用于PCB板拼接的特征点检测优化方法与流程

用于pcb板拼接的特征点检测优化方法
技术领域
1.本发明涉及数据处理技术领域，具体涉及一种用于pcb板拼接的特征点检测优化方法。


背景技术：

2.在采集大面积pcb板的图像时，由于相机的视野有限，需要同时使用多台相机拍摄pcb板的不同部位，得到多幅具有重叠区域的图像。图像拼接技术就是通过利用图像之间的重叠区域，将多幅图像拼接成一幅完整的高分辨率图像，解决相机由于自身不足无法直接拍摄完整目标的问题，是目前机器视觉领域的研究热点，图像配准是图像拼接的关键，配准的结果直接影响最后图像拼接的质量。目前已提出的图像配准方法中基于特征点的sift匹配算法提取出的角点在图像尺度变换、旋转和光照变化等条件下具有良好的不变性。
3.sift是一种基于尺度空间的，对图像缩放、旋转、甚至仿射变换保持不变性的图像局部特征描述算子。该算法以高斯差分金字塔图像为核心，生成各不同尺度大小的图像，并获取在不同尺度图像中不随着尺度变化而变化的特征点来进行图像匹配。
4.现有sift算法具体流程为构建尺度空间、检测局部极值得到初始关键点、删除不合适的关键点、计算关键点方向、计算关键点描述子，而在构建尺度空间利用高斯滤波器生成高斯差分金字塔图像时，会使得不同尺度下图像因为高斯核的模糊作用而将边缘特征变得模糊不连续，使得关键特征提取不准确。


技术实现要素：

5.为了解决现有sift算法中图像匹配准确性低的问题，本发明提供一种用于pcb板拼接的特征点检测优化方法，所采用的技术方案具体如下：本发明一个实施例提供了一种用于pcb板拼接的特征点检测优化方法，该方法包括以下步骤：俯视采集pcb板的表面图像；利用sift算法对表面图像构建尺度空间，对同一频程的相邻平滑系数对应的表面图像进行差分得到高斯差分图像；根据高斯差分图像中同一倍频程和不同倍频程中表面图像之间的差异，计算高斯差分图像之间的差异系数，获取高斯差分图像中灰度值为1的像素点，结合所述差异系数得到边缘的优化必要性；计算高斯差分图像的方差，基于所述优化必要性和所述方差对同一倍频程的表面图像进行边缘优化，得到边缘优化图像，将不同倍频程的边缘优化图像再进行图像叠加进行边缘优化，得到最终的优化图像；对所述优化图像进行尺度空间的极值检测、特征点定位、特征方向赋值以及特征点描述，完成图像匹配。
6.优选的，所述差异系数的获取方法为：获取同一倍频程图像的所有差分图像的积分图像，通过统计同一倍频程种第一层
与其他层图像之间的差异大小，以及不同倍频程的积分图像之间的差异获取所述差异系数。
7.优选的，所述优化必要性的获取方法为：以每个倍频程下不同层图像中差异系数在所有像素点的统计值中的占比作为所述优化必要性；所述统计值为高斯差分图像中灰度值为1的像素点数量。
8.优选的，所述计算高斯差分图像的方差，包括：计算高斯差分金字塔中所有高斯差分图像在每个位置处的灰度均值，计算高斯差分图像中每个位置处的灰度值与对应的灰度均值的灰度差异，所有位置处的灰度差异平方的均值即为所述高斯差分图像的方差。
9.本发明实施例至少具有如下有益效果：利用高斯差分金字塔中的同一频程和不同频程所携有的边缘信息，将sift图像中模糊不连续的边缘特征优化连续起来，增加后续匹配中可用的边缘特征描述子，提高sift算法的图像匹配准确性，优化特征点检测的准确度。
附图说明
10.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
11.图1为本发明一个实施例提供的一种用于pcb板拼接的特征点检测优化方法的步骤流程图。
具体实施方式
12.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于pcb板拼接的特征点检测优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
13.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
14.下面结合附图具体的说明本发明所提供的一种用于pcb板拼接的特征点检测优化方法的具体方案。
15.请参阅图1，其示出了本发明一个实施例提供的一种用于pcb板拼接的特征点检测优化方法的步骤流程图，该方法包括以下步骤：步骤s001，俯视采集pcb板的表面图像；利用sift算法对表面图像构建尺度空间，对同一频程的相邻平滑系数对应的表面图像进行差分得到高斯差分图像。
16.俯视采集pcb板的表面图像，由于在拍摄过程中会因为相机工作的内部原因产生成像干扰，故对所获取图像进行降噪等预处理操作，提升图像质量。
17.在利用高斯核构建尺度空间时会生成每组层，一共组共个图像。由高斯卷积函数中已知有参数，则有平滑系数0、、、、、，其中降采样的比例因子为，即在高斯金字塔中，第层的图像在尺寸方面是第组图像的2倍。
18.定义同一倍频程的图像为在同一组中不同平滑系数的图像，不同倍频程的图像为不同组的图像。利用同一频程的相邻平滑系数所对应的图像进行差分得到高斯差分图像，高斯差分图像反映了原图像中的边缘信息。
19.步骤s002，根据高斯差分图像中同一倍频程和不同倍频程中图像之间的差异，计算表面图像之间的差异系数，获取高斯差分图像中灰度值为1的像素点，结合所述差异系数得到边缘的优化必要性。
20.获取同一倍频程图像的所有差分图像的积分图像，通过统计同一倍频程种第一层与其他层图像之间的差异大小，以及不同倍频程的积分图像之间的差异获取所述差异系数。
21.通过计算积分图像获得对高斯差分金字塔中同一频程图像的整体灰度描述，定义图像中、分别表示图像中的像素点位于第行，第列，则计算各图像对应的积分图像：式中，表示第组第层的高斯差分图像所对应形成的积分金字塔图像，x，y分别为该图像的高斯差分金字塔或对应的积分金字塔中的图像共有x组，y层；其中，为平滑系数中的相关参数。
22.另外，上述中的表示位于第组、第层、第行、第列的像素点；为任意图像中的像素点从起点坐标到终点的坐标上限，当为最大值时，为该图像最右下角像素点坐标，此时，即图像大小为；表示像素点属于图像，即表示该公式是对属于高斯差分图像中的像素点进行计算。
23.该式表示在生成的积分图像中，令点的值为在利用上述方法所形成的一个矩形范围中该范围内的灰度总和。
24.积分图像是对图像中灰度分布整体上的描述，通过积分图像可以计算出图像之间在整体上的差异大小，反映出高斯差分图像中边缘信息的连续性或不连续性；另外，在图像的边缘提取、对象检测的时候当积分图像首先被计算出来，就可以在常量时间内计算任意大小矩形区域的灰度分布，可以大大减少计算量，且提高计算速度。
25.以每个倍频程下不同层图像中差异系数在所有像素点的统计值中的占比作为所述优化必要性；所述统计值为高斯差分图像中灰度值为1的像素点数量。
26.计算同一倍频程和不同倍频程中积分金字塔中图像的边缘信息差异系数：式中，表示在同一组，即同一频程中不同层积分图像中像素点之间的差异；表示在公式计算时，所计算的像素点属于积分图像；该式表示对在同组（即同一倍频程）中，第一层与其他层图像之间的差异大小，并依次对不同组（即不同倍频程）重复以上步骤进行不重复统计计算。
27.该式反映了同一倍频程和不同倍频程中包含高斯差分图像的边缘信息的积分图像之间的差异统计和值。
28.根据上述中所得的反映并描述高斯差分图像中边缘信息的积分图像，计算其中边缘信息的差异大小进一步获取所对应的边缘优化必要性。
29.对边缘的优化必要性对边缘的优化必要性式中，表示上述中的差异参数；表示公式的运行计算条件，即对属于高斯差分图像中灰度值为1的像素点进行计算；表示对图像以坐标为起点到点为终点对图像中像素值为1的进行统计；则表示对高斯差分图像中对满足条件的像素点进行不重复统计求和。
30.该式反映了各倍频程的不同层图像中差异像素点的统计值在总像素点的统计值占比，值越大，表示不同层之间的差异占比越大，对于存在较大差异的边缘优化必要性越高，反之越小。
31.通过该式可以确定在后续边缘优化时需要进行优化的部分，以减少在非必要优化部分的图像运算。
32.步骤s003，计算高斯差分图像的方差，基于所述优化必要性和所述方差对同一倍频程的表面图像进行边缘优化，得到边缘优化图像，将不同倍频程的边缘优化图像再进行图像叠加进行边缘优化，得到最终的优化图像。
33.计算高斯差分金字塔中所有高斯差分图像在每个位置处的灰度均值，计算高斯差分图像中每个位置处的灰度值与对应的灰度均值的灰度差异，所有位置处的灰度差异平方的均值即为所述高斯差分图像的方差。
34.根据上述中所得的优化必要性对高斯差分图像中的边缘进行补齐优化。图像的方差表示图像的模糊程度，在进行边缘优化时，因为模糊程度低的边缘信息更加清晰准确，所以只有模糊程度低的才能为模糊程度高的做参考；另外，因为本倍频程的图像和目标图像是在同一尺度下的损失程度的不同则有不同的模糊程度，但其他倍频程的图像模糊程度小，梯度信息更加准确。
35.计算各图像的方差计算各图像的方差其中，式中，、中的，表示像素点的位为图像中的第行、第列；、分别表示图像共有行，列；表示高斯差分金字塔中各图像的像素均值。
36.方差反映了图像的模糊程度，值越小，图像对比度越小，图像越模糊，反之，对比度越大，图像模糊程度越小，边缘信息更清楚；且只有模糊程度低的才能为模糊程度高的作为参考。
37.根据优化必要性和图像方差进行边缘优化，结合优化必要性和方差首先对同一倍频程的图像进行边缘优化，优化后图像为：式中，表示该公式在计算图像叠加时，只计算同一倍频程中不同层图像的像素点叠加，需要叠加图像为，表示图像叠加计算进行边缘优化时时需要满足的条件优化必要性和方差，在本发明中设该条件为，其中为同一倍频程图像中的最小方差，表示在边缘优化中以该最小方差所对应图像作为参考。
38.另外，考虑到本倍频程的其它图像和目标图像是在同一尺度下的损失程度的不同，即同一尺度下的不同模糊效果，而其他倍频程的图像是模糊效果小，梯度信息更加准确，故在边缘优化时，应该不仅要计算同一倍频程图像的边缘优化，而且要考虑利用不同倍频程图像计算边缘优化后图像：
式中，表示不同倍频程的边缘优化图像，表示以所得的边缘优化后图像的最大方差为参考，将不同倍频程的边缘优化图像再进行图像叠加进行边缘优化，得到最终效果最好的各倍频程的边缘优化结果图像。
39.步骤s004，对所述优化图像进行尺度空间的极值检测、特征点定位、特征方向赋值以及特征点描述，完成图像匹配。
40.对边缘部分优化后的图像进行sift算法的后续步骤：即尺度空间的极值检测：搜索所有尺度空间上的图像，通过高斯微分函数识别对尺度和选择不变的兴趣点。
41.特征点定位：通过拟合精细模型确定位置尺度，关键点的选取依据稳定程度。
42.特征方向赋值：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，后续所有操作都是对于关键点的方向、尺度和位置进行变换以提供特征不变性。
43.特征点描述：在特征点周围邻域内，在选定的尺度上测量图像局部梯度，并通过归一化以允许比较大的局部形状的变形和光照变换。
44.最终，完成sift完整的图像匹配过程综上所述，本发明实施例俯视采集pcb板的表面图像；利用sift算法对表面图像构建尺度空间，对同一频程的相邻平滑系数对应的表面图像进行差分得到高斯差分图像；根据高斯差分图像中同一倍频程和不同倍频程中表面图像之间的差异，计算高斯差分图像之间的差异系数，获取高斯差分图像中灰度值为1的像素点，结合差异系数得到边缘的优化必要性；计算高斯差分图像的方差，基于优化必要性和方差对同一倍频程的表面图像进行边缘优化，得到边缘优化图像，将不同倍频程的边缘优化图像再进行图像叠加进行边缘优化，得到最终的优化图像；对优化图像进行尺度空间的极值检测、特征点定位、特征方向赋值以及特征点描述，完成图像匹配。本发明实施例利用高斯差分金字塔中的同一频程和不同频程所携有的边缘信息，将sift图像中模糊不连续的边缘特征优化连续起来，增加后续匹配中可用的边缘特征描述子，提高sift算法的图像匹配准确性。
45.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
46.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
47.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。