Machine_Vision_Algorithm_v1.0z张裕算法讲义.ppt

机器视觉算法讲义 张裕 Euresys高级工程师 为什么需要学习算法？ 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 机器视觉算法的特点 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 什么是图像？ 图像是由像素组成的二维数组，其中每个像素代表该位置的图像亮度和颜色 数学表达为： 在程序中：通常是一指向n bit类型的一维指针， 例如 n=8(黑白),24(RGB彩色)… 通常图像处理步骤 预处理 图像增强及噪音去除… 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 … 滤波处理 滤波处理 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 … 形态处理 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 形态处理 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 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… 图像算数 操作符包括： 加、减、乘、除… 逻辑算子AND、OR、INVERT、XOR… 例： 斑点分析 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 斑点分析 1. 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 斑点分析 2.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 斑点分析 3. 特征提取 计算联通区域的几何特征 斑点分析 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… 模板匹配 通过学习寻找物体 典型应用：图像对位、寻找物体等 模板匹配 基本原理 – 两个步骤： 模板匹配 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 模板匹配 模板匹配 速度优化－多极匹配 模板匹配 旋转变化 比例尺变化 无关像素设置 几何特征匹配 通常基于明显的边缘点 可靠性高、快速 边缘点提取 图像测量的基础 基于边缘的灰度变化分析 需要亚像元提取精度 边缘检测 基于边缘灰度变化曲线分析 边缘检测 亚像元检测精度 拟合测量工具 对已知形状的物体进行尺寸和位置测量或质量效验 拟合测量工具 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… 拟合测量工具 例子 拟合测量工具 使用方法例 模板匹配 ＋ 拟合工具 图像标定 图像标定的意义： 将图像像素坐标变换为实际坐标 补偿图像畸变… 图像标定 方法1(不考虑畸变)： 采用已知尺寸的样本(Golden sample) 对角线长度(P1 ~ P3或P2 ~ P4)为已知：D X和Y方向的比例为所求的参数： 图像标定 计算P1~P3以及P4~P2的距离得到： 解方程可得到： 图像标定 方法2：基于3D摄像机投影几何学： 图像标定 基于摄像机投影模型：2D半投影几何学 图像标定 采用点阵集标定 通过已知尺寸的点阵图校准图像 图像标定 补偿镜头失真 中心偏心、鼓形失真等 常用畸变校正公式：通常 可校正90%的畸变 图像标定 补偿镜头失真 QA 张裕 zhang.yu@ Tel: +65+65 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 30个像素＝10毫米 30个像素＝14毫米 考虑到平移和旋转后的通用形式 其中 为图像坐标， 为实际坐标 到 为需求的8个未知参数 每个已知点对可以形成两个方程式，故至少需要4个点对才能求解全部未知数 * x y (0,0) 8