机器视觉系统的图像算法分析及处理对策

机器视觉是研究计算机模拟生物宏观视觉功能的科学技术，即用摄像机和计算机等机器代替人眼对目标进行测量、跟踪和识别，并加以判断，主要应用于工业检测、工业探伤、精密控制、自动生产流水线、粮食优选、显微医学操作，以及各种危险场合工作的机器人等．
不管机器视觉系统应用于哪个领域，作为视觉系统，所采用的图像处理、图像理解与模式识别的基础理论和技术是相间的。近年来，随希计算机技术尤其是多媒体技术和数字图像处理与分析理论的成热，以及各种优化算法的迅速发展，机器视觉技术得到了广泛的应用研究，取得了巨人的经济与社会效益．但是山于机器视觉的应用领域不断扩大，对机器视觉技术，尤其是图象处理技术的要求也越来越高．要想使机器人能够迅速的对目标物体进行操作，就必须加快机器人视觉系统中图象处理的速度，而图象处理的速度很大一部分取决于优化算法性能的好坏，因此采用优化算法研究成为机器视觉研究领域的一个重要方面。
1、机器视觉的研究进展
机器视觉，又叫人工视觉，亦可称为工业视觉或计算机视觉，与人类视觉或动物视觉有着本质的不同，也有人认为机器视觉是计算机视觉工业应用的一个分支，但无论怎样理解，机器视觉系统主要有三个部分组成：图象获取、图象处理以及图象理解．
1.1、图象获取
图像的获取，实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据，它是任何机器视觉的基础。图像获取由三部分组成；照明系统、图像聚焦光学系统、图像敏感元件和视频调制．照明是影响机器视觉系统输入的重要因素，因为它直接影响愉人数据的质晕和至少30％的应用效果．通用的机器视觉照明设备难以形成，在工业应用中，针对每个特定的应用场策，选择相应的照明装置．常用的可见光源是日光灯、水银灯、白炽灯和钠光灯，对于某些要求高的工业检侧任务，常采用X射线、超声波等不可见光作为光源．图像聚焦光学系统，即被测物的图像通过一个光学系统―透镜聚焦在敏感元件上，机器视觉系统使用CCD、CMOS等图像传感器来捅捉图像，传感器将可视图像转化为电信号，便于计算机处理．图像敏感元件是一个光电转换装置，将传感器所接收到的物体成像，转化为计算机能处理的电信号，现代工业、民用主要使用CCD、CMOS等摄像机．在某些工业应用中，使用摄像机阵列，形成多摄像机或双摄像机的多目或双目视觉系统，从而得到绝对的深度信息．
1.2、图象分析和处理
机器视觉系统中，全要强调用计算机实现人的视觉功能，所以机器视觉需要运用图像分析、处理以及图像理解方法这三个层次的多种技术手段，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容．这些技术手段在不同的研究目标和应用中会采取不同的方法，也在不断出现新的研究成果．经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别．
数字图像处理、图像理解与模式识别是当今计算机视觉研究的热点，这既表明图像处理与模式识别在现代信息技术中的重要作用，同时也说明该研究领城仍然存在大量没有解决的研究难题．在图象处理中其关键的问题是图象分割、图象滤波以及图象的特征提取．
1.2.1、图象分割
图像分割育2种方法：一神是基于区域的方法；另一种是基于边缘检测的轮廓方法川．基于区域的方法两个最基本的原则是数值杯似性和空间接近性．常用的方法有灰度闭值分割法和区城生长法．灰度闽值分割法是一种最简单的基于区域的技术，这种方法是把每个像素的灰度值与一个闽值进行比较，根据它是否超过该闷值而将该像素归子两类中的一类川，该方法的关键和难点是阔值的恰当选取．区城生长技术计算复杂、费时，因而很少应用与对实时要求高的场合，只有当阀值分割或边缘检测技术无法产生满意的效果时，才考虑应用，这里不多做介绍。
边缘检测算法是一种基于点相关的分割技术．在一幅图像中，边缘有方向和幅度两个特性，垂直于边缘走向的灰度变化剧烈，边缘点的一阶微分幅度大，而且是二阶徽分的零交叉点，因此利用梯度最大值或二阶导数过零提取边界点．
1.2.1.1、阑值分割法中的算法研究
在闭值分割过程中闭值的选取是关键，如果阂值选取过高，则过多的目标点被误归为背景；闭值选取过低，则会出现相反的情况．闭值选取方法的基本原则：从视觉上看，所选闺值应产生最好的分割，减少误分割，并将目标与背景或目标与目标分开，使分刽后区域数目较少，边缘较平滑；从直方图上看，闽俏应选在谷位上，若具有较宽的谷值，应选在谷值的中间或靠近较大峰的边界点．
目前阔值选取有P一参数法、直方图法、最大类间方差法、最小误差和均匀误差法、简单统计法、概率松弛法和模糊集法等十大类。一司．此外大多都是以上述基本方法为基础，做出的改进方法或者对算法的优化．例如文献阂咭，将混沌遗传算法应用到最大类间方差法中，通过仿真实验，表明该算法有较快的收敛速度和很高的收敛率．并且，随着闹位数的增加，算法的高效性得到了充分体现．
1.2.1.2、图象边缘提取中的算法研究
对于图像的边缘检测来说，一般在识别过程中有如卜的要求：
首先能够正确的检测出有效的边缘。边缘定位的精度要高；检测的响应最好是单像素的．对于不同尺度的边缘都能有较好的响应并尽量减少漏检．对噪声应该不敏感；枪测的灵敏度受边缘方向影响应该小。机器视觉系统
这些要求往往都很矛后，很难在一个边缘检测器中得到完全的统一判断边缘检侧器性能的方法是先看边缘图像，再坪价其性能，边缘枪澎器的响应中主要有三种误差：丢失的有效边缘．边缘定位误差和将噪声误判断为边缘．
常用的边缘检测算法主要有：
1）、微分边缘算子：一般常用一阶和二阶微分来检测边缘一阶微分边缘算子即梯度算子，主要包括Robert算子、prewitt算子、Sobel算子、Kirsch算子、Canny算子等，二阶微分算子有拉普拉斯算子、log算子等；
2）、基于形态学的边缘检测，
3）、基于小波的边缘检测；
4）、基于神经网络的边缘检侧；
5）、基于模栩学的边缘检测．
6）、鉴干遗传算法的边缘检侧．
1.2.2、图象滤波
图象处理的时候必然是带有噪声的．图像的噪声表现为图像上面出现各种形式的干扰斑点、条纹等，这些随机噪声把像素的真值隐蔽起来，严重影响对图像的处理礼提取图像特征，所以系统必须对视觉处理后的信号进行数字滤波．噪声的浓度与其四周像素的浓度间，存在着很大的浓度差，平滑化就是利用噪声的这种性质除去噪声的方法．但因图像的边界部分也存在着急剧变化的浓度差，所以将这类边界部分与噪声的部分恰当地分离开，直至把噪声除去是研究的重点。

常用的有移动平均法、中值滤波、平滑化方法等．消除噪声没有完美无缺的方法，只有尽力选择与目的相吻合的方法．在确定采用何种方法前，应当实际试验几次观察效果如何，可能是捷径。