基于偏振融合的钢轨廓形线结构光成像方法 下载: 1238次
1 引言
钢轨廓形检测技术通过结构光传感器获取钢轨的轮廓点云数据,并与钢轨标准廓形模板进行配准,从而得到钢轨的垂直磨耗量和侧面磨耗量等参数,这些参数不仅可以用来掌握钢轨的服役状态,也可以用于指导钢轨打磨作业,是铁路运营维护的重要手段[1]。基于三角测量原理的线结构光钢轨廓形检测技术,可以实时获取钢轨的轮廓信息,具有高速、高精度和非接触的特点,是国内外钢轨廓形动态检测的主流方式[2-3]。在铁路现场应用中,工况比较恶劣,钢轨服役一段时间后,其表面状态会发生改变,如表面不平顺、表面留存异物、钢轨打磨等,这些表面状态的改变干扰了钢轨表面反射激光的能量分布。传统的线结构光钢轨廓形检测技术,利用普通强度相机获取钢轨表面反射激光的强度信息,在遇到上述恶劣工况,尤其是新打磨后的钢轨时,容易引起钢轨激光断面图像局部过曝问题,即廓形图像中局部区域曝光过量。在钢轨激光断面图像的过曝区域,由于光条截面能量分布异常,造成光条中心提取误差较大,往往得不到准确的光条中心位置,从而导致钢轨廓形检测结果出现较大误差[4-6]。
针对上述问题,本文提出了基于偏振融合的钢轨廓形线结构光成像方法,利用偏振相机获取钢轨激光断面多个角度的偏振分量图像和总量强度图像,分析了偏振分量图像和总量强度图像之间的关系,它们不仅具有像素级对齐的特点,而且在廓形信息方面具有相关性和互补性。在此基础上,结合偏振分量图像和总量强度图像中过曝区域的光条宽度特征,提出了基于光条信度评价的图像融合权重计算方法,以降低过曝区域的融合权重、提高正常区域的融合权重为原则,对偏振分量图像和总量强度图像按列进行图像融合,融合后的图像不再出现局部过曝现象,钢轨激光断面的成像质量得到较大改善。
2 相关研究工作
偏振光学成像主要是通过获取多幅被测物不同检偏方向的强度图像,并由多幅强度图像提取被测物的偏振信息,可以同时获取被测物的强度信息和偏振信息,而传统成像方法主要是获取被测物的强度图像,获取的图像中并不包含偏振信息。为了区分,将同时获取被测物强度信息和偏振信息的相机称为偏振相机,仅获取被测物强度信息的相机称为非偏振相机。
图 1. 传统基于非偏振相机的钢轨廓形线结构光成像原理图
Fig. 1. Principle diagram of line-structured light imaging of rail profile based on traditional unpolarized camera
图 2. 钢轨激光断面图像局部过曝现象。(a)钢轨易过曝区域;(b)图像采集装置;(c)局部过曝图像
Fig. 2. Local overexposure of rail laser section image. (a) Areas prone to overexposure; (b) image acquisition device; (c) local overexposure image
图 3. 钢轨激光断面图像过曝区域的光条中心
Fig. 3. Center of light strip in the overexposed area of rail laser section image
传统成像技术只能探测到光强信息,而偏振成像探测技术将获取的信息维度从3维(光强、光谱和空间)扩展到7维(光强、光谱、空间、偏振度、偏振角、偏振椭率和旋转方向)[11],多出的偏振信息常常用于提高被测物的成像质量。关于偏振成像技术,国内外学者开展了大量的研究工作。Wolff等[12]利用一个偏振分光棱镜和两个CCD相机组成偏振成像系统,用于分析物体表面镜面反射光的偏振态;Kadambi等[13]结合偏振信息和物体表面法线,提出了一种增强粗糙物体的深度图像的方法;Morel等[14]利用偏振成像技术获取光洁金属物体表面的法线信息,由法线信息实现了高反射金属物体的三维重建;赵永强等[15]通过非负矩阵分解处理偏振分量图像,利用偏振度调制分离镜面反射分量;唐瑞尹分析了金属加工表面的偏振反射模型,提出了一种利用分数阶微分增强强反射物面图像的方法,从而降低镜面反射光的影响;Umeyama等[16]通过旋转偏振片的方法获取被测物在不同偏振角度下的图像,通过独立成分分析将镜面反射成分和漫反射成分分离。可见,偏振成像技术在降低物体表面镜面反射光的影响、增强成像质量等方面具有显著优势。
3 研究方法
3.1 钢轨激光断面偏振分量图像
图 4. 基于偏振成像的钢轨廓形检测原理图
Fig. 4. Schematic diagram of rail profile detection based on polarization imaging
图 5. 偏振相机的偏振滤镜和像素分布示意图
Fig. 5. Polarization filter and pixel distribution of polarization camera
实际上,总量强度图像也就是传统方法利用普通强度相机获取的强度图像。由于偏振分量图像中每个像素都是由同一个2×2模板得到的,偏振分量图像之间具有像素级对齐的关系,因此,由偏振分量图像叠加生成的总量强度图像与偏振分量图像之间也具有像素级对齐的特点。在钢轨激光断面图像的局部过曝区域,以镜面反射光为主,属于偏振度较高的部分偏振光。在光条正常区域,主要是漫反射成分,属于偏振度较低的部分偏振光。当部分偏振光的振动主方向垂直于纳米线光栅或者接近垂直时,镜面反射成分通过,此时的偏振分量图像同样容易出现局部过曝现象。当偏振光的振动主方向平行于纳米线光栅或接近平行时,镜面反射成分被抑制,此时的偏振分量图像不易出现过曝现象。
利用偏振相机对
图 6. 钢轨激光断面偏振分量图像。(a) 0°方向偏振分量图像;(b) 135°方向偏振分量图像;(c) 45°方向偏振分量图像;(d) 90°方向偏振分量图像
Fig. 6. Polarization component images of rail laser section. (a) 0° directional polarization component image; (b) 135° directional polarization component image; (c) 45° directional polarization component image; (d) 90° directional polarization component image
3.2 图像融合
图像融合就是利用多幅图像间的互补信息,通过有效提取多幅图像的特征量,弥补单一图像的信息不足,如图像信息被噪声干扰、图像信息过少等,获得更准确的被测物信息。本研究采用空间域融合的方法,以总量强度图像和4幅偏振分量图像为融合源图像,由光条质量评价确定每幅源图像的融合权重,根据融合权重进行图像融合。为了确定5幅图像的融合权重,引入光条信度评价机制。光条信度反映了光条的质量,用于评价光条中心位置的可靠性[17-18]。光条信度评价一般选取光条的宽度特征、灰度特征和光条平均残差平方和等特征量评价光条中心位置的可信度。
图 7. 图2 和图6 矩形区域中每一列的光条宽度
Fig. 7. Width of light strip in each column of rectangular areas in Fig. 2 and Fig. 6
1) 选取4个偏振分量图像I0、I45、I90、I135和总量强度图像It组成待融合图像集U,U可表示为
对待融合图像集U进行中值滤波,以降低噪声对图像融合的影响。用Ui表示第i幅待融合源图像,i=1,2,3,4,5,分别对应4个偏振分量图像和总量强度图像,记待融合图像的宽高分别为w和h,并用
2) 进行光条信度评价,计算第i幅待融合图像的第j列的光条宽度
其中T是光条分割阈值。光条区域
3) 由光条宽度计算第i幅待融合图像的第j列的融合权重
其中,m表示权重调节因子,取值范围为1~3,m取值越大,光条宽度与参考光条宽度越接近的列的权重越高。当
4) 计算融合图像F。融合图像F的第k行第j列像素的灰度值Fkj由待融合图像集U中的每一幅图像的第k行第j列像素的灰度值加权平均得到,权重系数为(4)式得到的
4 分析与讨论
4.1 钢轨激光断面图像的偏振特性
偏振光的描述方法主要有琼斯矩阵法、斯托克斯矩阵法和几何表示法等方法,其中几何表示法利用垂直于光的传播方向的横截面内各个方向上的振动强度组成的偏振角分布图来表达偏振特性,这种表示方法具有简单直观的特点[19],因此,本研究采用几何表示法描述钢轨激光断面图像的偏振特性。为了研究钢轨激光断面图像的偏振特性,基于三角测量原理,搭建如
图 9. 钢轨激光断面图像偏振特性实验装置
Fig. 9. Experimental setup for polarization characteristics of rail laser section image
旋转偏振片1,使其透射轴与钢轨走向垂直,以获取振动方向在激光平面内的线偏振光。在0°~360°内,每隔10°旋转镜头前的线偏振片2,并通过普通强度相机采集一幅钢轨激光断面图像,共获取36幅不同方向的钢轨激光断面偏振分量图像。
计算矩形区域的偏振度d,其中,Gmax是矩形区域不同偏振方向的36个灰度值中的最大值,Gmin是矩形区域不同偏振方向的36个灰度值中的最小值。偏振度在0和1之间,0表示自然光,1表示线偏振光,部分偏振光介于0和1之间。6个矩形区域的偏振度如
表 1. 6个矩形区域的偏振度
Table 1. Degree of polarization of six rectangular regions
|
4.2 融合图像光条中心提取结果
选用加拿大Teledyne Dalsa公司生产的型号为Genie Nano M2450 Polarized的偏振相机搭建如
利用(5)式得到融合图像F,结果如
图 12. 图2 和图6 中矩形区域的图像融合权重
Fig. 12. Image fusion weights in rectangular areas in Fig. 2 and Fig. 6
为了定量分析本文所提方法的钢轨廓形检测精度,以Miniprof轨廓仪的测量结果为参考值,对传统方法对应的过曝位置,即
图 15. 本文方法和传统方法的钢轨廓形测量误差
Fig. 15. Measurement errors of rail profile by our method and traditional method
5 结论
针对钢轨廓形线结构光成像技术面临的激光断面图像局部过曝问题,提出了基于偏振融合的钢轨廓形线结构光成像方法。通过光条信度评价构建了偏振分量图像和总量强度图像融合算法,融合后的图像有效消除了钢轨激光断面成像时出现的局部过曝现象,图像质量得到明显改善。本文方法有效克服了局部过曝问题对光条中心提取结果的影响,有利于提高复杂工况尤其是钢轨打磨后廓形检测精度和稳定性,确保廓形分析、对比以及评价的有效性,有助于扩展钢轨廓形检测的应用场景。下一步可以尝试其他图像融合方法,如频率域融合方法或基于深度学习的融合方法,进一步提高算法效率和鲁棒性。
[1] 王昊, 王胜春, 王卫东. 行车环境下钢轨轮廓自动配准方法[J]. 北京航空航天大学学报, 2018, 44(11): 2273-2282.
Wang H, Wang S C, Wang W D. Automatic registration method of rail profile in train-running environment[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(11): 2273-2282.
[2] Xiong Z M, Li Q Q, Mao Q Z, et al. A 3D laser profiling system for rail surface defect detection[J]. Sensors, 2017, 17(8): 1791.
[3] Mao Q Z, Cui H, Hu Q W, et al. A rigorous fastener inspection approach for high-speed railway from structured light sensors[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 143: 249-267.
[4] 王胜春, 韩强, 王昊, 等. 行车环境下钢轨轮廓激光条纹中心的提取方法[J]. 光学学报, 2019, 39(2): 0212004.
[5] 刘飞, 何春桥, 申爱民, 等. 结构光饱和区域分区投射优化补偿方法[J]. 光学学报, 2018, 38(6): 0612001.
[6] 杨鹏斌, 邓林嘉, 陈元, 等. 基于结构光的高反物体三维形貌测量方法[J]. 中国激光, 2019, 46(2): 0204004.
[7] 王昊. 基于结构光投影的钢轨廓形动态测量方法研究及应用[D]. 北京: 中国铁道科学研究院集团有限公司, 2018.
WangH. Research and application of dynamic measuring method of rail profile based on structured light projection[D]. Beijing: China Academy of Railway Sciences Corporation Limtid, 2018.
[8] 李涛涛, 杨峰, 李石庚, 等. 基于高斯-洛伦兹分峰拟合的线结构光条中心的提取方法[J]. 激光与光电子学进展, 2019, 56(7): 071201.
[9] 赵博华, 王伯雄, 张金, 等. 粗糙金属表面光条中心提取方法[J]. 光学精密工程, 2011, 19(9): 2138-2145.
[10] Steger C. An unbiased detector of curvilinear structures[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(2): 113-125.
[11] 赵慧洁, 张颖, 周冠华. 基于偏振成像的目标探测研究[ C]∥中国光学学会2011年学术大会摘要集. 北京:中国光学学会, 2011.
Zhao HJ, ZhangY, Zhou GH. Target identification based on polarization imaging[ C]∥Abstract of 2011 Academic Conference of Chinese Optical Society. Beijing: Chinese Optical Society, 2011.
[12] Wolff L B. Polarization camera for computer vision with a beam splitter[J]. Josa A, 1994, 11(11): 2935-2945.
[13] KadambiA, TaamazyanV, ShiB, et al. Polarized 3D: high-quality depth sensing with polarization cues[C]∥2015 IEEE International Conference on Computer Vision (ICCV), December 7-13, 2015, Santiago, Chile. New York: IEEE, 2015: 15801692.
[14] Morel O, Stolz C, Gorria P. Application of polarimetric imaging to 3D inspection of highly reflective metallic surfaces[J]. Proceedings of SPIE, 2004, 5606: 82-89.
[15] 赵永强, 宋琳, 程永梅. 基于偏振图像融合的镜面反射分量分离[ C]∥图像图形技术研究与应用学术会议论文集. 北京: 中国图象图形学学会, 2010.
Zhao YQ, SongL, Cheng YM. Specular separation based on polarized image fusion[ C]∥Research and Application of Image Graphics Technology. Beijing: China Society of Image and Graphics, 2010.
[16] Umeyama S, Godin G. Separation of diffuse and specular components of surface reflection by use of polarization and statistical analysis of images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(5): 639-647.
[17] 李涛涛, 杨峰, 李策, 等. 基于光条信度评价的线结构光传感器曝光时间优化[J]. 光学学报, 2018, 38(1): 0112005.
[18] 王顺, 徐静珠, 张益昕, 等. 结构光光条中心点信度评价方法与应用[J]. 光学学报, 2011, 31(11): 1115001.
[19] 何哈宜. 线偏振光在水果组织中的偏振特性分布研究[D]. 天津: 天津工业大学, 2018.
He HY. Polarization characteristic distribution of linearly polarized light in fruit tissues[D]. Tianjin: Tianjin Polytechnic University, 2018.
Article Outline
王乐, 方玥, 王胜春, 王昊, 任盛伟, 黎国清, 戴鹏, 王凡. 基于偏振融合的钢轨廓形线结构光成像方法[J]. 光学学报, 2020, 40(22): 2211001. Le Wang, Yue Fang, Shengchun Wang, Hao Wang, Shengwei Ren, Guoqing Li, Peng Dai, Fan Wang. Line-Structured Light Imaging Method of Rail Profile Based on Polarization Fusion[J]. Acta Optica Sinica, 2020, 40(22): 2211001.