机器视觉光电检测实验讲义重点.docx

机器视觉实验 实验一 图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法，但是这又增加了解决问题的复杂性。 1、基于阈值的分割方法 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。本实验分别采用人工设置阈值和大津自动阈值分割法。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。本实验以不同算子为例进行了图像边缘分割演示。 3、基于区域的分割方法 此类方法是将图像按照相似性准则分成不同的区域，主要包括种子区域生长法、区域分裂合并法和分水岭法等几种类型。 种子区域生长法是从一组代表不同生长区域的种子像素开始，接下来将种子像素邻域里符合条件的像素合并到种子像素所代表的生长区域中，并将新添加的像素作为新的种子像素继续合并过程，直到找不到符合条件的新像素为止。该方法的关键是选择合适的初始种子像素以及合理的生长准则。 区域分裂合并法（Gonzalez，2002）的基本思想是首先将图像任意分成若干互不相交的区域，然后再按照相关准则对这些区域进行分裂或者合并从而完成分割任务，该方法既适用于灰度图像分割也适用于纹理图像分割。 分水岭法（Meyer，1990）是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。该算法的实现可以模拟成洪水淹没的过程，图像的最低点首先被淹没，然后水逐渐淹没整个山谷。当水位到达一定高度的时候将会溢出，这时在水溢出的地方修建堤坝，重复这个过程直到整个图像上的点全部被淹没，这时所建立的一系列堤坝就成为分开各个盆地的分水岭。分水岭算法对微弱的边缘有着良好的响应，但图像中的噪声会使分水岭算法产生过分割的现象。 思考：图像边缘提取方法除了以上算子还有那些？ 如何提高图像对比度？ 拉伸图像的直方图能否更好的找到分割阈值？ 实验步骤： 一、 打开相机软件“ok demo”，点击采集，选择S实时缓存，显示摄像图图像，点击F文件，选择B存缓存图像文件存储图像并选择相应的储存位置。 二、 使用GUI界面，点击读取图像并选择所拍摄的图像 三、 点击读取图像并选择所拍摄的图像 四、 分别点击右侧三种不同的阈值分割方法，可分别对所读取的图像进行图像分割处理，（1）点击阈值分割，出现分割结果以及灰度直方图，然后根据灰度直方图选择阈值，根据输入阈值的不同，再次点击阈值分割，对比不同阈值的分割结果（2）点击自动分割，系统制动选择最优与之进行分割（3）点击边缘检测，显示不同边缘检测算子对图像边缘检测的结果。 实验二 图像去噪方法 图像信号在产生、传输和记录过程中，经常会受到各种噪声的干扰，由于其严重地影响了图像的视觉效果，因此，采用适当的方法减少噪声，是一项非常重要的预处理步骤。噪声是最常见的退化因素之一，也是图像恢复中重点研究的内容，图像中的噪声可定义为图像中不希望有的部分。噪声是一种随机过程，它的波形和瞬时振幅以及相位都随时间无规则变化常见的图像噪声有高斯噪声和加盐噪噪声。 所谓高斯白噪声中的高斯是指概率分布是正态函数，而白噪声是指它的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。 大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响较严重。噪声给图像处理带来很多困难，对图像分割、特征提取、图像识别等具有直接影响。因此，实时采集的图像需进行滤波处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个:一