数字图像相关测量中, 相关计算前会人工选取散斑区域进行区域限定。随着工业自动化的发展, 面对散斑区域形状越来越复杂以及大量散斑图片的测量需求, 找到一种散斑区域自动提取方法至关重要。本文根据散斑的特征, 对比多种常规边缘检测方法, 提出了一种基于二阶梯度熵函数的散斑区域自动提取判定函数, 并通过分析不同的散斑图片, 确定了最佳子区熵尺寸区间以及在不同散斑图中的自适应阈值区间, 最终通过连通区域分割完成对散斑区域的自动提取。文中采用实际拍摄的散斑图对该方法进行验证, 实验结果表明: 子区熵尺寸取10 pixel以上, 该算法对散斑区域表现敏感; 自适应阈值取图中最大梯度熵值的Q-1.25至Q范围内时, 可以将散斑区域与背景区域有效分割。基本能完成对散斑区域的自动提取, 达到了相关计算前散斑区域选择的目的。

根据干涉条纹区域的特征,对比了多种常规的边缘检测方法,提出了一种基于二阶梯度熵函数的散斑干涉条纹区域自动提取的判定函数,并通过分析不同的散斑干涉条纹图片,确定了最佳的检验子区熵的尺寸区间以及不同干涉条纹图中的自适应阈值区间,最终通过连通区域分割完成对条纹区域的自动提取。对所提方法进行实验验证,结果表明:子区熵尺寸取15 pixel以上时,图片熵值的计算更准确;自适应阈值在[0,Qmax-1.25]中取值时(Qmax为图中最大梯度熵值),可以将干涉条纹区域与散斑背景区域有效分割,实现对散斑干涉条纹区域的自动提取。

针对KAZE特征匹配算法对视角变化敏感, 在大视角场景下不能实现正确匹配的问题, 提出了一种视角鲁棒的PKAZE(Perspective-KAZE)算法。该算法在原KAZE描述符的基础上, 计算特征点邻域内的二阶梯度均值, 形成新的扩展的80维描述符; 然后利用透视变换模型对待匹配影像进行多视角模拟, 在模拟影像上提取改进的KAZE描述符, 再进行特征匹配。最后, 选取5对含有最多正确匹配数量的影像上的匹配对作为初始结果, 利用随机抽样一致算法对初始结果提纯。对多组图像进行了匹配实验, 结果表明：与 KAZE、尺度不变特征变换(SIFT)和加速鲁棒特征(SURF)算法相比, 所提算法对视角变化具有更强的鲁棒性; 与透视尺度不变特征(PSIFT)和仿射尺度不变特征(ASIFT)算法相比, 本算法匹配正确率更高, 分别为PSIFT的2~10倍, ASIFT的2~7倍。提出的算法对视角变化具有很好的鲁棒性, 不仅对模拟影像的视角变化很稳健, 而且适用于真实三维复杂场景拍摄的大视角影像, 具有一定的实用价值。