基于图像质量的磨削表面粗糙度检测-刘坚.pdf

《基于图像质量的磨削表面粗糙度检测-刘坚.pdf》由会员分享，可在线阅读，更多相关《基于图像质量的磨削表面粗糙度检测-刘坚.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第30卷第3期374电子测量与仪器学报joURNAL oF ELECTRoNlC MEAsUREMENT AND INsTRUMENTATIONZ30o32016年3月DOI：1013382jjemi201603006基于图像质量的磨削表面粗糙度检测术刘 坚1 路恩会1 易怀安12 敖 鹏(1湖南大学汽车车身先进设计制造国家重点实验室长沙410082；2怀化学院怀化418000)摘要：针对当前基于机器视觉的粗糙度检测方法测量工件范围有限、采用的指标考虑因素不全面问题，提出了一种基于图像质量算法的粗糙度检测新方法。该方法在梯度相似度图像质量算法(GssIM)的基础上，引入了区域对比度，提出了基于

2、区域对比度和梯度结构相似度(RCGSsIM)的图像质量评价指标和相应的计算方法，并设计了一套基于图像质量的磨削表面粗糙度测量装置。实验结果表明，磨削表面粗糙度与图像质量有明显的线性相关性，相比传统图像质量评价算法，RCGSSIM综合性能最好，能更好地应用于粗糙度非接触在线测量。关键词：机器视觉；粗糙度测量；磨削表面；图像质量算法中图分类号：TN91173；TP216+1 文献标识码：A 国家标准学科分类代码：4604030Grinding surface roughness measurement based on image quanty assessmentLiu Jianl Lu Enh

3、uil Yi Huaianl2 Ao Pen91(1State Key Labomtory of AdVanced Design and Manufacture for Vehicle Body，Hunan University，Changsha 410082，China；2Huaihua University，Huaihua 418000，China)Abstract：A novel detection method of roughness based on image quality algorithm is proposed to solve the problemthat the w

4、orkpiece measurement range of the current detection methods of surface roughness based on maehine vision is limited，and the ideas are not comprehensive A novel image quality index based on Igional contrast andgradient similarity(RCGSSIM)is intmducedIn RCGSSIM，the re舀onal contrast is introduced to GS

5、SIM for moreaccuracy and calculation method is impmVed for faster computing Furthe珊ore，a new grinding surface mughnessmeasurement setup based on image quality is designedThe experimental results show that there is a signi6cant correlation between grinding surface roughness and image quality，and the

6、proposed RCGSSIM has the best comprehensiVe pedomlance and is more suitable for non-contact online measurement of mughness compared with conVentional image quality algorithmsKeywords：machine vision；roughness measurement；grinding sudace；image quality algorithm1 引参命口表面粗糙度是应用最为广泛的零件表面特性数，它直接影响到机器和仪表的使用

7、性能和寿测量以光学测量为主。触针法测量精度受限于触针半径大小，当表面粗糙度低于25斗m时，触针测量存在着一定的系统误差，且接触式测量不能完全避免对工件表面的划伤；另一方面，触针式测量对，精确高效地测量其值对现代工业意义重大。粗 环境要求高、操作不便，无法用于在线测量。基于糙度测量方法一般分为接触式测量和非接触式测 非接触式的光学测量则因设备昂贵、受生产现场环量，接触式测量以触针式轮廓仪为代表，非接触式 境影响大、操作不方便和效率低等原因限制了其工收稿日期：201511 Received Date：20151l基金项目：国家自然科学基金(71271078)、长沙市科技重大专项(K13060071

8、11)项目资助万方数据第3期 基于图像质量的磨削表面粗糙度检测程领域的在线应用。基于机器视觉的检测技术因其获取信息大、精度高、高效等优点，被应用到很多工程领域。J，也被不少学者引入到粗糙度测量研究中，取得良好效果。目前的研究多采用ccD相机配合显微镜对表面粗糙度进行检测H圳，由于显微镜视场小，测量的工件范围非常有限，难以全面反映工件表面纹理的随机性；而且在指标设计上多采用灰度平均值、灰度平均偏差、灰度方差、能量以及基于灰度共生矩阵的参数做评价m陀o，往往只考虑单一因素，使得测量结果不够合理。本研究发现不同粗糙度等级的磨削样件反射形成的物体影像质量不同，并认为这种差异对粗糙度敏感，因而提出利用影

9、像质量来评价磨削样件表面粗糙度。图像质量评估算法可以量化地评价两张图像质量的差异，特别地，wang等人提出的结构相似性理论(SSIM)3I，对参考图像与失真图像的亮度、对比度、结构做了比较，充分考虑了像素点之间的关系，相比传统图像质量算法有明显改进4。1 5I。在SSIM基础上出现了很多改进的算法“17 o，结果均有改善。文献16、17均考虑图片区域差异，逐个窗口计算，效果虽然有改善，但是效率较低；文献1719方法上均有创新，但是忽略了图片不同区域的差异性。考虑到磨削样块不同区域的粗糙度差异使得图像的影像在不同区域的质量也不相同，为了提高精确度，借鉴文献20引人权重思想，结合文献17，提出一种

10、新的基于区域对比度和梯度结构相似度(RCGssIM)的图像质量评价方法，并将其应用于磨削表面粗糙度检测中，实验效果良好。2 机理分析根据光的反射定律，光照射到目标物上，被反射到镜面上，平面镜又将光反射到人的眼睛里，因此可看到目标物在平面镜中的虚像，同理，将磨削表面当作平面镜，相机当作人眼，取一个目标物，那么目标物就能在磨削表面形成虚像，如图1所示。对于目标物A，当光源照射在其表面上时，可以把目标物A当成一个点光源。假设从点A只发出两束光，如图1(a)所示，经过镜面反射，入射光线形成的虚像点集中在同一点A，调整相机焦距，相机成像面可以捕捉到一个非常清晰的点A。对成像，一l，虚像(a)镜面反射咖(

11、a)rror surfaco(r)磨削表面(情况) (d)磨削表面(情况三)(c)玎mding surfhce(case2) (d)鲥nding surface(caSe3)图1 不同反射面的成像Fig1 Image fo瑚ation on difkrent renection planes于磨削样块反射面，如图1(b)、(c)、(d)所示，点A发出的两束光经过粗糙表面反射，将会四处发散，造成只有部分光线进入到相机的视野范围内；且当相机的焦距一定时，并不是每束光都会产生清晰虚像，只有当反射光线经过相机镜头正好聚焦到相机成像面时，才可以产生清晰的点，如图(b)所示。(e)图和(d)图中，反射光线

12、经过相机镜头时没有聚焦到相机成像面，(c)图聚焦在成像面之前，d图聚焦在成像面之后，这时就会产生模糊的点，且聚焦点距离成像面越远，所呈图像越模糊怛1i。相比图(a)，图(b)虽然是清晰的点，但是亮度降低，而且出现分散、偏移问题，图(c)、(d)出现亮度降低、模糊、放大、偏移问题。对于同一种材质的磨削样块，表面的纹理方向也是影响入射光线反射方向的重要因素。如图2(a)，在右视图下，当相机的光轴平行于磨削样块纹理方向时，相机拍摄到的标准图片的影像会左右扩散；当相机的光轴垂直于磨削样块纹理方向时，拍摄到的标准图片的影像会向上下扩散，如图2(b)。当磨削样块材料一致、纹理摆放方向一致时，相机拍摄的图片

13、质量与磨削面的粗糙度大小相关，且粗糙度越大的磨削样块所呈影像失真程度越大，万方数据376 电子测量与仪器学报 第30卷与最光滑样块所呈影像相关性越小，计算得到的图像质量值越小。纹理方向 纹理方向(a)光轴平行于纹理方向 (h)光轴垂直于纹理方向(a)Optical a)【is parallelto the textIlre(b)op“cal a)cis perpendicular to t11e textllre图2磨削表面纹理方向相对于相机的摆放位姿Fig2 Model of the texture of the grinding surfaceand the Dosition of the

14、 camera3 基于区域对比度和GSSm的图像质量评估算法文献20中RCSSIM算法考虑了图像不同区域重要性不同，在SSIM算法的基础上引入区域对比度，用1111窗口逐像素在参考图像与失真图像上移动，计算窗口对应子图像的区域对比度与SSIM，最后加权平均。由于，RCSSIM需逐像素进行计算，计算量大，效率低，我们针对粗糙度检测，提出了新的计算方法，主要包括3个步骤：1)对参考图像与失真图像进行采样；2)将采样区域进行分块，平均分成mn个区域；3)是计算每一块的图像质量值与区域对比度，并加权归一化。考虑到边缘与轮廓是图片最重要的信息13，因此采用GssIM算法代替ssIM算法，提出了基于区域对

15、比度和GSSIM的图像质量算法(RcGSSIM)，主要流程如图3所示。计算公式如下：图3 RCGSSIM算法流程图Fig3 Flow chan of RCGSSIMRCGSSIM(X，l，)=GssIM(i，J)con(i，歹)上_旦了一(1)n m 、 ，con(i，)其中，x、l，分别表示标准图片与失真图片；cDn(i，J)表示失真图片在第i_区域的区域对比度，文献20需先选择邻域大小再计算，增加了计算量，且对于粗糙度测量，为了更精确地表示出所计算区域的整体重要性，不再作邻域选择，直接计算整个区域的区域对比度，计算公式如下： con)=咀毪精掣(2)GssIM(i，J)表示参考图像与失真图

16、像在第iJ区域的梯度结构相似度，因磨削样块无规则性、采样区域随机性，导致所成影像没有明显的结构性质，因此忽略GSSIM中结构相关性参数。计算公式如下：GssIM(i，歹)=f(i)8c。(i)口 (3)2羰。=肛x十肛r+乙12盯x，盯y，+C2盯F+盯妒+C2(4)l，(i，J)表示失真图像在iJ区域的灰度矩阵；Z(i，i)表示参考图像与失真图像在第iJ区域的亮度相关函数；c。(i，歹)表示参考图像与失真图像在第ii区域的梯度图像的对比度相关函数；p。、肛，分别表示参考图像与失真图像在第ij区域的灰度均值；盯，、盯，分别表示参考图像与失真图像在第溆i区域的梯度图像的灰度标准方差；C。、C：是

17、为了避免计算中出现分母为0的情况而设置的常数，本文设定为lO；“、口为设置的亮度、对比度的权重，本文设定d为1，口为1。0RCGSSIM(x，】，)1，仍然满足GSSIM的有界性和唯一最大值性质，越接近1，表明两幅图像越相似，当两幅图像完全相同时取最大值1。4 实验41实验方案设计实验模型设计：如图4所示，磨削样块检测面垂直于工作台，纹理方向平行于工作台(图2(b)所示)，色块与工作台夹角45。(为方便实验，本文采用红色图片作为基准背景)，相机光轴平行于基准截1凸nr苹蜥辇A，、万方数据第3期 基于图像质量的磨削表面粗糙度检测色块，相对D点垂直与水平距离分别为D、d。考虑到日光灯有频闪的现象，

18、本实验采用LED白色条形光源，通过光源控制器控制照度在600Lux，为避免其他光源影响，实验在暗箱中进行。LED白包条形光源 磨削样块虚像c 90。、A 、O ，图4实验模型Fig4 Experimental model图5(a)为图片采集装置，设备及材料为：1)500万像素Basler彩色CCD相机；2)0门-L121222型LED白色条形光源及其控制器；3)连接CCD相机以及光源控制器的计算机；4)TEs一1399光照计；5)一系列不同等级45#钢磨削样块；6)基准色块；7)相机支架；8)光源支架；9)工作台。考虑到实验设备摆放以及尽量拍摄高分辨率图片，D、d分别为200 mm、100 m

19、m。(a)图片采集装置(a)IIIlage acquisibon de“co(b)触针式粗糙度测量仪(b)stylu8：ba唧roughneSsmeasunng mStnlment图5 实验装置Fig5 Experimental setup42实验步骤1)准备一系列50 mm50 mm5 mm 45#钢毛坯，利用磨床，通过更换不同砂轮以及改变磨削速度、进给量等因素，磨出粗糙度等级不同的样件，从中挑选出35块样块；2)通过图5(b)所示的触针式粗糙度测量装置，对每个样块测量三次(触针的运动方向垂直于纹理方向，且为了后期拟合，采样区域集中)，取平均值作为样块粗糙度；3)通过41实验方案拍摄图片；4

20、)挑选出粗糙度差别明显样块对应的图片，以粗糙度最小的样块所拍摄出来的图片作为参考图，其他等级粗糙度拍摄出来的照片作为失真图片，利用不同图像质量算法计算得到对应的图像质量值，选用合适的曲线利用最小二乘法拟合出粗糙度值与图像质量的关系曲线，对结果进行分析；5)用另一部分样块图片验证拟合得到的曲线，并对算法进行评价。5 实验结果与数据分析表l为采用触针式测量得到的35块不同等级试样的粗糙度。从中可以看出，每次触针式测量结果不一，不同粗糙度样块3次测量结果的标准方差也不一样，且粗糙度增大，其标准方差也呈现增大趋势；意味着粗糙度越大的样块，其测量值波动就会越大，精度越差。这与触针测量仪本身的特点有关，也

21、与磨削样块本身随机性有关，采样区域不同所得结果必然差异，且粗糙度越大这种随机性越大。测量过程发现，每个样块测量3次平均耗时超过了30 s，效率低。触针法测量时，样块大小为50 mm50 mm，每次线性取样长度为8 mm，占样块长度的16，相比触针式测量，图像处理是面取样，如图6(a)所示，其中磨削样块约1 2001 200 dpi，为了与触针结果进行拟合，如图6(b)所示选择面采样区域为450450 dpi，约占磨削样块总面积的16，且包含触针测量区域。图7为部分粗糙度等级的图片采样图，从中可以直观地看出粗糙度越大的磨削样块采样图与粗糙度最小的磨削样块采样图在亮度与对比度上差异越大，相关性越小

22、。图8(a)、(b)、(c)、(d)散点图所示为从35个磨削样快中挑出26个粗糙度差别明显的样件，采用SSIM、RCSSIM算法以及GSSIM和RGSSIM算法计算所得的图像质量与触针式测量粗糙度值的关系曲线。从散点图可直观看出粗糙度在0055，2430范围内时，其与不同图像质量算法的相关线均接近直线，有明显相关性，验证了前述机理分析中不同粗糙度等级的磨削样件反射形成的物体影万方数据378 电子测量与仪器学报 第30卷表1触针式测量的试样粗糙度TabIe 1 RougllI麟of the 35 me踟re眦吣fr咖tlle styl璐-b嬲ed method像质量差异对粗糙度敏感。证明本文方法

23、的可行性。表2为SSIM、RCSSIM、GSSIM、RCGSSIM算法性能的比较。表中r表示计算一幅图像质量所需要的时间，单位为s，r越小表示算法效率越高。R250(1l!(10I11) !(1 j 4n 1 二I】 ：【1( j(c)粗糙度为O055岬、2 430“m采样图(c)SaIIlphng images ofRa=o 055岬，2 430岬图7不同粗糙度试样影像采样图片Fig7 Sampling images of difkrentroughness samples值表示拟合线拟合程度的指标，其值大小可以反映拟合线的估计值与对应的实际数据之间的拟合程度，尺2越接近1表示拟合精度越高，

24、线性拟合时，R2表示相关系数的平方，计算公式如下：万方数据第3期 基于图像质量的磨削表面粗糙度检测粗糙度值(a)粗糙度与SSIM相关线(a)Correlatlon line between rougIlIless aIId SSIM粗糙度值粗糙发值(b)粗糙度与RCSSIM相关线(b)correlation line bet、veen roughness arId RCSSIM粗糙度值(r)粗糙度与GSsIM相关线 (d)粗糙度与RcGsslM相关线(c)correlationlinebe咐ccn roughness卸dGSSIM (d)co丌clanonlle betweenmu91lnes

25、s arIdRcGssIM图8粗糙度与不同图像质量算法的相关线Fig8 Correlative line between mughness and difkrent image quality algorithmn f二坠兰些T (z一互)2()，一歹)2其中戈和y分别表示每个样块的粗糙度与图像质量，互和歹分别表示所选26个样块的粗糙度平均值以及图像质量平均值。经对比，对于RCGSSIM算法，采样区域平均分为33、55、10 x 10、1515、30 x 30、3030、9090个不同小区域时，分成1010个区域时效果最好，因此本文选择1010个区域的RCGSSIM做性能比较及结果标定。表2不

26、同图像质量算法的性能比较Table 2 Perfb兀n柚ce comparison of di骶rentilllage quality algorithln从表2中可以看出，不同算法拟合效果都很好，最低拟合精度为O886，最高达到了0945 3，证明了图像质量算法用于粗糙度测量的可行性；相比SSIM算法，GSSIM算法拟合精度高出很多，证明了边缘与轮廓信息对粗糙度测量的重要性；本研究提出的RCGSSIM算法相比没有引入区域对比度的GSSIM算法拟合精度更高，与RcssIM算法相比，拟合精度差异很小，只降低约018，但是计算效率提高明显，为在线测量提供了可能性。为突显RCGSSIM引入区域对比度

27、的效果，拟采用RCGSSIM、GSSIM算法进行标定。拟合直线分别如下：r。=一O016 5讹+1002 5 (6)g。=一0016 2尺口+1003 6 (7)其中r痢。表示RcGssIM算法计算得到图像质量，。表示GSSIM算法计算得到图像质量，尺n表示采用触针式测量得到的粗糙度值。求式(6)、(7)的反函数，可得到自变量分别为r。、g。，应变量为R关系式，公式分别如下：万方数据380 电子测量与仪器学报 第30卷R口=60758606067倒。 (8)Ro=61951617289。 (9)标定结果如下表3，从中可以看出，GSSIM与RGSSIM均有较好的结果。相比GSSIM，RCGSSI

28、M标定结果更精确，平均偏差降低了0005，最小偏差达到了0005 8，证明了引入区域对比度的优越性。表3 采用RCGSS肼、GSS卫M算法的标定结果Table 3 CaIibration r鹤ults using RCGSS蹦and GSS姒算法方程RCGSSIM GSSIM月=6075860606r。g。 Rn=61951617289标定样块号 触针测量值卜m 图像质量 标定值肛m 绝对误差 图像质量 标定值斗m 绝对误差l 0148 0998 97 0213 9 0065 9 0999 94 O225 4 0077 42 0179 0998 67 0231 8 0052 8 0999 95

29、 0225 2 0046 23 0200 0999叭 0211 4 0011 4 0999 93 0226 1 0026 14 0216 0998 79 0224 6 0008 6 0999 98 0223 1 0007 15 0225 0998 69 0230 8 0005 8 0999 79 0234 9 0009 96 0458 0998 65 0232 8 0225 2 0999 77 O236 2 0221 87 1034 0982 12 1234 6 0200 6 0983 30 1252 8 O218 88 1166 0981 70 1260 2 0094 2 0983 27 1

30、254 9 0088 99 2430 0961 28 2491 8 0061 8 0963 05 2502 7 0072 7平均误差 0080 7 0085 46 结 论根据不同等级粗糙度的磨削样块反射形成的物体影像质量有差异，提出了一种新的基于图像质量的磨削表面粗糙度面测量方法，对机理进行了阐述，并提出RCGSSIM算法，设计了一套基于图像质量的磨削表面粗糙度面测量装置。实验结果表明，磨削表面粗糙度与图像质量有明显的线性相关性，根据最小二乘法可以拟合出图像质量与粗糙度之间的数学表达式，进而可以进行粗糙度预测。相比传统的图像质量算法，提出的RcGssIM算法具有最好的综合性能，预测结果平均误差

31、为0080 7，为磨削表面粗糙度在线检测提供了技术支持。本方法为磨削表面粗糙度的非接触测量提供了简便、高效、科学的检测方法，并且为其他机加工表面粗糙度检测提供了新的研究思路。参考文献1 王新新，徐江伟，邹伟金，等TFTLcD缺陷检测系统的研究J电子测量与仪器学报，2014，28(3)：278284WANG X X，XU J W，ZHOU W J，et a1Research ondetection system for TFTLcD defectsJJoumal of E-lectronic Measurement and Instmment，2014，28(3)：2782842吴成中，王耀南，

32、贺振东，等基于机器视觉的注射液中不溶异物检测方法研究J仪器仪表学报，2015，3456736(7)：145l-1461WU CH ZH，WANG Y N，HE ZH D，et a1Researchon foreign insoluble paniculate detection method for medicinal solution based on machine visionJ 1 ChineseJoumal of Scienti6c Instrument， 2015， 36(7)：14511461蒋忠凌，廖俊必，黄玉波，等基于机器视觉的化成箔缺陷在线检测系统设计J电子测量技术，201

33、5，38(7)：2732JIANG ZH LMIU J BHUANG Y B，et a1Defectsonline detection system design for f0珊ed foil based onmachine visionJ Electmnic Measurement 7rechnolog)r，2015，38(7)：27-32乐静，杨洁，王建等基于多层序列图像的三维表面粗糙度检测J仪器仪表学报，20lO，3l(9)：2036-2041LE J。YANG JWANG J et a1ThreedimensionalsudIace roughness measurement base

34、d on sequencemultiimagesJ chinese Joumal of scientific Instrument，2010，31(9)：20362041GADELMAWIA E SA vision system for surface roughness characterization using the gray level cooccuencematrixJNDT&E Intemational，2004，37(7)：577588ALEGRE E，BARREIRO J，SUaREZ-CASTRILL6N SA A new improVed Lawsbased descri

35、ptor fbr sudacemughness evaluationJ Intemational Joumal of Advanced Manufacturing Technology，2012，59(58)：605_615LIU W，TU X，JIA Z，et a1An improved surface万方数据第3期 基于图像质量的磨削表面粗糙度检测 3818mughness measurement method for micmheterogeneoustexture in deep hole based on graylevel cooccuITencematrix and suppor

36、t vector machineJThe Intemational Jou丌lal of Advanced Manufacturing Technology，2013，69(14)：583-593NAMMI SRAMAM00RTHY BEff色ct of suIface lavin the sud孔e roughness eValuation using machine VisionJ0ptik_Intemational Joumal for Light and ElectronOptics，2014，125(15)：395439609 SAMTAS G Measurement and eva

37、luation of surfaceroug|1ness based on叩tic system u蓟ng jmage proces蓟ngand artificial neural network J 1 Intemational Joumalof Adv卸ced Manufacturing Technolog)r，2014，73(14)：353-36410曹健渭，卢荣胜，雷丽巧，等基于散斑纹理变差函数的平磨表面粗糙度测量技术J仪器仪表学报，2010，31(10)：23022306CA0 J W，LU R SH，LEI L Qet a1Grinding suIfaceroughness mea

38、surement based on the radioF砌 ofspeckle pattem texture J Ichinese Joumal of scientif-ic Instmment，2010，31(10)：2302230611陈自新机器视觉在机械加工表面粗糙度检测中的应用研究D南京：东南大学，2010：1428CHEN Z X Research on application of machine visionmethod for sudIace roughness inspectionDNanjing：Southeast University，2010：14-2812 GHASS

39、AN A， BUAN S， An evaluation of surfaceroughness p踟meters measurement using VisionbaseddataIntemational Joumal of Machine 7rools and Manufacture，2007，47(83_4)：697-70813WANG Z，BOVIK A C，SHEIKH H Ret a1Imagequality assessment：f而m ermr visibility to structuralsimilarityJIEEE 1hnsactions on Image Pmcessi

40、ng，2004，13(4)：600_61214 sAY00D K statistical evaluation of image qualitymeasuresJ Joumal of Electmnic Imaging，2002，11(2)：206-22315褚江，陈强，杨曦晨全参考图像质量评价综述J计算机应用研究，2014(1)：1322CHU J，CHEN Q，YANG X CHReview on full refe卜ence image quality assessment algorithmsJcomputerApplication Research，2014，01：132216wAN

41、G z，SIMONCELu E P，BOVIK A CMultiscalestmctural simil枥ty for image quality aLssessmentCConference Record of the ThirtySeventh Asilomar Conference on Si印als， Systems and Computers， 2004IEEE，2003，2：1398140217cHEN G H，YANG c L，xIE s LGradientbasedstructural simil撕ty for image quality assessmentCIEEE Int

42、emational Conference on Image Pmcessing，2006：2929-293218ZHANG L，ZHANG L，MOU X，et a1FSIM：a featuresimilarity index for image quality aLssessmentJIEEETransactions on Image Processing，201l，20(8)：2378238619马旭东，闫利，曹纬，等一种新的利用梯度信息的图像质量评价模型J武汉大学学报：信息科学版，2014(12)：14121418MA X D，YAN L，CA0 W，et a1A new image q

43、ualityassessment model based on the gmdient infb珊ationJJoumal of Wuhan University，2014(12)：1412141820闫乐乐，李辉，邱聚能，等基于区域对比度和SsIM的图像质量评价方法J应用光学，2015(1)：58_63YAN L L，LI HuI，QIU J N，et dImage qualiy assessment method based on regional contrast and stlllctural simila而tyJApplied Optics，2015(1)：586321suTTON

44、M A，oRTEN J J，scHREIER HImage correlation for shape， motion and defo肌ation measurements：basic concepts， theory and applicationsSpIinger ScienceBusiness Media，20D9：13一18作者简介刘坚，1975年出生，毕业于湖南大学，现任湖南大学教授，博士研究生导师，目前主要研究方向为质量检测与控制。Email：liujianhnueducnLiu Ji觚was bom in 1 975，灯aduated from Hunan UniVersity

45、，professor in Hunan UniVersity，PhDtutorHis mainIsearch interest is quality inspection and contr01路恩会，1990年出生，现为湖南大学硕士研究生，主要研究方向为机器视觉在机械制造中的应用研究。Email：luenhuill126comLu Enhui was bom in 1990MSccandidate in HunanUniversity His main research interest is application of machine vision in machinery manufa

46、cturing易怀安，1973年出生，现为湖南大学博士研究生，主要研究方向为机器视觉在机械制造中的应用研究。Email：vihuaian126comYi Huaian was bom in 1973PhDcandidate in HunanUniversity His main research interest is application of ma-chine vision in machinery manufacturing敖鹏，1991年出生，现为湖南大学硕士研究生，主要研究方向为机器视觉在机械制造中的应用研究。E哪ail：aoD1991163comAo Peng was bom in 1991，MSccandidate in HunanUniversity His main research interest is application of machine vision in machinery manufacturing万方数据