微课10-2 智能图像处理.pptx

;;智能图像处理是指一类基于计算机的自适应于各种应用场合的图像处理和分析技术，本身是一个独立的理论和技术领域，但同时又是机器视觉中的一项十分重要的技术支撑。

图像处理一般指数字图像处理，主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。

机器视觉的图像处理系统对现场的数字图像信号按照具体的应用要求进行运算和分析，根据获得的处理结果来控制现场设备的动作。;图像采集是机器视觉的第一步，是从工作现场获取场景图像的过程，采集工具大多为CCD或CMOS照相机或摄像机。照相机采集的是单幅图像，摄像机可以采集连续的现场图像。就一幅图像而言，它实际上是三维场景在二维图像平面上的投影，图像中某一点的彩色（亮度和色度）是场景中对应点彩色的反映。这就是可以用采集图像来替代真实场景的依据所在。;对于采集到的数字化现场图像，由于受到设备和环境因素的影响，往往会受到不同程度的干扰，如噪声、几何形变、彩色失调等，为此必须对采集图像进行预处理。常见的预处理包括噪声消除、几何校正、直方图均衡等处理。使用时域或频域滤波的方法来消除图像中的噪声；采用几何变换的办法来校正图像的几何失真；采用直方图均衡、同态滤波等方法来减轻图像的彩色偏离。总之，通过这一系列的图像预处理技术，对采集图像进行“加工”，为机器视觉应用提供“更好”“更有用”的图像。;所谓图像分割就是按照应用要求，把图像分成各具特征的区域，从中提取出感兴趣目标。在图像中常见的特征有灰度、彩色、纹理、边缘、角点等。例如将汽车装配流水线图像分割成背景区域和工件区域，提供给后续单元处理。

图像分割是图像处理中的一项关键技术，提出有数以千计的图像分割算法，如阈值、边缘检测、区域提取、结合特定理论工具等。从图像的类型来分，有灰度图像、彩色图像和纹理图像等分割。

近年来，人们利用基于神经网络的深度学习方法进行图像分割，其性能胜过传统算法。;在制造或安防等行业，机器视觉都离不开对输??图像的目标（又称特征）进行识别和分类处理，以便在此基础上完成后续的判断和操作。识别和分类技术有很多相同的地方，常常在目标识别完成后，目标的类别也就明确了。图像识别技术正在跨越传统方法，形成以神经网络为主流的智能化图像识别方法，如卷积神经网络（CNN）、回归

神经网络（RNN）等一类性能优越的

方法。

图10-10目标（特征）识别;在智能制造中，最常见的工作就是对目标工件进行安装，但是在安装前往往需要先对目标进行定位，安装后还需对目标进行测量。安装和测量都需要保持较高的精度和速度，如毫米级精度（甚至更小），毫秒级速度。这种高精度、高速度的定位和测量，倚靠通常的机械或人工的方法是难以办到的。在机器视觉中，采用图像处理的办法，对安装现场图像进行处理，按照目标和图像之间的复杂映射关系进行处理，从而快速精准地完成定位和测量任务。;图像处理中的运动目标检测和跟踪，就是实时检测摄像机捕获的场景图像中是否有运动目标，并预测它下一步的运动方向和趋势，即跟踪。并及时将这些运动数据提交给后续的分析和控制处理，形成相应的控制动作。图像采集一般使用单个摄像机，如果需要也可以使用两个摄像机，模仿人的双目视觉而获得场景的立体信息，这样更加有利于目标检测和跟踪处理。;计算机视觉系统的结构形式在很大程度上依赖其应用方向。有些是独立工作的，解决具体的测量或检测问题，有些作为某个大型复杂系统的一部分，比如和机械控制系统、数据库系统、人机接口设备协同工作。计算机视觉系统中的有些功能几乎是每个系统都需要具备

的。

图10-11计算机视觉（检测）系统组成;计算机视觉系统的一些关键要素包括：

·光源布局影响大，需审慎考量。

·正确选择镜组，考量倍率、空间、尺寸、失真等。

·选择合适的摄影机（CCD），考量其功能、规格、稳定性、耐用型等。

·视觉软件的开发依赖经验累积，要多尝试、思考问题的解决途径。

·以创造精度的不断提升，缩短处理时间为最终目标。;（1）图像获取。一幅数字图像由一个或多个图像感知设备产生。

（2）预处理。在对图像实施具体方法提取某种特定的信息之前，往往采用一种或一些预处理来使图像满足后继方法的要求。

（3）特征提取。从图像中提取各种复杂度的特征。

（4）检测分割。对图像进行分割以提取有价值部分用于后继处理。

（5）高级处理。有理解图像内容的含义，属于高阶处理，主要是在图像分割的基础上再经行对分割出的图像块进行理解，例如进行识别等操作。;图像是人类获取和交换信息的主要来源，因此与图像相关的图像识别技术必定也是未来的研究重点。计算机的图像识别技术在公共安全、生物、工业、农业、交通、医疗等很多领域都有应用。例如交通方面的车牌识别系统，安