【正文】 0 0][?? ??0?? 1][????????????1] = [???? 0 ??0 00 ???? ??0 00 0 1 0][?? ??0?? 1][????????????1] = ???????????? = ?????? () M 為 3 4矩陣，稱為投影矩陣； 31 ??1完全由 ????、 ????、 ??0、 ??0決定，只與攝像機(jī)內(nèi)部結(jié)構(gòu)有關(guān)，這些參數(shù)稱為攝像機(jī)內(nèi)部參數(shù)； ??2完全由攝像機(jī)相對于世界坐標(biāo)系的方位決定，稱為攝像機(jī)的外部參數(shù)； ????為空間點在世界坐標(biāo)系下的齊次坐標(biāo)。 cvGrabFrame( riCam )。 cvFindHomography()以對應(yīng)點 序列作為輸入，返回最佳描述這些對應(yīng)點的單應(yīng)性矩陣。 在提取第一幅圖的時候命令行窗口可 34 能會提示你輸入方格大小，這里輸入你方格的實際大小就行，比如我方格是27mm，就輸入 27。 分析實驗結(jié)果 最后注意要用 cvReleaseMat()函數(shù)釋放 cvCreateMat ()函數(shù)分配的內(nèi)存空間 ， 防止內(nèi)存泄露。 圖 手動找到 角點 大致位置 35 圖 設(shè)定一個窗口，在窗口里 面找到角點 圖 扭曲的緣故角點偏離實際位置 36 圖 重投影與之對比 計算重投影誤差： Calibration results after optimization (with uncertainties): Focal Length: fc = [ ] ?[ ] Principal point: cc = [ ] ?[ ] Skew: alpha_c = [ ] ?[ ] = angle of pixel axes = ? degrees Distortion: kc = [ ] ?[ ] Pixel error: err = [ ] 37 圖 重投影誤差 圖 38 圖 再看錯誤的地方，可以 發(fā)現(xiàn) 重投影的誤差非常大。 棋盤角點個數(shù)和參數(shù)個數(shù) 33 未知因素： 4 個內(nèi)參 (????,????,????,????)和 5 個畸變參數(shù) (3 個徑向畸變 ??1,??2,??3和 2 個切向畸變 ??1,??2)內(nèi)參數(shù)直接與棋盤所在空間的 3D幾何相關(guān)（即外參數(shù)），而畸變參數(shù)則與點集如何畸變的 2D 集合有關(guān)。 frame2 = cvRetrieveFrame( riCam )。 在單攝像頭情況下用 cvQueryFrame 即可抓取一幀畫面，這個函數(shù)是由兩個 routine 組成的： cvGrabFrame 和 cvRetrieveFrame。 28 由于攝像機(jī)可安放在環(huán)境中的任何位置，故要在環(huán)境中選擇一個基準(zhǔn)坐標(biāo)系來描述攝像機(jī)的位置，并用它描述環(huán)境中任何物體的位置，該基準(zhǔn)坐標(biāo)系稱為世界坐標(biāo)系，由 ????， ????， ????軸組成。 目前已經(jīng)有許多攝像機(jī)標(biāo)定的方法 ， 如 Tsai提出的基于三維標(biāo)定參照物的標(biāo)定方法 [25]，標(biāo)定參照物一般由兩塊互相垂直的平面模板組成 ， 由于標(biāo)定前需要知道參照物表面標(biāo)定點的空間三維坐標(biāo) ， 因而這種方法需要一套昂貴的精密標(biāo)定設(shè)備。所謂的屏幕后續(xù)檢測單位標(biāo)定法，就是通過采集的圖像本身來標(biāo)定像素和實際測量單位之間的轉(zhuǎn)換關(guān)系。則 k 為可疑點 ； k+1 在 k 左邊或右邊， k 為可疑點 ； ，若與中線夾角異常大，則判定為異常，舍棄這個異常點，與下一個異常點連接 。 經(jīng)過 學(xué)長 與 23 我 的 研究之后，我們 利用前后相鄰 焊道 圖的相似性，通過降低 焊道 圖像的數(shù)據(jù)處理量，提高 Hough 變換的運行效率 。 Prewitt 算子不僅能檢測邊緣點，而且能抑制噪聲的影響，因此對灰度和噪聲較多的圖像處理得較好。 Roberts 操作實際上是求旋轉(zhuǎn) 177。 (2)邊緣的分類 常見的邊緣有三種 ： 第一種是階梯型 邊緣 （ Stepedge） ， 即從一個灰度到比它高好多的另一個灰度 ； 第二 種是屋頂狀邊緣 （ Roofedge） ， 它的灰度是慢慢增加到一定程度然后慢慢減小，邊緣就 位于灰度值從增加到減少的變化像素點上 ； 還有一種是線性邊緣（ Lineedge），它的灰度從一個級別跳到另外一個灰度級別之后再 跳 回來。 常用的低通濾波器 ??(??， ??)有四種： （ i） 理想低通濾波器 設(shè)傅里葉平面上理想低通濾波器離開原點的截止頻率為 D0，則理想低通濾波器的傳遞函數(shù)為 式 ： H(u,v) = {1 ??(??,??) ≤ ??00 ??(??,??) ??0 () （ ii） Butterworth 低通濾波器 16 n階 Butterworth 濾波器的傳遞函數(shù)為 式 ： H(u,v) = 11+,??(??,v)??0 2?? () 它的特性是連續(xù)衰減，而不像理想濾波器那樣陡峭變化。 經(jīng)過比較，本課題用到的增強(qiáng)方法就是中值濾波。 f(i,j)表示 (i,j)點的灰度值， 以它為中心我們?nèi)ヒ粋€ NXN的窗口（ N=3,5,7） , 14 窗口內(nèi)相素組成的點集用 A 來表示，經(jīng)圖像平滑后，像素（ i,j）對應(yīng)的輸出可用式 表示 為： ????(??,??) = {1 ??(??,??) ≥ ??0 ??(??,??) ?? () 鄰域平均法的平均作用會引起圖像的模糊現(xiàn)象，模糊的程度與鄰域的半徑成正比。 對于沒有被歸一化的情況，只要乘以最大的灰度值（對于灰度圖像就是255） 既可。 灰度變換可以按照預(yù)定的方式改變一幅圖 像的灰度直方圖。神經(jīng)網(wǎng)絡(luò)存在巨量的連接，容易引入宅間信息，能較好地解決圖像中的噪聲和不均勻問題。在實際中 11 各種微分 算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像卷積來實現(xiàn)。分裂合并的假設(shè)是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。 圖 和圖 分別為用全局閾值和自適應(yīng)閾值對經(jīng)典的 Lena 圖像進(jìn)行分割的結(jié)果： 圖 全局閾值 圖 自適應(yīng)閾值 （ 2）基于區(qū)域的分割方法 10 區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域 分割 技術(shù)，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進(jìn)行判斷而確定。但是這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。閾值分割方法實際上是輸入圖像 f到輸出圖像 g 的 變換 如式 ： g(i,j) = {1 f(i,j) ≥ T0 f(i,j) T () 其 中 T為閾值，對于物體的圖像元素 g(i,j)=l，對于背景的圖像元素 g(i,j)=0。 （ 4）處理費時 由于圖像數(shù)據(jù)量大，因此處理比較費 時。由于計算機(jī)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。它的特點是是輸入是 圖像，輸出也是圖像，即 圖像 之間進(jìn)行的變換。 (4) 分析 CCD 采集到的圖片 ， 針對采用的算子進(jìn)行具體研究并進(jìn)行改進(jìn) ?？梢哉f ， 對機(jī)器視覺的全球研究熱潮是從 20 世紀(jì)80 年代開始的。 基于數(shù)字圖像處理的 檢測系統(tǒng) 圖像 檢測系統(tǒng)構(gòu)成如 圖 所示 ： 光源生 產(chǎn) 線產(chǎn)品C C D計 算 機(jī)檢 測結(jié) 果 圖 圖像 檢測系統(tǒng) 3 流水生產(chǎn)線上的產(chǎn)品經(jīng)過 CCD 采集后送到計算機(jī)中，計算機(jī)對圖像進(jìn)行處理，檢測出產(chǎn)品表面是否有缺陷以及缺陷的 位置，如果有缺陷，記錄缺陷的情況以供后續(xù)處理。 圖 計算機(jī)層析成像系統(tǒng) CT 在現(xiàn)代工業(yè)自動化生產(chǎn)中，涉及到各種各樣的檢查、測量和零件識別應(yīng)用，例如光盤表面印刷質(zhì)量檢查，汽車零配件尺寸檢查和自動裝配的完整性檢查，電子裝配線的元件自動定位，飲料瓶蓋的印刷質(zhì)量檢查，產(chǎn)品包裝上 2 的條碼和字符識別等。但是光學(xué)處理圖像的精度不高，穩(wěn)定性差，實時性差，在工業(yè)生產(chǎn)線上很少用。緊接著論述了數(shù)字圖像處理的 一些基本概念，以及本課題的邊緣檢測的基本步驟。 論文首先簡單介紹圖像處理的發(fā)展，以及基于數(shù)字圖像處理的缺陷檢測系統(tǒng)的結(jié)構(gòu)，國內(nèi)外的研究現(xiàn)狀。其中光學(xué)方法已經(jīng)有了很長的發(fā)展歷史，從簡單的光學(xué)濾波到現(xiàn)在的激光全息技術(shù)。 數(shù)字圖像處理在這兩方面巨大成功的應(yīng)用極大的推動了數(shù)字圖 像處理的發(fā)展。由于數(shù)字圖像在工業(yè)中的應(yīng)用前景非常廣泛，各個大公司也都紛紛開發(fā)出各種基于圖像處理的檢測系統(tǒng)。 70 年代中期，麻省理工學(xué)院人工智能（ AI）實驗室正式開設(shè) “ 機(jī)器視覺 ”課程，同時， MIT AI 實驗室吸引了國際 上許多知名學(xué)者參與機(jī)器視覺的理論、算法、系統(tǒng)設(shè)計的研究。 (3) CCD圖像的讀取與標(biāo)定的研究，使用 OpenCV提供的函數(shù) 實現(xiàn) 讀取 ， CCD標(biāo)定用 MATLAB 實現(xiàn)。 圖 彩色圖像 數(shù)字 圖像 處理的三個層次 （ 1）低級圖像處理 低級圖像處理主要對 圖像 進(jìn)行各種加工以改善 圖像 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。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(jī)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。如果精度及分辨率再提高，所需處理時間將大幅度 增加。 現(xiàn)有的圖像分割方法主要分以下幾類 [6 ]： （ 1）基于閾值的分割方法 灰度閾值分割法 [7]是一種最常用的并行區(qū)域技術(shù)，它是圖像分割中應(yīng)用數(shù)量最多的一類。它是根據(jù)整幅圖像確定的： T=T(f)。對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當(dāng)直方圖明顯呈現(xiàn)雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。 分裂合并差不多是區(qū)域生長的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標(biāo)提取。常用的一階微分算子有 Roberts 算子、 Prewitt算子和 Sobel算子，二階微分算子有 Laplace 算子和 Kirsh 算子等。這種方法需要大量的訓(xùn)練數(shù)據(jù)?；叶戎底儞Q不會改變圖像內(nèi)的空間關(guān)系。 ?? = ??(??) = ∫ Pr(??)???? = 1??0??0 ∫ ??(??)??????0 () 式 的 轉(zhuǎn)換函數(shù)稱為圖像的累計分布函數(shù)?；诖它c，可以用鄰域平均的方法來消除噪音。同鄰域平均法一樣，也存在 “ 超限中值濾波 ” ，即如果某個像素的灰度值大于其鄰域像素的中間值，且達(dá)到了一定的水平，則判斷該像素為噪音，用該點鄰域像素的中間值代替該 點的像素灰度值。 由卷積定理，低通濾波數(shù)學(xué)表達(dá)式 如式 所示 ： ??(??， ??) = ??(??， ??)??(??， ??) () 式中 ??(??， ??)為含有噪聲的原圖像的傅里葉變換域； ??(??， ??)為傳遞函數(shù)，??(??， ??)為經(jīng) 過 低通濾波后輸出圖像的傅里葉變換。 所以 邊緣檢測技術(shù)對于處理 數(shù) 字圖像非常重要， 邊緣是所要提取目標(biāo)和背景的邊界線，提取出邊緣才能將目標(biāo)和背景區(qū)分開來?；诒菊n題研究的對象，只對 Roberts、 Sobel、Prewitt和 Canny這幾種基于一階 導(dǎo)數(shù)的邊緣檢測算子進(jìn)行簡要介紹以及比較： （ a） Roberts 算子 Roberts 邊緣算子是一種斜向偏差分的梯度計算方法，梯度的大小代表邊緣的強(qiáng)度，梯度的方向與邊緣走向垂直。 利用像素點上下、左右鄰點灰度差，在邊緣處達(dá) 到極值檢測邊緣，對噪聲具有平滑作用。 但 Hough 變換具有計算量大，耗時長的缺點，極大地影響了處理的時效 性，限制了 Hough 變換在實時性要求較高的系統(tǒng)中的應(yīng)用 [21]。則 k 為可疑點 ； k+1 在 k 右下方或 更右， k+2 在 k+1 右下方或更右。 在焊道寬度檢測系統(tǒng)中，采用的是屏幕后續(xù)檢測單位標(biāo)定法。該幾何模型的參數(shù)稱為攝像機(jī)參數(shù) ， 求得參數(shù)的實驗與計算的過程稱為攝像機(jī)標(biāo)定 [24]。 OpenCV 標(biāo)定算法中的攝像機(jī)模型以針孔模型為基礎(chǔ) ，并引入透鏡的徑向畸變和切向畸變 ， 該模型相對于只引入一階徑向畸變的Tasi模型和針孔模型更加真實地反映了透鏡實際的畸變情況。 使用一個平面物體，在不同視角下旋轉(zhuǎn)和平移時 6 個參數(shù)會變化，對每一個視角用來求解攝像機(jī)內(nèi)參數(shù)矩陣的兩個額外參數(shù)需要約束，因此求解全部幾何參數(shù)至少需要兩個視角。 frame1 = cvRetrieveFrame( lfCam )。我們最少需要 4 個點來求解，但如果可以，通常提供更多的點，減少噪聲和其他不確定因素所帶來的干擾。這步事實上相當(dāng)關(guān)鍵，它定義了空間的尺度，如果要對物體進(jìn)行測量的話，這步是必須的。 先用 cvProject Points2 ()計算出三維角點坐標(biāo)的投影坐標(biāo) ，再用函數(shù) cvNorm()比較計算出的投影坐