【正文】 ％的速度迅速增長。與人工視覺相比，它最大的優(yōu)點是精確、快速、可重復(fù)性和數(shù)字化。目前很多公司的視覺產(chǎn)品和視覺技術(shù)就是要挖掘?qū)崿F(xiàn)機器視覺技術(shù)的潛力，并通過圖像處理技術(shù)來實現(xiàn)其增值服務(wù)。圖 14為典型的視覺檢測處理系統(tǒng)實物圖：圖 14　典型的視覺檢測處理系統(tǒng)實物圖表面檢測系統(tǒng)的核心是缺陷檢測分類軟件，利用它，系統(tǒng)對攝像機捕捉到的材料表面圖像進(jìn)行分類整理，找到存在的缺陷，判斷并識別，進(jìn)而進(jìn)行處理。在工業(yè)生產(chǎn)中，由于工業(yè)產(chǎn)品繁多，外形各異，利用一種圖像處理方法來檢測所有產(chǎn)品的表面是不現(xiàn)實的。所以根據(jù)產(chǎn)品的特點來設(shè)計圖像處理的算法，使得檢測出來的產(chǎn)品質(zhì)量滿足工業(yè)要求，成為通用的手段。所以工業(yè)圖像的處理算法也千差萬別。 本文的工作及組織結(jié)構(gòu)數(shù)字圖象處理作為一門獨立學(xué)科，已經(jīng)深入的融入人們的生活中。本論文對圖像處理在物體表面缺陷檢測的應(yīng)用作了研究，并成功用 利用Xavis軟件綜合利于各種圖像處理算法，實現(xiàn)了各種產(chǎn)品的表面缺陷的檢測與標(biāo)識，其中涉及了以下幾項工作：（1） 較深入地研究了各種圖像處理的算法，了解了各種算法的優(yōu)缺點及適用范圍。（2） 分析了給定的各種圖片，分析了圖片中的缺陷的特點以及可能出現(xiàn)的位置，形狀等，并針對缺陷，設(shè)計了圖像處理算法，實現(xiàn)了對各類圖片中缺陷的自動檢測與標(biāo)識。（3） 設(shè)計開發(fā)了缺陷檢測軟件，使用VC++成功的實現(xiàn)了各種設(shè)計的算法，并且取得了比較好的效果。將算法集成在機器視覺組態(tài)軟件Xavis中，進(jìn)行了VC++ 、opencv、Xavis 的三者聯(lián)合調(diào)試。 論文共分五章，各章的主要內(nèi)容安排如下：第一章：論述了圖像處理的發(fā)展，表面缺陷檢測的意義和發(fā)展。第二章：研究實現(xiàn)了缺陷檢測圖像處理技術(shù)的常用算法，對待檢測圖像進(jìn)行了預(yù)處理，為后面的應(yīng)用奠定了基礎(chǔ)。第三章：學(xué)習(xí)并研究Xavis機器視覺平臺進(jìn)行圖像處理的方法，研究并實現(xiàn)Matlab/VC/OpenCV圖像處理編程方法，進(jìn)行缺陷檢測的Matlab仿真。第四章：在VC環(huán)境下，深入的探討了缺陷檢測的系統(tǒng)的特征提取及匹配的常用算法，研究并實現(xiàn)缺陷檢測（包括圖像預(yù)處理、圖像配準(zhǔn)、圖像比對）算法，并將自己的三種不同算法集成在機器視覺組態(tài)軟件Xavis中,進(jìn)行VC++ 、opencv、Xavis 的三者聯(lián)合調(diào)試。取得了預(yù)期的成果。檢測到的表面劃痕清晰可見。第五章：對本文中的缺陷檢測算法進(jìn)行了總結(jié)，分析了取得的結(jié)果和工作的不足，并對今后的工作提出了展望。2 缺陷檢測的數(shù)字圖像處理實現(xiàn)本章首先介紹可用于缺陷檢測的數(shù)字圖象處理的基本知識和一些常用的算法，而后續(xù)章節(jié)所采用的缺陷檢測圖像處理算法，基本上都是以各種圖像處理的基本算法組合為基礎(chǔ)。本章還介紹了數(shù)字圖像處理的基本結(jié)構(gòu)。為下面的檢測系統(tǒng)設(shè)計提供了大體的框架。 數(shù)字圖像處理的概念數(shù)字計算機最擅長的莫過于處理各種數(shù)據(jù)，數(shù)字化后的圖像可以看成是存儲在計算機中的有序數(shù)據(jù)，當(dāng)然可以通過計算機對數(shù)字圖像進(jìn)行處理。我們把利用計算機對圖像進(jìn)行去除噪聲、增強、復(fù)原、分割、提取特征等的理論、方法和技術(shù)稱為數(shù)字圖像處理(Digital Image Processing)。一般地，圖像處理是用計算機和實時硬件實現(xiàn)的，因此也稱之為計算機圖像處理(Computer Image Processing)。在日常生活中，圖像處理已經(jīng)得到廣泛應(yīng)用。例如，電腦人像藝術(shù)，電視中的特殊效果，自動售貨機鈔票的識別，郵政編碼的自動識別和利用指紋、虹膜、面部等特征的身份識別等。在醫(yī)學(xué)領(lǐng)域，很早以前就采用X射線透視、顯微鏡照片等來診斷疾病。現(xiàn)在，計算機圖像處理已成為疾病診斷的重要手段，用一般攝影方法不能獲取的身體內(nèi)部的狀況，也能由特殊的圖像處理裝置獲取，最具有代表性的就是X射線CT(Computed Tomograph，計算機斷層 攝像)。 數(shù)字圖像 一幅圖像可定義為一個二維函數(shù)f(x,y)，當(dāng)空間坐標(biāo)x、y和幅值f為有限的離散數(shù)值時，稱該圖像為數(shù)字圖像。簡言之，就是以數(shù)字格式表示的圖像。數(shù)字圖像分為以下三種格式：1） 黑白圖像 圖 21 黑白圖像2） 灰度圖像灰度圖像是指每個像素的信息由一個量化的灰度級來描述的圖像，沒有彩色信息。 圖 22 灰度圖像3） 彩色圖像　　 彩色圖像是指每個像素的信息由RGB三原色構(gòu)成的圖像，其中RBG是由不同的灰度級來描述的。圖 23 彩色圖像 數(shù)字圖象處理的三個層次運動檢測、目標(biāo)分類、人的跟蹤屬于視覺中的低級和中級處理部分(Lowlevel and Intermediatelevel Vision)，而行為理解和描述則屬于高級處理（Highlevel Vision）。運動檢測、運動目標(biāo)分類與跟蹤是視覺監(jiān)控中研究較多的三個問題，而行為理解與描述則是近年來被廣泛關(guān)注的研究熱點，它是指對目標(biāo)的運動模式進(jìn)行分析和識別，并用自然語言等加以描述1） 低級圖像處理低級圖像處理主要對圖象進(jìn)行各種加工以改善圖象的視覺效果、或突出有用信息，并為自動識別打基礎(chǔ)，或通過編碼以減少對其所需存儲空間、傳輸時間或傳輸帶寬的要求。它的特點是是輸入是圖像，輸出也是圖像，即圖象之間進(jìn)行的變換。2） 中級圖像處理中級圖像處理主要對圖象中感興趣的目標(biāo)進(jìn)行檢測（或分割）和測量，以獲得它們的客觀信息從而建立對圖象的描述。特點是輸入是圖象，輸出是數(shù)據(jù)。3） 高級圖像處理高級圖像處理是在中級圖像處理的基礎(chǔ)上，進(jìn)一步研究圖象中各目標(biāo)的性質(zhì)和它們之間相互的聯(lián)系，并得出對圖象內(nèi)容含義的理解（對象識別）及對原來客觀場景的解釋（計算機視覺），從而指導(dǎo)和規(guī)劃行動。特點是以客觀世界為中心，借助知識、經(jīng)驗等來把握整個客觀世界。特點是輸入是數(shù)據(jù)，輸出是理解。 數(shù)字圖象處理的特點數(shù)字圖像處理是利用計算機的計算， 實現(xiàn)與光學(xué)系統(tǒng)模擬處理相同效果的過程。數(shù)字圖像處理具有如下特點： 1） 處理精度高，再現(xiàn)性好。利用計算機進(jìn)行圖像處理， 其實質(zhì)是對圖像數(shù)據(jù)進(jìn)行各種運算。由于計算機技術(shù)的飛速發(fā)展，計算精度和計算的正確性勿庸置疑； 另外，對同一圖像用相同的方法處理多次，也可得到完全相同的效果，具有良好的再現(xiàn)性。2） 處理的多樣性。由于圖像處理是通過運行程序進(jìn)行的，因此，設(shè)計不同的圖像處理程序，可以實現(xiàn)各種不同的處理目的。 3） 圖像數(shù)據(jù)量龐大。圖像中包含有豐富的信息，可以通過圖像處理技術(shù)獲取圖像中包含的有用的信息，但是，數(shù)字圖像的數(shù)據(jù)量巨大。一幅數(shù)字圖像是由圖像矩陣中的像素（Pixel）組成的，通常每個像素用紅、綠、藍(lán)三種顏色表示， 每種顏色8bit表示灰度級。則一幅10241024不經(jīng)壓縮的真彩色圖像，數(shù)據(jù)量達(dá)3 MB（即102410248 bit3=24 Mb）。X射線照片一般用64～256 Kb的數(shù)據(jù)量，一幅遙感圖像為324023404＝30Mb。如此龐大的數(shù)據(jù)量給存儲、傳輸和處理都帶來巨大的困難。如果精度及分辨率再提高，所需處理時間將大幅度增加。4） 處理費時。由于圖像數(shù)據(jù)量大，因此處理比較費時。特別是處理結(jié)果與中心像素鄰域有關(guān)的處理過程（如第四章介紹的區(qū)處理方法）花費時間更多。5） 圖像處理技術(shù)綜合性強。數(shù)字圖像處理涉及的技術(shù)領(lǐng)域相當(dāng)廣泛，如通信技術(shù)、計算機技術(shù)、電子技術(shù)、電視技術(shù)等， 當(dāng)然，數(shù)學(xué)、物理學(xué)等領(lǐng)域更是數(shù)字圖像處理的基礎(chǔ)。 待檢測圖像的形態(tài)學(xué)處理數(shù)學(xué)形態(tài)學(xué)是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法[6]，建立在集合代數(shù)的基礎(chǔ)之上，用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。1985年之后，它逐漸成為分析圖像幾何特征的工具。主要包括膨脹、腐蝕、開以及閉運算。 圖 24 圖像的腐蝕 數(shù)學(xué)形態(tài)學(xué)由一組形態(tài)學(xué)運算算子組成。最基本的運算算子由膨脹，腐蝕，開運算，閉運算。使用這些算子對圖像的結(jié)構(gòu)和形狀進(jìn)行分析和處理，主要包括圖像分割、特征提取、邊緣檢測、圖像濾波、圖像增強以及圖像恢復(fù)等。 由于形態(tài)學(xué)具有完備的數(shù)學(xué)基礎(chǔ)，這使得形態(tài)學(xué)用于圖像分析和處理、形態(tài)濾波器的分析和系統(tǒng)設(shè)計等具有了堅實的基礎(chǔ)。近年來，形態(tài)學(xué)在圖像處理方面的應(yīng)用和研究得到了迅速發(fā)展。 形態(tài)學(xué)的理論基礎(chǔ)是集合論[7]。在圖像處理中形態(tài)學(xué)的集合代表著黑白和灰度圖像的形狀。比如二值圖像中所有黑色相素組成的了該圖像完全描述。 膨脹 膨脹是形態(tài)學(xué)運算中的最基本的運算子之一，它在圖像處理中的主要作用是擴充物體邊界點，連接兩個距離很近的物體。集合A用集合B膨脹，記作，定義為；上式表明，用集合B膨脹集合A,既當(dāng)集合B的原點在集合A中移動時，集合B中元素所對應(yīng)位移后的元素組成的集合。在圖像處理中，集合A一般是待膨脹的圖像，稱集合B為結(jié)構(gòu)元素。 腐蝕腐蝕也是形態(tài)學(xué)運算中最基本的運算子之一，它是與膨脹相對應(yīng)的運算。它在圖像處理中的主要作用是消除物體的邊界點，消除圖像中小于結(jié)構(gòu)元素的物體，分開具有細(xì)小連接的兩個物體。集合A被集合B腐蝕，記作定義為；上式表明，用集合B腐蝕集合A，既當(dāng)集合B完全包含于集合A時，集合B原點元素所在位置的集合。在圖像處理中，集合A一般是待膨脹的圖像，稱集合B為結(jié)構(gòu)元素。 開和閉 在腐蝕和膨脹的基礎(chǔ)上，對這兩個形態(tài)學(xué)運算子進(jìn)行集合（并、交、補等），可以構(gòu)造出形態(tài)學(xué)運算族。這些組合運算中，最為重要也最常用的兩個組合運算是開運算和閉運算。 集合A和集合B，集合A對集合B的開運算記作A〇B,定義為：。集合A對集合B的閉運算記作，定義為：。在圖像處理中，集合A一般是待處理的圖像，集合B一般是結(jié)構(gòu)元素，通過選擇適當(dāng)?shù)慕Y(jié)構(gòu)算子，開運算可以消除圖像的噪音，平滑圖像的邊界，閉運算可以連接兩個相鄰的物體。 圖 25為膨脹和腐蝕的示意圖 (ａ)結(jié)構(gòu)元素　　　　　 (ｂ)原圖　　　　 　　　　　　　　　　　　 (ｃ)膨脹　　　　　　　 (ｄ)腐蝕 圖 25　形態(tài)學(xué)操作示意圖 圖像分割提取缺陷檢測中的感興趣區(qū)域在對圖像的研究和應(yīng)用中，人們往往只對圖像的某些區(qū)域感興趣，這些區(qū)域通常稱為目標(biāo)或前景，它們一般對應(yīng)于圖像中特定的，具有獨特性質(zhì)的區(qū)域。圖像分割的目的是把圖像的這些有意義的區(qū)域提取出來。這些“有意義的”內(nèi)涵隨著解決問題的不同而不同，比如在這篇論文中：在劃痕檢測中間物體與背景區(qū)分開。 雖然國內(nèi)外學(xué)者已提出很多種圖像分割算法，但由于背景的多變性和復(fù)雜性，至今為止還沒有一種能適用于各種背景的圖像分割算法。當(dāng)前提出的小波分析、模糊集、分形等新的智能信息處理方法有可能找到新的圖像分割方法。 盡管人們在圖像分割方面作了許多研究，由于沒有通用的分割理論，現(xiàn)已提出的分割算法大都是針對灰度提問題，沒有一種適用于所有圖像的通用分割算法。另外，給定一副實際圖像選擇合用的分割算法也沒有標(biāo)準(zhǔn)。由于圖像分割的算法相當(dāng)?shù)亩?，本小結(jié)沒有必要一一介紹，本小結(jié)只介紹本論文要用的圖像分割算法，主要有灰度分割法、輪廓提取與跟蹤以及投影法。 灰度分割法灰度分割法，顧名思義，就是利用目標(biāo)區(qū)域和背景區(qū)域在灰度方面的差異，選取一個閾值，對圖像進(jìn)行分割，以區(qū)分出目標(biāo)和背景的一種方法。在灰度閾值分割法中，最常用的就是把圖像變?yōu)槎祱D像。設(shè)圖像 f(x,y)的灰度范圍屬于[z1,z2]，根據(jù)一定的經(jīng)驗及知識確定一個閾值T，則ft(x,y) 可有以下表達(dá)式給出： 由上面的表達(dá)式可知，閾值T的選擇的準(zhǔn)確性直接影響分割的精度以及圖像描述分析的正確性。閾值T太高，容易把大量的目標(biāo)判為背景；閾值T太低，又會把大量的背景判為目標(biāo)。因此正確的設(shè)定分割閾值對于圖像的分割是非常重要的。 效果圖如圖 26： (a) 原圖 (b)灰度分割圖圖 26 灰度分割效果圖當(dāng)然，利用灰度分割，可以檢測出一些表面劃痕，以往的同學(xué)都是從這個方面入手，檢測出的缺陷。 輪廓提取與跟蹤物體的輪廓在圖像處理中具有非常重要的意義。在工業(yè)產(chǎn)品表面質(zhì)量檢測中，通過輪廓提取或跟蹤，確定產(chǎn)品的輪廓，從而確定表面缺陷所在的范圍，去除背景干擾，提高檢測算法的實時性。在目標(biāo)跟蹤中，通過輪廓提取或輪廓跟蹤技術(shù)確定目標(biāo)的輪廓參數(shù)。在二值化圖像中，輪廓提取的方法比較簡單，即去除物體的內(nèi)部點：如果一個物體中有一黑點，且它的八個鄰點都為黑點，則認(rèn)為這一點是物體內(nèi)部點，將去除。輪廓提取也可用形態(tài)學(xué)方法來實現(xiàn)，即用一個3X3的方形的結(jié)構(gòu)元素對圖像進(jìn)行腐蝕，然后再用原圖減去腐蝕后的圖，即可得到物體的輪廓。輪廓跟蹤的最基本方法是：先根據(jù)某些嚴(yán)格的“探測準(zhǔn)則”找出物體輪廓上的象素，再根據(jù)這些像素的某些特征用一定的“跟蹤準(zhǔn)則”找出目標(biāo)物體上的其它像素。以下介紹本文中要用到的二值圖像的輪廓跟蹤。首先找第一個邊界點像素：按照從左到右，從下到上的順序搜索，找到的第一個黑點一定是最左下方的邊界點，記為A。點A的右、右上、上、左上四個鄰點中至少有一個邊界點，記為B。從邊界點B開始，定義初始的搜索方向為左上方；如果左上方的點為黑點，則為邊界點，否則搜索方向順時針旋轉(zhuǎn)45度。這樣一直找到第一個黑點為止。然后把這個點作為新的邊界點，在當(dāng)前的搜索方向上逆時針旋轉(zhuǎn)90度，繼續(xù)用同樣的方法搜索下一個黑點，直到返回初始的邊界點為止。圖 27為輪廓跟蹤算法的示意圖，箭頭代表搜索方向。圖 27輪廓跟蹤算法 投影投影主要有兩種投影：水平投影和垂直投影。它主要針對二值圖像的操作，也是圖像分割中的一種基本的操作，當(dāng)物體具有水平或垂直邊界時，通過投影，可以確定物體的大概位置。水平投影是對圖像的每一行進(jìn)行遍歷，計算每一行中目標(biāo)像素的個數(shù)。當(dāng)圖像的目標(biāo)具有水平邊界時，對圖像進(jìn)行水平投影，則目標(biāo)邊界行的目標(biāo)像素的個數(shù)明顯多于其他行，從而確定物體水平