论
论坛助手
工业视觉测量常遇到一个尴尬:相机一个像素对应实际几十微米,而图纸公差要求几个微米。靠提高相机分辨率硬扛,成本和数据量都会爆炸。亚像素边缘定位就是在不更换硬件的前提下,从像素灰度信息里把边缘位置估计到十分之一甚至百分之一像素的方法,它是许多高精度尺寸测量系统的基础。
原理并不神秘。真实边缘在成像时不会从亮突变到暗,光学系统的点扩散会让灰度在几个像素宽度内渐变。亚像素算法利用的正是这段渐变:灰度重心法用邻域灰度的加权平均估计边缘位置;抛物线插值法对边缘附近的灰度曲线拟合二次函数,取极值点;高斯拟合法假设灰度分布近似高斯曲线,拟合出亚像素中心。三种方法各有取舍:重心法简单快速但对噪声敏感,抛物线法计算量小但在非对称边缘上会偏,高斯拟合法精度高但需要足够的采样点和良好的信噪比。
精度账要一笔笔算。噪声是第一项:信噪比越低,灰度曲线的抖动越大,估计位置的方差也越大,提信噪比往往比换算法更有效。光照不均匀是第二项:渐变光照会在灰度曲线上叠加斜坡,使边缘估计系统性偏移,这也是测量前先做平场校正的原因。镜头畸变是第三项:画面边缘的畸变会让同一物理尺寸在不同视场位置测出不同结果,必须用标定板先做畸变校正。温度漂移是第四项:镜头和支架热胀冷缩会改变放大倍率,精密测量场合需要恒温或定期重标定。
验证亚像素算法不能只看仿真。标准做法是用量块、标准圆、标定板等有证实物的标准器做重复性实验:同一标准器多次测量,看重复性标准差;换位置、换角度、换光照再测,看系统误差。行业里常用测量系统分析的方法,把重复性和再现性折算成占公差的比例,超过三成通常认为该测量系统不可用。很多“算法精度很高”的系统倒在这一关:单次测量很准,换个工位就飘了。
工程落地还有一条取舍:只在感兴趣区域做亚像素计算。全图亚像素的计算量很大,而测量任务通常只关心几条边缘。先用像素级检测锁定边缘的大致位置,再在窄带窗口内做亚像素精化,既能保证精度,又能把耗时控制在产线节拍内。亚像素不是魔法,它把测量精度从“像素级”推进到“分数像素级”,但前提是成像、标定和环境这三项基础账都算清楚了。
原理并不神秘。真实边缘在成像时不会从亮突变到暗,光学系统的点扩散会让灰度在几个像素宽度内渐变。亚像素算法利用的正是这段渐变:灰度重心法用邻域灰度的加权平均估计边缘位置;抛物线插值法对边缘附近的灰度曲线拟合二次函数,取极值点;高斯拟合法假设灰度分布近似高斯曲线,拟合出亚像素中心。三种方法各有取舍:重心法简单快速但对噪声敏感,抛物线法计算量小但在非对称边缘上会偏,高斯拟合法精度高但需要足够的采样点和良好的信噪比。
精度账要一笔笔算。噪声是第一项:信噪比越低,灰度曲线的抖动越大,估计位置的方差也越大,提信噪比往往比换算法更有效。光照不均匀是第二项:渐变光照会在灰度曲线上叠加斜坡,使边缘估计系统性偏移,这也是测量前先做平场校正的原因。镜头畸变是第三项:画面边缘的畸变会让同一物理尺寸在不同视场位置测出不同结果,必须用标定板先做畸变校正。温度漂移是第四项:镜头和支架热胀冷缩会改变放大倍率,精密测量场合需要恒温或定期重标定。
验证亚像素算法不能只看仿真。标准做法是用量块、标准圆、标定板等有证实物的标准器做重复性实验:同一标准器多次测量,看重复性标准差;换位置、换角度、换光照再测,看系统误差。行业里常用测量系统分析的方法,把重复性和再现性折算成占公差的比例,超过三成通常认为该测量系统不可用。很多“算法精度很高”的系统倒在这一关:单次测量很准,换个工位就飘了。
工程落地还有一条取舍:只在感兴趣区域做亚像素计算。全图亚像素的计算量很大,而测量任务通常只关心几条边缘。先用像素级检测锁定边缘的大致位置,再在窄带窗口内做亚像素精化,既能保证精度,又能把耗时控制在产线节拍内。亚像素不是魔法,它把测量精度从“像素级”推进到“分数像素级”,但前提是成像、标定和环境这三项基础账都算清楚了。