微尺度目标的图像拼接与测量

王福斌，王宜文，王尚政

(1.华北理工大学 电气工程学院，河北 唐山 063210；2.华北理工大学 以升创新教育基地，河北 唐山 063210)

0 引言

近年来，随着科学研究逐渐扩展到微观维度，精密仪器加工成为各个领域发展的新关注点，为了保证精确到微纳尺寸的加工速度与精度，需要利用图像实现实时测量与分析[1，2]。叉指电极是一种典型的微尺度的电子元件，作为传感器被广泛应用于生化领域。叉指电极性能表达的重要指标之一就是电极间距，然而由于其尺寸大小无法使用肉眼分辨。该项研究利用计算机视觉领域的研究方法，构建了微视觉系统并利用其采集叉指电极数字图像，对图像进行一系列处理后，获得叉指电极每条电极丝的中心线，进而对该中心线间距进行测量即可获得叉指电极尺寸。

1 微视觉系统构建及图像采集

1.1 微视觉系统的构成

微视觉系统能够稳定地实现对微尺度图像的全面获取与实时传输。该系统使用了由远心镜头及工业相机组成的成像主体，远心镜头可以承担高倍率放大的功能，而工业相机则能选用高倍率实时传输的CCD相机，用以维持图像采集时一定放大倍率下的精度。

其他配件则需要与相机和镜头进行配合，首先将高精度xy轴移动平台固定在光线充足的光学平台上，将精密定位载物台搭载其上，载物台上可放置待采集的微尺度结构目标；随后将高精度远心镜头组装在微视觉相机上，使用支架将相机固定在合适位置，根据载物台及物体位置使用齿轮齿条移动台随时调整位置；微视觉相机则可采用GigE接口、通过CAT5e网线与工控机相连，实现数字图像的实时传输，并通过工控机上的软件对数字图像进行处理。即可通过工控机上相关软件对图像进行简单处理。微视觉图像采集系统示意图及实物如图1所示。

图1 微视觉系统示意图

1.2 微视觉系统标定

此微视觉系统基于单目微视觉相机，其景深较小，故可将其图像空间视作同一个平面。空间之内各点之间的深度值相同，测距需要确定标定焦距以及比例系数，需要选择适宜的标定方法完成标定[3]。

标定过程可以线纹标定板，按照相应物理关系确定实际距离与像素距离的比例。图2为10 μm线纹标定图像。测量线纹标定板图像的像素距离，可以得到一个距离d，此标定板的实际距离则是s，假设待测图像的像素距离与实际距离分别为d1和s1，他们的关系如下式(1)：

(1)

由此可知s/d的值是一个作为“比例尺”的系数，经过计算可以将像素距离转化为实际距离。

图2 10 μm线纹标定图像

1.3 微尺度目标图像采集

将叉指电极放置于精密定位载物台的正中，打开光源，调节齿轮齿条对微视觉相机的位置进行调整，首先得到电极模糊的整体图像，再分别调校粗细准焦螺旋，获得清晰的图像。该微视觉图像采集系统视场较小，可通过平移载物台实现图像的完整采集，图3为叉指电极局部图像采集效果。

图3 叉指电极图像

2 图像拼接算法及实现

图像采集结束后，经过对图案的条纹进行分割可知，部分图像无法得到可以有效进行间隔测量的条纹，所以应当对图像进行拼接，使之从图像尺寸上更适合进行图像测量，而图像拼接是指对之前的图像采集系统所采集的局部图像，经过某种处理，将不同几块具有重合部分的局部进行拼接得到完整的图像的一种手段。

图像拼接首先要进行图像预处理，然后进行图像配准以及图像融合。图像预处理主要是对图像进行降噪和光线及倾斜校正等，为了使后续过程的配准能够更好地实现，即将重合部分对应的更好，图像配准则是将图像的特征进行配准，两两对应，最终使用图像融合手段将两幅或多幅图像完成融合。

2.1 SIFT图像配准算法

SIFT算法是一种基于特征的图像配准算法，该算法的功能是在相应空间域中通过极值点来识别和表示某些具有比对意义的局部特征，特征识别后能够确认其位置尺度以及旋转不变量，具有容错率高且抗干扰能力强的优点[4]。SIFT算法的步骤如下：

(1)图像金字塔

L(x,y,σ)=G(x,y,σ)*I(x,y)

(2)

在此运算当中高斯模糊参数的变化应当保证连续性。在开始时需要注意由一个组最初变化到第2个组时，数值由第1组的倒数第3层直接进行降采样生成；而对于在组内变化的图像则是从第1层开始，连续使用的σ进行运算，取得模糊值生成。

金字塔组数使用下式(3)进行计算：

(3)

其中M、N分别表示待拼接图像的行数以及列数。

(2)关键点检测及定位

其一，首先对空间尺度函数式(4)进行求极值点操作，并将取得的极值点代回原式，得式(5)：

(4)

(5)

(3)关键点方向分配

再为配准选取特征点，除了具备位置信息还应具备方向信息，所以要根据图像中像素点的变化所得到的梯度方向表达式，为待拼接图像特征点分配方向。同样根据3σ原理，在这个邻域内对金字塔中各个组别的特征点表示向量模值及方向为式(6)：

(6)

上述两式表示在(x,y)处的模值及相应公式，而L代入的则是每个关键点各自的尺度信息。

完成上述特征点的梯度计算后，需要对特征点的两大关键指标做统计，常常使用梯度直方图进行统计。梯度直方图将的方向范围分为36个区间，其中每个区间的尺度为。距离矩中心点较远的邻域对于直方图的分组贡献也较小。根据式(6)对每个区间进行模值求和，和最大的角度区间具有最大影响力，此方向确定为关键点的主方向。

(4)特征点的配准

此时，对于待拼接的图像分别能够得到特征点及特征向量，对于这两者按照欧氏距离进行匹配，即可完成图像特征点的配准，按照配准结果进行图像融合，图像配准及融合后的效果图如图4所示。

图4 SIFT图像配准及拼接结果

2.2 SURF特征点描述与提取

图像的SURF特征点配准(Speeded up robust features,加速稳态特征)同上文所述的SIFT算法都具有尺度、旋转不变的性质，该算法是对SIFT的某些方面进行改进，兼具稳定性与执行效率两大优点。

SURF算法相对于SIFT算法在特征提取及特征点描述方面都进行了一定的改进，主要体现在图像尺度空间的构建中使用了黑塞矩阵，生成了用于特征提取的特征极值点，能够更好地识别出图像边缘的突变点，能够提升关键点定位的效率与准确性[7]。

使用SURF算法为特征点分配方向，应选取的方向指标为haar小波特征，在邻域内统计小波特征。选取特征点的一个圆形邻域，单次测量以60°的扇形为单位统计，不断旋转扇形并分别对水平与垂直方向上的harr特征求和。随后将扇形弧度调整为0.2，旋转该区域并再次统计，择求和结果数值最大区域的方向赋给特征点，如图5所示：

图5 圆形邻域方向分配示意图

使用SURF生成关键点描述子，将为上述特征点分配的主方向作为核心，取边长为4的正方形区域作为子区域，分别对子区域中的像素的4个方向特征向量做小波上述特征统计，经过计算共可以生成64维的SURF描述子，数量仅为SIFT算法的一半，大大节省了时间。

图像使用该方法配准及融合后的处理结果如图6所示。

图6 SURF图像配准及拼接结果

3 图像中心线提取

完成对采集图像两两拼接后，图像的条状电极数量增多，对于在图像分割提取中心线的过程可能造成的误差有了更高的容错率。对于拼接后的图像，进行图像二值化处理，随后进行图像的开运算，最终使用骨架法提取图像中电极区域的中心线[8，9]。

首先，对图像形态学处理，进行先腐蚀和后膨胀的开运算，将当前图像的边缘进行处理，使之更加清晰与锋利；对上述图像采取拓扑结构细化的方法进行中心线提取，使用形态学处理不断对图案从两侧进行腐蚀，遵循迭代处理的原则，即可保证两侧最终得到单像素的中心线[10]。这样在获得中心线的过程当中，可以保证电极之间的距离不发生改变，即可以使用中心线间距代表电极的间距。开运算处理结果与中心线分别如图7、图8所示：

图7 图像形态学处理

图8 中心线提取

4 HALCON图像测量及结果

HALCON是一个功能强大且应用广泛的图像处理软件，其中包含了形态学计算分析等基本的几何以及图像计算功能。该项研究选择HALCON的测量助手进行操作，测量助手的设置内容通过输入、边缘和模糊分别显示，能够完成对于测量参数设定的各项需求，并可以通过结果选项卡显示测量结果并生成代码。

首先在图像当中绘制出相对于中心线的垂线，此时软件能够自动检测并显示出每一段待测线段，如图9所示。

图9 待测距离示意图

通过确认边缘选项卡中选定的ROI区域，可以设置较大的边缘幅度以及较大的平滑度，勾选边缘组对后，即可在结果选项卡当中显示测距结果，其中单像素的线段也具有线宽，测量结果如表1所示。

表1 测量结果

5 结论

使用微视觉图像采集系统对于叉指电极的图像进行采集，实现了微小尺度的图像的特征点配准拼接以及测距。经过实验验证该算法能够较好地完成叉指电极图像的配准与拼接，并且能够较为方便地得到测量结果。