基于高清晰测量灰度图像的零件表面三维形貌评价方法

摘要

本发明提供一种基于高清晰测量灰度图像的复杂零件表面三维形貌评价方法，包括步骤：首先，采用三维高分辨率表面形貌测量技术对复杂零件表面进行测量，并将测量的三维高密度点云数据转换为灰度图像。然后计算灰度共生矩阵，排除零件外部边界及内部孔洞的像素，得到有效灰度共生矩阵。最后，通过有效灰度共生矩阵计算特征值熵和对比度，分别用于评价复杂零件三维形貌的随机性和三维形貌局部误差的大小。本发明能够对包含孔洞的大尺寸复杂零件表面的三维形貌进行评价，改进了二维形貌评价方法容易产生“漏检”的缺陷和三维微观形貌方法无法直接计算复杂零件表面不连续数据的不足，补充了产品几何特征中有关零件表面形貌的评价体系。

主权项

一种基于高清晰测量灰度图像的零件表面三维形貌评价方法，其特征在于，包括如下步骤：第一步：获得高清晰测量灰度图像；对复杂零件表面进行测量，得到三维高密度点云数据，并将三维高密度点云数据转换为灰度图像I(x,y)，其中I为像素的灰度值，取值范围为I＝1,2,3,...,Ng，其中，Ng为灰度级数；x、y分别为像素在灰度图像中的横坐标和纵坐标，取值范围分别x＝1,2,3,...,M和y＝1,2,3,...,N，其中，M为横坐标的最大值，N为纵坐标的最大值；第二步：计算灰度共生矩阵P(i,j,d,θ)；将灰度图像I(x,y)读入，根据下式计算灰度共生矩阵P(i,j,d,θ)：P(i,j,d,θ)＝#{I(x1,y1)＝i,I(x2,y2)＝j,x2＝x1+dcosθ,y2＝y1+dsinθ}其中像素对I(x1,y1)与I(x2,y2)的灰度值分别为i和j，像素对之间的距离为d，像素对I(x1,y1)、I(x2,y2)与坐标横轴的夹角为θ，#{}表示集合中满足I(x1,y1)＝i,I(x2,y2)＝j,x2＝x1+dcosθ,y2＝y1+dsinθ的像素对出现的次数；通过设定距离d和夹角θ，得到不同距离及角度的灰度共生矩阵P(i,j,d,θ)；第三步：计算有效灰度共生矩阵Pe(i,j,d,θ)；由于像素的灰度对应测点的高度，灰度为零表示测点高度为零；包含灰度为零的像素对I(x1,y1)＝i,I(x2,y2)＝j分为两种情况：像素对中的一个像素灰度为零，既i＝0,j≠0或j＝0,i≠0，这表示这个像素对包含零件表面的边界；像素对中两个像素的灰度都为零，既i＝0,j＝0，这表示这个像素对不属于零件表面；有效灰度共生矩阵Pe(i,j,d,θ)，通过添加边界条件i≠0,j≠0得到：Pe(i,j,d,θ)＝P(i,j,d,θ)，如果i≠0,j≠0；否则，Pe(i,j,d,θ)＝0；第四步：计算归一化的有效灰度共生矩阵pe(i,j,d,θ)；将有效灰度共生矩阵Pe(i,j,d,θ)进行归一化，得到像素对出现频率pe(i,j,d,θ)： p e ( i , j , d , θ ) = P e ( i , j , d , θ ) / Σ i = 1 N g Σ j = 1 N g P e ( i , j , d , θ ) 第五步：计算归一化的有效灰度共生矩阵pe(i,j,d,θ)的特征参数；灰度共生矩阵提供了图像灰度方向、间隔和变化幅度的信息，根据共生矩阵来计算 复杂零件三维形貌的特征值：熵（Entropy）和对比度（Contrast）； Entropy = - Σ i Σ j p e ( i , j ) log ( p e ( i , j ) ) Contrast = Σ n = 0 N g - 1 n 2 { Σ i = 1 N g Σ j = 1 N g | i - j | = n p e ( i , j ) } 其中，pe(i,j)表示特定距离和角度的归一化有效灰度共生矩阵，NR表示灰度图像的灰度级数；熵表示复杂零件表面三维形貌的随机性；当零件表面各点高度随机性分布，灰度共生矩阵各处的元素几乎相等，对应熵较大；当零件表面各点高度分布集中时或有规律分布时，灰度共生矩阵中元素相对集中，对应熵较小；对比度反映了复杂零件三维形貌局部误差的大小；当零件三维形貌局部误差越大纹理越深时，灰度公生矩阵中远离对角线的元素值越大，对比度越大；反之，当零件三维形貌局部误差越小纹理越小时，灰度公生矩阵中远离对角线的元素值越小，对比度越小。