劃片機視覺識別系統設計原理分析
加入技術交流群
3.3 圖像分析算法選擇
經過濾波去除現場躁聲干擾之后，下一個環節是把圖像分離成互不重疊的有意義的區域，每一區域對應于某一物體的表面。分類的依據是像素的頻譜特性，空間特性，灰度值，顏色等。這實際上是由圖像處理過渡到圖像分析的重要一環，也是一種通用的計算機視覺技術。圖像分割的算法可分為兩大類：基于度量空間的灰度閾值分割法和基于空間區域增長分割法。對于全自動劃片機的自動對準系統而言，基于度量空間的灰度閾值分割法更為適用。相當于對圖像進行二值化處理。閾值一般由圖像的灰度直方圖計算得到。我們采用迭代算法針對雙峰直方圖進行了閾值計算。效果比較滿意。迭代算法是針對雙峰直方圖計算分割閾值的方法。既首先確定圖像中最大和最小灰度值Mmax和Mmin，令初始閾值為：
本文引用地址：http://www.104case.com/article/155782.htm
根據T將圖像分成目標和背景兩部分，分別求出兩部分的平均灰度值：
其中：i為灰度值，ni為灰度值等于i的像素個數，由此得到新的閾值：
如果：Tk+1=Tk，則迭代過程結束，否則繼續。
以上圖像預處理過程利用Open CV視覺函數庫中都能得到很好實現。
幾何特征點集是能正確反映定位標志位置點的集合，特征的選擇對最終的模板匹配有重要影響。幾何特征點數目越多匹配精度越高。但速度相對會慢。數目越少匹配精度會差。但速度相對會快。因此，我們經過多次實驗盡量選擇了最合適的幾何特征點，兼顧了匹配的速度和精度。在此系統的應用背景下，定位模板的幾何邊緣點是很好的選擇。為提取定位模板的幾何特征點集，首先利用迭代算法對圖像進行分割，然后利用SUASAN邊緣和角點提取算法得到定位模板的幾何邊緣點。
3.4 幾何邊緣角點提取原理
SUSAN幾何邊緣提取，是在給定大小的窗口中對像素進行運算，得到窗口中心點處的角點初始響應，再在所有初始響應中尋找局部極大值，得到最終的幾何邊緣點集，其算法如下：
(1)由以下兩公式計算窗口中灰度值與窗口中心像素相似的像素個數n(x0y0)：
(2)由下式得到角點的初始響應：
(3)重復(1)(2)得到圖像中所有像素處的角點初試響應，最后尋找局部極大值得到邊緣點集和角點的位置。幾何閾值對輸出的結果有一定影響，它不僅影響輸出角點的數量，更重要的是它還影響輸出角點的形狀，例如，當減小幾何閾值時，被檢測出的角點將會更尖銳?；叶炔铋撝礣對輸出的角點的幾何形狀的影響不大，但它會影響輸出角點的數量。因為灰度差閾值定義了窗口中容許的最大灰度變化，而在劃切工件中，圖形模板與其背景圖像融合處灰度變化是最大的，所以當減小灰度閾值時，算法可以檢測出圖像中更微小的邊緣幾何變化，輸出更多的角點。
顯而易見，在劃片機的自動對準系統中，如果以模板圖像的幾何特征點作為依據，那么特征點的數量將會顯著減小，運算時間也大大縮短，可以大幅度提高自動對準的速度。
4 結束語
以上算法均在基于Open CV視覺函數庫的基礎上得到很好的實現，整個圖像處理過程在PC機上完成，使用VC++6.0開發工具實現。經過不斷現場實驗，我們最終認為：以0pen CV視覺函數庫為基礎，經過SUSAN濾波，迭代分割和SUSAN幾何邊緣角點提取算法得到的定位模板圖像的特征點效果理想，它不僅全面保留了圖形的輪廓特征，還極大地減小了特征點的數量，并可有效地提高劃片機圖像匹配自動對準的精度和速度。
評論