第九章机器视觉ppt.ppt

第九章 机器视觉检测技术 9.1 机器视觉概述 1.机器视觉的发展 (1)基本概念 计算机视觉：基于获取的图像，用计算机实现对视觉图像信息的处理，实现人的双眼的视觉功能； 核心：通过对图像的分析实现对周围环境的认知和理解； 机器视觉：在计算机视觉的理论框架基础上侧重工程化应用，实现场景中物体位置、姿态、尺寸等的测量。 (2) 基本历程 －20世纪50年代： 统计模式识别，主要工作：二维图像分析、识别和理解，对象有光学字符识别、工件表面、显微图片和航空照片的分析和理解等。 －20世纪60年代，Roberts： 场景由多面体组成，多面体由简单的点、线、平面的组合表示，如立方体、楔形体、棱柱体等，计算机从图像中提取出多面体的三维结构，对其形状和物体的空间关系进行描述－以理解三维场景为目的三维机器视觉。 －20世纪70年代,英国学者Marr： 提出Marr视觉理论，在20世纪80年代成为计算机视觉研究领域一个十分重要的理论框架，突破了简单的多面体为对象的三维视觉研究。 新的理论框架： 主动视觉理论框架； 基于感知特征群的物体识别理论框架； 基于多视几何的视觉理论。 2. 机器视觉面临的问题 －准确、快速的目标识别 －存储容量 －可靠的识别算法 3. 视觉系统的局限性原因 （1）图像对景物的约束不充分，丢失信息。从图像恢复景物时存在多义性 （2）场景多种因素在图像中混叠，很难分离某种因素的影响程度 （3）理解自然景物需要大量知识（专门知识） （4）对人类视觉的研究和理解还远远不够 4.机器视觉的关键技术 （1）摄像机模型（视觉描述基础） （2）视觉传感器的构建 （3）传感器(系统)视觉模型建模 （4）视觉图像特征提取 （5）系统的标定 5.基本的视觉方法 结构光法 双目立体视觉方法 多传感器法 流动式测量方法 多目视觉－多视几何视觉 基于经纬仪的大尺寸测量（稀疏点） 9.2 机器视觉构成 1.机器视觉系统的一般构成 9.2 机器视觉构成 1.机器视觉系统的一般构成 9.2 机器视觉构成 1.机器视觉系统的一般构成 1、机器视觉应用领域 零件识别与定位 产品检验（测） 农业水果分拣 移动机器人导航（星球机器人） 遥感图像分析（植被分析、人工地物分析） 医学图像分析（骨骼定位、血管重建、细胞分析） 安全鉴别、监视与跟踪（门禁系统、车辆监视） 国防系统（目标自动识别与目标跟踪） 三维形貌检测（动画、体育、考古） 9.4 图像特征提取 数字图像的基本概念 数字图像：被划分成很多像元的小区域集合，每个像素的位置反映了物理图像上对应点的亮度，图像被表示成一个数字矩阵。 每个像素的属性：位置和灰度 图像的分类 灰度图像和彩色图像 图像亮度表示： 灰度图像：8位，4位，二值 彩色图像：R、G、B，每个 颜色又分为8位 图像的预处理 图像平滑：消除噪声，提高图像质量 邻域平均法：用窗口灰度的平均值代替该点灰度值。缺点：细节模糊 中值滤波：抑制干扰脉冲和点状噪声。 高斯滤波：消除随机噪声。 图像特征提取 边缘特征提取 边缘：图像中灰度发生急剧变化的区域的边界。 图像灰度的变化用图像灰度分布的梯度反映。 一阶边缘检测算子： 二阶边缘检测算子：laplace算子 Canny边缘检测算子 在梯度极值方向进行非极大抑制：垂直于边缘的方向(梯度的方向)上互相比较邻接像素的梯度幅值，并除去具有比邻域处小的梯度幅值。 图像的统计特征 把图像看作随机过程，则可做一阶及二阶统计。 一阶：单个象素特征。二阶：一对象素特征。 1)一阶统计特征： P代表坐标，Z为灰度，P(P，Z)象素。 对同一对象的不同观测结果，随机过程，略去了随机性变化，坐标位置关系，简化成直方图(Histogram）。 纵坐标：象素个数/某灰度[也可用百分比] 横坐标：灰度（0～255） 总面积：全图象素数 直方图：离散状态下图像灰度的概率密度分布。 图像——直方图 [不可逆变换，多对一的变换] 多个图像可以生成相同的直方图，一阶统计特征未反映相邻点之间的关系。但反映了图像的灰度散布范围等特征，在很多场合下，往往是重要特征。 直方图处理 通过调整图像的直方图,达到所需增强的目的。 1)灰度变换法：由于光照不足，原图象灰度范围窄，看不清晰，直方图拉伸后灰度相差加大，分辨清晰。 DB=