数字图像处理技术及其应用资料下载.pdf

数字图像处理技术及其应用资料下载.pdf

《数字图像处理技术及其应用资料下载.pdf》由会员分享，可在线阅读，更多相关《数字图像处理技术及其应用资料下载.pdf（3页珍藏版）》请在冰豆网上搜索。

最后，将像素细分算法应用于实际生产中，获得了较好的效果。

关键词：

数字图像处理；

边缘检测；

滤波；

像素细分算法DigitallmageprocessingandltsApplicationLIong-jun，ANji-wan（TaiyuanUniversityofTechnology，Taiyuan324，China）Abstract：

Thebasicconceptsandbasicprincipalsofdigitalimageprocessingareintroduced.Somearithmeticsandcompari-sonbetweendifferentarithmeticsareexpounded.Newmethodsofsieveareadoptedwhenexistingimageprocessingmethodsisbeingapplied.Atlast，thearithmeticofsubpixelisappliedintopracticeandobtainseffectpreferably.Keywords：

digitalimageprocessing；

edgedetecting；

sieve；

arithmeticofsubpixel1序言图像处理技术基本可以分成两大类：

模拟图像处理（AnalogImageprocessing）和数字图像处理（Dig-italImageprocessing）。

数字图像处理，通俗地讲就是利用计算机对图像进行处理。

因此也称之为计算机图像处理（ComputerImageprocessing）。

其优点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力，一般来说只要改变软件就可以改变处理内容。

存在的问题主要在于处理速度，特别是进行复杂的处理更是如此。

数字图像处理概括地说主要包括如下几项内容：

几何处理（Geometricalpro-cessing）、算术处理（Arithmeticprocessing）、图像增强（Imageenhancement）、图像复原（Imagerestora-tion）、图像重建（Imagereconstruction）、图像编码（Imageencoding）、图像识别（Imagerecognition）、图像理解（ImageUnderstanding）。

图像处理技术的发展涉及越来越多的基础理论知识，雄厚的数理基础及相关的边缘学科知识对图像处理科学的发展有越来越大的影响。

总之，图像处理科学是一项涉及多学科的综合性科学。

2边缘检测所谓边缘应是物体的轮廓或物体不同表面之间的交界在图像中的反映。

它的形成是由于物体的材料不同或表面的朝向不同，引起在图像中的边缘处存在明暗、色彩、纹理的变化。

因此反过来在图像中检查不同灰度、色彩等特性区域的交界处就可得到边缘。

边缘轮廓是人类识别物体形状的重要因素，也是图像处理中重要的处理对象。

图1边缘和灰度值模型示意图如上所述，边缘常常发生在灰度突然变化的部位，如图1（a）所示，两边为不同的灰度级!

1、!

2，则处为边缘。

但实际上由于物体表面交界处灰度常常缓慢变化，在图像中表现为边缘是有一定宽度的，如图1（b）所示，而且由于物体表面的曲折变化加上噪声干扰，边缘时常显得模糊不清，这给边缘的检测带来一定的困难。

另外，有的物体本身为条状的区域，例如河流、道路或物体表面的裂缝，它们的边缘表现为狭长的平行线（1!

2个像元宽度），如图1（c）所示，而且两边灰度相同或相近，因此检查的方法也有所不同。

边缘检测主要采用各种算法来发现、强化图像中那些可能存在边缘的像素点。

边缘检测算子可分为微分（梯度）法、模板匹配法和区域拟合法3种基本方法。

对于边缘检测影响较大的是图像中的噪声、退化、模糊等因素，这些都需要特殊的算法来解决。

3滤波当图像输入到计算机的时候，由于输入转换器件（如光敏器件、AD转换器等性质的差别）及周围环第9期李红俊等：

数字图像处理技术及其应用621!

境的影响等，使图像上含有各种各样的噪声和失真。

为了稳定地进行特征抽出等处理，必须消除噪声，校正失真，把图像变成标准形状。

我们把这一过程叫做图像的前处理。

具体地说，图像的前处理包括输入图像位置的标准化及大小的正规化。

如使图像根据处理的要求旋转、放大、缩小等，即为图像的几何校正；

对图像的失真进行几何校正，去掉模糊的成分，恢复图像的原来面貌，即为图像的复原；

把图像变成人容易观察的、机器容易处理的图像，即为图像的增强。

这些内容都是图像处理技术的重要组成部分。

消除图像中的噪声成分叫做图像的平滑化（Smoothing）或滤波操作（Filtering）。

滤波的目的有两个：

一是抽出对象的特征作为图像识别的特征模式；

另一是为适应计算机处理的要求，消除图像数字化时所混入的噪声。

对滤波处理的要求有两条：

一是不能损坏图像的轮廓及边缘等重要信息；

而是使图像清晰，视觉效果好。

滤波的方法有实平面上的滤波（空间滤波器）和付平面上的滤波。

!

象素细分一般的二维图像测量系统主要由照明系统、被测物体、光学成像系统、信号处理电路和计算机组成。

因此，影响系统精度的因素主要有：

（1）照明系统；

（2）光学成像系统；

（3）CCD摄像器件；

（4）信号处理电路；

（5）软件算法。

要想提高系统的精度，通常可选用高分辨率的CCD摄像机、采样频率比较高的图像卡，或采用特殊的光源进行照明。

这些方法的使用有时会受到某种限制，如当光学系统放大倍数太大时，像的质量会下降，甚至会使有用的目标超出视场范围。

而利用软件算法来提高测量的精度具有方法简单、有效的优点。

因此图像测量的软件算法越来越受到人们的重视。

图像测量系统软件算法的一个重要的方面是边缘检测的算法。

由于与被测件有关的边缘点的定位精度往往直接影响到整个测量系统的精度，因此，研究边缘点的精确定位算法是很有实际意义的。

随着集成制造、摄影测量、工业检测等应用对精度要求的不断提高，亚像元边缘定位算法的提出，一方面可以突破物理分辨率的限制，另一方面也可降低达到要求精度所需的计算代价。

获得二值图像中边缘亚像元定位精度的方法一般有两种：

一种是通过抖动图像序列的迭加；

另一种是用连续边缘上的点联合定位边缘达到亚像元精度。

灰度图像中的亚像元度量方法可以在单帧图像的边缘点上达到亚像素定位精度。

灰度图像中的亚像素度量方法可以在单帧图像的边缘点上达到亚像素定位精度。

常用的亚像元边缘定位方法有：

在梯度升降升的区域内差值确定位置；

利用边缘点邻域灰度分布的矩估计拟合边缘；

将区域数据变换到9个参数的Hilbert空间以检验边缘的出现并定位；

LOG模板联合小面模型计算边缘。

下面将给出基于空间矩算子的边缘模型建立和亚像素参数推导，并对其精度分析问题进行描述。

图2二维理想边缘模型图空间矩亚像素细分算法是利用二维空间灰度矩来确定边缘的位置，其特点是方法简单、精度高，可适用于任意尺寸的窗口。

同时该方法的精度不受图像灰度数据的加性、乘性变化的影响。

二维理想边缘模型如图2所示，理想采样区域为单位圆，边缘将整个圆区域分为两部分，其中一个区域的灰度值为，另一个区域的灰度值为+，连续函数（，）的矩为（，）dd

（1）公式

（1）中的，为大于等于零的整数。

设矩旋转!

角之后的复合矩为，则#r0#s0rs（-1）-s（cos!

）-r+s（sin!

）+r-s+-r-s

（2）我们把边缘绕o点旋转-!

角，使边缘垂直于水平方向，此时01=0，利用公式

（2），可以得出000010cos!

10+sin!

0101-sin!

10+cos!

0120cos2!

20+2cos!

sin11+sin2!

02（3）利用01=0可得!

的计算公式为!

tan-10110（4）图3计算55窗口矩的圆形区域在离散的情况下，矩的计算式

（1）可改为相关运算，即模板与图像灰度相乘，若用55的图像窗采样单位圆，在图3所示中的圆形区域内，利用公式

（1）计算归一化的灰度矩，有关00，11，10，01，20，02的计算模型可参见有关文献。

利用图2的二维边缘理想模型，可得边缘的亚像素位置的计算公式为420-00310（5）实际应用数字图像处理技术是一门新兴的技术，但它已经在各行各业显示出了特有的优点，它已经极大地提高了生产效率，引起了越来越多的人们的关注。

太原理工大学机器人实验室从1998年底开始数字图像处理方面的622计算机测量与控制第10!

卷研究，主要研究方向是数字图像的边缘处理、滤波、亚像素细分原理及应用，以及如何将各方面的知识进行综合从而用于实际生产。

虽然进入这一领域比较晚，但由于有效地利用了现有的知识，进行了大量的实验，至今已经成功地开发出了电阻陶瓷基片分类机等产品，成功地利用了现有技术并将其应用于生产实际中。

面阵CCD自动检测系统是一种采用高分辨率面阵CCD对被测物体进行几何尺寸和位置尺寸检测的新型检测系统。

它主要是为动态实时检测工件而开发设计的。

该系统以已知尺寸的基准板的图像为模板，然后捕捉待测工件的图像，用捕捉到的图像与基准图像进行比较，从而得到工件尺寸并计算出相关角度以及形位误差，对其进行实时分类。

它具有检测精度高、速度快、运行稳定等优点。

它的问世，可以大大提高检测的精度与效率，降低劳动强度，对于工业等方面产品的在线实时检测是一个巨大的提高。

该课题的提出，主要是为了解决广东某企业在生产中遇到的技术难题。

这是一家生产电阻陶瓷基片的大型企业，其产品覆盖面广，生产量大，许多是要求进行实时检测和分类的电阻陶瓷基片。

由于电阻陶瓷基片生产量大，用人工来分类是不可能的，必须采用分类机进行自动分类。

该企业原来采用的是日本奥马公司生产的基片分类机。

这种分类机采用2048或5000点线阵CCD作为取像设备，依靠基片的运动和CCD不断地取像来获得待检测点的信息，从而获得基片的有关信息，对其进行分类。

线阵CCD的主要优势在于其本身成本较低，但将其用于分类机，就会要求机片运动平稳，速度均匀，否则将会带来巨大的测量误差，这样，就带来了机械结构变得复杂，难以加工生产，对基片摆放精度要求高的问题，反而大大增加了生产的成本。

为了解决这些问题，我们选择了高精度面阵CCD作为取像设备，虽然单个CCD的价格较高，但它却大大减少了外围的机械结构，基片的摆放位置也要求的不是很严格。

厂家要求对5060以及8080的电阻陶瓷基片的测量精度达到0.01mm，假定CCD的视野范围为100100，要使用单个CCD达到这样的精度需采用1000010000像素的面阵CCD，其价格是非常昂贵的。

为此，采用了像素细分算法，使用13001030像素的大点阵面阵CCD。

像素细分算法从理论上可以细分到单个像素的120，由于实际情况与理论情况有所不同，分辨率有所降低，但完全可以达到110的水平，满足测量精度的要求。

CCD自动检测系统由摄像系统、计算机、软件系统以及照明系统组成。

（1）摄像系统：

该部分由高分辨率面阵CCD摄像机（13001030）、成像系统、高速图像采集卡、数据线、CCD电源组成。

其中面阵CCD摄像机为德国BASLER公司生产的高分辨率A113p型，是该部分的核心。

高速图像采集卡为加