一種基于機器視覺的模糊圖像復原算法*
*基金項目:基于機器視覺的鞋孔檢測與定位系統研究(JAT201340)
本文引用地址:http://www.ex-cimer.com/article/202111/429590.htm0 引言
由于表面特性對產品的質量和性能有相當大的影響,因此,表面特性的測量在制造業中具有重要意義。在傳統的表面測量中,常見的方法是將探針貼合工件表面并監測其運動,以便追蹤表面的微輪廓。但是接觸式測量會帶來很多的缺點。所以,隨著技術的發展,非接觸式的檢測方法開始受到了更廣泛的關注和應用。
在本文中,我們模擬了獲取運動物體表面的模糊圖像,再使用Lucy Restoration(LR)算法對圖像進行處理,從而驗證在特性條件下還原和識別原圖的可行性,以便今后進一步用于工業上的表面細節信息分析。
1 運動模糊
當一個移動的物體曝光至感光元件上時,如果曝光持續一定時間,就可以記錄下它的多個位置,從而產生模糊。如果曝光時間相對于運動來說足夠小,那么模糊就不會被注意到。然而,低曝光時間會導致更高的噪聲。通過假設,我們可以將模糊過程建模為點擴散函數(PSF)與理想圖像的卷積,從而得到一個坐標上的三角形或高斯形狀,如圖1 所示的情況(a)和(b)。
由于考慮了勻速運動模糊,所以可以假定所有部分都退化了相同數量的模糊。所以,在假設中認為圖像所引入的噪聲是高斯累加的。該算法考慮了變方差的零均值高斯噪聲。
(a)得到一個坐標上的三角形
(b)得到高斯形狀
圖1 將模糊過程建模為點擴散函數(PSF)與理想圖像的卷積得到的圖像
此時,所需要解決的問題可以表述為:
通過給定1幅灰度圖像g (x, y),通過線性平移不變的 PSF 函數h(x, y)退化,從而找出真實圖像f (x, y)的可靠估計。
2 算法設計
在這里,我們通過期望LR 最大化算法來探尋最大化恢復圖像的可能性。從對原始圖像的猜測開始,LR 算法在每次迭代中更新其猜測,使其趨向于潛在圖像。從理論上講,算法迭代的時間越長,它越接近于收斂到潛在圖像。
RL 迭代可由成像方程和泊松統計方程導出:
其中 O 是未模糊的物體,p(i∣j)是 PSF來自真實位置的散射成觀測像素的光的分數;I (i)是無噪聲的模糊圖像。給定期望計數I (i),對每個像素中觀察到的計數D(i)的聯合似然ζ為:
最大似然解出現在ζ對O( j)的所有偏導數為零的地方:
因此,迭代RL 算法可簡寫為:
比較上面兩個公式可以看出,如果RL 迭代收斂,即隨著迭代的進行,修正因子趨近于一個單位,那么它必定收斂于數據中泊松統計量的最大似然解。
3 LR算法的應用
為了評估LR 算法的性能,我們在這里設置了由兩個模糊的、緊密間隔的峰值組成的二維模擬圖像。在模擬中,我們采用合成圖像為128 個圖像點的線性陣列,在陣列的69 和72 位置包含兩個長度為100 的尖刺。然后將該陣列與標準偏差為1.5 個圖像點的歸一化高斯函數進行卷積。
此時,將平均值為0 的5%隨機白噪聲添加到此模糊圖像。原始圖像和模糊圖像分別如圖2(a)和(b)所示。經過20 次迭代,LR 算法的應用如圖2(c)所示。在經過100 次迭代之后,如圖2(d)所示,隨著圖像質量的進一步改善,其結果明顯收斂了。
圖2 模擬圖像
4 結論
從實驗結果可以明顯看出,RL 算法在還原之前隱藏在噪聲中的數據方面是有效的。本文在對比分析的基礎上,采用了基于數字處理圖像的表面粗糙度估計方法,驗證了圖像復原在實際生產、應用中的有效性。
參考文獻:
[1] 宋進,歐海寧.一種基于多項式擬合的人臉識別驗證算法分析[J].電子測試,2020(8):778.
[2] PENUMURU D P,MUTHUSWAMY S,KARUMBU P.Identification and classification of materials using machinevision and machine learning in the context of industry 4.0[J].Journal of Intelligent Manufacturing,Springer,2019,31(5):1229-1241.
(本文來源于《電子產品世界》雜志社2021年11月期)
評論