机器视觉培训教程第四讲

,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,*,机器视觉培训系列教程,基础入门培训,机器视觉,算法,概述,机器视觉培训系列教程（基础入门培训）,第四讲,为什么需要学习算法,视觉算法的特点,图像处理基本步骤,图像预处理,第一节 图像预处理,机器视觉培训系列教程（基础入门培训）,内容提要,一、,为什么需要学习算法,机器视觉培训系列教程（基础入门培训）,对机器视觉有更深入的理解,便于理解和分析处理结果,更加灵活的选用或设计新算法,二、,视觉算法的特点,机器视觉培训系列教程（基础入门培训）,机器视觉算法是图像处理算法的子集,机器视觉算法针对工业应用的特点：,可控的照明条件,对被检工件有先验知识,需要高效率、高可靠性和高重复性,对智能要求不高,视觉算法中所称的图像，是由像素表达出来的明暗信息组成的二维数组，其中每个像素代表该位置的图像,0 255,的灰度值。其数字表达式为：,机器视觉培训系列教程（基础入门培训）,三、图像处理的基本步骤,预处理,原始图像,/,像素,增强的图像,/,像素,图像分割,特征提取,点、线、区域,特征值,低,高,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,1,）,图像预处理目的,图像增强,噪音去除,图像单纯化,图像预处理算法通常包括：,滤波：高通、低通,形态处理：,erosion/dilation/open/close,图像算数：、,X,、,二值处理,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,2,），滤波（,1,）,需要下列要素：,原始图像：,处理后的图像：,一,2D,模板：,滤波算法如下：,M,，,N,为,K,的尺寸,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,2,），滤波（,2,）,从图像上来理解滤波,模板,原图,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,2,），滤波（,3,）,模板决定滤波的种类,高通滤波：,增强对比度,低通滤波,降低噪音,Sobel,提取边缘,X,方向,Y,方向,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,3,），形态处理（,1,）,处理过程同滤波相似,模板沿着图像移动计算,中心点像素由模板所覆盖的邻域像素替换,替换算法,基于邻域像素排序,可设置无关像素,1,有效,0,无关,模板下有效像素的灰度值按大小排序,模板,原图像,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,3,），形态处理（,1,）,基本形态算子,腐蚀,(erosion),：取最小值,膨胀,(dilation),：取最大值,中值滤波,(Median filter),：取中间值,复合形态算子,Open,：,Erosion + Dilation,去除毛刺,Close,：,Dilation + Erosion,聚类,Top Hat,：,Source - opened (closed),机器视觉培训系列教程（基础入门培训）,四、图像预处理（,4,），二值处理,门限种类,单门限：将图像像素分,2,类,双门限：将图像像素分,3,类,门限选取方式,手动选取： 如 绝对值、相对值等,自动选取： 如,最佳门限,原图像,单门限,双门限,机器视觉培训系列教程（基础入门培训）,四、图像预处理（,4,），图像算数,操作符包括：,加、减、乘、除,逻辑算子,AND,、,OR,、,INVERT,、,XOR,例子：,图像处理算法,视觉系统标定,第二节 图像处理与标定,机器视觉培训系列教程（基础入门培训）,内容提要,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,1,）,斑点分析,模板匹配,几何特征匹配,边缘检测,拟合测量工具,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,1,）：斑点分析（,1,）,联通区域的几何特征分析,广泛应用于缺陷检验，物体定位、辨识等,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,1,）：斑点分析（,2,）,图像分割,将感兴趣区域从背景中分割出来,单门限,/,双门限分割,固定门限选取,/,自动门限选取,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,1,）：斑点分析（,3,）,标记联通区域,将相连的像素组成相连区域，并给每一块相连区域分配唯一的标记,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,1,）：斑点分析（,4,）,特征提取,计算联通区域的几何特征,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,1,）：斑点分析（,5,）,常用的几何特征包括,面积、重心、中心、最小包围矩形,(minimum bounding box),、最窄包围矩形,(feret bounding box),、,Convex Hull,、矩,(moment of inertia);,最亮点、最暗点、平均灰度、灰度方差,最小包围矩形,最窄包围矩形,原图像,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,2,）：模版匹配（,1,）,通过学习寻找物体,典型应用：图像对位、寻找物体等,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,2,）：模版匹配（,2,）,基本原理,两个步骤,学习,寻找,学习,寻找,模板图,图像,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,2,）：模版匹配（,3,）,常用的方法：归一化相关,normalized correlation,同滤波运算相似：需要原图和模板,模板学习的有唯一特征的物体图像,匹配参数,score(x,，,y),表达相似程度,score(x,，,y),取值范围：,-1,1,1,：,完全一样,0,：,图像无特征,(,均匀背景,),-1,：,完全相反,机器视觉培训系列教程（基础入门培训）,一、图像处理算法（,2,）：模版匹配（,4,）,匹配系数为,0,匹配系数为,0,匹配系数为,0,。,98,匹配系数为,0,。,2,机器视觉培训系列教程（基础入门培训）,速度优化多极匹配,一、图像处理算法（,2,）：模版匹配（,5,）,匹配,匹配,匹配,匹配,机器视觉培训系列教程（基础入门培训）,旋转变化,比例尺变化,无关像素设置,一、图像处理算法（,2,）：模版匹配（,6,）,红圈里的像素不匹配,机器视觉培训系列教程（基础入门培训）,通常基于明显的边缘点,在学习及运行的过程中，提取边缘点的几何特征。并对这些几何待征进行比较,可靠性高、快速,一、图像处理算法（,3,）：几何特征匹配（,1,）,匹配中只采用了有特征的红色点集,部分遮挡,特征不完整,非均匀亮度分布,机器视觉培训系列教程（基础入门培训）,什么是几何特征：,几何特征是在图像中，明暗交界处的边缘线或轮廓,几何特征分封闭式及开放式两种,一、图像处理算法（,3,）：几何特征匹配（,2,）,封闭式几何特征,开放式几何特征,图像,一、图像处理算法（,3,）：几何特征匹配（,3,）,机器视觉培训系列教程（基础入门培训）,撮几何特征的基本步骤,图像,全部特征,特征模版,特征提取,模版生成,一、图像处理算法（,3,）：几何特征匹配（,4,）,机器视觉培训系列教程（基础入门培训）,几何特征点的描述,几何特征点通常是以“特征清单”形式的数据结构进行描述,特征点为图像中明暗边界轮廓上的点，其信息包括,点坐标位置,点与邻近点的几何关系,点的极性（由黑到白或由白到黑）,从图像到点,一、图像处理算法（,4,）：边缘检测（,1,）,机器视觉培训系列教程（基础入门培训）,图像测量的基础,视觉系统边缘检测的灵敏度，远远高于人类,基于边缘的灰度变化分析,需要亚像元提取精度,一、图像处理算法（,4,）：边缘检测（,2,）,机器视觉培训系列教程（基础入门培训）,基于边缘灰度变化曲线分析,灰度曲线,灰度差分,曲线,原图像,差分峰值为边缘点,一、图像处理算法（,4,）：边缘检测（,3,）,机器视觉培训系列教程（基础入门培训）,亚像元检测精度,78 microns,一、图像处理算法（,4,）：,拟合测量工具,（,1,）,机器视觉培训系列教程（基础入门培训）,对已知形状的物体进行尺寸和位置测量或质量效验,一、图像处理算法（,4,）：,拟合测量工具（,2,）,机器视觉培训系列教程（基础入门培训）,基于边缘点检测结果,采用最小二乘法拟合测量结果,常用的工具包括：,线段、矩形、圆、扇形等,一、图像处理算法（,4,）：,拟合测量工具（,3,）,机器视觉培训系列教程（基础入门培训）,样例,#1,：,最大搜索边界圆,最小搜索边界圆,标称圆,采用样本,输出结果：中心点坐标，直径，拟合参数,一、图像处理算法（,4,）：,拟合测量工具（,4,）,机器视觉培训系列教程（基础入门培训）,样例,#2,：,模板匹配 拟合工具,根据模板匹配的结果重新定位工具,模板图像选取,模板匹配输出,原来工具位置,二、视觉系统标定（,1,）,机器视觉培训系列教程（基础入门培训）,系统标定的意义（,1,）：,将图像像素坐标变换为实际坐标,获得象素所代表的真实世界的长度单位。如，,1,象素,= 0,。,02MM,X,Y,P(x/y),/,P(x/y),X,Y,转换向量,二、视觉系统标定（,2,）,机器视觉培训系列教程（基础入门培训）,系统标定的意义（,2,）：,补偿图像畸变,30,个像素,10,毫米,30,个像素,14,毫米,二、视觉系统标定（,3,）,机器视觉培训系列教程（基础入门培训）,系统标定的意义（,3,）：,校验相机与实物面的几何关系,相机位置正确,相机向,Y,方向（或,X,方向）一方偏斜,相机向,X,及,Y,方向偏斜,二、视觉系统标定（,4,）,机器视觉培训系列教程（基础入门培训）,系统标定的方法（,1,）,使用已知尺寸的样本,已知样品为,50*50MM,样品在系统中测量得知为,100*100,象素,X,方向,= 50/100 = 0,。,5mm,Y,方向,= 50/100 = 0,。,5mm,通过计算得出系统标定结果,二、视觉系统标定（,5,）,机器视觉培训系列教程（基础入门培训）,系统标定的方法（,2,）,使用标定块,由于镜头的畸变或相机位置不当，会造成成象上变形。已知每个格子大小相等，系统根据计算得出整个图像的所有标定参数,系统进行标定,标定块为制作精度极高的标准模块。通常为分点阵式或是棋盘式（如上图）。上图中的标定块，每一个格子都是同样大小。,标定板放入视野,运行时，系统将根据标定过程中得到的标定参数，对图像进行校正，生成一个新的无变形的图像。之后，再对新的图像进行检测,校正后生成的无变形新图像,机器视觉培训系列教程（基础入门培训）,END,