第九章 机器视觉

HB
HA
255
DA

DA
DA dDA
DA
H A DA dDA
DB dDB
DB
H B DB dDB
255
灰度
31
DB=f(DA)常见的三种变换曲线： 线性：DB=aDA+b(分为线性)[突出感兴趣目标，抑制不感兴趣目标] 对数曲线：DB=Alg(DA+b)[小灰度展开，大灰度压缩] 指数曲线 ：DB=DA**a+b[大灰度展开，小灰度压缩]
DB
对数
指数 DA

[具体编程实现引入查找表（lookup table）概念] 图象512×512大小，需256KB次运算，太慢 注意图象值输入：256级[0～255] 输出：256级[0～255] 输入到输出是映射关系
32
2)直方图均衡： 直方图可用灰度为256，但仅用了 2/3，即可用灰度级别来充分利 用，一种可能的充分利用多灰 度方法是直方图越平越好。]多 灰度值点数均摊。 HB=1/m 由：HAdDA=HBdDB DB=f(DA),dDB=df HAdDA=1/m df f=∫mHAdDA
R：旋转矩阵维数3 х 3，正交矩阵，t：平移矩阵，维数3х1 R和t：摄像机模型的外部参数。
38
9.5
摄像机模型
zw Ow
3） 针孔成像模型
f: 有效焦距，光轴：zc轴； O1：光轴与像平面的交点, O1(0,0,f) Oc: 摄像机透视投影中心, Oc(0,0,0) Oc-xcyczc: 摄像机坐标系 O1XY: 摄像机像平面坐标系,X 轴平行于xc轴，Y轴平行于yc 轴
2
9.1 机器视觉概述
－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。
3
9.1 机器视觉概述
1
9.1 机器视觉概述
(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。
象素个数

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
0
S
K
255
灰度 29

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。
－若已知点在图像上的二维坐标(X,Y)，却不能唯一确定其对应的空 间三维坐标（xc,yc,zc）。
41
（4）二维像点和基准世界坐标系(xw,yw,zw)的关系
摄像机针孔模型坐标系和图像坐标系之间的关系：
x 0 0 c yc 0 0 zc 1 0 1 像素二维坐标系和基准世界坐标系之间的关系（完整模型）： X f 0 zc Y 1 0 0 f 0
HB
0
255
连续域上 1/m
m
DB f(DA)
df=mHAdDA
HA
DA
DA
33
9.5
摄像机模型
摄像机模型描述物像成像几何关系，最简单的模型针孔成像模型。 计算精度要求较高时，考虑镜头畸变，用非线性模型描述摄像机 的成像。
1. 坐标系转换

图像坐标系、摄像机坐标系、世界坐标系
图像在计算机中是以矩阵的形式存储，矩阵的每个元对应的是图

18


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
四邻域平均
八邻域平均
19

中值滤波：抑制干扰脉冲和点状噪声。
一维和二维中值滤波
20
高斯滤波：消除随机噪声。
滤波前灰度
滤波后灰度
21

图像特征提取
角点
光条
边缘
22

边缘特征提取
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。
视觉传感器：计算机视觉系统信息的直接来源。 组成：一个或两个图像传感器、光投射器以及其它辅助设备。 功能：获取足够的计算机视觉系统要处理的最原始图像。 图像传感器：可以是激光扫描器、线阵和面阵CCD摄像机或 者TV摄像机及最新出现的数字摄像机等。 光投射器：可以为普通照明光源、半导体激光器或者红外激 光器等，它的功能主要是参与形成被分析的物体图像的特征。
0 f 0
40
X f 0 zc Y 1 0
xc 0 0 0 yc f 0 0 z c 0 1 0 1
问题
－若已知点在空间的三维坐标（xc,yc,zc）,则唯一确定其对应的像平
面上的二维坐标(X,Y)；Leabharlann 49.1 机器视觉概述
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
9.1 机器视觉概述
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）
X u uo dX v Y v o dY
35

用齐次坐标描述为：
或：
36
（2）摄像机坐标系和世界坐标系
摄像机坐标系： Ocxcyczc Oc点:摄像机光心 xc轴和yc轴与图像平面的X轴与Y轴平 行， zc轴:摄像机光轴，与图像平面垂直。 光轴与图像平面的交点 O1 为图像坐 标系的原点。 OcO1 为摄像机有效焦
8
9.2
机器视觉构成
1.机器视觉系统的一般构成
高速图像采集系统：专用视频解码器、图像缓冲器以及控制接 口电路。 功能：实时地将视觉传感器获取的模拟视频信号转换为数字图像信 号，并将图像直接传送给计算机进行显示和处理，或者将数 字图像传送给专用图像处理系统进行视觉信号的实时前端处 理。 计算机：是机器视觉系统的核心。 功 能：控制整个系统各个模块的正常运行，视觉系统的最后结果 运算和输出。
1 dX 0 u0 xw u f 0 0 0 R t y w 1 zc v 0 v0 0 f 0 0 T dY 0 1 zw 1 0 0 1 0 0 0 1 1 xw x 0 u0 0 R t yw 0 y v0 0 T M 1 M 2 X w Mx w z 0 1 w 0 0 1 0 1
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
xw yw
P(xc,yc,zc) zc
.
P (X,Y)
.
O1 X xc Y
Oc
yc
39
即
摄像机针孔成像模型：
Xf Y f
xc zc yc zc
对应矩阵表达式：
x 0 0 c yc 0 0 z c 1 0 1
X f 0 zc Y 1 0
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。
边缘特征的提取步骤
23
一阶边缘检测算子：
Sobel算子
Prewit算子
24
二阶边缘检测算子：laplace算子
2 2 f f 2 f 2 2 x y
边缘的二阶微分
25
原始图像
Sobel算子
6
9.2
机器视觉构成
1.机器视觉系统的一般构成
视觉传感器 视频输入
高速图像采集系统 图像数据
专用图像处理系统
PCI 标准总线
图像数据
视觉传感器、高速图像采集系统、专用图像处理硬件系统（计算机软件算 标准总线 计算机 控制总线 法）、计算机等。 二值视觉系统、灰度视觉系统
7
9.2 机器视觉构成
1.机器视觉系统的一般构成
10
11
12
13
14
15
16
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

灰度
像素
17