机器视觉光电检测实验讲义

机器视觉实验

实验一

图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法，但是这又增加了解决问题的复杂性。

1、基于阈值的分割方法

阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度

阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。本实验分别采用人工设置阈值和大津自动阈值分割法。

2、基于边缘的分割方法

所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边

缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。

阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。本实验以不同算子为例进行了图像边缘分割演示。

3、基于区域的分割方法

此类方法是将图像按照相似性准则分成不同的区域，主要包括种子区域生长法、区域分裂合并法和分水岭法等几种类型。

种子区域生长法是从一组代表不同生长区域的种子像素开始，接下来将种子像素邻域里符合条件的像素合并到种子像素所代表的生长区域中，并将新添加的像素作为新的种子像素继续合并过程，直到找不到符合条件的新像素为止。该方法的关键是选择合适的初始种子像素以及合理的生长准则。

区域分裂合并法（Gonzalez，2002）的基本思想是首先将图像任意分成若干互不相交的区域，然后再按照相关准则对这些区域进行分裂或者合并从而完成分割任务，该方法既适用于灰度图像分割也适用于纹理图像分割。

分水岭法（Meyer，1990）是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。该算法的实现可以模拟成洪水淹没的过程，图像的最低点首先被淹没，然后水逐渐淹没整个山谷。当水位到达一定高度的时候将会溢出，这时在水溢出的地方修建堤坝，重复这个过程直到整个图像上的点全部被淹没，这时所建立的一系列堤坝就成为分开各个盆地的分水岭。分水岭算法对微弱的边缘有着良好的响应，但图像中的噪声会使分水岭算法产生过分割的现象。

思考：图像边缘提取方法除了以上算子还有那些？

如何提高图像对比度？

拉伸图像的直方图能否更好的找到分割阈值？

实验步骤：

一、打开相机软件“ok demo”，点击采集，选择S实时缓存，显示

摄像图图像，点击F文件，选择B存缓存图像文件存储图像并选

择相应的储存位置。

实验二图像去噪方法

图像信号在产生、传输和记录过程中，经常会受到各种噪声的干扰，由于其严重地影响了图像的视觉效果，因此，采用适当的方法减少噪声，是一项非常重要的预处理步骤。噪声是最常见的退化因素之一，也是图像恢复中重点研究的内容，图像中的噪声可定义为图像中不希望有的部分。噪声是一种随机过程，它的波形和瞬时振幅以及相位都随时间无规

则变化常见的图像噪声有高斯噪声和加盐噪噪声。

所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。

大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。对滤波处理的要求有两条:一是不能损坏图像轮廓及边缘等重要信息;二是使图像清晰，视觉效果好。常用的去早方法有以下几种：

（1）中值滤波

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处

理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是去某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l),(k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字形，圆环形等。（2）均值滤波

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。

均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m ∑f（x，y）m为该模板中包含当前像素在内的像素总个数。

（3）高斯低通滤波

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

思考：那种滤波方法对高斯滤波更加适用。

你还知道哪些去除图像噪声的方法。

实验步骤：

加入噪声滤波处理

实验三物体长度面积测量实验

在现有的测量技术中，由于环境的各不相同，人对其产品和零件等的测量苦难程度也有所区别，随着科学技术的发展在很多人无法长期属于其中的环境作业与研究均可通过以机器代替进行监控与观察。机器视觉就

是以机器摄像头和机器内部程序通过人为改动或设置以满足在不同恶劣环境代替人眼检测活动等的技术。

以以下实验为例，简单了解视觉测量的应用。要了解相机的标定，

在图像测量过程以及机器视觉应用中，为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，必须建立相机成像的几何模型，这些几何模型参数就是相机参数。在大多数条件下这些参数必须通过实验与计算才能得到，这个求解参数的过程就称之为相机标定(或摄像机标定)。无论是在图像测量或者机器视觉应用中，相机参数的标定都是非常关键的环节，其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确性。

实验步骤：

一、长度测量

通过图像处理的方法对小型物体的长度进行测量，通过找出待测物体最左和最右点，利用够勾股定理求出待测物体的长度。

二、面积测量

通过图像分割计算待测物体在全图中所占有的的像素比例来计算待侧物体面积。

思考：如何实现物体周长的测量

哪些因素影响着测量精度

怎样提高测量的精度

一、标定：用黑色笔在白纸上绘出两条已知间距为10cm相互平行的

水平短线，拍摄照片并保存，保存为“biaoding”。

二、在白色背景下拍摄待测长度和面积的物体，保存为“changdu”

和“mianji”。

三、点击标定选择照片“biaoding”

四、点击长度选择照片“changdu”

五、同理测量面积

六、点击后结果会自动显示。

注意事项

（1）相机位置已经固定试验中不触碰相机尤其是镜头

（2）拍摄过程观察实时显示界面，保证所拍摄的每一副图像保证光照均匀

（3）拍摄过程尽量使用白色为背景

（4）相机标定过程需距离为10cm的两条短线在相机呈左右分布，尽量保证关于图像的中心位置对称

（5）待测物拍照过程尽量将待测物放在图像中心，尽量选用较小待测物，超出一定范围不能实现

（6）拍摄过程不要拍摄反光的照片