激光點陣圖像特征點提取算法研究

關鍵詞：激光點陣圖像；閾值分割；特征點提取

中圖分類號：TP317.4 文獻標志碼：A 文章編號：1003-5168（2025）08-0048-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.008

Abstract： [Purposes] In order to solve the problem that SIFT algorithm extracts multiple feature points from aspot area in the process of feature point extraction of laser latice image，which leads to the inability to accurately extract the center coordinates of the spot，a feature point extraction algorithm of laser lattice image is proposed.[Methods] The algorithm uses Gaussian filtering for noise reduction.Firstly，an adaptive threshold segmentation algorithm based on area and quantity constraints is used to binarize the image;secondly，the contour search algorithm is used to process the binary image ;then，thirdly ellipse fitting of the spot contour is carried out，and the geometric shape ofthe fitting result is screened to obtain the spot center coordinates; finally，the simulation experiment is carried out to select the appropriate Gaussian filter parameters.[Findings] The proposed algorithm and SIFT algorithm were used to extract feature points from laser dot matrix images.The experimental results show that the proposed algorithm can accurately extract 2 6O1 feature points from 5 1 × 5 1 laser dot matrix images.[Conclusions] In this paper，only one feature point is extracted from a laser region，and the interference of environmental fea ture points is eliminated. Keywords： laser dot matrix image; threshold segmentation; feature point extraction

0 引言

激光點陣圖像處理是研究激光散斑測量技術的關鍵，精確定位激光特征點坐標是高精度三維重建的基礎。目前，常見的特征點提取算法有尺度不變特征變 換（Scale Invariant Feature Transform，SIFT）算法[1-2]、加速魯棒特征（Speeded Up RobustFeatures，SURF）算法[3]、加速分割檢測特征（Fea-turesfromAcceleratedSegment，FAST）算法4、二進制魯棒不變尺度特征（BinaryRobustInvariantScal-ableKeypoints，BRISK）算法5等。

SIFT算法在圖像差分尺度空間中進行特征點提取時，特征點獨特性強，但容易提取過多冗余特征點。SURF算法采用Hessian矩陣進行特征點提取，特征點提取速度比SIFT算法快，但是提取特征點的精度低于SIFT算法。FAST算法使用圓形鄰域像素比較來提取特征點，計算速度快，但是對噪聲敏感。BRISK算法采用差分金字塔和FAST算法進行多尺度特征點提取，計算速度較快，但提取精度略低于SIFT算法。

本研究針對SIFT算法一個激光光斑區域提取到多個特征點，導致無法準確提取激光光斑中心坐標的問題，提出一種激光點陣圖像特征點提取方法。首先對圖像進行降噪處理，其次使用添加面積約束的自適應閾值分割算法對圖像進行二值化，再次進行輪廓搜索，最后對輪廓進行橢圓擬合，并對結果進行幾何形狀篩選，得到激光光斑中心坐標。該算法一個激光區域只提取一個特征點。

1SIFT算法尺度空間特征點提取原理

SIFT算法在高斯差分金字塔中進行極值檢測。對于二維圖像 I （ x ， y ） ，在尺度空間中不同尺度下表示為 L （ x ， y ， σ ） ，由圖像 I （ x ， y ） 與高斯核 G （ x ， y ， σ ） 的卷積得到。在與圖像卷積的高斯差分函數D O G （ x ， y ， σ ） 中使用尺度空間極值，其可以由常數乘法因子 k 分開兩個鄰近尺度的差，具體見式（1）至式（3）。

極值檢測示意如圖1所示，為了檢測D O G （ x ， y ， σ ） 的局部極值，以深灰色采樣像素點為例，該像素點需要與當前尺度和相鄰尺度下的 3 × 3 區域中的26個相鄰像素（用淺灰色標記）的灰度值進行比較，如果為最大值或最小值，就確定該點是圖像在該尺度下的一個極值點。

此時得到的極值點是離散的，并不是真正的特征點，需要利用已經找到的離散空間極值點擬合一個函數，從而找到連續空間的特征點。

2激光點陣特征點提取算法

2.1 圖像預處理

受現場環境中光照變化、電子元件存在瑕疵等因素的影響，相機拍攝的原始激光點陣圖像存在一定的噪聲干擾，為提高特征點提取的精度，需要對原始圖像進行預處理操作。圖像預處理的作用主要是降低圖像噪聲，改善圖像質量。常用的平滑濾波降噪方法主要包括均值濾波、閾值領域平滑濾波、中值濾波和高斯濾波等幾種常用方法。均值濾波是對原始圖像的每個像素點取一個鄰域S，計算s 中所有像素灰度值的平均值，作為空域平均處理后的圖像 g（ x， y） 的像素值，輸出圖像的灰度值等于輸人圖像灰度值的局部平均。均值濾波相當于濾波核上各單元具有相同的權重，即權值都等于1/M。均值濾波可以表示為式（4）。

式中： （ i ， j ） 為鄰域 s 中某點像素坐標 為像素點 （ i ， j ） 的灰度值； s 為以點 （ i ， j ） 為中心的鄰域的集合； M 為鄰域 s 內中的像素點數。

閾值鄰域平滑濾波是將原像素點的灰度值 f （ i ， j ） 與均值濾波得到的像素點的灰度值 進行比較，如果其絕對差小于設定的閾值T，則認為當前像素點不是噪聲點，像素點的灰度值采用原來像素點的灰度值；如果其絕對差大于設定的閾值T ，則認為當前像素點已經被污染，像素點的灰度值采用均值濾波得到的值。閾值鄰域平滑公式見式（5）。

中值濾波是一種經典的非線性圖像平滑方法。中值濾波方法是對鄰域內的像素灰度值按大小排序，然后用位置居中的灰度值取代當前像素的灰度值。其表達式見式（6）。

式中： 為以 （ x ， y ） 為中心點的鄰域集合；Med為取集合的中間值。

高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應用于圖像處理的降噪過程。高斯濾波運用了高斯正態分布的密度函數來計算濾波核上的權重，公式見式（2）。

本研究對比4種濾波方法對激光點陣圖像的噪聲濾波效果，濾波核大小選擇 5 × 5 的4種濾波對圖像進行處理，為準確衡量濾波后的圖像質量，利用峰值信噪比（PeakSignalto NoiseRatio，PSNR）和結構相似度（StructuralSimilarity，SSIM）進行濾波圖像質量評估。

峰值信噪比公式見式（7）。

式中： I 為參考圖像，大小為 m × n ; K （ i ， j ） 為待評價圖像，大小為 m × n ;MSE為均方差； M A X I 為圖像最大灰度值。

峰值信噪比是基于圖像像素統計特征的圖像質量評價方法，通過計算待評價圖像和參考圖像對應像素點之間的灰度值差異來衡量待評價圖像的質量優劣。由式（7）可知，均方差越小，峰值信噪比越大，圖像質量越好，峰值信噪比一般在30＼～40dB之間說明圖片質量較好，低于 3 0 d B 說明圖片質量較差。

結構相似度計算公式見式（8）。

式中： 為 x ， y 的平均值; 為 x ， y 的標準差； 為 x 和 y 的協方差； 為常數。

結構相似度指標從圖像組成的角度將結構信息定義為獨立于亮度、對比度的反映場景中物體結構的屬性，并將失真建模為亮度、對比度和結構等3個不同因素的組合，用均值作為亮度的估計，標準差作為對比度的估計，協方差作為結構相似程度的度量。結構相似性指數越接近1，則表示兩幅圖像的結構相似程度越高，反之，則表示特征信息丟失情況越嚴重。

本研究運用峰值信噪比和結構相似度對4種濾波方式處理的激光點陣圖像進行計算，計算結果如圖2所示。

由計算結果可知，均值濾波和高斯濾波的結構相似度相差不大，且比中值濾波和閾值鄰域平滑濾波稍好一些。高斯濾波的峰值信噪比較均值濾波的高，說明圖片質量較好，且高斯濾波處理的圖像效果略好一些，因此選用高斯濾波進行處理，可以保證較好的平滑效果，圖像各個特征的清晰度效果也更好。

2.2基于面積約束的自適應閾值分割算法

傳統的自適應閾值分割算法一般沿著行、列或者Z字形掃描整個圖像，每個點都會產生一個閾值，用該點的灰度值和該點計算出的閾值比較來分割圖像。自適應閾值法的流程如下： ① 沿行、列或者Z字形掃描整個圖像； 是掃描序列中第 k 個像素點的灰度值，其局部閾值 計算公式見式（9）。

式中 ： f （ x ， y ） 為像素點 Φ（ x ， y ） 的灰度值； n 為以點Φ（ x ， y ） 為中心的鄰域集合； M 為鄰域 n 中的像素點數； c 為常數。

③ 將像素灰度值 與局部閾值 進行比較，如果該像素點灰度值大于（或小于）其閾值，則認為是前景，否則是背景。

在使用傳統自適應閾值時，存在滑動窗口大小和閥值計算方法中的常數項選擇困難，導致無法準確將激光區域與背景區域進行分割，本研究提出一種基于面積和數量約束的自適應閾值分割方法，算法分割流程如下： ① 設置自適應閾值分割算法中鄰域大小 n 和常數 c ② 對預處理后的圖像進行自適應閾值分割，然后進行輪廓檢測，并計算輪廓面積，如果最大輪廓面積除以第二大輪廓面積小于2，則區域大小 n 加2。反之輸出區域大小； ③ 根據步驟② 中得到的區域大小，再次進行自適應閾值分割和輪廓檢測，如果輪廓數量大于2608，則常數 c 減1，反之輸出輪廓和輪廓面積。具體算法流程如圖3所示。

圖像閥值分割后得到的輪廓區域個數大于激光點的個數，根據閾值分割算法原理可知，非激光輪廓區域的面積小于激光輪廓區域面積，并且二者形狀明顯不同，故采用面積判定原理進行第一次輪廓區域篩選。

根據得到的各個輪廓面積 和輪廓數量 C ，計算輪廓區域面積約束值 ，舍棄輪廓區域面積小于 的輪廓區域，具體見式（10）。

式中：為向上取整。

2.3 特征點定位

將激光光斑邊界當作橢圓進行橢圓擬合，進而確定激光光斑的中心坐標，即特征點坐標，橢圓方程見式（11）。

使用最小二乘法求解橢圓的5個參數，結果見式（12）。

對面積篩選后的光斑輪廓區域信息進行橢圓擬合，得到橢圓的中心坐標、旋轉角度、橢圓長徑和短徑。第二次篩選使用橢圓長徑除以短徑，保存比值在[1，3]區間內的特征點坐標，并將其他區間的坐標舍去，得到激光光斑特征點坐標。

3實驗結果與分析

高斯濾波在降低噪聲的同時也使圖像變得模糊，影響人工激光特征點中心提取精度。高斯濾波主要有兩個參數，分別為濾波核大小和標準差，選擇合適的參數，有助于提升光斑中心提取精度。為了比較不同濾波核大小和濾波方差對光斑中心提取精度的影響，采用人工生成的激光光斑圖像進行光斑中心提取實驗，實驗所用圖像大小為 5 1 2 × 5 1 2 ，人工激光光斑中心設置為（256，256并在圖中加入噪聲，人工激光光斑圖像如圖4（a）所示。按照上述過程提取人工激光光斑中心坐標，單次結果如圖4（b）所示。對光斑中心坐標進行誤差計算，不同濾波核大小和濾波方差對光斑中心提取精度影響如圖4（c）所示。由圖4（c可知，濾波方差和光斑中心誤差為非線性關系，比較不同濾波核大小對誤差影響可知，當濾波方差取2.7，濾波核大小為 5×5 時誤差最小。

為了驗證本研究提出的改進算法的有效性，分別計算該算法與SIFT算法的特征點提取數量。實驗圖像分辨率為 3 6 9 6 × 2 4 4 8 ，激光器點數為5 1 × 5 1 ，原始圖像如圖5所示。該算法與SIFT算法對激光點陣圖像提取特征點部分效果圖如圖6所示。

由圖6可知，本研究改進算法提取了2601個特征點，等于激光點陣圖像中激光光斑數量，SIFT算法提取了15988個特征點，遠多于激光點陣圖像中激光光斑數量。

4結論

從特征點提取方面可以明顯看出，本研究的算法比SIFT算法具有較少的特征點，因此認為該算法可以有效剔除激光邊緣的無效特征點，且一個激光區域只提取一個特征點。

參考文獻：

[1]LOWE DG.Object recognition from local scaleinvariant features [C]//Proceedings of the seventh IEEE international conference on computer vision.IEEE，1999，2：1150 -1157.

[2]LOWE D G.Distinctive image features from scaleinvariant keypoints[J].International Journal of Computer Vision，2004，60（2）：91-110.

[3]BAYH，ESSA，TUYTELAARST，etal.Speededup robust features（SURF）[J].Computer Vision and Image Understanding，2008，110（3）：346-359.

[4]ROSTENE，DRUMMOND T.Machine learning for high-speed corner detection [C]//Computer Vision-ECCV 2006：9th European Conference on Computer Vision，Graz， Austria，May 7-13，2006.Proceedings，PartI9.SpringerBerlinHeidelberg，2006：430-443.

[5]LEUTENEGGERS，CHLIM，SIEGWARTRY. BRISK：Binaryrobust invariant scalable keypoints[C]//2011 International Conference on Computer Vision.Ieee，2011： 2548-2555.