基于机器视觉的测控技术

第5章基于机器视觉的测控技术主要内容机器视觉测控系统数字图像处理图像融合技术典型应用HALCON简介介绍机器视觉测控系统、数字图像处理方法以及图像信息融合术，简要介绍应用作者研制的ZM-VS1300视觉智能测控系统平台研制开发自己专用视觉测控系统方案，最后给出了作者研制的机器视觉测控系统典型应用案例。第5章基于机器视觉的测控技术第5章基于机器视觉的测控技术5.1机器视觉测控系统本节从机器视觉测控系统的基本概念出发，综合机器视觉测控系统原理、技术和应用进行介绍。典型的视觉检测系统的构成：45.1.1机器视觉检测系统硬件光源照度要适中亮度要均匀亮度要稳定不应产生阴影照度可调5.1.1机器视觉检测系统硬件图像传感器CCD电荷耦合器件摄像机（ChargeCoupledDevice）:感光像元在接收输入光后，产生电荷转移，形成输出电压。分为线阵和面阵两种。性价比高，受到广泛应用。CMOS摄像机（ComplementaryMetalOxideSemiconductor）:体积小、耗电少、价格低，在光学分辨率、感光度、信噪比和高速成像等已超过CCD。5.1.1机器视觉检测系统硬件图像传感器其他：飞点扫描器（FlyingPointScanner）、扫描鼓、扫描仪、显微光密度计等。遥感图像获取设备：光学摄影：摄像机、多光谱摄像机等；红外摄影：红外辐射计、红外摄像仪、多通道红外扫描仪等；5.1.1机器视觉检测系统硬件图像采集卡:将视频图像以模拟电信号方式输出标准视频信号：黑白视频（RS-170、RS-330、RS-343、CCIR）、复合视频（NTSC、PALSECAM制式）、分量模拟视频、S-Video等。非标准视频信号：非标准RGB信号、线扫描信号、逐行扫描信号。5.1.1机器视觉检测系统硬件图像采集卡的设计①基于PCI总线的图像采集卡的设计5.1.1机器视觉检测系统硬件②基于USB总线的图像采集卡的设计5.1.2机器视觉检测系统软件近年来，机器视觉工作者在研究视觉测控系统硬件的同时，也对机器视觉检测处理的共性软件进行了研究开发，出现了很多机器视觉测控系统组态软件平台，如最具代表性的机器视觉软件HALCON。5.1.3视觉检测系统应用缺陷检测尺寸测量PCB焊点检测与分类5.2数字图像处理数字图像处理技术是一门跨学科的前沿高科技，是在信号处理、计算机科学、自动控制理论及其他应用领域基础上发展起来的边缘学科，是认识世界、改造世界的重要手段。目前图像处理与识别技术已应用于许多领域，成为21世纪信息时代的一门重要的高新科学技术。5.2.1平滑和滤波邻域平均SyxnmfMyxg,,1,一般实际情况中，考虑到运算的计算量，为3×3的模板5.2.1平滑和滤波中值滤波法将模板在图中漫游，并将模板中心与图中某个像素位置重合；读取模板下各对应像素的灰度值；将这些灰度值从小到大排成1列；找出这些值里排在中间的1个；将这个中间值赋给对应模板中心位置的像素。空域滤波实现881100skskskR5.2.1平滑和滤波5.2.2边缘检测梯度算子实际操作中，用下面式子取代微分：TTyxyfxfGGyxf,yxfyxfyxfx,1,,1,,,yxfyxfyxfy梯度算子用标准的模板来计算梯度：（a）Roberts（b）Prewitt（c）Sobel100-101-10-10-10-1-1-10-1110010-1-1-1-10-2-112-102120010-1-2-15.2.2边缘检测拉普拉斯算子对一个连续函数，它在位置处的拉普拉斯值定义如下：22222yfxff5.2.2边缘检测拉普拉斯算子计算函数的拉普拉斯值也可以借助各种模板实现，它要求模板的中心像素系数应该是正的，而对应中心像素的邻近像素的系数应是负的，且它们之和应该是零。0-1-140-10-10-1-1-18-1-1-1-1-15.2.2边缘检测Marr-Hildreth边缘检测算子2222242211rerrG5.2.2边缘检测此算子有无限长拖尾，在具体实现卷积时，应取一个N×N的窗口。同时，为了减小卷积运算的计算量，可用两个不同带宽的高斯曲面之差（DOG）来近似。Marr-Hildreth边缘检测算子2222221221212exp212exp21,yxyxDOG5.2.2边缘检测考虑到M-H算子的对称性，可采用分解的方法来提高运算速度。即把一个二维滤波器分解为独立的行、列滤波器。将方程改写为其中:y,xHy,xHG21122yhxhy,xH2112yhxhy,xH12212222121expKh2222expKh5.2.2边缘检测Canny边缘检测法Canny给出了评价边缘检测性能优劣的三个指标（1）低失误概率（2）高定位精度（3）对单一边缘仅有唯一响应设n为任意方向，Gaussian函数在这个方向上的一阶导数为：GnnGGn5.2.2边缘检测Canny边缘检测法当一个像素满足以下三个条件时，则被认为是图像的边缘点：（1）该点的边缘强度大于沿该点梯度方向的两个相邻像素的边缘强度；（2）与该点梯度方向上相邻两点的方向差小于45°；（3）以该点为中心3×3的邻域中的边缘强度极大值小于某个闭值。5.2.2边缘检测Canny边缘检测法Canny算子的算法实现（1）对要处理的图像I作高斯光滑，则新的图像为，其次对求的方向导数（2）细化M中所有的边（3）双阈值操作IGf*,)*(xxIGfyyIGf)*(5.2.2边缘检测5.2.3图像分割灰度阈值法图像阈值化处理的变换函数表达式为：阈值的选取间接阈值法多阈值法p尾法确定阈值TyxfTyxfyxg,255,0,阈值的选取间接阈值法多阈值法p尾法确定阈值最大类间方差确定阈值假定图像的灰度区间为，设以灰度k为阈值将图像分为两个区域，灰度为1~k的像素和灰度为k+1~L的像素分别属于区域A和B，则区域A和B的概率分别为：LkiiBkiiApp11,5.2.3图像分割最大类间方差确定阈值区域A和B的平均灰度为：其中为全图的平均灰度：两个区域的方差为：kiiAAkkpi11LkiiBBkkpi111BBAALiipi15.2.3图像分割2222221111,,，方差为，灰度平均值为像素数为，方差为，灰度平均值为像素数为mwtjifcmwtjifc最大类间方差确定阈值按照最大类间方差的准则：组间方差越大，则两组的差别越大。即k值越大，表明分割效果越好。从1至L改变k，并计算类间方差，使式最大的k,即是区域分割的阈值。最佳熵自动阈值法峰谷法5.2.3图像分割区域生长5.2.3图像分割在实际应用区域生长法时需要解决3个问题：①选择或确定1组能正确代表所需区域的种子像素；②确定在生长过程中能将相邻像素包括进来的准则；③制定使生长停止的条件或规则。区域生长实现步骤①对图像进行光栅扫描，求出不属于任何区域的像素。当寻找不到这样的像素时结束操作。②把这个像素灰度同其周围（4-邻域或8-邻域）不属于其他区域的像素进行比较，若灰度差值小于阈值，则合并到同一区域，并对合并的像素赋予标记。5.2.3图像分割②从新合并的像素开始，反复进行步骤②的操作。③反复进行步骤②、③的操作，直至不能再合并。④返回步骤①的操作，寻找新区域出发点的像素。10475104770155520565225641155511555115551155511555115751157711555215552255511111111111111111111111115.2.3图像分割分裂合并利用分裂合并算法对图像进行分割的步骤①生成图像的四叉树结构。黑白灰0级1级2级2级0级1级EDCBA43218765BDEAACC132468575.2.3图像分割②根据经验和任务需要，从四叉树的某一层开始，合并满足一致性属性的共根的4个子块。重复对图像进行操作，直到不能合并为止。③考虑上一步中没有合并的子块，如果它的子节点不满足一致性准则，将这个节点永久地分为4个子块。如果分出的子块仍不满足一致性准则，继续划分，直到所有的子块都满足为止。5.2.3图像分割④由于人为地将图像进行四叉树分解，可能会将同一区域的像素分在不能按照四叉树合并的子块内，因此需要搜索所有的图像块，将邻近的未合并的子块合并为一个区域。⑤由于噪声影响或者按照四叉树划分区域边缘未对准，进行上述操作后可能仍存在大量的小的区域，为了消除这些影响，可以将它们按照相似性准则归入邻近的大区域内。5.2.3图像分割5.2.4特征提取线提取Hough变换原理在图像空间XY里，设所有过点（x,y）的直线都满足方程：式中，p为直线的斜率，q为直线的截距。也可以写成：式中表示参数空间PQ中过点（p,q）的一条直线。图像空间到参数空间之间的转换可以用图表示：qpxyypxqHough变换原理在实际使用哈夫变换时，要在上述基本方法的基础上根据图像具体情况采取一些方法以提高精度和速度，在实际中常用的是极坐标直线方程。XYPQOO11,yx22,yx11ypxq22ypxq'p'q'sin'cos'yx5.2.4特征提取Hough变换原理图像平面上的一个点就对应到参数平面上的一条正弦曲线上。哈夫变换最适合于检测较简单曲线ymxb0.51.000.51.0xyxy11010012345-15.2.4特征提取直线提取以下是用Hough变换检测直线的算法过程：①初始化变换域空间的数组，表示图像对角线方向的像素数，方向上角度初始化数目为90。②顺序搜索图像中所有的物体点，对每一个物体点，按照变换域的各个点加1。③求出变换域的值大于一定阈值的点并记录。④根据这些点在原空间内画出直线。5.2.4特征提取骨架提取中轴变换原理具有边界B的区域R的MAT是如下确定的：对每个R中的点P，在B中搜寻与它最近的点。如果对P能找到多于1个这样的点（即有2个或以上的B中的点与P同时最近），就可认为P属于R的中线或骨架，或者说P是1个骨架点5.2.4特征提取简化的中轴变换算法：根据对二值图像特点的分析，经过实验，采用了一种简单而且效果很好的算法。可以根据一个像素的8个相邻点的情况来判断该点是否应该删除①内部点不能删除；②孤立点不能删除；③直线端点不能删除；④如果P是边界点，去掉P后，如果连通分量不增加，则P可以删除。5.2.4特征提取每次对整幅图像逐行扫描一遍，对于每个点（不包括边界点），计算它对应在表中的索引，若为0，则保留，否则删除该点。如果这次扫描没有一个点被删除，则循环结束，剩下的点就是骨架点，如果有点被删除，则进行新的一轮扫描，如此反复，直到没有点被删除为止。124356785.2.4特征提取可以根据上述的判据，事先做出一张表，每个元素不是0，就是1。根据某点（即目标点）的8个相邻点的情况查表，若表中的元素是1，则表示该点可删，否则保留。查表的方法是：设白点为1，黑点为0；位置关系如图，按这样组成的8位数去查表即可。轮廓提取与跟踪在目标跟踪中，通过轮廓提取或轮廓跟踪技术确定目标的轮廓参数。轮廓跟踪的最基本方法是：先根据某些严格的“探测准则”找出物体轮廓上的像素，再根据这些像素的某些特征用一定的“跟踪准则”找出目标物体上的其他像素。这里介绍一种二值图像的轮廓跟踪。首先找第一个边界点像素：按照从左到右，从下到上的顺序搜索，找到的第一个黑点一定是最左下方的边界点，记为A。点A的右、右上、上