基于计算机视觉测量技术的图像轮廓提取方法研究_吴凤和
基于图像轮廓的匹配算法的研究与应用
基于图像轮廓的匹配算法的研究与应用图像轮廓是图像中物体的边界线条，它包含了物体的形状和结构信息。
基于图像轮廓的匹配算法在计算机视觉领域有着广泛的研究和应用。
本文将探讨该算法的研究进展以及在实际应用中的一些应用案例。
首先，基于图像轮廓的匹配算法主要包括两个步骤：特征提取和匹配。
特征提取是指从图像中提取出轮廓特征，常用的方法有边缘检测算法（如Canny算法）和轮廓提取算法（如Sobel算法）。
匹配是指将提取到的轮廓特征与数据库中的轮廓进行比对，找到最佳匹配结果。
常用的匹配方法有欧氏距离匹配和形状上下文匹配等。
在研究方面，基于图像轮廓的匹配算法已经取得了一些重要的进展。
例如，研究人员提出了基于形状上下文的匹配算法，该算法可以在形状有较大变化的情况下也能进行准确的匹配。
此外，还有一些基于深度学习的图像轮廓匹配算法，通过使用深度神经网络对轮廓进行学习和提取，可以得到更加准确的匹配结果。
在应用方面，基于图像轮廓的匹配算法有着广泛的应用场景。
例如，在目标检测中，可以利用该算法对目标的轮廓进行匹配，从而实现目标的自动识别和定位。
此外，在工业领域中，可以利用该算法对产品的轮廓进行匹配，实现产品的质量检测和分类。
除此之外，基于图像轮廓的匹配算法还可以应用于图像检索、图像重建等领域。
例如，在图像检索中，可以利用该算法对图像库中的图像进行轮廓匹配，从而实现更加准确和高效的图像检索。
在图像重建中，可以利用该算法对缺失的轮廓进行补全，从而实现图像的完整重建。
综上所述，基于图像轮廓的匹配算法在计算机视觉领域具有重要的研究价值和广泛的应用前景。
虽然该算法在一些复杂场景下仍然存在一定的挑战，但通过不断的研究和改进，相信会有更多的突破和创新，进一步推动该算法在实际应用中的发展和应用。
计算机视觉中的轮廓线提取技术
计算机视觉中的轮廓线提取技术随着现代技术的迅速发展，计算机视觉技术也日渐成熟。
其中轮廓线提取技术是视觉算法中一个重要的环节，它能够从图像中提取出物体的轮廓线，为图像处理、目标检测、三维建模等应用提供基础支持。
本文将介绍计算机视觉中的轮廓线提取技术，包括方法原理、应用场景以及相关算法。
一、轮廓线提取技术原理轮廓线提取是数字图像处理中一个重要的过程，它主要通过对图像进行边缘检测和特征提取，来实现对物体轮廓线的提取。
轮廓线是物体和背景之间的边界线，它具有明显的区分度，适用于识别物体的形状、大小和位置等信息。
轮廓线提取技术的主要流程包括：1. 去噪：对原始图像进行降噪处理，使得图像更加干净，有利于后续的边缘检测和特征提取。
2. 边缘检测：经过降噪后，对图像进行边缘检测，以便提取出物体的轮廓线。
边缘检测算法主要有Sobel算子、Canny算子、Laplacian算子等。
3. 特征提取：提取边缘点，将其组成闭合的轮廓线。
常用的特征提取算法有霍夫变换、最大连通区域分析等。
二、轮廓线提取算法1. Sobel算子Sobel算子是一种边缘检测算法，在数字图像处理中广泛应用。
该算法通过对图像进行卷积操作，来提取出图像中的边缘点。
Sobel算子具有简单、易于实现的特点，但是提取出的边缘点可能不够准确，容易受到噪声的影响。
2. Canny算子Canny算子是一种比较常用的边缘检测算法，它对图像进行多次卷积操作，以提取出图像中的边缘点。
Canny算子具有高灵敏度和低误检率的特点，可以有效地提取出物体的轮廓线，受到很广泛的应用。
3. Laplacian算子Laplacian算子是一种利用二阶偏导数求解的边缘检测算法，它主要通过对图像进行拉普拉斯滤波，来提取出图像中的边缘点。
Laplacian算子具有灵敏度高、响应速度快的特点，但是容易受到噪声的干扰。
三、轮廓线提取技术的应用场景轮廓线提取技术可以应用于多个领域，如图像处理、目标检测、三维建模等。
基于计算机视觉的轮廓提取技术研究
基于计算机视觉的轮廓提取技术研究随着科技的不断发展，计算机视觉技术的应用越来越广泛，其在数字图像处理、医学、人工智能等领域中发挥着重要作用。
其中，轮廓提取技术是计算机视觉中的一项重要技术，也是图像处理的基础之一。
本文将从轮廓提取技术的基本概念、应用场景、实现方法以及未来发展方向几个方面进行探讨。
一、基本概念轮廓提取指的是在图像中提取出物体的边缘部分，即物体相对背景的边界线。
在计算机视觉技术中，轮廓提取是图像处理的基础之一，也是其他高级图像算法的前置处理方法。
其主要应用于物体识别、图像分割、目标跟踪等领域。
轮廓提取技术常用的算法有Canny算子、Sobel算子、边缘增强等。
二、应用场景1. 物体识别轮廓提取技术在物体识别中起着关键作用。
物体识别可以通过提取物体的边缘轮廓，进而对物体进行分类和识别。
例如，在人脸识别中，可以通过提取脸部轮廓来识别不同的人脸。
2. 图像分割轮廓提取技术可以被用于对图像进行分割，即将图像中的物体分离出来。
例如，在医学图像处理中，可以使用轮廓提取技术对肿瘤或其他异常部位进行分割，从而对病情进行分析。
3. 目标跟踪通过轮廓提取技术，可以对目标进行边缘检测，进而实现对目标的跟踪。
例如，在安防领域中，可以利用轮廓提取技术对人员进行跟踪监控。
三、实现方法1. 基于边缘检测的方法边缘检测是轮廓提取的基础。
通过对图像进行边缘检测，可以得到图像中的物体轮廓。
Canny算法和Sobel算法都是比较常用的边缘检测算法，根据图像中的不同特征选择不同的算法进行提取。
2. 基于分割的方法分割法是一种非常常用的轮廓提取方法。
其主要思路是先将图像分为不同的区域，然后对不同区域进行分割，最终得到物体的轮廓。
这种方法可以很好地解决在噪声图像中提取边缘的问题。
3. 基于图像形态学的方法形态学方法是一种比较常用的图像处理方法，在轮廓提取中同样具有一定的应用。
通过对图像进行腐蚀、膨胀和卷积等操作，可以实现对轮廓的提取。
图像识别中的轮廓提取算法探索(九)
图像识别中的轮廓提取算法探索一、引言图像处理技术在现代社会中扮演着重要的角色，而轮廓提取作为图像识别的基本技术之一，具有广泛的应用。
本文将探索图像识别中的轮廓提取算法，从边缘检测到轮廓生成，分析其原理和优缺点，展望其在未来的发展潜力。
二、边缘检测边缘是图像中亮度变化显著的区域，边缘检测是轮廓提取算法的第一步。
经典的边缘检测算法包括Sobel、Prewitt和Canny等。
Sobel算子通过卷积运算来检测边缘，Prewitt算子则利用不同方向的差分运算。
而Canny算法结合了多种技术，包括高斯平滑、梯度计算和非极大值抑制等，具有较好的效果和稳定性。
三、轮廓生成在边缘检测的基础上，轮廓生成算法根据图像的几何和拓扑关系，将边缘像素连接成闭合的曲线。
轮廓生成算法可以分为主动轮廓和被动轮廓两类。
主动轮廓算法利用能量函数对轮廓进行优化，如水平集方法和活动轮廓模型。
被动轮廓算法则是基于边缘像素的链接策略，如链码和分析。
不同的轮廓生成算法各有特点，可以根据具体的应用需求选择适合的方法。
四、优缺点分析轮廓提取算法具有一定的优缺点，了解其特点对算法的选择和应用至关重要。
1. Sobel算子和Prewitt算子是较为简单的边缘检测算法，计算速度快但在复杂背景下容易产生噪点。
Canny算法在边缘检测精度和抗噪性方面较好，但计算复杂度较高。
2. 主动轮廓算法能够根据能量函数优化轮廓，适用于处理复杂轮廓。
被动轮廓算法简单易用，但对于复杂的轮廓可能无法提取准确的边界。
3. 轮廓提取算法在运行时间和内存消耗方面存在一定的瓶颈，特别是对于大规模图像和视频。
未来的发展需要更高效的算法和硬件支持。
五、未来发展随着计算机视觉和人工智能的快速发展，图像识别中的轮廓提取算法也将不断优化和创新。
以下是未来发展的几个方向：1. 深度学习与轮廓提取的结合。
深度学习具有强大的特征学习能力，将其与轮廓提取算法相结合，可以进一步提高轮廓提取的准确度和鲁棒性。
图像识别中的轮廓提取算法探索(二)
图像识别中的轮廓提取算法探索随着计算机视觉技术的快速发展，图像识别成为了一个备受研究关注的领域。
在图像识别过程中，轮廓提取算法起到了至关重要的作用。
本文将从不同方法的角度，探索图像识别中的轮廓提取算法。
一、边缘检测算法边缘检测是图像处理中一项重要的技术，旨在从图像中提取出物体的轮廓信息。
最常用的边缘检测算法包括Canny算子、Sobel算子和Laplacian算子。
这些算法基于图像的亮度变化来进行边缘的检测，可以有效地提取轮廓信息。
Canny算子在边缘检测方面表现出色。
它利用了图像的梯度信息，并通过非最大抑制和双阈值处理来提取出准确的边缘。
Sobel算子是一种简单而常用的边缘检测算子。
它利用图像的亮度变化率来检测边缘，然后通过梯度幅值的阈值来确定是否为边缘点。
Laplacian算子则是一种二阶微分算子，通过求取图像亮度的二阶导数来检测边缘。
这种算法对于噪声的鲁棒性较强，能够提取到更为细致的边缘。
二、基于模型的轮廓提取算法基于模型的轮廓提取算法是通过对图像的区域进行建模来提取轮廓信息。
这类算法包括活动轮廓模型和分水岭算法。
活动轮廓模型是一种基于能量泛函的方法，它通过最小化能量函数，使得轮廓向物体的边缘收缩。
这类算法在复杂背景下能够准确地提取出物体的轮廓。
分水岭算法则是一种经典的图像分割算法，通过将图像看作地形地貌，以像素的灰度值作为高度的参考，实现对图像的分割。
这种算法适用于多物体的分割，但对于重叠的物体分割效果较差。
三、深度学习在轮廓提取中的应用近年来，深度学习技术在图像识别领域取得了巨大的突破。
通过训练大规模的神经网络，可以实现对图像中物体轮廓的准确提取。
深度学习模型中最常用的是卷积神经网络（CNN）。
CNN通过学习具有不同卷积核的特征提取器，能够从图像中提取出具有鲁棒性的特征。
这些特征可以用于提取轮廓信息，并辅助进行图像识别。
同时，生成对抗网络（GAN）也被用于图像的轮廓提取。
GAN通过同时训练一个生成器和一个判别器，使得生成器能够生成逼真的图像，而判别器能够准确区分真实图像和生成图像。
图像处理中的轮廓提取技术研究
图像处理中的轮廓提取技术研究在图形图像处理领域，轮廓提取一直是一个值得深入研究的问题。
轮廓提取技术是将目标的边界或轮廓提取出来，它是图形图像处理领域中的一个重要问题。
轮廓提取技术已经在许多领域中得到了广泛的应用，比如计算机视觉、医学图像处理和机器人等领域。
轮廓提取算法种类繁多，本文将讨论一些常见的轮廓提取技术。
一、边缘检测算法边缘检测是图像处理中最基础的技术之一，它可以将图像中的边缘或轮廓提取出来。
常见的边缘检测算法有Canny算法、Sobel 算法和Laplacian算法等。
其中，Canny算法是一种经典且被广泛使用的边缘检测算法。
这个算法的主要思想是寻找图像中梯度变化最大的点，然后将这些点连接起来形成轮廓。
Sobel算法和Laplacian算法也常被用来进行轮廓提取。
Sobel算法是一种基于一阶导数的边缘检测算法，而Laplacian算法则是一种基于二阶导数的边缘检测算法。
二、阀值分割算法阈值分割是一种基于像素灰度值的图像分割方法。
它将图像分成两个部分：一个部分是大于或等于阈值的像素，另一个部分是小于阈值的像素。
常见的阈值分割算法包括Otsu算法、基于区域生长的分割算法和基于水平分割的方法等。
其中，Otsu算法是一种被广泛应用的自适应阈值分割算法，它可以有效地提取出图像的轮廓。
基于区域生长的分割算法则是一种基于区域生长的分割方法，它利用像素之间的相似性来提取轮廓。
而基于水平分割的方法则是一种基于像素灰度值的分割算法。
三、边界追踪算法边界追踪是一种特殊的轮廓提取算法，它是将轮廓上的所有像素依次排序，形成一条连续的路径。
常见的边界追踪算法有基于Chain Code的边界追踪算法和基于边沿链表的边界追踪算法等。
Chain Code是一种将轮廓像素编码成数字序列的方法，而基于边沿链表的边界追踪算法则是一种将轮廓像素存储到链表中的方法。
四、基于曲线演化的算法曲线演化是一种基于变分学习和微分方程的图像处理技术。
目标轮廓提取方法研究
参考内容
内容摘要
轮廓提取是图像处理中的一个重要任务，它可以用于目标检测、识别和分割 等任务。轮廓提取的基本原理是通过对图像的边缘进行检测，提取出目标的轮廓。 在本次演示中，我们将介绍一些图像轮廓提取的基本方法和算法。
1、基于边缘检测的方法
ቤተ መጻሕፍቲ ባይዱ
1、基于边缘检测的方法
基于边缘检测的方法是图像处理中最常用的方法之一。它的基本思想是通过 检测图像中的边缘来提取目标的轮廓。边缘是图像中像素值发生剧烈变化的位置， 这些位置可以被检测出来并用于目标的分割和识别。
一、区域活动轮廓模型
一、区域活动轮廓模型
区域活动轮廓模型是一种有效的运动目标跟踪方法，它结合了区域和轮廓两 种信息，能够更好地处理目标形变、遮挡等问题。该模型首先在视频序列中选取 一个初始感兴趣区域，然后通过迭代的方式不断更新区域和轮廓信息，以实现运 动目标的精确跟踪。
二、基于区域活动轮廓的运动目 标跟踪方法
实验结果与分析
为了验证本次演示提出的方法，我们进行了大量实验，并采用准确率、召回 率和F1值等评估指标对其性能进行评估。实验结果表明，该方法在目标轮廓提取 方面具有较好的性能，相较于传统方法如Sobel、Canny等算子，我们的方法在各 项评估指标上均取得了显著的提升。此外，我们还与其他基于深度学习的方法进 行了比较，结果显示我们的方法在准确率、召回率和F1值等方面均具有较好的表 现。
相关研究
相关研究
目标轮廓提取的相关研究主要涉及图像边缘检测、图像分割、形态学处理等 领域。传统的目标轮廓提取方法有基于像素梯度、基于滤波、基于统计等几种。 其中，基于像素梯度的方法利用图像中像素强度的变化来检测边缘，如Sobel、 Canny等算子；基于滤波的方法通过滤波器对图像进行处理，将边缘响应较大的 区域作为目标轮廓；
图像识别中的轮廓提取算法探索(八)
图像识别中的轮廓提取算法探索随着人工智能技术的迅猛发展，图像识别越来越受到关注。
而在图像识别中，轮廓提取算法是一个至关重要的环节。
本文将就图像识别中的轮廓提取算法进行探索和分析。
一、图像轮廓提取算法的背景随着计算机硬件和软件的不断进步，图像处理技术取得了长足的发展。
而图像轮廓提取算法作为图像处理的重要一环，主要用于识别和描述图像中的边缘轮廓。
在目标检测、图像分割和模式识别等领域都有广泛的应用。
因此，对图像轮廓提取算法的研究具有重要的实际意义。
二、轮廓提取算法的传统方法1、Sobel算子Sobel算子是一种基于梯度的边缘检测算法，通过计算图像中每个像素点灰度值的梯度来提取轮廓。
Sobel算子计算简单快速，且对噪声具有一定的抑制能力。
然而，Sobel算子容易受到图像中边缘灰度变化较大的影响，导致提取结果不准确。
2、Canny算子Canny算子是一种基于高斯滤波和非最大值抑制的边缘检测算法。
它能够有效地抑制噪声，同时提取出细节较为清晰的轮廓。
Canny算子在图像轮廓提取中被广泛应用，但其参数的选择对提取效果有较大影响。
3、拉普拉斯算子拉普拉斯算子是一种基于二阶微分的边缘检测算法，通过求取图像中每个像素点的二阶微分来提取轮廓。
拉普拉斯算子对噪声敏感，容易出现边缘断裂的现象。
因此，在实际应用中，常常需要结合其他算法进行改进和优化。
三、新兴的轮廓提取算法1、基于深度学习的轮廓提取算法近年来，深度学习技术在图像处理领域取得了巨大的突破。
基于深度学习的轮廓提取算法通过训练神经网络模型，实现自动化的轮廓提取。
这种算法不仅能够提取出高质量的轮廓，还能够应对各种复杂的图像场景。
但基于深度学习的轮廓提取算法需要大量的训练数据和计算资源，且难以解释模型的预测结果。
2、基于边缘增长的轮廓提取算法边缘增长算法是一种基于种子点的图像分割算法，通过将具有相似特征的像素点合并为同一个区域，最终实现轮廓的提取。
边缘增长算法具有较好的鲁棒性和适应性，对噪声和细节变化具有一定的容忍度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
区间为[ Zmin , Zmax ] , 在该区间内设定一个阈值 Z t,
且 Zmin < Zt < Zmax, 令图像中所有灰度值小于或等
于 Zt 的像素的新灰度值都为 0, 大于 Zt 的像素的
新灰度值都为 1, 即经过这样的阈值分割构建出一
个输出的二值图像 f t ( x , y ) :
1 f ( x, y) > Zt
视觉的测量系统中, 为保证测量精度选取合适的轮 廓提取方法是非常重要的。
轮廓提取的基本方法是边缘检测法, 即借助于 空域微分算子进 行, 通过 将模板与图像卷 积完成。 经典的边缘检测 方法是局部算 子法, 如梯 度算子、 Sobel 算子、Roberts 算子、Canny 算子等, 该方法具有 实现简单、运算速度快等优点, 但存在下述缺点: 检 测出来的边缘无法保证单像素宽, 往往出现孤立的
图 1 基于灰度阈 值的轮廓提取过程
3 关键技术
3. 1 图像预处理 由光学成像系统生成的二维图像通常 包含噪
声, 为提高计算机的视觉功能, 增强计算机的分析和 识别能力, 需去除原始图像中的噪声。这种突出有 用信息、抑制无用信息和改善图像质量的处理技术, 称为图像的预处理。
图像预处理的过程就是对输入的图像进行某些
特点, 能满足工程测量的实际需要。
关键词: 计量学; 轮廓提取; 图像分割; 计算机视觉; 数学形态 学; 灰度阈值法
中图分类号: T B92
文献标识码: A
文章 编号: 1000 1158( 2007) 01 0018 05
A Study on Contour Extraction Method in Computer Vision Measurement Technology
A B=
{ x | ( x + b ) A , 对每一个 b B } ( 3) A 被B 作开运算, 可以表示为 A B, 其定义为:
A B = ( A B) B
( 4)
A 被B 作闭运算, 可以表示为 A B , 其定义为:
ቤተ መጻሕፍቲ ባይዱ
A B = ( A B) B
( 5)
基于数学形态学的缺陷修补方法中, 结构元素
Zmin , 令阈值 Z t 的初始值为( Zmax + Zmin ) 2;
( 2) 根据阈值 Zt 将图像分割为目标和背景, 分
别求出两者的平均灰度值 ZO 和 ZB ;
( 3) 求出新阈值 Zt+ 1 = ( ZO + Z B) 2;
( 4) 若 Zt = Z t+ 1 , 则所得即为阈值; 否则令 Zt =
19
或仅仅是分小段连续的边缘。因此, 需要进行细化 处理, 同时要设法将断续的边缘像素连接起来, 这样 才能完成轮廓提取。显然, 这一处理过程过于复杂, 提取的轮廓精度无法保证。在某些情况下, 由于噪 声的影响, 甚至无法提取图像的轮廓。
针对传统边缘检测方法中存在的问题, 结合计 算机视觉测量技术的特点, 本文提出了一种实用的 轮廓提取方法, 即采用灰度阈值法进行图像分割, 并 用数学形态学方法对二值图像进行缺陷修补, 通过 链码跟踪存储轮廓信息, 实现了具有单像素边缘的 图像轮廓提取。实验表明, 与经典的边缘检测方法 相比, 此方法具有抗干扰性强、精度高等特点, 能满 足工程测量的实际需要。
所采用的运算形式 ( 膨胀、腐蚀、开运算、闭运 算) 对缺陷修补的效果也有很大影响。一般来说, 膨 胀可以使目标增大、孔洞缩小; 腐蚀能收缩图像的边 界, 使内孔增大, 消除外部孤立噪声; 开运算可以切 断细长的搭接, 去掉图中的孤立子域、毛刺及凸出部 分; 闭运算能够填充细小空洞, 搭接短的间隔, 连接 邻近物体。在实际应用中, 运算形式的选择应遵循 以下原则:
第28卷 第1期 2007 年 1 月
计
量
学
报
ACTA METROLOGICA SINICA
Vol. 28,
1
January 2007
基于计算机视觉测量技术的图像轮廓提取方法研究
吴凤和
( 燕山大学机械工程学院, 河北 秦皇岛 066004)
摘要: 图像分 割与轮廓提取是计 算机视觉测量技术 的关键环节。针对传统 边缘检测方法中存 在的问题, 结合
收稿日期: 2005 10 22; 修回日期: 2006 03 07 基金项目: 河北省教育厅自然科学计划项目( Z2005105) 作者简介: 吴凤和, ( 1968- ) , 男, 内蒙古扎兰屯人, 燕山大学副教授, 硕士, 主要从事计算机视觉、图形图像处理的研究。
第 28 卷 第 1 期
吴凤和: 基于计算机视觉测 量技术的图像轮廓提取方法研究
变换, 从而得到清晰图像的过程。比如, 对含有噪声
的图像, 要除去噪声, 滤去干扰, 提高信噪比; 对于对
比度小的图像要进行灰度变换等增强处理; 对于己 经退化的模糊图像要进行各种复原的处理; 对于失
真的图像要进行几何校正等变换。基于计算机视觉
的测量技术中 图像预处理的目的是改 善图像的质
量, 使图像便于处理, 易于测量。常采用的图像预处
WU Feng he
( College of Mechanical Engineering, Yanshan University, Qinhuangdao, Hebei 066004, China)
Abstract: Image segmentation and border extracting technology play an important role in the computer vision measurement system. Aiming at the shortcomings of traditional edge detection methods, considering the features of computer vision measurement, a practical contour extraction method is introduced. In the method, image segmentation is based on the gray threshold method, the mathematical morphology method is adopted to remedy the defects of binary image, the contour of image is stored into chain- code through contour tracking algorithm. Using this method, the one- pixel- wide border of image can be easily extracted. The principles and algorithms of key technologies of the method are described. The experiments show that the features of the method such as denoise and precision are better than that of the traditional edge detection methods. It can be applied to practical engineering measurement system.
统计结果确定初始阈值, 利用该阈值将图像分割为
目标和背景, 并把两者的灰度平均值的均值作为新 的阈值, 通过循环迭代直到前后两次循环得到的阈
值相差非常小时循环停止, 得到灰度阈值 Zt 。该方
法具有算法简单, 易于实现等 优点, 其 具体步骤如 下:
( 1) 求出图像的最大灰度值 Zmax 和最小灰度值
B 的形状和大小都直接影响缺陷修补的效果。不同 形状的结构元素( 圆形、方形或菱形等) 对噪声及缺 陷的敏感程度不同, 结构元素的形状应依据缺陷的 具体情况而定。
若采用一种形状的结构元素不能产生满意的效 果时, 可以同时采用多种形状的结构元素, 分别对图 像进行运算, 然后将运算后的图像合并起来。结构 元素的尺寸大小对缺陷修补的效果也有影响, 一般 来说, 小尺寸的结构元素去噪声能力较弱, 但对边缘 细节的保护较好; 大尺寸的结构元素去噪声能力较 强, 但对边缘细节的保护较差。因此, 选取结构元素 时应从尺寸和形状两个方面考虑, 针对缺陷的具体 情况确定结构元素。
2 轮廓提取的原理
从物体图像中得到目标物体的外形轮廓称为轮 廓提取, 它是保证测量精度的关键环节。针对计算 机视觉测量中的图像通常只包含目标( 工件) 和背景 两类区域的特点, 本文采用灰度阈值法进行图像分 割; 利用数学形态学的非线性滤波特性, 消除二值图 像中的缺陷与噪声; 采用掏空内部点的方法从二值 图像中提取轮廓; 通过链码跟踪的方法存储轮廓信 息, 使轮廓的处理与测量更可靠方便。其工作过程 如图 1 所示, 首先通过图像预处理滤除图像中的噪 声, 然后利用阈值法分割图像得到二值图像, 经缺陷 修补处理后进行轮廓提取得到图像的边界点( 目标 的轮廓) , 最后通过轮廓跟踪算法将轮廓存储为链码 表示的格式。
算( Open) 和闭运算( Close) 。
设 A 为输入的二值图像, 采用结构元素 B 对图
像进行形态学处理。A 被 B 膨胀, 可以表示为 A B , 其定义为:
A B=
{ x | x = a + b , 对某些 a A 和 b B }
( 2)
A 被B 腐蚀, 可以表示为 A B, 其定义为:
计算 机视觉测量技术的特点, 提出了一种实用的轮 廓提取 方法。该方 法采用 灰度阈 值法进 行图像 分割, 并用数 学
形态 学方法对二值图像进行缺陷修补, 通过链码跟 踪存储 轮廓信 息, 实 现了具 有单像 素边缘 的图像 轮廓提 取。文