像塊，并在第二圖像上搜索與第一圖像塊相似的第二圖像塊，根據(jù)第一圖像塊和第二圖像塊的位置關系，重新定義第一圖像和第二圖像的重疊區(qū)域。第一圖像塊的可以選取較為合適的尺寸，有利于兼顧搜索速度的同時保證重疊區(qū)域的判斷精度，能較好適應圖像細微的幾何形變和不同的光照，魯棒性好。附圖說明為了更清楚地說明本發(fā)明實施例的技術方案，下面將對本發(fā)明實施例描述中所需要使用的附圖作簡單地介紹，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明第一實施例的輪胎模具圖像的拼接方法的流程圖；圖2為本發(fā)明第二實施例的順序相鄰的兩幅圖像及其重疊區(qū)域的位置關系示意圖；圖3為本發(fā)明第二實施例的輪胎模具圖像的拼接方法的流程圖。具體實施方式下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。第一實施例參照圖1，是本發(fā)明的輪胎模具圖像的拼接方法的第一實施例的流程圖，該方法包括：步驟101，依次對待檢測輪胎模具進行掃描并采集獲得多幅原始圖像，并對原始圖像進行預處理生成多幅ROI圖像。在本實施例中，上述原始圖像具有順序關系，順序鄰接的原始圖像包含對輪胎模具的重復采集區(qū)域，各原始圖像可生成一幅或多幅ROI圖像，示例性的，ROI圖像可以對應輪胎模具的圖案和文字部分的圖像。步驟102，通過相位相關法獲取順序相鄰的每兩幅ROI圖像的重疊區(qū)域。在本步驟中，需要對所有順序相鄰的兩幅ROI圖像的重疊區(qū)域進行獲取。步驟103，當所述重疊區(qū)域的差異度大于預設閾值時，獲取對應的兩幅ROI圖像，定義為第一圖像和第二圖像。本步驟中判斷任意相鄰兩幅ROI圖像在重疊區(qū)域內(nèi)的差異度，當差異度大于預設閾值時，判斷該兩幅ROI圖像的重疊區(qū)域確定不準確，需要重新進行確定。定義上述兩幅ROI圖像為第一圖像和第二圖像，第一圖像和第二圖像可以是豎直方向順序排布的，也可以是水平方向順序排布的。需要說明的是，當順序相鄰的兩幅圖像的差異度小于預設閾值時，判斷重疊區(qū)域的確定準確，直接執(zhí)行圖像拼接的操作。步驟104，在所述第一圖像上的預設坐標取預設尺寸的第一圖像塊，在所述第二圖像上以所述預設尺寸搜索第二圖像塊，當所述第一圖像塊和第二圖像塊的相似度符合預設條件時，獲取所述第二圖像塊的目的坐標。在本實施例中，“第一”、“第二”等序數(shù)詞僅代表區(qū)分之意，不作為圖像塊的先后順序。上述預設坐標可以取在第一圖像中對應的重疊區(qū)域，在本步驟中，由于重疊區(qū)域并未準確確定，可以通過先驗知識或預設條件進行大致獲取。上述預設尺寸與第一圖像和第二圖像的重疊區(qū)域的大小相關，作為一種優(yōu)選方案，預設尺寸不大于大致獲取的重疊區(qū)域。步驟105，根據(jù)所述預設坐標和所述目標坐標，重新定義第一圖像和第二圖像的重疊區(qū)域。在本實施例中，第一圖像和第二圖像的重疊區(qū)域主要通過第一圖像和第二圖像重新確定的位移量來量化。步驟106，根據(jù)所述重新定義的重疊區(qū)域，對所述第一圖像和第二圖像進行拼接。本發(fā)明實施例的有益效果是：本發(fā)明通過在由相位相關法獲取ROI圖像的重疊區(qū)域后，通過判斷重疊區(qū)域的差異度，當差異度大于預設閾值時，進行二次配準，提高配準精度，避免虛影，也發(fā)揮了相位相關配準速度快的優(yōu)點。同時，通過在第一圖像上選取預設尺寸的第一圖像塊，并在第二圖像上搜索與第一圖像塊相似的第二圖像塊，根據(jù)第一圖像塊和第二圖像塊的位置關系，重新定義第一圖像和第二圖像的重疊區(qū)域。第一圖像塊的可以選取較為合適的尺寸，有利于兼顧搜索速度的同時保證重疊區(qū)域的判斷精度，能較好適應圖像細微的幾何形變和不同的光照，魯棒性好。第二實施例參照圖2，是本發(fā)明的輪胎模具圖像的拼接方法第二實施例的流程圖，該方法包括：步驟201，根據(jù)預設旋轉角度依次對待檢測輪胎模具進行掃描并采集獲得多幅原始圖像，并分別對所采集的每張原始圖像進行處理后獲得輪胎外側圓弧形輪廓。本步驟作為原始圖像的一種具體實施方式而非限定，具體的，獲取輪胎外側圓弧形輪廓的方式包括：依次對待檢測輪胎模具進行掃描并采集獲得多幅原始圖像，并分別對所采集的每張原始圖像進行圖像去噪和閾值分割處理后，得到輪胎模具輪廓，進而根據(jù)輪廓曲率斷開輪廓，從而根據(jù)每段輪廓的方向、長度以及曲率，獲得輪胎外側圓弧形輪廓。步驟202，擬合輪胎外側圓弧形輪廓的圓心和半徑后，通過極坐標變換將待測的輪胎外側圓弧形圖像轉換為平直型待測圖像，并對所述平直型待測圖像進行閾值分割后，定位輪胎模具圖像區(qū)域，生成多幅待測的ROI圖像。上述待測ROI圖像可以對應輪胎模具的圖案和文字部分的圖像。步驟203，獲取順序相鄰的每兩幅ROI圖像的梯度圖像。在本步驟中，相鄰的ROI圖像是水平順序排布的，定義順序相鄰的一幅圖像為f，另一幅圖像為g，如圖2所示，圖像f在圖像g的左側，則本步驟具體為：根據(jù)以下公式確定順序相鄰的每兩幅ROI圖像的梯度圖像：mag1(d,φ)=(f(d+1,φ)-f(d,φ))2+(f(d,φ+1)-f(d,φ))21≤d<m,1≤φ<nmag2(d,φ)=(g(d+1,φ)-g(d,φ))2+(g(d,φ+1)-g(d,φ))21≤d<m,1≤φ<n]]>其中，為圖像f的灰度值，是圖像g的灰度值，m是ROI圖像的像素行數(shù)，n是ROI圖像的像素列數(shù)，mag1(d,φ)是圖像f的梯度圖像，mag2(d,φ)是圖像g的梯度圖像。需要說明的是，在本實施例中，除特別說明外，公式中相同數(shù)學符號所代表的定義也是相同的，對于下述公式重復出現(xiàn)的數(shù)學符號，不再進行解釋。步驟204，通過計算所述梯度圖像的歸一化互功率譜，確定順序相鄰的每兩幅ROI圖像的位移量。本步驟具體包括：根據(jù)以下公式對mag1(d,φ)和mag2(d,φ)進行二維傅里葉變換：F(u,v)=Σd=1m-1Σφ=1n-1f(d,φ)exp[-j2π(dm-1u+φn-1v)]G(u,v)=Σd=1m-1Σφ=1n-1g(d,φ)exp[-j2π(dm-1u+φn-1v)]]]>根據(jù)以下公式獲取梯度圖像的歸一化互功率譜：S(u,v)=G(u,v)·F*(u,v)|G(u,v).F*(u,v)|]]>對S(u,v)進行傅里葉逆變換，求出使得逆變化值最大的坐標(p,x*)，確定N＝(p,x*)為所述位移量。步驟205，根據(jù)所述位移量，確定順序相鄰的每兩幅ROI圖像的重疊區(qū)域。根據(jù)以下公式獲取確定重疊區(qū)域的寬度q：q＝n-x*。步驟206，獲取圖像f和圖像g被重疊區(qū)域覆蓋的圖像塊，并根據(jù)以下公式獲取圖像f和圖像g的差異度：Si=hfhg||hf||||hg||]]>其中，hf為圖像f被重疊區(qū)域覆蓋的圖像塊的HOG特征，hg為圖像g被重疊區(qū)域覆蓋的圖像塊的HOG特征。步驟207，判斷當所述差異度大于預設閾值時，獲取對應的兩幅ROI圖像，定義為第一圖像和第二圖像。本步驟中判斷圖像f和圖像g在重疊區(qū)域內(nèi)的差異度，當差異度大于預設閾值時，判斷該兩幅ROI圖像的重疊區(qū)域確定不準確，需要重新進行確定。需要說明的是，當順序相鄰的兩幅圖像的差異度小于預設閾值時，判斷重疊區(qū)域的確定準確，直接執(zhí)行步驟213。步驟208，在所述第一圖像上取尺寸為mp×np的第一圖像塊，在所述第二圖像上以尺寸為mp×np建立搜索模板，取所述搜索模板內(nèi)的圖像塊為第二圖像塊。在本實施例中，第二圖像中的搜索模板的位置是變化的，搜索模板可以移動至第二圖像的任意位置，以使第二圖像塊涵蓋第二圖像所有區(qū)域。在本步驟中，所述mp取值為m；所述np取值為n/4。步驟209，提取第一圖像塊的HOG特征向量ht，在所述第二圖像上移動所述搜索模板，并提取搜索模板對應的第二圖像塊HOG特征向量hx,t。步驟210，根據(jù)以下公式計算hx,t和ht的相似度：Sim(x)=hthx,t||ht||||hx,t||]]>其中，x為所述搜索模板左上角的水平坐標。步驟211，根據(jù)以下公式獲取x的最佳取值。在本步驟中，x*為相對于步驟205重新獲取的x的最佳取值。步驟212，根據(jù)以下公式獲取第一圖像和第二圖像的重疊區(qū)域的寬度。q＝x*+np。在本步驟中，x*為相對于步驟205重新獲取的重疊區(qū)域的寬度。步驟213，使用加權漸變的融合方法對第一圖像和第二圖像的重疊區(qū)域進行拼接。具體的，本步驟包括：使用以下公式獲取第一圖像和第二圖像融合后的灰度：Z(d,φ)=It(d,φ)1≤φ<n-qIt(d,φ)W+It+1(d,φ-q+n)(1-W)n-q≤φ<nIt+1(d,φ-q+n)n≤φ≤2n-q]]>其中，It為第一圖像的灰度值，It+1是第二圖像的灰度值，W是權重，W=φq;]]>根據(jù)第一圖像和第二圖像融合后的灰度，獲取第一圖像和第二圖像拼接后的圖像。上述拼接后的圖像可以是平直型圖像，也可以對平直型圖像進行極坐標反變換，將平直型圖像還原成圓，實現(xiàn)輪胎模具圖像的拼接。本發(fā)明實施例中，通過利用重疊區(qū)域HOG特征相似度高的特點，判斷第一次配準過程中是否存在較大誤差，避免了拼接后的圖像嚴重虛影的情況發(fā)生，同時，由于HOG特征能較好適應圖像細微的幾何形變和不同的光照，克服了相位相關法獲取重疊區(qū)域對于旋轉和細微的畸變十分敏感的不足，具有魯棒性好的優(yōu)點。在本申請所提供的幾個實施例中，應該理解到，在本發(fā)明各個實施例中各步驟可以通過對應的虛擬功能單元實現(xiàn)。各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用軟件功能單元的形式實現(xiàn)。所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中?；谶@樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)或處理器(processor)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(ROM，Read-OnlyMemory)、隨機存取存儲器(RAM，RandomAccessMemory)、磁碟或者光盤等各種可以存儲程序代碼的介質。以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3