如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

2018年12月31日 20:13来源:分分彩手机版

诸如NFC、RFID和物联网系统传感器等无线应用均受益于印刷在塑料基板上的低成本天线。然而,当天线集成到系统中时,数据手册的指标与天线的实际行为及其与相邻结构的相互作用之间通常存在不匹配现象。在这种情况下,就需要执行更高级的分析,充分了解天线特性——这需要天线模型的精确EM模型。

从基本几何形状获得印刷天线几何模型的过程可能比较繁复,因为印刷天线通常具有多个弯曲和其他结构,以提高增益和增加带宽。比较简单的解决方案是从照片中导出模型——

但是如何确保照片拥有足够的细节?如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变? 

以下两个应用程序可以帮助您解决这些问题。Computer Vision System Toolbox™中的CameraCalibrator应用程序可以校准网络摄像头,提高测量精度。Image Processing Toolbox™中的ImageSegmenter应用程序可对图像进行分割,获取天线边界。

以RFID标签为例,本文介绍利用 Camera Calibrator (Computer Vision System Toolbox™) 和 Image Segmenter (Image Processing Toolbox™) 进行照片构建和分析天线的工作流程(图1),包括分割图像、找到几何边界、校准天线尺寸以及使用全波矩量法(MoM)技术分析天线等步骤。

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图1 通过照片构建和分析天线的工作流程

RFID标签

射频识别(RFID)标签通常用于箱子和托盘上进行库存跟踪。标签由辐射结构、天线和用于在频带上操作的芯片组成。天线通常是窄频带,两个主平面之中有一个为全向图案,并且在发生谐振时具有复阻抗,以此确保与芯片输入有良好的阻抗匹配。在本例中,我们的目标是确认 RFID 标签天线的这些端口、表面和场特性。

首先在高彩色对比度背景下拍摄标签照片。我们使用物美价廉的网络摄像头和网络摄像头功能直接在 MATLAB 中获取图像(图2)。

c = webcam(); img = snapshot(c)

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图2 RFID标签的照片在高对比度背景下拍摄

为确保精确测量沿天线边界的距离,我们将摄像头直接放置在天线上,使沿天线表面的所有点距摄像头的距离大致相同。

使用 Camera Calibrator 应用程序校准摄像头

摄像头校准是距离测量工作的重要组成部分,尤其是在使用镜头光学系统品质较差的摄像机时,如本例所示。

使用Computer Vision System Toolbox中的Camera Calibrator应用程序,我们可以通过从不同方位和距离拍摄的棋盘校准图案来校准网络摄像头(图3)。

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图3 加载到Camera Calibrator应用程序中的棋盘校准图案的照片序列。 

从网络摄像头获取了一组校准图像后,我们就可以使用应用程序工具条中的Calibrate(校准)按钮计算摄像头参数(图4)。

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图4 Camera Calibrator应用程序工具条。 

我们将这些摄像头参数作为 camera Parameters对象,从应用程序中导出。为了消除给定摄像头拍摄的图像的光学畸变影响,我们使用摄像头的 camera Parameters,它可以模拟摄像头的光学畸变以及Computer Vision System Toolbox中的undistortImage功能。初始图像和无畸变图像如图5所示。

undistortedImage = undistortImage(img,webcamParameters);

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图5 上图:原始网络摄像头图像。下图:通过Camera Calibrator应用程序获得的无畸变图像。

原始图像中存在的径向畸变是由于摄像头镜头光学系统的物理缺陷造成的。在天线所在的焦点中心附近,难以看到径向透镜畸变的影响。当您移动到图像的边缘时,效果最明显。在未畸变图像中,围绕上边缘和下边缘的弯曲反映了透镜畸变的校正过程。

使用Image Segmenter应用程序分割图像

Image Segmenter应用程序包含各种算法,它们可以按不同的方式组合使用,从而选择出分割对象的最佳方式。在本例中,我们将使用图形分割和一种称为“活动轮廓与蛇形轮廓”的迭代能量最小化算法。

使用Image Segmenter应用程序中的Graph Cut(图割)功能,我们可以根据颜色特征对图像进行分割,利用“涂鸦”标记位于前景和背景中的区域(图6中的红线和绿线)。

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图6 通过在Image Segmenter应用程序中制作“涂鸦”识别的前景和背景区域。 

在使用图割算法进行初始分割之后,我们可通过活动轮廓算法细化分割。通过图割获得的分割边界看起来很准确。但是有一些小的锯齿状缺陷,我们希望加以改进。

活动轮廓是下一步分割过程的不错选择,其主要原因有两个。首先,该算法从输入图像和分割掩码开始,并尝试通过迭代的方法改进掩码,使其趋于匹配原始图像的边界。其次,活动轮廓目标函数中的其中一项经过优化,代表了分割掩码中边界的平滑度,可以产生边界更平滑的分割效果(图7)。

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图7 使用活动轮廓后期处理算法处理图割算法的初始分割结果。

获得准确的分割掩码后,我们将其从Image Segmenter应用程序中导出到MATLAB工作区(图8)。

如何处理使用网络摄像头或智能手机拍摄的图像中可能出现的光学畸变?高清监控摄像机

图8 使用Image Segmenter应用程序中的导出按钮将掩码导出到工作区。 

执行全波分析

本文地址:http://www.zgsxc.com/wangzhanfenfencai/20181231/1292.html 转载请注明出处!

大家都在看更多>>

今日热点资讯