一种线阵CCD的行进畸变校正方法

摘要

本发明公开了一种线阵CCD的行进畸变校正方法，步骤包括：步骤1、去除标准图像与待校正图像中差异较大的图像列；步骤2、分别提取标准图像与待校正图像特征线元；步骤3、计算标准图像和待校正图像的特征线元的相似性，获得两者相匹配的特征线元对；步骤4、采用匹配的特征线元对，对待校正图像进行缩放；步骤6、在得到的匹配线元的基础上，对标准图像和待校正图像，按照步骤4的方法进行缩放，便可得到最终的畸变校正结果，即可进行对应的比对，得出车辆底盘异物的检测结论。本发明的校正方法，步骤简单，运算量少，实时性好，准确性高。

主权项

一种线阵CCD的行进畸变校正方法，其特征在于，按照以下步骤具体实施：步骤1、去除标准图像与待校正图像中差异较大的图像列为了描述方便起见，将去除了较大差异列的标准图像和待校正图像仍旧以和表示，其Sobel边缘图仍旧以和表示；步骤2、分别提取标准图像与待校正图像特征线元2a)对步骤1差异处理后的标准图像在水平方向sobel边缘和待校正图像在水平方向sobel边缘分别进行行方向投影，得到和如下式：$h^k\left(x\right)=\underset{v=1}{\overset{n}{\Sigma }}{f_{x\_Edge}}^k\left(x,y\right),k=O,R,x=1,2,...,m_k,m_k=m_O,m_R,---\left(1\right)$2b)对步骤2a)得到的投影曲线和求其均值μ_O和μ_R：${\mu }_k=\frac{1}{m_k}\underset{x=1}{\overset{m_k}{\Sigma }}{h}^k\left(x\right),k=O,R,m_k=m_O,m_R,---\left(2\right)$2c)按照所求出的均值μ_O和μ_R，对投影曲线和进行分段，曲线的段边界点为均值与投影曲线的交点x_l^O，l＝1,2,...,n_O，曲线的段边界点为均值与投影曲线的交点x_l^R，l＝1,2,...,n_R，即：x_l^k＝x|h(x)＝μ_k，k＝O,R，l＝1,2,...,n_k，n_k＝n_O,n_R，     (3)其中的n_O是投影曲线与均值μ_O的相交点的个数，n_R是投影曲线与均值μ_R的相交点的个数，分段后的曲线段Cu^O(i)，i＝1,2,...,n_O+1，Cu^R(i)，i＝1,2,...,n_R+1为：${\mathrm{Cu}}^k\left(i\right)=\left\{x\right|x\in [x_{i-1}^k,x_i^k]\},{x_0}^k=1,{x_{n_k+1}}^k=m_k,k=O,R,$i＝1,2,...,n_k+1，n_k＝n_O,n_R，m_k＝m_O,m_R；       (4)2d)分别求出每个曲线段Cu^O(i)和Cu^R(i)的极大值点x_max^O(i)，i＝1,2,...,n_O+1，x_max^R(i)，i＝1,2,...,n_R+1，如下式：x_max^k(i)＝argmax{Cu^k(i)}，k＝O,R，i＝1,2,...,n_k+1，n_k＝n_O,n_R，   (5)这些极大值点分别对应了标准图像以及标准图像的边缘待校正图像以及待校正图像的边缘的特征线元所在行的位置；步骤3、计算标准图像和待校正图像的特征线元的相似性，获得两者相匹配的特征线元对(x_max^O(i),x_max^R(i))，i＝1,2,...,N，其中N为配对成功的特征线元对的个数，具体步骤是：3a)对步骤1a)得到的标准图像的边缘为用步骤2得到的极大值点x_max^O(i)，i＝1,2,...,n_O+1，作为各个子图的边界点，分成子图${\left[{f_{x\_Edge}}^{O_i}\left(x,y\right)\right]}_{m_{O_i}\times n},i=1,2,...,n_O+1;$同样地，对步骤1a)得到的待校正图像的边缘为用步骤2得到的极大值点x_max^R(i)，i＝1,2,...,n_R+1，作为各个子图的边界点，分成子图子图i＝1,2,...,n_R+1，各个子图的分割计算公式如下：i＝1,2,...,n_k+1，n_k＝n_O,n_R，         (6)3b)计算步骤3a)得到的各个子图的投影曲线i＝1,2,...,n_O+1和i＝1,2,...,n_R+1，公式如下：$h^{k_i}\left(y\right)=\underset{x=1}{\overset{{x_{\max }}^k\left(i\right)}{\Sigma }}{f_{x\_Edge}}^{k_i}\left(x,y\right),k_i=O_i,R_i,k=O,R,$i＝1,2,...,n_k+1，n_k＝n_O,n_R        (7)3c)对子图的投影曲线i＝1,2,...,n_O+1和i＝1,2,...,n_R+1计算其相关系数矩阵公式如下：$cor(i,j)=\frac{\underset{y=1}{\overset{n}{\Sigma }}\left[h^{O_i}\right(y)-{\bar{h}}^{O_i}][h^{R_j}\left(y\right)-{\bar{h}}^{R_j}]}{\sqrt{\underset{y=1}{\overset{n}{\Sigma }}{[h^{O_i}\left(y\right)-{\bar{h}}^{O_i}]}^2}·\sqrt{\underset{y=1}{\overset{n}{\Sigma }}{[h^{R_j}\left(y\right)-{\bar{h}}^{R_j}]}^2}},$i＝1,2,...,n_O+1，j＝1,2,...,n_R+1，        (8)其中的是i＝1,2,...,n_O+1的均值，是j＝1,2,...,n_R+1的均值；3d)找出中的最大值点(i_max,j_max)，公式如下：$(i_{max},j_{max})=\arg \underset{i=1,...,n_o+1}{max}\underset{j=1,...,n_R+1}{max}\left\{cor\right(i,j\left)\right\},---\left(9\right)$由此得到标准图像与待校正图像的配对特征线元位置坐标为(i_max⁽¹⁾,j_max⁽¹⁾)＝(i_max,j_max)，即标准图像的第i_max⁽¹⁾行与待校正图像的第j_max⁽¹⁾行为相同的特征线元位置坐标；3e)根据(i_max⁽¹⁾,j_max⁽¹⁾)将矩阵分为两个小矩阵和即：cor₁(i,j)＝cor(i,j)，i＝1,2,...,i_max⁽¹⁾，j＝1,2,...,j_max⁽¹⁾，     (10)cor₂(i,j)＝cor(i_max+i,j_max+j)，i＝1,2,...,n_O+1‑i_max，j＝1,2,...,n_R+1‑j_max，   (11)3f)将这两个小矩阵分别代入步骤3d)和步骤3e)，进行同样的处理后，得到标准图像与待校正图像的配对特征线元位置坐标为(i_max⁽²⁾,j_max⁽²⁾)和(i_max⁽³⁾,j_max⁽³⁾)，并且又分别得到两个小矩阵${\left[{\mathrm{cor}}_{11}(i,j)\right]}_{{i_{max}}^{\left(2\right)}\times {j_{max}}^{\left(2\right)}},{\left[{\mathrm{cor}}_{12}(i,j)\right]}_{({i_{\max }}^{\left(1\right)}+1-{i_{\max }}^{\left(2\right)})\times ({i_{\max }}^{\left(1\right)}+1-{j_{\max }}^{\left(2\right)})},$${\left[{\mathrm{cor}}_{21}(i,j)\right]}_{{i_{max}}^{\left(3\right)}\times {j_{max}}^{\left(3\right)}},{\left[{\mathrm{cor}}_{12}(i,j)\right]}_{(n_o+1-{i_{\max }}^{\left(1\right)}+1-{i_{\max }}^{\left(3\right)})\times (n_R+1-{i_{\max }}^{\left(1\right)}+1-{j_{\max }}^{\left(3\right)})},$之后，再将得到的四个小矩阵分别代入步骤3d)和步骤3e)，直到所有的小矩阵只有两行两列为止，再设定得到了N对标准图像与待校正图像的配对特征线元位置序列为(i_max^(k),j_max^(k))，k＝1,2,...,N；步骤4、采用匹配的特征线元对，对待校正图像进行缩放由特征线元位置坐标对(i_max^(k),j_max^(k))，k＝1,2,...,N，将待校正图像分割为子图像块y＝1,2,...,n，其大小为(j_max^(k)‑j_max^(k‑1))×n，j_max⁽⁰⁾＝1，j_max^(N+1)＝m_R，k＝1,2,...,N+1；将标准图像分割为子图像块y＝1,2,...,n，其大小为(i_max^(k)‑i_max^(k‑1))×n，i_max⁽⁰⁾＝1，i_max^(N+1)＝m_O，k＝1,2,...,N+1；按照特征线元位置坐标对(i_max^(k),j_max^(k))，k＝1,2,...,N的对应关系，将带校正图的子图像块k＝1,2,...,N从大小为(j_max^(k)‑j_max^(k‑1))×n，缩放至与标准图像对应子块k＝1,2,...,N+1相同大小，即(i_max^(k)‑i_max^(k‑1))×n，得到计算公式如下：${\hat{f}}^{R_k}(x,y)=f^{R_k}(c_{k}x,y),$$x={i_{\max }}^{\left(k-1\right)},{i_{\max }}^{\left(k-1\right)}+1,...,{i_{\max }}^{\left(k\right)},y=1,2,...,n,k=1,2,...,N+1,---\left(12\right)$其中，$c_k=\frac{{i_{\max }}^{\left(k\right)}-{i_{\max }}^{\left(k-1\right)}}{{j_{\max }}^{\left(k\right)}-{j_{\max }}^{\left(k-1\right)}},---\left(13\right)$由此，完成对待校正图像的初匹配，处理后的待校正图像与标准图像大小一致，即为：${\hat{f}}^R(x,y)={\hat{f}}^{R_k}(x,y),x={i_{\max }}^{\left(k-1\right)},{i_{\max }}^{\left(k-1\right)}+1,...,{i_{\max }}^{\left(k\right)},k=1,2,...,N+1;---\left(14\right)$步骤5、对得到的初匹配图像采用交叉寻找的方法进行匹配，得到细匹配的匹配线元5a)对经过步骤4得到的图像以及标准图像分别求其Sobel水平边缘图，并分别以和表示；5b)逐行计算带校正图与标准图像的行累积差e(x)，x＝1,2,...,m_O，公式如下：$e\left(x\right)=\frac{1}{n}·\underset{y=1}{\overset{n}{\Sigma }}|{{\hat{f}}_{y\_Edge}}^R\left(x,y\right)-{f_{y\_Edge}}^O\left(x,y\right)|,x=1,2,...,m_O;---\left(15\right)$5c)将计算得到的行累积差e(x)，x＝1,2,...,m_O，设定阈值是的均值，α是调整系数；步骤6、在得到的匹配线元的基础上，对标准图像和待校正图像，按照步骤4的方法进行缩放，便可得到最终的畸变校正结果，即可进行对应的比对，得出车辆底盘异物的检测结论。