【正文】 方法是這樣的：按主攝像機標定工具上的 按鈕，再次選擇一個大小為 wintx = winty = 5（缺省值）的角點 Finder 窗口 39 圖 Focal Length: fc = [ ] ?[ ] Principal point: cc = [ ] ?[ ] Skew: alpha_c = [ ] ?[ ] = angle of pixel axes = ? degrees Distortion: kc = [ ] ?[ ] Pixel error: err = [ ] 將由于畸變未能準確找出的角點 ， 增大窗口 再搜索 ： wintx ([] = 5) = 9 winty ([] = 5) = 9 Window size = 19x19 Number(s) of image(s) to process ([] = all images) = [7 8 14] wintx ([] = 5) = 8 40 winty ([] = 5) = 8 Window size = 17x17 Number(s) of image(s) to process ([] = all images) = [1 3 5 10 12 9] 得到的參數(shù) （ 像素誤差變小 ） Focal Length: fc = [ ] ?[ ] Principal point: cc = [ ] ?[ ] Skew: alpha_c = [ ] ?[ ] = angle of pixel axes = ? degrees Distortion: kc = [ ] ?[ ] Pixel error: err = [ ] 格式轉(zhuǎn)換 將 MATLAB 檢測出的角點坐標格式都轉(zhuǎn)換成 OpenCV 的 CvMat 格式。 假設有 N 個角點和 K 個 不同位置的 棋盤圖像， K 個棋盤圖像提供 2N?K個約束（每個點有 x， y 兩個坐標值組成），有 解 的前提是 2N? K ≥ 6K+ 4成立，實際應用中，為了得到高質(zhì)量結(jié)果，至少需要 10 幅 7 8或者更大棋盤的圖像。 cvCopyImage(frame2, image2)。所以一般我們要另外定義一個 IplImage 來復制所抓取的幀數(shù)據(jù)，然后對這個新 IplImage 進行操作。 d) 圖像平面坐標系中物理坐標 P(????,????)轉(zhuǎn)換為像素坐標 P(u,v) [????] = [???????? + ??0???????? + ??0] () 注： {???? = ?? ? ????????? = ????? 式 () 中 (??0,??0)是基準點 (通常在圖像的中心 )； ??為攝像機的有效焦距 ；s 為比例因子 ， 用來適應在計算機圖像水平方向上取樣帶來的種種不確定因素 ； ???為計算機圖像在水平方向 (??方向 ) 上相鄰兩像素之間的有效距離 (mm/ pixel) ， ???為計算機圖像在垂直方向 (??方向 ) 上相鄰兩像素之間的有效距離(mm/ pixel) 。 OpenCV 中的攝像機標定模塊為用戶提供了良好的接口 ， 同時支持Windows、 Linux 平臺 ， 有效地提高了開發(fā)效率 ， 并且執(zhí)行速度快 ， 具有良好的跨平臺移植性 ， 因此可以很好地應用于工程實際當中。 本章小結(jié) 本章詳細地介紹了數(shù)字圖像處理技術(shù)的基本概念、基本特點和基本格式，研究了邊緣檢測的基本步驟，并且在針對本課題研究焊道圖片基礎上分析對比了各種處理方法的好壞。 單位標定 對于任何一個測量工具，都必須有一個相對的度量單位對所測量的對象進行標定 [23]。 圖 手動對二值化進行標定 圖 再用 Canny 算子提取邊緣 （ 2） 焊道邊緣像素寬度的計算： 對于焊道寬度的計算，由于二值化后的邊緣 線并非連續(xù)的，其間還有很多焊道缺陷邊緣線，影響焊道寬度的計算。 22 圖 Canny 算子處理效果 定位測量 要實現(xiàn)焊道寬度的測量，在已處理得到的圖像上還要進行兩個步驟： （ 1） 兩邊輪廓的的確定 ： 由于受諸多條件的影響， 由上一節(jié)的各種算子的效果圖看出 邊緣檢測到的邊緣點并不一定完全符合原物體圖像的邊緣，并且檢測到的邊緣不完整，為了便于對圖像進行測量，我們需要對這些 邊緣點進行提取得到清晰的邊緣 。 圖 Roberts 算子處理 （ b） Sobel算子 Sobel算子是一組方向算子，從不同的方向檢測邊緣。 對圖像圖形邊緣進行識別檢測，一般利用邊緣鄰域一階或二階方向?qū)?shù)的變化規(guī)律 （對于階梯型邊緣，圖像灰度在兩邊的變化規(guī)律 是灰度變化曲線的一階導數(shù)在該點達到最大值，二階導數(shù)在該處零交叉 ） 。它的傳遞函數(shù)為 式 ： H(u,v) = {1 ??(??,v) ??0 ??(??,v)???1??0???1 ??0 ≤ ??(??,v) ≤ ??10 ??(??,v) ??1 () （ b） 高通濾波 圖像的邊緣 /細節(jié)主要位于高頻部分，而圖像的模糊是由于高頻部分比較弱產(chǎn)生的。 頻域增強技術(shù)是在數(shù)字圖像的頻域空間對圖像進行濾波，因此需要將圖像從空間域變換到頻率域，一般通過傅立葉變換即可實現(xiàn)。 （ b)中值濾波法 從前面的可以看出，鄰域 平均法可以抑制圖像的噪音，但不可避免的引起了圖像的邊緣模糊。 （ b)可能減少原有圖像灰度級別的個數(shù)，即對出現(xiàn)頻率過小的灰度級別可能出現(xiàn)簡并現(xiàn)象。其中，函數(shù) f(D)稱為灰度變換函數(shù)，它描述了輸入灰度值與輸出灰度值之間的轉(zhuǎn)換關(guān)系。圖像增強的目的 就 是通過對圖像中的信息進行處理，使得有利于檢測的信息得到增強，不利于檢測的信息得到抑制，擴大圖像中不同物體特征之間的差別， 提高圖像的清晰度， 為圖像的信息提取及檢測奠定良好的基礎。近年來，出現(xiàn)了許多模糊分割技術(shù)，在圖像分割中的應用日益廣泛。這種不連續(xù) 的地方 稱為邊緣。將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來， 這樣一個區(qū)域就長成了。這時可以根據(jù)圖像的局部特征分別采用不同的閾值進行分割。 9 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。 本課題邊緣檢測基本步驟 分割 〉濾波 〉增強 〉檢測 〉定位 感興趣區(qū)域的分割 在對圖像的研究和應用中，人們往往只對圖像的某些區(qū)域感興趣，也就是在圖像中最能引起用戶興趣 , 最能表現(xiàn)圖像內(nèi)容的區(qū)域即 感興趣區(qū)域，它們一般對應于圖像中特定的，具有獨特性質(zhì)的區(qū)域。一幅數(shù)字圖像是由圖像矩陣中的像素組成的，通常每個像素用紅、綠、藍三種顏色表示， 每種顏色 8bit 表示灰度級。 （ 3）高級圖像處理 高級圖像處理是在中級圖像處理的基礎上，進一步研究 圖像 中各目標的性質(zhì)和它們之間相互的聯(lián)系，并得出對 圖像 內(nèi)容含義的理解及對原來客觀場2 5 5 2 4 0 2 4 0R 2 5 5 0 8 02 5 5 0 0???????0 1 6 0 8 0G 2 5 5 2 5 5 1 6 00 2 5 5 0???????0 8 0 1 6 0B 0 0 2 4 02 5 5 2 5 5 2 5 5??????? 7 景的解釋，從而指導和規(guī)劃行動。 數(shù)字圖像 一幅圖像可定義為一個二維函數(shù) F(x,y)，這里 x和 y是空間坐標，而在任何一對空間坐標 (x,y)上的幅值 F 稱為圖像的強度或 灰度。中國正在成為世界機器視覺發(fā)展最活躍的地區(qū)之一 ，其中最主要的原因是中國已經(jīng)成為全球的加工中心，伴隨著許多先進的生產(chǎn)線遷入中國，一些具有國際先進水平的機器視覺系統(tǒng)也進入中國。 20 世紀 50 年代，機器視覺被歸入模式識別學科，當時的研究工作主要集中在二維圖像分析和識別上，如印刷體字符識別、工件表面質(zhì)量檢測、醫(yī)學顯微圖片和航空圖片的分析和解釋等。有些 時候，如微小尺寸的精確快速測量，形狀匹配，顏色辨識等，用人眼 無法連續(xù)穩(wěn)定地進行。數(shù)字圖像處理首次獲得成功的應用的是美國噴氣推進實驗室（ JPL），他們對航天探測器徘徊者 7 號在 1964 年發(fā)回月球照片使用了圖像處理技術(shù)，由計算機繪制出了月球表面地圖。 最后對該圖像處理系統(tǒng)的各部分性能加以分析與總結(jié)。 I 摘 要 隨著科技的發(fā)展使各種高科技產(chǎn)品集成度更高， 零件的質(zhì)量和加工工藝過程的完成質(zhì)量直接影響著產(chǎn)品的質(zhì)量和性能。培養(yǎng)目標：熟練 運用 VC、 MATLAB軟件 進行 編程 ,掌握圖像處理以及 OpenCV 的知識， 同時培養(yǎng)分析和解決問題的能力，為以后的科研夯實基礎。數(shù)字圖像處理的另一個成功的應用是醫(yī)學上的 [2]， 1972 年英國 EMI公司的工程師 Housfield 發(fā)明了 CT。而且人工檢測還有可能因受到檢測人員主觀因素的影響較大 ， 對產(chǎn)表面質(zhì)量的檢測不能得到足夠的保證。 60 年代 Roberts 通過計算機從圖像中提取諸如立方體。對這些機器視覺系統(tǒng)的維護和提升而產(chǎn)生的試產(chǎn)需求也將國際機器視覺企業(yè)吸引而至，國內(nèi)的機器視覺企業(yè)在與國際機器視覺企業(yè)的學習與競爭中不斷成長。當 x， y和幅值 F為有限的、離散的數(shù)值時，稱該圖像為數(shù)字圖像。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。則一幅 10241024 不經(jīng)壓縮的真彩色圖像，數(shù)據(jù)量達 3 MB（即102410248 bit3=24 Mb）。如果能提取出這些區(qū)域?qū)蟠筇岣邎D像處理和分析的效率和準確度 [5]。在重視運算效率的應用場合 (如用于硬件實現(xiàn) )，它得到了廣泛應用。實際處理時，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選 擇每點處的閾值，進行圖像分割。 區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標有較好的分割效果。不同的圖像灰度不同，邊界處一般 都 有明顯的邊緣，利用此特征可以分割圖像。目前，模糊技術(shù)在圖像分割中應用的一個顯著特點就是它能和現(xiàn)有的許多圖像分割方法相結(jié)合，形成一系列的集成模糊分割技術(shù)，例如模糊聚類、模糊閾值、模糊邊緣檢測技術(shù)等。 對圖像的增強 方法可分為點增強 [10]、空域增強和頻域增強 [11]。一旦灰度轉(zhuǎn)換函數(shù)確定，該灰度變換就被確定下來了。 （ 2）空域增強 一幅數(shù)字圖像包括光譜、空間、時間等三類基本信息。而中值濾波則抑制圖像噪音的同時，還較好的保存了圖像邊緣的輪廓信息。在頻率域空間的濾波與空間域的濾波一樣可以通過卷積實現(xiàn)，因此傅立葉變換和卷積理論是頻域濾波技術(shù)的基礎。采用高頻濾波器對圖像進行銳化處理，是為了消除模糊，突出邊緣。對于復雜圖像通常采用邊緣檢測算子的方法， 它利用相鄰區(qū)域的 灰度 值不連續(xù)的性質(zhì)，采用一階或二階導數(shù)來檢測邊緣點 [16]。 Sobel算子不是簡單的求平均再差分，而是加強了中心像素上下左右四個方向像素的權(quán)重，運算結(jié)果是一副邊緣圖像。 但基于結(jié)構(gòu)光的焊縫圖像易受焊接過程中產(chǎn)生的弧光，煙塵和飛濺等因素的影響，因此需要一種能有效抑制干擾的算法， Hough 變換正是一種抗干擾性較強的獲取直線的算法 [18]。 為此，設計如下算法： （ a） 對二值圖 像 進行平行四邊形檢測，求得中線，中線兩邊與中線最接近的點視為可能的邊界點，逐一進行判斷 ； 25 （ b） 某點左下方或正下方或右下方有中線投影過來的點稱為連續(xù)點，否則 ，稱為斷點 。對于圖像，它的基本單位是像素。選定了處理方法之后，重點研究了各種處理方法的基本思想，為下一章的軟件打好堅實基礎。 攝像機模型 攝像機模型的選擇直接影響最后的標定結(jié)果，因此要選擇合適的攝像機模型，確定內(nèi)外部參數(shù)。 綜合上述公式得到如下等價表達式 ： ?? ? ?? = ??(??|??)? ?? () 注： 式 中 ?? = (??,??,1)??為圖像像素點的齊次坐標 ， ?? = (X,Y,Z,1)??為空間點的齊次坐標 ， ??為攝像機的內(nèi)參矩陣 ， (??|??) 為外參矩陣 ， 這樣就得到了一個圖像點和空間點之間的一個映射關(guān)系。由上面的解釋也可以看出， cvGrabFrame 的作用就是盡可能快的將攝像頭畫面數(shù)據(jù)復制到計算機緩存，這個功能就方便我們實現(xiàn)對攝像頭的同步抓取，即首先用 cvGrabFrame 依次抓取各個 CvCapture*，然后再用 cvRetrieveFrame 把幀數(shù)據(jù)取出來。 32 對讀入的圖像進行角點檢測 OpenCV 里的角點檢測模塊在實際應用中經(jīng)常有提取角點失敗、精度較差的缺陷 ， 故此步驟用 MATLAB 中的攝像機標定工具箱中提供的角點檢測功能代替 ， 可以提高精度、增強魯棒性。 圖 不同位置的平面棋盤 把 MATLAB 工具箱的文件 復制 到對應目錄下，把所要標