线结构光条纹中心线提取的图像处理方法研究

灰度重心法提取激光条纹中心线灰度重心法是一种常用的图像处理方法，可以用于提取激光条纹的中心线。

激光条纹是一种重要的光学现象，广泛应用于三维重建、轮廓测量等领域。

本文将介绍灰度重心法的原理和步骤，并结合实例进行详细说明。

灰度重心法是一种基于灰度信息的图像处理方法。

在激光条纹图像中，激光条纹通常呈现出明暗交替的条纹模式。

而激光条纹的中心线是条纹中灰度最高的位置，通过提取中心线可以得到激光条纹的轮廓信息。

灰度重心法就是利用条纹中灰度最高的位置作为中心线的提取方法。

具体的提取步骤如下：1. 预处理：首先需要对激光条纹图像进行预处理，包括去噪、灰度化等操作。

去噪可以采用滤波算法，如均值滤波、中值滤波等。

灰度化则是将彩色图像转换为灰度图像，只保留亮度信息。

2. 二值化：将灰度图像转换为二值图像，即将灰度值大于某个阈值的像素点设置为白色，小于阈值的像素点设置为黑色。

二值化操作可以使用简单的阈值分割方法，也可以使用自适应阈值分割等方法。

3. 边缘检测：对二值图像进行边缘检测，可以使用常见的边缘检测算法，如Sobel算子、Canny算子等。

边缘检测可以提取出激光条纹的边缘信息。

4. 中心线提取：通过灰度重心法提取激光条纹的中心线。

首先计算每一列的灰度重心，即计算每一列中灰度最高的位置。

然后将这些灰度最高位置连接起来，得到中心线。

灰度重心法的原理是基于激光条纹的灰度分布特性。

激光条纹的中心线上的像素点具有最高的灰度值，而离中心线越远的像素点灰度值逐渐降低。

因此，通过计算每一列的灰度重心，可以得到激光条纹的中心线位置。

下面以实例说明灰度重心法的应用。

假设我们有一张激光条纹图像，经过预处理后得到二值图像。

然后使用Sobel算子进行边缘检测，得到边缘图像。

接下来，我们计算每一列的灰度重心，得到中心线的位置。

最后，将中心线绘制在原始图像上，即可得到激光条纹的中心线。

灰度重心法在激光条纹的轮廓提取中具有较好的效果。

相比于其他方法，灰度重心法不需要复杂的数学模型或大量的计算，简单易实现。

・图像和信息处理・结构光光条提取的混合图像处理方法33周富强33,陈　强,张广军(北京航空航天大学仪器科学与光电工程学院,北京100083)摘要:将大模板高斯递归实现引入到结构光条纹中心提取中,提出了一种基于感兴趣区域(ROI)的结构光条纹中心混合图像处理方法。

结合图像的阈值化和膨胀算法,自动分割出结构光条所在区域作为光条提取的ROI,利用高斯卷积递归实现获得ROI内光条纹各点的Hessian矩阵,并确定光条纹各点的法线方向,最后在法线方向利用泰勒级数展开求得ROI内光条纹中心的亚像素图像坐标。

实验表明,基于ROI的结构光条纹中心混合图像处理方法具有精度高、鲁棒性好和自动化程度高等特点,所提出的算法大大地减少了结构光条纹提取的冗余计算,实现了光条纹中心线的快速高精度提取。

在保证光条提取的精度和鲁棒性前提下,所提出的算法将光条提取速度提高了10多倍,为结构光视觉三维测量的实时应用奠定了基础。

关键词:结构光视觉;条纹;感兴趣区域;亚像素中图分类号:TP391.41 文献标识码:A 文章编号:100520086(2008)1121534204C omposite im age p rocessing for center extraction of stru ctu red light strip eZHOU Fu2qiang33,CHEN Qiang,ZHANG G uang2jun(School of Instrument Science&Opto2electronics Engineering,Beihang University,Beijing100083,China)Abstract:Recursive implement algorithm of G aussian convolution with tremendous template size has been applied to the cen2 ter extrication of structured light stripe.A composite image processing method to detect the sub2pixel center of structuredlight stripe based on region2of2interest(ROI)is proposed.By combining image threshold with image dilation,ROIs of struc2 tured2light are automatically segmented in a measured image.The normal directions of light stripe in ROI is determ ined byHessian matrix,which is obtained from recursive implement of G aussian convolution.The sub2pixel center of the light stripescan be found in normal directions with T aylor series expansion.Experiments show that the proposed method drastically re2 duces the redundancy computation and implements high2accurate center extrication of structured light stripe with high speed.K ey w ords:Structured2light vision;stripe ROI;sub pixels1　引　言 结构光视觉三维测量具有非接触、动态响应快、系统柔性好等特点,广泛应用于产品快速设计和加工质量控制、逆向工程以及自动控制等诸多领域[1～4]。

线结构光条纹自适应中心提取优化算法
线结构光条纹自适应中心提取优化算法是一种基于投影变换的方法，它可以有效地提取和分析线结构光条纹。

该方法主要包括四个步骤：首先，对投影图像进行模糊处理，使用模糊处理可以有效地消除
图像中不必要的细节；其次，计算投影变换后的边缘信号，以检测带
有结构光条纹信息的边缘；第三，基于投影变换和模糊处理后的边缘
信息，采用一种局部拟合算法，提取出投影变换后的线结构光条纹的
中心；最后，使用去噪算法进一步优化线结构光条纹自适应中心的提
取效果。

线结构光条纹自适应中心提取优化算法的优势主要体现在三个方面：首先，该算法能够从投影图像中有效提取线结构光条纹的中心点；其次，该算法采用投影变换和模糊处理等技术，使得提取精度更高，
同时也更加稳定；第三，该算法采用了去噪算法进行优化，从而使提
取出的线结构光条纹的中心更加精确。

此外，线结构光条纹自适应中
心提取优化算法的可扩展性也很好，可以应用于各种不同的图像上，
从而大大提高精度和实时性。

线结构光条纹自适应中心提取优化算法在实际应用中可以解决复
杂环境中线缝隙检测、机器视觉准确识别和机器人路径规划等问题。

例如，可以应用于线结构光条纹车辆定位和跟踪、智能车辆安全驾驶
系统以及智能机器人导航等相关领域。

综上所述，线结构光条纹自适应中心提取优化算法是一种高效的
方法，用于检测线结构光条纹的中心位置。

该算法具有较高的准确性
和可扩展性，可用于智能车辆安全驾驶、机器人导航和机器视觉准确
识别等领域。

线结构光中心线提取算法线结构光中心线提取算法是一种用于提取线结构光图像中的中心线的图像处理算法。

线结构光是一种利用一组平行光线或光纹来对物体进行测量、重建或识别的技术，常用于三维形状测量、光栅编码等领域。

线结构光中心线提取算法的目标是从线结构光图像中准确提取物体的中心线。

中心线是物体表面上的一个二维曲线，其具有重要的形状信息和几何特征。

中心线提取算法的准确性和可靠性对于后续的物体测量和重建过程至关重要。

线结构光中心线提取算法的核心思想是从图像中找到物体的边缘，并通过一系列的图像处理操作来提取出中心线。

在图像处理领域，边缘检测是一个常见的问题，有许多经典的边缘检测算法可供选择，如Canny算法、Sobel算法等。

可以利用这些算法来检测出线结构光图像中物体的边缘。

一旦得到了物体的边缘，接下来就可以使用一些曲线拟合算法来提取中心线。

最常用的曲线拟合算法是最小二乘法，它可以通过最小化拟合误差来获得最优的拟合曲线。

在线结构光中心线提取算法中，可以使用最小二乘法来拟合物体边缘上的点，从而得到中心线的表达式。

在实际应用中，线结构光中心线提取算法还需要解决一些特定问题。

例如，线结构光图像中可能存在噪声和干扰，这会影响到中心线的提取结果。

为了解决这个问题，可以采用图像滤波的方法来降噪。

常用的图像滤波算法有高斯滤波、中值滤波等，可以根据实际情况选择合适的滤波算法。

此外，线结构光中心线提取算法还需要考虑到物体的形状变化和光源的方向。

在实际应用中，物体的形状可能是复杂多变的，这就需要在算法中加入一些自适应的机制来适应不同的形状。

同时，光源的方向也会对中心线的提取结果产生影响，因此需要在算法中进行光源的校正和调整。

综上所述，线结构光中心线提取算法是一种用于提取线结构光图像中物体中心线的图像处理算法。

它可以通过边缘检测和曲线拟合等方法来提取中心线，并且可以通过图像滤波、自适应机制和光源校正等技术来提高算法的准确性和鲁棒性。

第24卷　第1期2009年3月 北京机械工业学院学报Journal of Beijing I nstitute ofM achineryVol.24No.1Mar.2009文章编号:1008-1658(2009)01-0042-04结构光测量系统中光条中心的提取算法刘枝梅,邓文怡,娄小平(北京信息科技大学　光电信息与通信工程学院,北京100192)摘 要:在线结构光视觉测量系统中,光条中心的提取精度直接影响到整个系统的测量结果。

由于光条宽度不同、光照不均匀及待测物体表面性质的差异,使得精确地提取光条中心存在一定难度。

根据线结构光的特点提出了2种提取算法,分别为二值形态学细化算法和高斯分布的曲线拟合算法。

实验结果表明,2种算法在测量中均具有可行性,且后者提取精度较高,更适合于光条中心线提取。

关　键　词:线结构光;光条中心提取;计算机视觉中图分类号:TP391 文献标识码:AExtracti on a lgor ithm of li ght str i pes cen ter i n them ea surem en t system of structured li ghtL I U Zhi2mei,DENG W en2yi,LOU Xiao2p ing(School of Phot oelectric I nfor mati on and Telecommunicati on Engineering,Beijing I nfor mati on Science and Technol ogy University,Beijing100192,China)Abstract:I n the visi on measurement syste m of line2structed light,the extracting p recisi on of light stri pes center affects the p recisi on of measure ment syste m directly.It is quite difficult t o extract light stri pes center p recisely because of different light2stri pes widths,uneven illum inati on and differences in the nature of the objects surface.According t o the characteristics of line2structured light,t w o extracting algorith m s of light stri pes center were p r oposed including t w o2value mor phol ogical thinning algorithm and Gaussian distributi on curve fitting algorith m.The experi m ent results show that t w o algorithm s are feasible in measure,and the latter with higher p recisi on,is more fit for the extracting of light stri pes center2line.Key words:line2structured light;light stri pes center extracti on;computer visi on 物体三维轮廓的测量有多种方法。

第３１卷第１期　２０１４年３月 广东工业大学学报ＪｏｕｒｎａｌｏｆＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ Ｖｏｌ．３１Ｎｏ．１ Ｍａｒｃｈ２０１４收稿日期：２０１３－０３－０１基金项目：国家自然科学基金资助项目（５１１０５０７８）；广东省教育部产学研结合项目（２０１２Ｂ０９１１００１９０）；东莞市高等院校科研机构科技计划项目（２０１０１０８１０２０５）；广州市科技计划项目（２０１３Ｊ４３０００１９）作者简介：杨建华（１９８５－），男，硕士研究生，主要研究方向为逆向设计与工程应用、机器视觉与三维测量．ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７－７１６２．２０１４．０１．０１５线结构光三维视觉测量中光条纹中心提取综述杨建华，杨雪荣，成思源，雷志盛，骆少明，张湘伟（广东工业大学机电工程学院，广东广州５１０００６）摘要：光条纹中心提取是线结构光三维视觉测量中的关键技术．把影响光条纹中心提取精度的主要因素归纳为工作环境、激光平面、被测物体和图像采集系统，并对其进行了对比分析．根据提取算法的理论基础、对图像信息的利用及计算思路特点的差异，将其分为几何中心方法和能量中心方法两大类．针对每类方法的计算思路、优缺点、改进方法、适用工况等在细分类方法中进行了对比分析和归纳总结．最后结合两大类方法的发展特点，提出了光条纹中心提取方法的进一步发展方向．关键词：三维视觉测量；线结构光；光条纹；中心提取中图分类号：ＴＰ３９１．４；ＴＮ２４７ 文献标志码：Ａ 文章编号：１００７－７１６２（２０１４）０１－００７４－０５ＲｅｖｉｅｗｏｆＥｘｔｒａｃｔｉｎｇｔｈｅＣｅｎｔｅｒｓｏｆＬｉｎｅａｒＳｔｒｕｃｔｕｒｅｄＬｉｇｈｔＳｔｒｉｐｅｓｆｏｒ３ＤＶｉｓｕａｌＭｅａｓｕｒｅｍｅｎｔｓＹａｎｇＪｉａｎ－ｈｕａ，ＹａｎｇＸｕｅ－ｒｏｎｇ，ＣｈｅｎｇＳｉ－ｙｕａｎ，ＬｅｉＺｈｉ－ｓｈｅｎｇ，ＬｕｏＳｈａｏ－ｍｉｎｇ，ＺｈａｎｇＸｉａｎｇ－ｗｅｉ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｅｘｔｒａｃｔｉｎｇｔｈｅｃｅｎｔｅｒｏｆａｌｉｇｈｔｓｔｒｉｐｅｉｓｏｎｅｏｆｔｈｅｋｅｙｔｅｃｈｎｉｑｕｅｓｏｆｔｈｅｌｉｎｅａｒｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｆｏｒｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌ（３Ｄ）ｖｉｓｕａｌｍｅａｓｕｒｅｍｅｎｔ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｉｎｆｌｕｅｎｃｅｏｆｔｈｅａｃｃｕｒａｃｙｉｎｅｘｔｒａｃｔｉｎｇｔｈｅｌｉｇｈｔｓｔｒｉｐｅｃｅｎｔｅｒｓ，ｔｈｅｆｏｕｒｋｅｙｆａｃｔｏｒｓ，ｗｈｉｃｈａｒｅｔｈｅｗｏｒｋｅｎｖｉｒｏｎｍｅｎｔ，ｌａｓｅｒｐｌａｎｅｓ，ｍｅａｓｕｒｅｄｏｂ－ｊｅｃｔｓａｎｄｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎｓｙｓｔｅｍｓ，ａｒｅｓｕｍｍｅｄｕｐａｎｄａｎａｌｙｚｅｄ．Ｏｎｔｈｅｂａｓｉｓｏｆｔｈｅｄｉｆｆｅｒｅｎｃｅｓｂｅ－ｔｗｅｅｎｔｈｅｕｓｅｏｆｔｈｅｉｍａｇｅｉｎｆｏｒｍａｔｉｏｎａｎｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｃａｌｃｕｌａｔｅｄａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓ，ａｎｅｗｉｄｅａｉｓｐｒｏｐｏｓｅｄｔｈａｔｔｈｅｙａｒｅｃｌａｓｓｉｆｉｅｄｉｎｔｏｔｗｏｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ，ｗｈｉｃｈａｒｅｔｈｅｇｅｏｍｅｔ－ｒｉｃａｌｃｅｎｔｅｒｍｅｔｈｏｄａｎｄｔｈｅｅｎｅｒｇｙｃｅｎｔｅｒｍｅｔｈｏｄ．Ｂａｓｅｄｏｎｔｈｅｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｔｈｅｔｗｏｍｅｔｈｏｄｓｉｎａｌｇｏｒｉｔｈｍｔｈｏｕｇｈｔｓ，ｍｅｒｉｔｓａｎｄｄｅｍｅｒｉｔｓ，ｗａｙｓｏｆｉｍｐｒｏｖｅｍｅｎｔ，ａｐｐｌｉｃａｂｌｅｃｏｎｄｉｔｉｏｎｓ，ｔｈｅｙａｒｅｓｕｂｃｌａｓｓｉ－ｆｉｅｄ，ｃｏｍｐａｒｅｄ，ａｎａｌｙｚｅｄａｎｄｓｕｍｍａｒｉｚｅｄ．Ａｔｌａｓｔ，ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｉｎｇｆｅａｔｕｒｅｓｏｆｔｈｅｔｗｏｍｅｔｈｏｄｓｃｏｍ－ｂｉｎｅｄ，ｉｔｐｒｏｐｏｓｅｓｔｈｅｄｅｖｅｌｏｐｍｅｎｔｔｒｅｎｄｏｆｔｈｅｌｉｇｈｔｓｔｒｉｐｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄ．Ｋｅｙｗｏｒｄｓ：３Ｄｖｉｓｕａｌｍｅａｓｕｒｅｍｅｎｔ；ｌｉｎｅａｒｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔ；ｌｉｇｈｔｓｔｒｉｐｅ；ｅｘｔｒａｃｔｉｎｇｔｈｅｃｅｎｔｅｒ 线结构光三维视觉测量是基于光学三角法测量原理的一种非接触式测量，具有测量速度快、精度高，结构简单、经济且易于实现等优点，在工业测量和检测、医学、工程设计、逆向工程等领域得到了越来越广泛的应用［１］．其测量原理是首先将激光器发出的激光光束通过柱面镜展成为一个连续的激光平面，用它来照射被测物体，与被测物体表面相交形成一条变形结构光条纹；然后利用ＣＣＤ摄像机拍摄到的变形结构光条纹的图像几何信息，结合测量时系统运动参数来提取被测物体表面的三维形貌几何信息．其中，对变形结构光条纹图像的处理和计算，是三维测量的关键环节之一．由于变形结构光条纹一般具有３～１２个像素宽度，而光条纹中心线上点的位置坐标才是测量所需的最准确的信息，所以必须对变形结构光条纹进行光条纹中心提取，因此，光条纹中心提取的精度直接决定了测量结果的精度．１　光条纹中心提取精度的影响因素国内外很多学者紧紧地围绕如何提高光条纹中心的提取精度和算法速度进行了大量的实验研究和工程实践，通过及应用不同的算法研究并取得了相应的成果，在指导实际工程应用方面发挥了不同的作用，其依据的结构光视觉的基本测量原理如图１所示，实验中拍摄的实物模型的变形结构光条纹如图２所示．图１　线结构光测量原理Ｆｉｇ．１　Ｐｒｉｎｃｉｐｌｅｏｆｌｉｎｅａｒｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｍｅａｓｕｒｅｍｅｎｔ图２　实物模型的变形结构光条纹Ｆｉｇ．２　Ｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｔｒｉｐｅｓｏｆｏｂｊｅｃｔｍｏｄｅｌ 噪声对光条纹提取的精度有较大影响，在对光条纹图像进行处理时首先要进行去噪处理，所以对影响光条纹中心提取精度的主要因素进行了总结分析和对比研究．结合杨雪荣等［２］和解则晓等［３］对光条纹中心提取影响因素的分析，可将其总结并概括为表１．表１　主要影响提取精度的因素Ｔａｂ．１　Ｍａｉｎｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｓｏｆｔｈｅｅｘｔｒａｃｔｉｏｎ影响因素噪声来源噪声类别降噪、除噪方法工作环境环境光（折射光、漫反射光、白炽灯光）随机噪声（无法估量、无法彻底消除）提高激光器功率、设计封闭式采集、选用特定波段的激光光源和滤色镜等激光平面平面度、“厚度”、光强变化可消除噪声（有规律、可重复）滤波处理、选用性能稳定的激光光源等被测物体表面性质、材质随机噪声喷涂吸光材料、改变光照角度等图像采集系统图像采集卡、ＣＣＤ内部噪声随机噪声、热电噪声、白噪声图像滤波处理、独立分割光条纹特征再处理等 表１中根据测量时的系统组成和测量原理将影响提取精度的因素分成４大类，针对每类的噪声来源、噪声类别及其是否可消除、避免噪声方法及措施进行了对比分析．针对这些噪声影响因素的研究以及结合数字图像处理和计算机视觉领域的新发展，很多学者提出了独特的光条纹中心提取算法．从实现方法上分析，可将现有的光条纹提取技术归结为两大类：以几何中心作为光条纹中心的提取方法和以能量中心作为光条纹中心的提取方法．２　光条纹中心的几何中心提取法此类方法又简称为几何中心方法．它是从数字图像处理的图像分割理论发展而来，其基本思路是首先对光条纹进行边缘检测，然后利用提取的光条纹两条边缘线的几何关系或阈值信息来求取光条纹的几何中心线，作为光条纹的中心线．从计算依据的信息和算法不同，几何中心法可分成以下３类．２．１　利用边缘信息的提取方法此方法主要利用特征检测分割出的两条光条纹区域边缘线，从计算几何角度提取光条纹中心线．这类方法是最早用来实现结构光条纹中心线提取的主要方法，最先实现的传统边缘法（又称轮廓法）只是简单地将两条边缘线中的某一条替代作为光条纹中心线，后来进行改进发展的中线法（又称中心法）是提取两条边缘线的中线作为光条纹中心线［４］．表２列出了两种方法的特点．表２　边缘法与中线法的特点Ｔａｂ．２　Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｅｄｇｅ－ｍｅｔｈｏｄａｎｄｃｅｎｔｅｒｌｉｎｅ－ｍｅｔｈｏｄ名称特点边缘法①取光条纹内或外边缘线作为中心线②适用于精度要求不高的大型物体测量③要求图像质量较好且结构光特性较高中线法①取光条纹内外边缘线的中线作为中心线②适用条纹质量好且形状规则的物体测量③实现简单且避免判断内外边缘轮廓线５７　第１期 杨建华，等：线结构光三维视觉测量中光条纹中心提取综述 在运用两种方法的过程中，物体模型表面复杂并带有细微特征以及光条纹不规范，常常使提取的中线出现“分枝”；由于遮挡等原因造成光条纹出现缺失或断线，这些都会产生测量误差．据此，黎明等［５］提出一种利用光强信息进行修正的中线法，利用表面光强分布信息与表面法线方向关系采用逐次逼近的计算方法修正带有误差的中线轮廓，使得算法精度得到进一步提高．２．２　利用阈值信息的提取方法此方法假设在理想的结构光条纹特性和被测物体表面质量相同的条件下，提取阈值分割后光条纹横截面中一对阈值分割点的中点位置作为光条纹中心点．该方法称为灰度阈值法（又称门限阈值法），具有计算速度快，简单等特点．由于受阈值分割和噪声影响大而使得提取精度差，它只适用于对光条纹中心位置的粗略估计．针对激光散斑效应噪声影响较为严重的问题，贾波等［６］采用了图像多帧平均法，虽然有效地去除了噪声，但是由于它将同时处理到几帧图像，造成计算数据量较大，处理速度缓慢，不适合也不利于工程应用．２．３　利用细化技术的提取方法此方法利用细化技术得到光条纹区域的细化曲线来替代光条纹中心线，称为形态学骨架法（又称骨架细化法）．骨架是图像几何形态的重要拓扑结构描述，保持了原目标的拓扑性质，具有原目标相同的特征，可用来表征一个光条纹的中心线特征．细化过程就是重复地剥掉二值图像的边界像素，直到获得一条单像素宽的光条纹连通线（称为骨架）的过程．将形态学处理引入光条纹中心提取是一个重要的算法推广，但是由于单纯提取的骨架没有考虑到光条纹的横截面光强特性，使得提取的光条纹中心线精度不高．同时在迭代腐蚀边界像素时必须保持目标的连通性而不能改变图像的拓扑性质，而需要进行多次细化操作，使得提取算法的运算速度降低．３　光条纹中心的能量中心提取法此类方法又简称为能量中心方法，它是在对激光光束的光学分析、结构光光条纹的形成原理和灰度特性分析的基础上发展形成的．其基本计算思路是求取光条纹横截面上理想的光强高斯分布曲线的灰度重心点或灰度极大值点作为光条纹的中心点，然后连接点集或拟合成高次曲线得到光条纹的能量中心线，作为光条纹的中心线．目前，对提取光条纹能量中心的方法研究一直是热门话题，现有方法可综合分成以下３类．３．１　利用灰度重心的提取方法此方法是直接依据光条纹在每一行横截面区间内灰度值的排列，沿行坐标方向求取光条纹区域的灰度重心点来代表该截面的光条纹中心点位置．该方法减小了由于光条纹灰度分布的不均匀性而引起的误差，提高了提取精度．但由于在光条纹截面中参与计算的像素点数不同及噪声干扰影响，导致了中心点位置计算结果出现沿行坐标方向的偏移误差．针对在处理得到灰度重心点之前的噪声干扰、图像预处理方法等方面，以及如何得到更加逼近实际的灰度重心点等方面，很多学者进行了有针对性的分析和研究，表３列出了与此相关的改进方法［２，７－１０］．在表中针对改进因素的不同方式或途径进行分别对比，从采用的理论基础和算法特点两个方面进行了分析．３．２　利用方向模板技术的提取方法此方法又称为可变方向模板法（简称方向模板法），主要针对光条纹图像进行低通滤波除噪和平滑处理后而引起损失物体表面几何细节信息的缺点，提出采用“有效尺寸”为５×３的４种不同方向模板与光条纹图像进行卷积运算，直接提取光条纹中心．最初由胡斌等［１１］提出，它是从利用灰度重心提取方法的思想发展而来的．该方法具有与采用固定模板卷积一样的抗白噪声和一定断线修补能力，较好地保留了光条纹的细节信息；但是在更高精度的要求下仅仅选取４个方向的模板不再能够满足要求，但如果增加其他不同方向模板又会增加计算量和运算时间，影响处理效率．据此，雷海军等［１２］在运用可变方向模板法之前结合光条纹像素的灰度邻域属性利用灰度阈值分割出光条纹，如此可快速检测和精确定位光条纹中心，同时数据存储量小有利于硬件并行实现．此外，吴庆阳等［１３］将可变方向模板技术和细化技术相结合，在细化的骨架上利用可变方向模板判断光条纹的法线方向，再利用灰度重心方法可提取光条纹中心，这样充分地发挥了两种方法的优点．３．３利用极大值点的提取方法此方法主要将光条纹中横截面光强极大值点作为光条纹中心点．该方法在光条纹横截面的灰度布成理想高斯分布的情况下具有很好的提取效果，而且提取速度极快．但由于受到噪声干扰，光条纹横截面的灰度分布曲线不能完全构成理想高斯曲线，因此该方法不适用于信噪比较小的图像．近年来以该６７ 广　东　工　业　大　学　学　报 第３１卷　方法为基础，许多研究者又提出了改进方法［１４－１５］，如表４所示．表中将改进方法分成对噪声影响和极值点寻找两个大方向，对改进方法的核心思想及特点进行了对比分析．表３　灰度重心法的改进方法Ｔａｂ．３　Ｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅｂａｒｙｃｅｎｔｅｒｍｅｔｈｏｄ针对性或改进因素方法名称理论基础特点灰度重心点提取的偏移误差和曲面调制误差自适应迭代法系统量传递理论偏态分布重心特性基本消除光条纹调制误差，可用于快速精密测量灰度重心点提取对光强分布不均匀的敏感性自适应阈值法阈值分割算法浮动阈值特性去除某些随机噪声以及激光散斑效应的干扰影响边界灰度阈值选取对灰度重心点提取的影响梯度重心法灰度梯度特性灰度非正态分布特性克服灰度分布不匀称良好的抗噪性和鲁棒性光条纹法线方向上灰度重心点的计算偏差全分辨率法灰度梯度特性Ｂａｚｅｎ方法兼顾光条纹延伸方向影响因素、适用于在线精确测量光条纹法线方向和灰度重心点的判别封闭光圈（光带）法基准坐标变换模板校正算法计算精度高但计算数据量大、速度慢、应用实时性差噪声干扰对灰度重心点提取的影响ＮＵＲＢＳ曲线插值法ＮＵＲＢＳ曲线的局部控制特性、插值运算方法降低噪声影响、重复计算精度稳定性好Ｂ样条迭代法Ｂ样条曲线特性迭代算法逐步迭代修复噪声影响、提高提取精度遗传优化法遗传算法图像分割阈值特性增强抗白噪声能力实现断线的修补可变形模型法可变形模型理论Ｂ样条曲线特性有效抑制噪声影响实现断线的修补感兴趣区域（ＲＯＩ）分割法最大类间方差法阈值分割特性提高处理速度、增强光照下抗漫反射能力和分割特性表４　极大值点法的改进Ｔａｂ．４　Ｉｍｐｒｏｖｅｍｅｎｔｏｆｔｈｅｍａｘｉｍｕｍｐｏｉｎｔ－ｖａｌｕｅｍｅｔｈｏｄ针对性改进方法特点干扰噪声影响从极值点向两边缘方向搜索到相同阈值阈值对等更精确，运算时间增长寻找极大值点（最小二乘法）高斯曲线拟合或二次抛物线拟合曲线拟合理论成熟，提取精度达亚像素级Ｓｔｅｇｅｒ的Ｈｅｓｓｉａｎ矩阵法（曲线求导理论）精度高、鲁棒性好，运算量较大胡坤的改进Ｓｔｅｇｅｒ法（采用固定像素框或递归滤波）极大减少运算量，实现矩阵快速运算基于ＲＯＩ分割的胡坤法的改进极大提高运算速度适合实时应用４　总结如前所述，直接地利用光条纹区域的几何关系与阈值信息求取光条纹的几何中心线，就是以几何中心作为光条纹中心的提取方法．实现该类方法的关键点是在于如何得到更加合理的每个光条纹横截面的几何中心位置对应点．针对当前的工程应用领域来说，这种典型方法已经逐渐发展成熟并得到广泛的应用．在受工况环境和噪声影响少、结构光性能好、物体特征或曲面相对简单以及对测量结果精度要求不高的情况下均能满足；在工况环境恶劣并伴有多种噪声、结构光性能不很稳定、物体特征复杂以及对测量结果精度要求较高的情况下一般不能满足而均采用能量中心方法进行光条纹中心提取．充分地利用光条纹区域的灰度信息特性并结合高斯分布原理求取光条纹的能量中心线，就是以能量中心作为光条纹中心的提取方法．从求取几何中心到求取能量中心的发展是从仅仅考虑光条纹的几何形态特性到综合分析光条纹自身灰度特性的发展，是从表象到本质的发展．因此，能量中心提取方一直是当前研究热点，很多学者结合数字图像处理和计算机视觉领域发展的新理论新算法以及一些先进的优化方法，来尝试应用于光条纹中心的提取．由于在进行光条纹中心提取的过程中，对整幅７７　第１期 杨建华，等：线结构光三维视觉测量中光条纹中心提取综述 光条纹图像的每一步处理操作都密切关系到光条纹中心的提取精度和运算速度，因此更加合理的图像去噪预处理、更加精确的光条纹分割方法、更贴合光条纹横截面光强实际分布特性的灰度信息处理等都是对提取算法发展的重要方向．参考文献：［１］ＣｈａｎｇＤＹ，ＣｈａｎｇＹＭ．Ａｆｒｅｅｆｏｒｍｓｕｒｆａｃｅｍｏｄｅｌｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎｌａｓｅｒｓｃａｎｄａｔａｆｏｒｒｅｖｅｒｓｅｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］．ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏ－ｇｙ，２００２，２０（１）：９－１９．［２］杨雪荣，张湘伟，成思源，等．基于可变形模型的光条纹中心提取方法研究［Ｊ］．中国机械工程，２００９，２０（０３）：３３４－３３７．ＹａｎｇＸＲ，ＺｈａｎｇＸＷ，ＣｈｅｎｇＳＹ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｔｈｅｍｅｔｈｏｄｆｏｒｅｘｔｒａｃｔｉｎｇｔｈｅｃｅｎｔｒｅｏｆｌｉｇｈｔｓｔｒｉｐｅｂａｓｅｄｏｎｄｅ－ｆｏｒｍａｂｌｅｍｏｄｅｌ［Ｊ］．ＣＭＥＳ，２００９，２０（０３）：３３４－３３７．［３］解则晓，张成国，张国雄．基于Ｂ样条迭代法的激光光条噪声去除技术研究［Ｊ］．光学技术，２００５，３１（３）：４３０－４３３．ＸｉｅＺＸ，ＺｈａｎｇＣＧ，ＺｈａｎｇＧＸ．ＲｅｓｅａｒｃｈｏｎｒｅｍｏｖｉｎｇｔｈｅｎｏｉｓｅｏｎｔｈｅｌａｓｅｒｓｔｒｉｐｅｂａｓｅｄｏｎｔｈｅｉｔｅｒａｔｉｖｅｆｉｔｔｉｎｇｏｆＢ－ｓｐｌｉｎｅ［Ｊ］．ＯｐｔｉｃａｌＴｅｃｈｎｉｑｕｅ，２００５，３１（３）：４３０－４３３．［４］ＬｙｖｅｒｓＥＰ，ＭｉｔｃｈｅｌｌＯＲ．Ｓｕｂ－ｐｉｘｅｌｍｅａｓｕｒｅｍｅｎｔｓｕｓｉｎｇａｍｏｍｅｎｔｂａｓｅｄｅｄｇｅｏｐｅｒａｔｏｒ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰＡＭＩ，１９８９，１１（１２）：１２９３－１３０９．［５］黎明，冯华君，徐之海，等．利用光强信息的结构光图像轮廓提取修正方法［Ｊ］．光电工程，２００５，３２（２）：３０－３２．ＬＩＭ，ＦｅｎｇＨＪ，ＸｕＺＨ，ｅｔａｌ．Ｐｒｏｆｉｌｅｅｘｔｒａｃｔｉｏｎｏｆｓｔｒｕｃ－ｔｕｒａｌｌｉｇｈｔｉｍａｇｅａｎｄｉｔｓｃｏｒｒｅｃｔｉｏｎｂａｓｅｄｏｎｌｉｇｈｔｉｎｔｅｎｓｉｔｙ［Ｊ］．Ｏｐｔｏ－ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，２００５，３２（２）：３０－３２．［６］贾波，苏显渝，郭履容．采用激光光刀的叶片三维面形测量方法［Ｊ］．中国激光，１９９２，１９（４）：２７１－２７５．ＪｉａＢ，ＳｕＸＹ，ＧｕｏＬＲ．３－Ｄｍｅａｓｕｒｅｍｅｎｔｏｆｔｕｒｂｉｎｅｂｌａｄｅｐｒｏｆｉｌｅｂｙｌｉｇｈｔｋｎｉｆｅ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆｌａｓｅｒｓ，１９９２，１９（４）：２７１－２７５．［７］ＯｔｓｕＮ．Ａｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｆｒｏｍｇｒａｙ－ｌｅｖｅｌｈｉｓｔｏ－ｇｒａｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓＳｙｓｔｅｍｓ，ＭａｎａｎｄＣｙｂｅｍｅｔｉｃｓ，１９７９，９（１）：６２－６６．［８］ＳｅｏｋｂａｅＳｏｎ，ＨｙｕｎｐｕｎｇＰａｒｋ，ＬｅｅＫｗａｎＨ．Ａｕｔｏｍａｔｅｄｌａ－ｓｅｒｓｃａｎｎｉｎｇｓｙｓｔｅｍｆｏｒｒｅｖｅｒｓｅｅｎｇｉｎｅｅｒｉｎｇａｎｄｉｎｓｐｅｃｔｉｏｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＭａｃｈｉｎｅＴｏｏｌｓａｎｄＭａｎｕｆａｃ－ｔｕｒｅ，２００２，４２（８）：８８９－８９７．［９］ＢａｚｅｎＡＭ，ＧｅｒｅｚＳＨ．Ｓｙｓｔｅｍａｔｉｃｍｅｔｈｏｄｓｆｏｒｔｈｅｃｏｍｐｕｔａ－ｔｉｏｎｏｆｔｈｅｄｉｒｅｃｔｉｏｎａｌｆｉｅｌｄｓａｎｄｓｉｎｇｕｌａｒｐｏｉｎｔｓｏｆｆｉｎｇｅｒ－ｐｒｉｎｔｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａ－ｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００２，２４（７）：９０５－９１９．［１０］张万江，许敏．基于结构光视觉的激光拼焊焊缝质量检测方法研究［Ｊ］．仪表技术与传感器，２０１２，（７）：１５６－１５８．ＺｈａｎｇＷＪ，ＸｕＭ．Ｓｅａｍｑｕａｌｉｔｙｉｎｓｐｅｃｔｉｏｎｏｆｌａｓｅｒｗｅｌｄｉｎｇｂａｓｅｄｏｎｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｖｉｓｉｏｎ［Ｊ］．ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ，２０１２（７）：１５６－１５８．［１１］胡斌，李德华，金刚，等．基于方向模板的结构光条纹中心检测方法［Ｊ］．计算机工程与应用，２００２，３８（１１）：５９－６０，１０９．ＨｕＢ，ＬｉＤＨ，ＪｉｎＧ．Ｎｅｗｍｅｔｈｏｄｆｏｒｏｂｔａｉｎｉｎｇｔｈｅｃｅｎｔｅｒｏｆｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｔｒｉｐｅｂｙｄｉｒｅｃｔｉｏｎｔｅｍｐｌａｔｅ［Ｊ］．Ｃｏｍｐｕｔ－ｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００２，３８（１１）：５９－６０，１０９．［１２］雷海军，李德华，王建永，等．一种结构光条纹中心快速检测方法［Ｊ］．华中科技大学学报：自然科学版，２００３，３１（１）：７４－７６．ＬｅｉＨＪ，ＬｉＤＨ，ＷａｎｇＪＹ．Ａｍｅｔｈｏｄｆｏｒｄｅｔｅｃｔｉｎｇｔｈｅｃｅｎｔｅｒｏｆｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｔｒｉｐｅ［Ｊ］．ＪＨｕａｚｈｏｎｇＵｎｉｖｏｆＳｃｉ＆Ｔｅｃｈ：ＮａｔｕｒｅＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２００３，３１（１）：７４－７６．［１３］吴庆阳，苏显渝，李景镇，等．一种新的线结构光光带中心提取算法［Ｊ］．四川大学学报：工程科学版，２００７，３９（４）：１５１－１５５．ＷｕＱＹ，ＳｕＸＹ，ＬｉＪＺ，ｅｔａｌ．Ａｎｅｗｍｅｔｈｏｄｆｏｒｅｘｔｒａｃ－ｔｉｎｇｔｈｅｃｅｎｔｒｅ－ｌｉｎｅｏｆｌｉｎｅｓｔｒｕｃｔｕｒｅｌｉｇｈｔ－ｓｔｒｉｐｅ［Ｊ］．Ｊｏｕｒ－ｎａｌｏｆＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙ：ＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２００７，３９（４）：１５１－１５５．［１４］ＳｔｅｇｅｒＣ．Ａｎｕｎｂｉａｓｅｄｄｅｔｅｃｔｏｒｏｆｃｕｒｖｉｌｉｎｅａｒｓｔｒｕｃｔｕｒｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰＡＭＩ，１９９８，２０（２）：１１３－１２５．［１５］ＩｚｑｕｉｅｒｄｏＭＡＧ，ＳａｎｃｈｅｚＭＴ．Ｓｕｂ－ｐｉｘｅｌｍｅａｓｕｒｅｍｅｎｔｏｆ３Ｄｓｕｒｆａｃｅｓｂｙｌａｓｅｒｓｃａｎｎｉｎｇ［Ｊ］．ＳｅｎｓｏｒｓａｎｄＡｃｔｕａｔｏｒｓＡ：Ｐｈｙｓｉｃａｌ，１９９９，７６（１－３）：１－８．（上接第７３页）［１４］刘芹，王钢，董镝．线路在线监测的自组织自愈无线传感器网络方案［Ｊ］．高电压技术，２０１０，３６（３）：６１６－６２０．ＬｉｕＱ，ＷａｎｇＧ，ＤｏｎｇＤ．Ｓｃｈｅｍｅｏｆｌｏｎｇ－ｄｉｓｔａｎｃｅｔｒａｎｓ－ｍｉｓｓｉｏｎｌｉｎｅｏｎ－ｌｉｎｅｍｏｎｉｔｏｒｉｎｇｆｏｒｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇａｎｄｓｅｌｆ－ｈｅａｌｉｎｇｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＥｎｇｉ－ｎｅｅｒｉｎｇ，２０１０，３６（３）：６１６－６２０．［１５］庞娜，程德福．基于ＺｉｇＢｅｅ无线传感器网络的温室监测系统设计［Ｊ］．吉林大学学报，２０１０，２８（１）：５６－６０．ＰａｎｇＮ，ＣｈｅｎｇＤＦ．Ｄｅｓｉｇｎｏｆｇｒｅｅｎｈｏｕｓｅｍｏｎｉｔｏｒｉｎｇｓｙｓ－ｔｅｍｂａｓｅｄｏｎＺｉｇＢｅｅｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，２０１０，２８（１）：５６－６０．８７ 广　东　工　业　大　学　学　报 第３１卷　线结构光三维视觉测量中光条纹中心提取综述作者：杨建华， 杨雪荣， 成思源， 雷志盛， 骆少明， 张湘伟， Yang Jian-hua， Yang Xue-rong， Cheng Si-yuan， Lei Zhi-sheng， Luo Shao-ming， Zhang Xiang-wei作者单位：广东工业大学机电工程学院,广东广州,510006刊名：广东工业大学学报英文刊名：Journal of Guangdong University of Technology年，卷(期)：2014(1)引用本文格式：杨建华.杨雪荣.成思源.雷志盛.骆少明.张湘伟.Yang Jian-hua.Yang Xue-rong.Cheng Si-yuan. Lei Zhi-sheng.Luo Shao-ming.Zhang Xiang-wei线结构光三维视觉测量中光条纹中心提取综述[期刊论文]-广东工业大学学报 2014(1)。

金属表面非相干线结构光条纹中心提取方法商执亿，王建华，尹培丽，杜虎兵（1.西安工业大学机电工程学院，陕西西安__；2.西安工程大学机电工程学院，陕西西安__）线结构光法因其非接触、效率高、结构简单等优点，在很多形貌测量场合都有着广泛的应用[1-3]。

该方法主要通过提取条纹图像的条纹中心位置来获得被测表面的形貌信息，因此能否准确提取条纹中心是测量的关键。

目前采用线结构光法对金属表面进行形貌测量时，条纹中心的提取误差较大，主要原因是受金属表面光学特性的影响。

线结构光法测量原理是利用被测表面的漫反射光来进行测量，而金属表面通常不是理想的漫反射表面，其表面的光学特性与粗糙度相关。

随着粗糙度值逐渐减小，表面光学特性逐渐从漫反射状态向镜面反射状态过渡。

并且多数情况下，这两种状态是共存且不断变化的，这种复杂的混合反射表面增加了条纹图像灰度分布的复杂性[5-7]。

而传统的条纹中心提取方法，如灰度重心法、极值法、Steger法、几何中心法、边缘法等无法对灰度分布复杂、成像质量不高的条纹图像进行精确、稳定的中心提取[8-10]。

很多学者研究了新的提取方法，如WANG H F针对金属表面反射不均匀的影响，提出了一套结合差分图像法、灰度重心法、Sobel算子和双线性插值的具有较强鲁棒性的光条纹中心亚像素提取方法，条纹的检测误差小于0.1像素。

李凤娇为解决高反光情况下的激光条纹中心提取问题，提出了一种基于多尺度分析的提取方法。

该方法抗噪声能力强，可实现光条宽度变化较大的激光条纹中心的高精度提取。

赵博华提出了一种适用于混合反射特性的粗糙金属表面的激光条纹中心提取方法，该方法先利用图像增强法对图像进行去噪，然后采用灰度重心法提取条纹中心，实验结果表明平均提取误差为0.337 5个像素。

李涛涛针对理想反射、强镜面反射、强漫反射和弱反射4种状态的条纹图像，提出了一种基于高斯-洛伦兹分峰拟合的光条中心提取方法。

该方法的适用性强、精确度高，但耗时长。

山东科学ＳＨＡＮＤＯＮＧＳＣＩＥＮＣＥ第３７卷第２期２０２４年４月出版Ｖｏｌ.３７Ｎｏ.２Ａｐｒ.２０２４收稿日期:２０２３￣０９￣０８基金项目:山东省重大科技创新工程(２０２２ＣＸＧＣ０２０２０５)ꎻ齐鲁工业大学(山东省科学院) 威海市产学研协同创新基金项目(２０２２ＣＸＹ￣０５)ꎻ山东省科技型中小企业能力提升项目(２０２３ＴＳＧＣ０３５７)作者简介:高秋玲(１９９８ )ꎬ女ꎬ硕士研究生ꎬ研究方向为三维重构和检测ꎮＥ￣ｍａｉｌ:ｇｑｌｉｎｇ１０２５＠１６３.ｃｏｍ∗通信作者ꎬ蔡馨燕ꎬ副研究员ꎮＥ￣ｍａｉｌ:１９１５２３９７２＠ｑｑ.ｃｏｍ复杂背景下的结构光条纹中心提取算法研究高秋玲１ꎬ成巍１ꎬ李文龙１ꎬ戈海龙１ꎬ侯兴强１ꎬ宋汝晖１ꎬ魏佳洁１ꎬ贾天烁１ꎬ蔡馨燕２∗(１.齐鲁工业大学(山东省科学院)山东省科学院激光研究所ꎬ山东济南２５０１０４ꎻ２.山东省科学技术情报研究院ꎬ山东济南２５０１０１)摘要:线结构光三维扫描建模系统中最关键的一步是提取光条中心线ꎬ但环境中各种因素的干扰给中心线提取带来困难ꎮ针对线结构光条纹图像存在光斑干扰㊁光强分布不均㊁光条宽度差别大㊁背景复杂等多种问题ꎬ提出解决方案ꎮ首先采用Ｏｔｓｕ对结构光图像二值化ꎻ其次采用改进ＤＢＳＣＡＮ(ｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｎｏｉｓｅ)算法保留核心点ꎬ去除边界点和噪声点ꎻ最后将核心点作为输入ꎬ构建图数据结构ꎬ采用适用于线结构光条纹图像的最短路径搜索算法得到光条中心线ꎮ实验结果表明ꎬ该算法运行时间在１５０ｍｓ以内ꎬ误差在０.２像素以内ꎬ并适用于多种复杂环境ꎬ满足实时性㊁准确性和稳定性的要求ꎮ关键词:复杂背景ꎻ线结构光ꎻ中心线提取ꎻＤＢＳＣＡＮ算法ꎻ最短路径中图分类号:ＴＮ２４９㊀㊀㊀文献标志码:Ａ㊀㊀㊀文章编号:１００２￣４０２６(２０２４)０２￣００６５￣０９开放科学(资源服务)标志码(ＯＳＩＤ):ＣｅｎｔｅｒｌｉｎｅｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｔｒｅａｋｉｎａｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄＧＡＯＱｉｕｌｉｎｇ１ꎬＣＨＥＮＧＷｅｉ１ꎬＬＩＷｅｎｌｏｎｇ１ꎬＧＥＨａｉｌｏｎｇ１ꎬＨＯＵＸｉｎｇｑｉａｎｇ１ꎬＳＯＮＧＲｕｈｕｉ１ꎬＷＥＩＪｉａｊｉｅ１ꎬＪＩＡＴｉａｎｓｈｕｏ１ꎬＣＡＩＸｉｎｙａｎ２∗(１.ＬａｓｅｒＩｎｓｔｉｔｕｔｅꎬＱｉｌｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ(ＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ)ꎬＪｉｎａｎ２５０１０４ꎬＣｈｉｎａꎻ２.ＳｈａｎｄｏｎｇＩｎｓｔｉｔｕｔｅｏｆＳｃｉｅｎｔｉｆｉｃａｎｄＴｅｃｈｎｉｃａｌＩｎｆｏｒｍａｔｉｏｎꎬＪｉｎａｎ２５０１０１ꎬＣｈｉｎａ)ＡｂｓｔｒａｃｔʒＴｈｅｍｏｓｔｃｒｉｔｉｃａｌｓｔｅｐｉｎａｌｉｎｅ￣ｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌｓｃａｎｍｏｄｅｌｉｎｇｓｙｓｔｅｍｉｓｔｏｅｘｔｒａｃｔｔｈｅｃｅｎｔｅｒｌｉｎｅｏｆｔｈｅｌｉｇｈｔｓｔｒｉｐｅꎬｂｕｔｔｈｅｉｎｔｅｒｆｅｒｅｎｃｅｏｆｖａｒｉｏｕｓｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓｍａｋｅｓｔｈｉｓｅｘｔｒａｃｔｉｏｎｄｉｆｆｉｃｕｌｔ.Ｓｅｖｅｒａｌｐｒｏｂｌｅｍｓｅｘｉｓｔｓｉｎａｌｉｎｅ￣ｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｔｒｅａｋｉｍａｇｅｉｓｓｕｅｓｓｕｃｈａｓｌｉｇｈｔｓｐｏｔｉｎｔｅｒｆｅｒｅｎｃｅꎬｕｎｅｖｅｎｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌｉｇｈｔｉｎｔｅｎｓｉｔｙꎬｌａｒｇｅｄｉｆｆｅｒｅｎｃｅｓｉｎｔｈｅｗｉｄｔｈｏｆｔｈｅｌｉｇｈｔｂａｒｓꎬａｎｄｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄ.Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｓｏｌｕｔｉｏｎｔｏｏｖｅｒｃｏｍｅｔｈｅｓｅｐｒｏｂｌｅｍｓ.ＦｉｒｓｔꎬｔｈｅｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｉｍａｇｅｉｓｂｉｎａｒｉｚｅｄｕｓｉｎｇｔｈｅＯｔｓｕｍｅｔｈｏｄ.Ｔｈｅｎꎬｔｈｅｉｍｐｒｏｖｅｄｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｎｏｓｅ(ＤＢＳＣＡＮ)ａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｒｅｔａｉｎｔｈｅｃｏｒｅｐｏｉｎｔｓａｎｄｒｅｍｏｖｅｔｈｅｂｏｕｎｄａｒｙａｎｄｎｏｉｓｅｐｏｉｎｔｓ.Ｆｉｎａｌｌｙꎬｔｈｅｃｏｒｅｐｏｉｎｔｓａｒｅｕｓｅｄａｓｉｎｐｕｔｓｔｏｃｏｎｓｔｒｕｃｔｔｈｅｇｒａｐｈｄａｔａｓｔｒｕｃｔｕｒｅꎬａｎｄｔｈｅｓｈｏｒｔｅｓｔｐａｔｈｓｅａｒｃｈａｌｇｏｒｉｔｈｍｔｈａｔｆｉｔｓｔｈｅｌｉｎｅ￣ｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｔｒｅａｋｉｍａｇｅｉｓｕｓｅｄｔｏｏｂｔａｉｎｔｈｅｃｅｎｔｅｒ￣ｌｉｎｅｏｆｔｈｅｌｉｇｈｔｓｔｒｅａｋ.Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｏｆｔｈｉｓｐａｐｅｒｒｕｎｓｗｉｔｈｉｎ１５０ｍｓａｎｄｔｈｅｅｒｒｏｒｉｓｗｉｔｈｉｎ０.２ｐｉｘｅｌｓ.Ｍｏｒｅｏｖｅｒꎬｔｈｉｓａｌｇｏｒｉｔｈｍｉｓａｐｐｌｉｃａｂｌｅｔｏｖａｒｉｏｕｓｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔｓꎬｍｅｅｔｉｎｇｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｒｅａｌ￣ｔｉｍｅｃａｌｃｕｌａｔｉｏｎｓꎬａｃｃｕｒａｃｙꎬａｎｄｓｔａｂｉｌｉｔｙ.Ｋｅｙｗｏｒｄｓʒｃｏｍｐｌｅｘｂａｃｋｇｒｏｕｎｄꎻｌｉｎｅ￣ｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔꎻｃｅｎｔｅｒｌｉｎｅｅｘｔｒａｃｔｉｏｎꎻＤＢＳＣＡＮａｌｇｏｒｉｔｈｍꎻｓｈｏｒｔｅｓｔｐａｔｈ㊀㊀基于单目线结构光的三维扫描建模系统结构简单㊁制造费用低㊁满足实时建模的需求ꎬ采用合适的算法可以在多种环境下达到较高的建模精度ꎬ因此被广泛应用于各种工业加工中的建模场景[１]ꎮ在建模过程中ꎬ提取光条纹中心线是关键ꎬ它决定着图像二维坐标到真实世界三维坐标转换的输入ꎬ因此需要提高线结构光条纹中心提取算法的实时性㊁准确性和稳定性[２]ꎮ传统的结构光条纹中心提取算法主要分为基于几何中心㊁基于能量中心和基于光条方向中心三大类[３]ꎮ基于几何中心是以计算得到的光条的几何中心作为中心线ꎬ包括边缘法㊁细化法和几何中心法[４]ꎬ这类算法速度快㊁但易受噪声影响ꎮ基于能量中心则是依据光条的灰度分布特性进行光条纹中心提取ꎬ包括极值法㊁曲线拟合法和灰度重心法[４]ꎬ这类算法在光条纹灰度满足高斯分布时提取效果较好ꎬ同时易受噪声干扰ꎮ基于光条方向中心在提取中心时考虑光条纹的方向性ꎬ包括Ｓｔｅｇｅｒ法和方向模板法[４]ꎬ这类算法精度较高ꎬ但是计算量大ꎬ速度慢ꎬ且对光条质量有较高的要求ꎮ在实际工业应用中ꎬ由于设备采集和传输存在噪声㊁环境光照不均匀㊁工件表面复杂等原因[５]ꎬ致使采集到的结构光条纹图像中包含复杂背景ꎬ难以提取出有效的光条中心ꎬ进而增大建模误差ꎮ经典的结构光条纹中心提取算法无法区分出图像上的光条和干扰因素ꎬ会将干扰因素当作光条一并处理ꎬ从而造成较大误差ꎬ因此无法满足存在复杂背景的情形ꎮ为此ꎬ一些学者针对特定情况提出改进思路ꎬ在一定程度上克服了干扰因素的影响ꎮ郭宏阳等[６]利用高斯混合模型法分割强光干扰下的焊缝图像ꎬ得到图像中的高亮区域ꎬ之后采用面积过滤和形态学闭操作消除背景噪声干扰ꎬ但是该方法稳定性差ꎻ周渊等[７]使用密度聚类算法对激光条纹像素点分类ꎬ接着采用拓扑排序算法获得激光条纹中心线ꎬ能在光斑干扰下有效提取激光条纹中心线ꎬ但是当激光条纹倾斜且较粗时ꎬ精度大大下降ꎻ章秀华等[８]采用红外线结构光投射在矿石表面ꎬ能够有效避免太阳辐射对矿石表面结构光成像的干扰ꎬ并提出邻域累积差分特征分析方法ꎬ通过快速定位光条边界点来提取结构光光条中心ꎬ依赖于光条边界定位是否准确ꎻ差分法[９]也是常用的去除图像背景信息的方式ꎬ将投射激光前后的图像作差得到仅包含激光条纹的图像ꎬ但是在动态光照环境下或者被测物体处于运动状态时ꎬ此方法得到的图像仍含有背景信息ꎮ方夏章等[１０]提出了一种结合阈值法㊁边缘检测以及灰度分布特征的方法来确定激光条纹ꎬ但是随着光强的增大ꎬ提取准确率有所下降ꎮ现有方法只能处理一种特定干扰情况ꎬ缺乏通用性ꎮ鉴于前人的不足ꎬ本文提出一种新的思路ꎬ首先采用Ｏｔｓｕ算法对图像进行二值化ꎬ接着运用ＤＢＳＣＡＮ算法(ｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｗｉｔｈｎｏｉｓｅ)提取可能构成条纹中心线的核心点ꎬ通过改进的最短路径搜索算法对中心线进行提取ꎮ本方法能够适用于多种干扰情况ꎬ具备准确性㊁实时性和稳定性ꎻ其中最短路径搜索算法考虑了光条方向ꎬ当激光条纹倾斜且较粗时提取效果不受影响ꎬ且本方法也适用于动态光照环境或者被测物体处于运动状态时的情形ꎮ１㊀算法描述本文算法具体流程如图１所示ꎬ首先对采集到的结构光条纹图像进行Ｏｔｓｕ自适应二值化ꎬ获得可能成为光条纹的所有像素点ꎻ其次进行ＤＢＳＣＡＮ聚类ꎬ过滤无关的像素点即噪声点和边界点ꎬ保留可能成为中心线上的点即核心点ꎻ最后连接相邻核心点构成图数据结构ꎬ采用灰度重心法确定起点和终点ꎬ根据光条特性确定两像素点之间的能量函数ꎬ根据提出的适用于光条图像的最短路径搜索算法得到光条的最短路径作为光条的中心线ꎮ图１㊀算法流程图Ｆｉｇ.１㊀Ｆｌｏｗｃｈａｒｔｏｆｔｈｅａｌｇｏｒｉｔｈｍ１.１㊀常见干扰类型在实际三维建模过程中ꎬ通常尽可能地控制待重建物体表面材质㊁环境光照等因素ꎬ以获得光质均匀且稳定的结构光条纹ꎮ但对这些外界干扰因素的控制不一定能够实现ꎬ采集的结构光条纹总会受到各种因素的干扰ꎬ常见的干扰类型包括以下几种[１１]:(１)环境中的自然光线或照明设施的不当引入ꎬ导致结构光条纹附近出现光斑或部分光条被光斑遮挡ꎬ如图２(ａ)所示ꎻ(２)待重建物体表面材质和颜色的差别ꎬ导致物体对结构光的反射率不同ꎬ可能出现光强分布不均㊁光条纹宽度差别大的情况ꎬ如图２(ｂ)㊁２(ｃ)所示ꎻ(３)背景杂乱且物体处于运动状态ꎬ无法通过差分法分割出有效的结构光条纹ꎬ图像中存在复杂的背景信息ꎬ如图２(ｄ)所示ꎮ图２㊀干扰类型示意图Ｆｉｇ.２㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｉｎｔｅｒｆｅｒｅｎｃｅｔｙｐｅ１.２㊀Ｏｔｓｕ二值化Ｏｔｓｕ[１２]作为自适应阈值分割算法ꎬ操作简单并能得到有效的分割阈值ꎬ其基本原理是采用遍历的方式得到使类间方差ｇ最大的阈值Ｔꎬ灰度值大于Ｔ的像素为前景ꎬ灰度值小于Ｔ的像素为背景ꎬ其公式为:ｇ＝ω０ω１(μ０－μ１)ꎬ(１)式中ꎬω０为前景的像素点数占整幅图像的比例ꎬμ０为前景像素的平均灰度ꎬω１为背景的像素点数占整幅图像的比例ꎬμ１为背景像素的平均灰度ꎮ结构光条纹相较于背景亮度更高ꎬ经过二值化后可去除低灰度值的像素点ꎬ即背景中无用的像素点ꎮ１.３㊀线结构光密度聚类二值化后的图像中包含众多与光条纹中心无关的边缘点和噪声点ꎬ如果直接将二值化图像作为寻找最短路径的输入ꎬ会增大算法的复杂度ꎬ因此需要在保持光条纹拓扑结构的同时去除这些无关点ꎬ分割出条纹中心的候选点ꎮ聚类指将没有分类的数据集依据相似特性分成若干个簇的过程ꎬ是一种无监督的分类方法ꎬ在聚类过程中可分离出相似性小的数据也就是离群的数据ꎮ基于不同的准则ꎬ经典聚类大致可以分为基于划分的聚类㊁基于层次的聚类㊁基于密度的聚类㊁基于网格的聚类㊁基于模型的聚类等[１３]ꎬ各聚类方法及特点见表１ꎮ表１㊀聚类方法及其特点基于划分ＣＬＡＲＡ㊁ＰＡＭ等球形较低依赖于初始聚类中心的选择ꎬ易陷入局部最优解敏感基于层次ＢＩＲＣＨ㊁ＲＯＣＫ㊁ＣＵＲＥ等任意形状较高ꎬ不适合处理大规模数据过程具有不可逆性ꎬ聚类终止条件具有不精确性敏感基于密度ＤＢＳＣＡＮ㊁ＯＰＴＩＣＳ㊁ＤＰＣ等任意形状较低对密度分布不均的数据聚类效果差不敏感基于网格ＳＴＩＮＧ㊁ＷａｖｅＣｌｕｓｔｅｒ㊁ＣＬＩＱＵＥ等任意形状低取决于网格的大小ꎬ难以检测到数据的斜边界敏感基于模型ＧＭＭ㊁ＳＯＭ等与选取的模型有关㊀㊀对比这几种聚类算法ꎬ密度聚类算法对噪声点和离群点具有鲁棒性ꎬ不受聚类簇形状的约束ꎬ时间复杂度较低ꎮ其中ꎬＤＢＳＣＡＮ是可以抵抗噪声的基于密度的聚类方法ꎬ本文二值化后的激光条纹图像中灰度值为２５５(白色)的像素点作为待聚类的数据点ꎬ这些数据点大部分是相邻的ꎬ分布比较集中ꎬ可以认为这些数据是密度分布均匀的ꎬ只有小部分噪声点和离群点不相邻ꎬ基于ＤＢＳＣＡＮ算法本身的特性:对噪声点和离群点不敏感ꎬ即聚类效果不受噪声点和离群点的影响ꎮ因此本文选用ＤＢＳＣＡＮ来进行聚类ꎮ此算法不需要人为设定最终的聚类簇数量ꎬ自动把高密度样本点聚成一簇ꎬ忽略低密度区域的点[１４]ꎮ以数据集中的一个样本点ｘ为中心ꎬ以ε为半径的球形区域定义为ｘ的ε邻域ꎬ该邻域内包含的数据点最少数目是ＭｉｎＰｏｉｎｔｓꎬ由此可将数据集中的点划分为三类:(１)核心点ꎬ该点的ε邻域内至少包含ＭｉｎＰｏｉｎｔｓ个其它的数据点ꎻ(２)边界点ꎬ位于其他核心点的ε邻域内ꎬ但本身不是核心点ꎻ(３)噪声点ꎬ既不是核心点也不是边界点的数据点ꎮＤＢＳＣＡＮ的算法步骤分成两步:(１)遍历全部样本点ꎬ对样本点进行分类ꎬ如果是核心点将其纳入核心点列表中ꎬ每个核心点和其邻域内的点形成临时聚类簇ꎻ(２)检查每一个临时聚类簇中的所有边界点ꎬ如果当前的边界点是另一个临时聚类簇的核心点ꎬ则将这两个临时聚类簇合并ꎬ并将此核心点从核心点列表中取出ꎬ重复上述操作ꎬ直到核心点列表为空ꎬ所有临时聚类簇合并完成得到最终的聚类簇ꎮ注:红色点表示核心点ꎬ绿色点表示边界点ꎬ蓝色点表示噪声点ꎮ图３㊀ＤＢＳＣＡＮ示意图Ｆｉｇ.３㊀ＤＢＳＣＡＮｓｃｈｅｍａｔｉｃｄｉａｇｒａｍ取ε＝１.５和ＭｉｎＰｏｉｎｔｓ＝５ꎬ对二值化图像应用ＤＢＳＣＡＮ的结果如图３所示ꎮ传统的ＤＢＳＣＡＮ算法需要计算任意两点之间的距离来判断样本点的类别ꎬ并且需要合并临时聚类簇ꎬ时间复杂度较高ꎮ因此提出改进后的算法ꎬ仅检查每个像素点的邻域空间ꎬ如果该点的邻域空间内的点数大于设定的最小数ꎬ则该点保留ꎬ即只保留每个临时聚类簇的核心点作为后续光条纹中心的候选点ꎬ并且不合并临时聚类簇ꎮ改进后的ＤＢＳＣＡＮ算法可以:(１)去除噪声和离群点ꎬ保证图像质量ꎻ(２)去除光条边缘点ꎬ仅保留核心点作为光条中心线的候选点ꎬ保持光条拓扑结构和中心信息的同时降低算法复杂度ꎮ如图４所示是灰度图像经过改进ＤＢＳＣＡＮ后的结果ꎬ光条像素点数量由５７７９２减少到５５１０４ꎬ保留了有更大概率成为光条中心线的点ꎬ大大减少后续算法的输入ꎮ图４㊀改进ＤＢＳＣＡＮ效果图Ｆｉｇ.４㊀ＩｍｐｒｏｖｅｄＤＢＳＣＡＮｒｅｎｄｅｒｉｎｇｓ１.４㊀中心线提取Ｃｈｅｎ等[１５]提出图像接缝算法可用于结构光条纹提取ꎮ基本思想是把光条像素点看作节点ꎬ连接相邻的节点构成计算机科学中的图数据结构ꎬ定义节点之间的距离(能量)ꎬ使用最短路径搜索算法找到能量最低的路径ꎬ即光条中心线ꎮ由于光条中心线是单像素宽度的ꎬ即光条每行或每列只有一个像素点ꎬ传统的最短路径搜索算法可能会出现宽度大于单像素的情况ꎬ基于此ꎬ提出一种适用于光条图像的最短路径搜索算法ꎬ步骤包括:(１)采用灰度重心法确定光条中心线的起点和终点ꎮ起点和终点影响节点间能量的计算ꎬ因此采用精度较高的灰度重心法来确定ꎮ(２)根据节点之间的能量寻找每行或每列的最短路径节点ꎮ根据光条纹的特性ꎬ亮度更高的像素点更有可能位于中心线上ꎬ且在光条方向上邻近像素点更有可能属于同一条光条纹ꎬ任意两节点之间的能量Ｅ(ｓ)定义为:Ｅ(ｓ)＝θˑｄˑｅｘｐ(－ｓ)ꎬ(２)θ＝ａｒｃｔａｎｋ－ｋ０１＋ｋˑｋ０ꎬ(３)ｄ＝(ｓ１ｘ－ｓ２ｘ)２＋(ｓ１ｙ－ｓ２ｙ)２ꎬ(４)其中ꎬθ为起点和终点构成的直线与起点和待寻找的节点构成的直线的夹角ꎬｋ０为起点和终点构成的直线的斜率ꎬｋ为起点和待寻找的节点构成的直线的斜率ꎬｄ为当前最短路径节点和待寻找的节点之间的距离ꎬｓ为待寻找节点的灰度值ꎮ(３)连接最短路径节点ꎬ得到光条的中心线ꎮ基于以上描述ꎬ如图５所示ꎬ首先计算起点ｓｔａｒｔ和它下一列所有节点的能量ꎬ找到能量最低对应的节点作为当前列的最短路径节点ｐ１ꎬ接着计算ｐ１和它下一列所有节点的能量ꎬ得到此列的最短路径节点ｐ２ꎮ遍历所有节点ꎬ得到每列所对应的最短路径节点{ｓｔａｒｔꎬｐ１ꎬｐ２ꎬ ꎬｐｎꎬｅｎｄ}ꎬ即中心线上的点ꎬ图５中以深色表示ꎬ图６为中心线提取的结果ꎮ图５㊀最短路径搜索示意图Ｆｉｇ.５㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｓｈｏｒｔｅｓｔｐａｔｈｓｅａｒｃｈ图６㊀最短路径搜索结果Ｆｉｇ.６㊀Ｓｈｏｒｔｅｓｔｐａｔｈｓｅａｒｃｈｒｅｓｕｌｔｓ２㊀实验结果和分析实验采用分辨率为２０４８像素ˑ１５３６像素的ＭＥＲ￣３０１￣１２５Ｕ３Ｍ工业相机和ＬＭ６ＮＣＬ镜头采集图像ꎬ波长为６５０ｎｍ㊁功率为１００ｍＷ的红光激光器作为线结构光光源ꎬＣＣＳ的ＬＦＶ３￣１００ＳＷ的同轴ＬＥＤ作为照明设备ꎮ本文算法实验在Ｉｎｔｅｌ(Ｒ)Ｃｏｒｅ(ＴＭ)ｉ５￣７３００ＨＱＣＰＵ＠２.５０ＧＨｚ㊁内存８ＧＢ㊁操作系统为Ｗｉｎ１０的计算机上进行ꎬ开发环境为ＶｉｓｕａｌＳｔｕｄｉｏ２０１９和ＯｐｅｎＣＶ２.４.１０ꎮ２.１㊀算法稳定性分析为验证本文所提算法适用于多种复杂干扰环境ꎬ采集了复杂干扰情况下的线结构光条纹图像ꎬ运用本文算法进行中心线提取ꎬ结果如图７所示ꎮ图７(ａ)反映了结构光条纹被环境中光斑遮挡时的光条中心线提取效果ꎻ图７(ｂ)反映了结构光条纹没有被遮挡㊁但存在光斑干扰时的光条中心线提取效果ꎻ图７(ｃ)反映了复杂背景下光条为曲线时的中心线提取效果ꎻ图７(ｄ)反映了复杂背景下各部分光条宽度变化较大㊁光强分布不均时的光条中心线提取效果ꎻ图７(ｅ)反映了复杂背景下物体表面各部分对光的反射率不同时的光条中心线提取效果ꎻ图７(ｆ)反映了背景杂乱㊁存在其他干扰物时的光条中心线提取效果ꎮ可以看出ꎬ本文算法适用于多种线型的结构光条纹ꎬ在各种复杂背景干扰下都能够做到准确提取ꎬ不受环境和光条质量的影响ꎮ图７㊀算法在多种复杂干扰下的提取效果Ｆｉｇ.７㊀Ｔｈｅｅｘｔｒａｃｔｉｏｎｅｆｆｅｃｔｏｆｔｈｅａｌｇｏｒｉｔｈｍｕｎｄｅｒａｖａｒｉｅｔｙｏｆｃｏｍｐｌｅｘｉｎｔｅｒｆｅｒｅｎｃｅ２.２㊀算法时间分析采集无干扰㊁质量较好的线结构光条纹图像和物体表面各部分对光的反射率不同的线结构光条纹图像ꎬ分别采用极值法㊁细化法㊁灰度重心法㊁Ｓｔｅｇｅｒ算法和本文算法提取光条中心线ꎮ提取效果如图８所示ꎬ极值法是取灰度值最大的第一个像素点作为中心ꎬ所以出现中心线整体上移的情形ꎻ细化法提取的光条中心线会出现毛刺ꎬ特别是光条宽度变化较大时毛刺增多ꎻ灰度重心法在光条质量较好时提取的中心线较为顺滑ꎬ在光条宽度变化较大时中心线浮动过大ꎻＳｔｅｇｅｒ算法精度最高ꎬ在光条宽度变化较大时也能做到准确提取中心线ꎻ本文算法提取效果和Ｓｔｅｇｅｒ算法在主观上并无太大差别ꎬ但本文算法能够克服多种复杂干扰ꎮ图８㊀多种算法提取效果对比Ｆｉｇ.８㊀Ｃｏｍｐａｒｉｓｏｎｏｆｅｘｔｒａｃｔｉｏｎｅｆｆｅｃｔｓｏｆｖａｒｉｏｕｓａｌｇｏｒｉｔｈｍｓ线结构光中心线提取算法对时间要求较高ꎬ如表２所示ꎬ采用上述５种提取算法分别对光质较好的光条图像１和宽度变化较大的光条图像２分别运行１０次ꎬ计算程序运行时间的平均值ꎮ可以看出ꎬ细化法平均用时最短ꎬ效率最高ꎬ在１００ｍｓ左右ꎬ但是在复杂背景下提取效果不稳定ꎻ极值法提取时间在１７０ｍｓ左右ꎻ灰度重心法提取时间在２７０ｍｓ左右ꎻＳｔｅｇｅｒ算法由于需要进行大量的卷积运算ꎬ计算复杂度较高ꎬ故其用时最长ꎬ效率最低ꎬ在６２０ｍｓ左右ꎻ本文算法运行时间仅次于细化法ꎬ在１５０ｍｓ以内ꎬ其效率相较于Ｓｔｅｇｅｒ算法提高了近４倍ꎮ原因在于ꎬ在ＤＢＳＣＡＮ阶段仅检查每个像素点的邻域空间ꎬ降低算法的时间复杂度ꎻ提出适用于光条纹图像的更为简单的最短路径算法ꎬ并且仅把核心点作为输入ꎬ减少程序运行时间ꎮ表２㊀算法运行时间对比Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｖａｒｉｏｕｓａｌｇｏｒｉｔｈｍｓ ｒｕｎｎｉｎｇｔｉｍｅ单位:ｍｓ２１７７１５７９３１０７２７０２７９６０４６２０１３０１２６３１７２１７０９６１０２２４７２５４６０６６１９１２９１２３４１６５１７４１０１１０５２６３２６４６０９６２４１３２１２８５１７５１７１９７９９２７７２６３６１０６２２１２８１２５６１７６１７３９２１０５２５５２５０６０２６２２１２６１２２７１７０１６７９５１０９２６２２６８６０４６２１１２５１２１８１８１１８３９１９７２５８２６０６０１６１９１２４１２４９１６６１７６９７１０４２５９２６５６０２６１７１２６１２５１０１６８１７８９４１０７２６２２７７６０５６１５１２７１２３平均１７４１７２９５１０４２６２２６５６０５６２０１２９１２４２.３㊀算法精度分析精度是光条中心线提取算法的另一重要指标ꎬ由于中心线的实际位置无法确定ꎬ且投射线结构光的物体表面平整ꎬ通常是以标准差来表征精度ꎬ如公式(５)所示ꎬ即首先对提取的中心线上的点进行直线拟合ꎬ然后计算所有点到拟合直线的距离标准差ꎬ越小则精度越高ꎬ说明算法提取光条中心相对准确[１６]ꎮꎬ(５)σ＝ðｎｉ＝１(ｄｉ－ｄ￣)２ｎ式中ꎬｄｉ表示第ｉ个光条中心点到拟合直线Ａｘ＋Ｂｙ＋Ｃ＝０的距离ꎬｄｉ＝｜Ａｘｉ＋Ｂｙｉ＋Ｃ｜Ａ２＋Ｂ２ꎻｄ表示平均距离ꎬｄ＝ðｎｉ＝１ｄｉｎꎬｎ表示提取到的中心点个数ꎮ如表３所示ꎬ采用上述精度表征方法计算５种算法的精度ꎬ可以看出:极值法由于其本身的限制ꎬ在光条宽度变化较大时精度有所降低ꎻ而细化法由于毛刺的存在导致精度大大降低ꎬ特别是图像２ꎬ精度超过１像素ꎻ灰度重心法在光条质量较好时提取精度较高ꎬ在光条宽度变化较大时由于中心线浮动导致精度较低ꎻＳｔｅｇｅｒ算法运用了Ｈｅｓｓｉａｎ矩阵考虑光条的方向性ꎬ提取精度最高ꎬ在０.１５像素以内ꎻ本文算法也考虑了光条的方向性ꎬ提取精度高于极值法㊁细化法和灰度重心法ꎬ仅次于Ｓｔｅｇｅｒ算法ꎬ对于光条宽度变化较大的光条也能有较高的提取精度ꎬ误差在０.２像素以内ꎮ表３㊀算法精度对比Ｔａｂｌｅ３㊀Ｃｏｍｐａｒｉｓｏｎｏｆｖａｒｉｏｕｓａｌｇｏｒｉｔｈｍｓ ａｃｃｕｒａｃｙ单位:像素２０.２９７０.６０４０.５４５１.１８７０.２１８０.３３２０.０９５０.１２８０.１４５０.１６５３０.２９５０.６１００.５５６１.１８２０.２２２０.３３５０.０９７０.１２８０.１４５０.１７８４０.２９１０.５９５０.５４１１.１７８０.２１４０.３３４０.０９９０.１２６０.１５６０.１７３５０.２９６０.５９６０.５４８１.１６６０.２１５０.３４００.１０２０.１２７０.１４７０.１７０６０.２９６０.６０７０.５５８１.１７９０.２１３０.３４３０.０９６０.１３３０.１４６０.１７５７０.２９５０.６０５０.５４６１.１８８０.２２５０.３２９０.０９７０.１２９０.１４７０.１７１８０.２９５０.６０８０.５４９１.１９５０.２２８０.３３１０.１０２０.１２６０.１５００.１７８９０.２９７０.５９８０.５３３１.１８４０.２２３０.３２６０.０９６０.１３００.１４１０.１８７１００.３１５０.６０１０.５４３１.１７５０.２１６０.３２９０.０９８０.１２８０.１４００.１７７平均０.２９３０.６０３０.５４６１.１８２０.２１９０.３３３０.０９８０.１２９０.１４６０.１７５３㊀结论针对线结构光三维扫描建模过程中光条中心线提取易受到实际工业环境中各种因素干扰的问题ꎬ本文从算法层面进行解决ꎮ首先采用Ｏｔｓｕ算法将光条图像二值化ꎬ去除灰度值较低的像素点ꎻ其次采用改进ＤＢＳＣＡＮ保留核心点ꎬ即有更大概率位于中心线上的点ꎬ去除噪声点和边界点ꎬ降低后续算法的复杂度ꎻ最后采用提出的适用于光条图像的最短路径搜索算法得到图像的最短路径节点ꎬ即光条中心线上的点ꎬ连接构成光条中心线ꎮ实验结果表明ꎬ本文算法适用于直线㊁曲线多种线型ꎬ可用于处理光条图像存在光斑干扰㊁光条宽度变化大㊁物体表面反射率不同㊁背景杂乱等多种复杂背景的情况ꎬ且算法运行时间在１５０ｍｓ以内ꎬ误差在０.２像素以内ꎬ能够实现在复杂背景下快速㊁精确提取光条中心线ꎬ从而提高三维扫描建模的速度㊁准确度和适应性ꎮ未来还需要考虑室外环境中的影响因素及解决方法ꎬ特别是强烈太阳光存在的情况ꎮ参考文献:[１]ＨＥＫＪꎬＳＵＩＣＹꎬＬＹＵＣＹꎬｅｔａｌ.３Ｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｏｂｊｅｃｔｓｗｉｔｈｏｃｃｌｕｓｉｏｎａｎｄｓｕｒｆａｃｅｒｅｆｌｅｃｔｉｏｎｕｓｉｎｇａｄｕａｌｍｏｎｏｃｕｌａｒｓｔｒｕｃｔｕｒｅｄｌｉｇｈｔｓｙｓｔｅｍ[Ｊ].ＡｐｐｌｉｅｄＯｐｔｉｃｓꎬ２０２０ꎬ５９(２９):９２５９￣９２７１.[２]闫光绪ꎬ贺赛先.基于单目便携式激光扫描的小工件测量[Ｊ].应用激光ꎬ２０２０ꎬ４０(２):３１５￣３２２.ＤＯＩ:１０.１４１２８/ｊ.ｃｎｋｉ.ａｌ.２０２０４００２.３１５.[３]冀振燕ꎬ宋晓军ꎬ付文杰ꎬ等.激光光条中心线提取研究综述[Ｊ].测控技术ꎬ２０２１ꎬ４０(６):１￣８.ＤＯＩ:１０.１９７０８/ｊ.ｃｋｊｓ.２０２１.０６.００１.[４]李莹莹ꎬ张志毅ꎬ袁林.线结构光光条中心提取综述[Ｊ].激光与光电子学进展ꎬ２０１３ꎬ５０(１０):１３￣２２.１０.３７８８/ｌｏｐ５０.１００００２.[５]张衡ꎬ苗红霞ꎬ郭章旺ꎬ等.动态环境下的激光条纹中心线提取方法[Ｊ].计算机测量与控制ꎬ２０２１ꎬ２９(１２):２２６￣２３３.ＤＯＩ:１０.１６５２６/ｊ.ｃｎｋｉ.１１￣４７６２/ｔｐ.２０２１.１２.０４１.[６]郭宏阳ꎬ周建平ꎬ薛瑞雷ꎬ等.强光干扰下的焊缝图像激光条纹提取算法研究[Ｊ].组合机床与自动化加工技术ꎬ２０２０(６):５７￣６０.ＤＯＩ:１０.１３４６２/ｊ.ｃｎｋｉ.ｍｍｔａｍｔ.２０２０.０６.０１４.[７]周渊ꎬ孟祥群ꎬ江登表ꎬ等.复杂干扰情况下的结构光条纹中心提取方法[Ｊ].中国激光ꎬ２０２０ꎬ４７(１２):１７２￣１８０.ＤＯＩ:１０.３７８８/ＣＪＬ２０２０４７.１２０４００４.[８]章秀华ꎬ洪汉玉ꎬ徐洋洋ꎬ等.复杂光照条件下矿石三维视觉实时筛选方法[Ｊ].红外与激光工程ꎬ２０２１ꎬ５０(１１):３９４￣４０４. [９]ＪＩＡＮＸꎬＣＨＥＮＸꎬＨＥＷＰꎬｅｔａｌ.Ｏｕｔｄｏｏｒ３Ｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｍｕｌｔｉ￣ｌｉｎｅｌａｓｅｒａｎｄｂｉｎｏｃｕｌａｒｖｉｓｉｏｎ[Ｊ].ＩＦＡＣ￣ＰａｐｅｒｓＯｎＬｉｎｅꎬ２０２０ꎬ５３(２):９５５４￣９５５９.ＤＯＩ:１０.１０１６/ｊ.ｉｆａｃｏｌ.２０２０.１２.２４３６.[１０]方夏章ꎬ李垚ꎬ方毅.室内环境下线结构光光条提取方法[Ｊ].传感器与微系统ꎬ２０１８ꎬ３７(１０):３２￣３４.ＤＯＩ:１０.１３８７３/ｊ.１０００￣９７８７(２０１８)１０￣００３２￣０３.[１１]ＳＨＩＸＱꎬＳＵＮＹＺꎬＬＩＵＨＴꎬｅｔａｌ.Ｒｅｓｅａｒｃｈｏｎｌａｓｅｒｓｔｒｉｐｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｃｅｎｔｅｒｅｘｔｒａｃｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｄｅｓｋｔｏｐｌａｓｅｒｓｃａｎｎｅｒ[Ｊ].ＳＮＡｐｐｌｉｅｄＳｃｉｅｎｃｅｓꎬ２０２１ꎬ３(３):１￣１２.ＤＯＩ:１０.１００７/ｓ４２４５２￣０２１￣０４３０９￣ｗ.[１２]牛晗ꎬ伍希志ꎬ任桂芹ꎬ等.基于Ｏｔｓｕ与ＣＡＮＮＹ算法的竹片缺陷图像检测[Ｊ].森林工程ꎬ２０２２ꎬ３８(６):７５￣８１.ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００６￣８０２３.２０２２.０６.０１０.[１３]赫德军ꎬ武欣嵘ꎬ俞璐.密度聚类方法研究[Ｊ].通信技术ꎬ２０２２ꎬ５５(２):１３５￣１４２.ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００２￣０８０２.２０２２.０２.００１.[１４]张朋ꎬ李小林ꎬ王李妍.基于ＤＢＳＣＡＮ的动态邻域密度聚类算法[Ｊ].计算机科学ꎬ２０２３ꎬ５０(Ｓ１):６０９￣６１５.[１５]ＣＨＥＮＪＳꎬＳＵＧＤꎬＸＩＡＮＧＳＢ.Ｒｏｂｕｓｔｗｅｌｄｉｎｇｓｅａｍｔｒａｃｋｉｎｇｕｓｉｎｇｉｍａｇｅｓｅａｍｅｘｔｒａｃｔｉｏｎ[Ｊ].ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＷｅｌｄｉｎｇａｎｄＪｏｉｎｉｎｇꎬ２０１２ꎬ１７(２):１５５￣１６１.ＤＯＩ:１０.１１７９/１３６２１７１８１１ｙ.００００００００９１.[１６]刘宇豪ꎬ郭京波ꎬ刘文栋ꎬ等.多重干扰下管片端面条纹中心提取优化算法[Ｊ].应用激光ꎬ２０２１ꎬ４１(４):８６９￣８７５.ＤＯＩ:１０.１４１２８/ｊ.ｃｎｋｉ.ａｌ.２０２１４１０４.８６９.。