一种消除工业环境成像时光照影响的方法与流程

本发明属于图像处理与机器视觉领域，具体涉及一种消除工业环境成像时光照影响的方法。

背景技术：

随着工业化的发展，越来越多的工厂开始进行智能工厂的建设，工业机器人在工厂中被大量使用，而传统的示教再现型机器人的功能已经不能满足智能工厂的需要。因此在机器视觉领域，可以通过工业高清相机，对工厂所生产的工件进行拍照定位，然后让机器人根据拍照位置去抓取工件，并且这种类似情况的功能需求越来越大。

因为工厂生产环境的特殊性，拍照时各种情况的复杂性并不高。根据工业环境的实际情况，相机位置与工件位置的误差不会太大，并且由于拍照视角及拍照平面的平行度较好，实际上真正影响拍照质量的因素是光照强度。

当光照强度较大时，工件表面会产生比较大的光线反射，导致最终在图像中出现大片较亮的区域。而当光照强度较小时，工件表面的反射光不足，图像整体偏暗，也会让图像的可识别性变差。

目前针对工业环境成像时所遇到的光照问题而言，一种方法是通过调整图像对比度和亮度进行光照补偿，这种方法在光照不足的情况下效果较好，但是由于调整对比度和亮度的尺度不好把握，参数需要根据不同的图像进行调整，因此不适合在工业环境中使用。

第二类方法是通过gamma校正进行调整。gamma校正是通过补偿成像过程中的一种指数关系，使其变成线性关系，以此来恢复图像与实际场景的差距。这类校正对于普通相机成像的恢复效果较好，但是工业相机通常制作精密，成像时由于相机产生的指数关系基本可以忽略不计，而且gamma校正也需要针对不同的图像设置不同的gamma参数，因此在工业环境中也不实用。

第三类方法是通过直方图均衡化进行光照补偿。直方图可以较好地体现出一幅图像中较暗和较亮区域的分布情况，根据图像的直方图调整这些区域，使图像的像素在各个亮度区间分布均匀。这种方法虽然不需要设定参数，但是调整后图像的直方图分布情况是所有像素的概率密度平均分布，而真实图像则是在适度光照下有明有暗，调整后图像的整体视感与真实情况有所差异，效果并不理想。

综上所述，迫切需要找到一种能够有效地消除工业环境下成像时的光照影响的方法。

技术实现要素：

为了克服上述方法的缺点，本发明提出了一种消除工业环境成像时光照影响的方法，能够解决工业环境下的实用性问题，而且可以有效地消除光照对图像的影响。具体方法的实现包括以下步骤：

步骤1：固定工业高清相机，设置合适的光源强度，拍摄标准图片；

步骤2：对标准照片进行直方图均衡化；

步骤3：采集不同光照强度下的测试图片；

步骤4：对测试图片进行直方图均衡化；

步骤5：对测试图片做直方图规定化，使其与标准图片直方图分布保持一致；

步骤6：重复步骤3-步骤5，即可完成对所有待测物体图片的光照补偿；

所述步骤1中，拍摄标准图片应该保证：首先，工件位于相机视野中心位置，相机与被拍照工件相对平行，无明显的偏移角度。保证光源强度合适，拍取的图片中工件的辨识度较高，且工件上用作定位特征的位置较为明显。

所述步骤2中，对标准图片进行直方图均衡化应满足：均衡化后的图片灰度级直方图分布满足随机变量的概率分布，分布较为均匀，不同区域的明暗分布相比原始标准图片已略有改善。

具体原理为：根据直方图定义求得标准图片的直方图分布。工业相机所拍图片的灰度变化范围为0-255，因此直方图定义表达式按式(1)计算。

其中，rk为第k个灰度级，nk为图片中第k个灰度级在图片中的像素总数，n为整个图片的像素总数。

直方图均衡化是通过直方图变换实现的，下面先介绍直方图变换的理论基础。

本发明中所使用到的图片属于离散灰度图片，设离散图片的概率分布为：

这也正与直方图定义的表达式相符合，但此处提到的ri已经经过归一化处理。此时，对[0，1]区间内的任意r值，设s为均衡化处理后的理想灰度级，则有均衡化变换函数：

s＝t(r)(3)

式(3)需满足：在r∈[0，1]时，有s∈[0，1]，且t(r)函数为单值单调增加函数。

此时在同样的要求下，我们可以得到从s到r的反变换，即式(4)：

r＝t^-1(s)(4)

由于图片在均衡化后，各灰度级分布需满足随机变量的概率分布，则经过变换后的图片的灰度概率密度函数满足式(5)：

其中，pr(r)为r的概率密度，ps(s)为s的概率密度。

假定变换函数为：

其中，为r的累积分布函数，对式(6)等式中的r求导，有：

再把结果代入式(5)，有：

式(8)证明，用r的累积分布函数对图片中像素的灰度值进行变换，可以生成一幅灰度级分布具有均匀的概率密度的图片。

离散形式的直方图均衡化，正是在此基础上做出的。其中式(6)需修改为：

其中，0≤rk≤1，k＝0，1，...，255。

所述步骤3中，采集不同光照强度的测试图片，主要采集光照较差(无人工光源且自然光较差)的图片，以及光照过强(自然光正常但人工光源较强)的图片。

所述步骤4中，对测试图片进行直方图均衡化，应与步骤2中对标准图片进行直方图均衡化时使用同一方法，满足同样的要求，以保障最终光照补偿后图片的效果。

所述步骤5中，对测试图片进行直方图规定化。步骤2及步骤4的图片均衡化均为实现步骤5的基础。利用两次直方图均衡化后的图片，使得它们成为两幅灰度级分布具有相同的均匀概率密度的图片。然后以此为媒介，再对测试图片进行直方图均衡化的逆运算。具体原理为：

设r为测试图片的灰度级，z为我们希望生成的理想图片的灰度级，在这里可以用我们选定的标准图片代替，用以找到测试图片到理想图片之间的映射关系。

两种图片均按照上述直方图均衡化的方法进行均衡化，步骤2中的式(6)即可作为测试图片均衡化时的变换函数。另，设理想图片的变换函数为：

则式(10)的逆变换即为：

z＝g^-1(v)(11)

经过式(6)与式(10)的变换函数后，两种图片的灰度级分布则具有相同的均匀概率密度，即ps(s)＝pv(v)。因此，我们可以直接用s替代式(11)中的v，有：

z＝g^-1(s)(12)

此外，式(6)代入式(11)可得：

z＝g^-1(t(r))(13)

至此，通过式(6)及式(10)得到t(r)、g(z)，然后求得式(11)的z＝g^-1(v)，最后通过式(13)的逆变换所得到的即为本发明实现的光照补偿后的理想图片灰度级。但是上述的计算过程在理论上成立，实际应用时会遇到困难，尤其是在利用标准图片求式(10)的逆变换时。幸运的是，我们需要处理的图片灰度值是离散化的数据，均为整数，我们可以在定义域内，找到自变量z与因变量v之间的整数灰度值对应关系表，而其逆变换，则只需要更改z为因变量，v为自变量即可，对应关系表不需更改。这种离散化的近似，处理起来轻松很多。

式(6)的离散形式为：

k的取值范围为[0，255](14)

其中，rj为第j个灰度级，pr(rj)为第j个灰度级像素点的概率函数，nj为图片中第k个灰度级在图片中的像素总数，n为整个图片的像素总数。

类似地，式(10)的离散形式为(可用s替代式中的v)：

k的取值范围为[0，255](15)

综上所述，经过理论分析，可以通过式(12)-式(15)来对光照条件异常的图片进行基于直方图规定化的光照补偿。

与现有技术相比，本发明的优点在于：

首先，针对机器视觉在工业环境的应用情况，采集满足要求、效果较好的标准图片，作为光照补偿恢复时的模板图片。工业环境具有特殊性，拍照时各种情况的复杂性并不高。相机位置与工件位置的误差不会太大，并且由于拍照视角及拍照平面的平行度较好，因此本方面通过设定标准图片，可以保证光照补偿实施时的稳定性。

其次，采用直方图规定化去做不同光照条件下的补偿。标准图片的光照条件较好，当测试图片为光照不足或光照过强时，此时通过直方图规定化均能有效地恢复为光照条件较好时的图片状态。

最后，由于直方图规定化只需要标准图片的数据即可，不需要额外根据经验设定参数，具有很好的鲁棒性，符合工业大批量生产时所要求的方便、快捷的要求。

附图说明

图1为本发明提出的消除工业环境成像时光照影响方法的具体流程图。

图2-图3为光照适中时的标准图片。(两个图片分别代表不同拍照工件，下同理)

图4-图5为光照不足时的测试图片。

图6-图7为光照过强时的测试图片。

图8-图9为光照不足情况经过直方图规定化后的测试图片。

图10-图11为光照过强情况经过直方图规定化后的测试图片。

具体实施方式

为进一步介绍本发明的发明内容、计算过程及方法有效性，结合附图及以下实例，作以下详细说明：

实施流程图如图1所示。

按照步骤1的要求固定好工业相机，设定合适的拍照位置和光照强度，拍摄符合工业化生产要求的标准图片。标准图片如图2-图3所示，两幅图片分别代表不同的拍照工件，之后同样进行两种图片的光照补偿，用以充分验证本发明方法的有效性。

按照步骤2对拍摄的标准图片做直方图均衡化处理，为后面的直方图规定化做好准备。按标准图片计算直方图均衡化，即公式推导部分的式(10)的离散形式：

其中z为标准图片的灰度级，v为标准图片经过直方图均衡化变换后的灰度级，而其变换时遵循步骤2公式推导部分已经证明的直方图分布满足随机变量的概率分布。步骤5的直方图规定化工作，所用到的g^-1(sk)逆变换即由此式求得。

此时可以得到标准图片的自变量z到因变量v的对应关系，同时反过来看，我们也得到了v到z的对应关系表。这里举例说明：假如z的211灰度级对应v的168灰度级。那么当求逆变换z＝g^-1(v)时，已知v的灰度级为168，就可以知道，z的灰度级为211，顺利解决了在理论推导时所提到的计算问题，而不需要去求解逆函数。

按照步骤3进行测试图片的采集，采集不同光照强度的测试图片：这里主要采集光照较差(无人工光源且自然光较差)的图片，以及光照过强(自然光正常但人工光源较强)的图片，两种情况可以充分检验方法的适应性和可推广性。其中，图4-图5为光照不足时的测试图片。图6-图7为光照过强时的测试图片。

按照步骤4对采集的测试图片进行直方图均衡化处理，根据式(6)的离散形式：

可以得到测试图片自变量r到因变量s的对应关系。具体计算过程与步骤2相同，但是由于此步骤的结果是作为步骤5处理的准备部分，直接求得自变量r到因变量s的对应关系即可，并不需要得出变量之间反变换的关系。

按照步骤5对测试图片进行直方图均衡化，经过式(6)与式(10)的变换函数后，两种图片的灰度级分布则具有相同的均匀概率密度，即ps(s)＝pv(v)。因此，我们可以直接用s替代v，即公式推导阶段得到的式(13)：z＝g^-1(t(r))。

其中，r为测试图片的灰度级，z为我们希望生成的理想图片的灰度级，将测试图片的每个像素点的灰度级代入式(13)，经过t(rk)的直方图均衡化及g^-1(sk)的直方图均衡化逆变换，得到z值。

而通过此逆变换得到的z值也就是本方法要得到的理想图片灰度值，即为与标准图片直方图概率密度分布相同的理想图片灰度值。

图8-图9为光照不足情况下进行光照补偿后的图片，图10-图11为光照过强情况下进行光照补偿后的图片。对比图2-图3可以看出，按照本发明方法进行基于直方图规定化的光照补偿后，得到的图片较为理想，比较好地还原了光照合适情况下的图片。