【文章內(nèi)容簡介】 性濾波器使用連續(xù)窗函數(shù)內(nèi)像素加權(quán)和來實現(xiàn)濾波。同一模式的權(quán)重因子可以作用在每一個窗口內(nèi)，也就意味著線性濾波器是空間不變的，這樣就可以使用卷積模板來實現(xiàn)濾波。如果圖像的不同部分使用不同的濾波權(quán)重因子，且仍然可以用濾波器完成加權(quán)運(yùn)算，那么線性濾波器就是空間可變的。a． 均值濾波 所謂均值濾波實際上就是用均值替代原圖像中的各個像素值，是最簡單的線性濾波器。鄰域平均法是一種簡單的空域處理方法，這種方法的基本思想是用幾個像素的平均值來代替像素的灰度。假定有一幅N N個像素的圖像 f ( x , y )，平滑后得到的圖像為g(x,y),則有：g(x,y)=其中 x ,y = 0,1,2, , N? 1；S 是( x ,y)點鄰域中點的坐標(biāo)的集合，不包括( x ,y)。點M是集合內(nèi)坐標(biāo)點的總數(shù)。這說明平滑化的圖像 g ( x , y )中的每個像素的灰度值均由包含在( x ,y )預(yù)定鄰域的 f ( x , y )的幾個像素的灰度值的平均值來決定。 鄰域S 的大小控制著濾波程度，大尺度鄰域會加大濾波程度，作為去除大噪聲的代價，大尺度濾波器也會導(dǎo)致圖像細(xì)節(jié)的損失。b． 中值濾波中值濾波是一種非線性濾波技術(shù)，由于實際計算過程中并不需要圖像的統(tǒng)計特性，所以比較方便。它是基于圖像的這樣一種特性：噪聲往往以孤立的點的形式出現(xiàn)，這些點對應(yīng)的像素數(shù)很少，而圖像則是由像素數(shù)較多、面積較大的小塊構(gòu)成。在一定條件下，可以克服線性濾波器所帶來的圖像細(xì)節(jié)模糊，而且對濾除脈沖干擾及圖像的掃描噪聲最為有效。但是對一些細(xì)節(jié)多，特別是點、線和尖頂多的圖像不宜采用中值濾波的方法。一維的情況下，中值濾波器是一個含有奇數(shù)個像素的窗口。在處理之后，將窗口正中的像素灰度值，用窗口內(nèi)各像素灰度值的中值代替。例如若窗口長度為 5，窗口中像素的灰度值為 80、90、200、110 和 120，則中值為 110。因為按從小到大（或從大到?。┡判蚝螅谌坏闹凳?110，于是原來窗口正中的灰度值 200 就由 110 代替。如果 200 是一個噪聲的尖峰，則將被濾除。設(shè)有一個一維序列ff2…..fn,取窗口長度為奇數(shù) m, 對此序列進(jìn)行中值濾波, 就是從輸入序列中相繼抽出m 個數(shù),fiv…fi…fi+v, 其中 f 為窗口的中心值,v=(m1)/2, 再將這m 個點的數(shù)值按其數(shù)值大小排列，取其序號為正中間的那個數(shù)作為濾波輸出。中值濾波的表達(dá)式為： 對數(shù)字圖像進(jìn)行中值濾波，實質(zhì)上對二維序列{XIJ}的中值濾波，濾波窗口也是二維的，但這種二維窗口可以有各種各樣的形狀，如線狀、方形、圓形、十字形和圓環(huán)形等。二維的中值濾波可以表示為：式中A為窗口。在實際使用中，窗口的尺寸一般是先試用長度為3的窗口對信號進(jìn)行處理，若無明顯信號損失，再把窗口延長到 5，對原圖作中值濾波，直到既有較好的噪聲濾除的效果，又不過分損害圖像細(xì)節(jié)為止。對于有緩慢變化的較長輪廓線物體的圖像，采用方形或圓形窗口為宜；對于包含尖頂角的圖像，適宜用十字形窗口。經(jīng)試驗比較發(fā)現(xiàn)，均值濾波器去除高斯噪聲等隨機(jī)噪聲的效果很好，但是卻使圖像邊界變得模糊，模板尺寸越大，模糊效果越明顯。中值濾波器不但濾除了噪聲，而且基本上保持了邊界不變，但是模板尺寸不宜取得過大。一般33 模板中值濾波效果要比 55模板中值濾波效果好。 高斯平滑濾波器是一類根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。高斯平滑濾波器對去除服從正態(tài)分布的噪聲是很有效的。對圖像處理來說，常用二維高斯函數(shù)做平滑濾波器。這種函數(shù)的表達(dá)式為：其中，σ 是高斯函數(shù)的均方差，它控制著平滑效果。σ 越大，平滑程度越好，但同時也造成圖像特征的過分模糊，一般取σ=1～10 高斯濾波器具有很多良好性質(zhì)，如旋轉(zhuǎn)對稱性，高斯函數(shù)是單值函數(shù)，高斯函數(shù)的傅立葉變換頻譜是單瓣，高斯濾波器的寬度有參數(shù)σ 表征，高斯函數(shù)具有可分離性。 高斯濾波器的設(shè)計一般是直接從離散高斯分布中計算模板權(quán)值，把二維高斯函數(shù)變形為：式中 σ 為分布參數(shù)，c高斯函數(shù)的系數(shù)。選擇合適的分布參數(shù)σ ，就可以在選定的窗口上評價該值，以便獲取模板。高斯卷積模板對圖像高頻噪聲有較好的抑制作用，同時又使得圖像特征變得模糊，且隨著σ 值增大，模糊程度越大。 邊緣特征提取 邊緣檢測概述邊緣檢測是圖像分割、目標(biāo)區(qū)域分割、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，也是圖像識別中提取圖像特征的一個重要屬性。在進(jìn)行圖像理解和分析時，邊緣檢測往往是非常重要的一步，目前它已成為機(jī)器視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。邊緣是以圖像的局部特征不連續(xù)的形式出現(xiàn)的，即是指圖像局部亮度變化最顯著的部分。它主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域之間，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。在一維情況下，階躍邊緣同圖像的一階導(dǎo)數(shù)局部峰值有關(guān)，梯度是函數(shù)變化的一種度量，而一幅圖像可以看作是圖像強(qiáng)度連續(xù)函數(shù)的取樣點陣列。因此，同一維情況類似，圖像灰度值的顯著變化可用梯度的離散逼近函數(shù)來檢測。邊緣檢測算法一般有四個步驟：（1） 濾波：邊緣檢測算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能；（2） 增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點鄰域強(qiáng)度的變化值；（3） 檢測：在圖像中有許多點的梯度幅值比較大，而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來確定那些點是邊緣點，最簡單有效的邊緣檢測判據(jù)是梯度幅值閾值判決；（4） 定位：如果某一應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來估計，邊緣的方位也可以被估計出來。邊緣檢測的方法國內(nèi)外研究的比較多，各種成熟的算法也有很多，如 Sobel算子、Prewitt 算子、Canny 算子等，這些算子各有優(yōu)缺點。下面就幾種經(jīng)典邊緣檢測算法作一介紹。 邊緣檢測算子介紹a．Roberts 算子Roberts 交叉算子是一種利用局部差分算子尋找邊緣的算子，它對具有陡峭的低噪聲的圖像邊緣檢測效果較好。Roberts 交叉算子為梯度幅值計算提供了一種簡單的近似方法：用卷積模板表示方法，上式變成 其中Gx和Gy由下面的模板計算：Gx=1001 Gy=0110Roberts 交叉算子的差分值將在內(nèi)差點 (i + 1/ 2, j+ 1/ 2)處計算，Robert 算子是該點連續(xù)梯度的近似值，而不是所預(yù)期點(i , j )處的近似值。b．Sobel 算子Sobel 算子對灰度漸變和噪聲較多的圖像處理得較好。其原理是對數(shù)字圖像 f (i , j )的每個像素，考察它上、下、左、右八鄰點灰度的加權(quán)差，其中可設(shè)置四個四鄰域點的權(quán)最大。定義 Sobel 算子如下：我們也可以用如下的卷積核，將圖像中的每個像素都用它們來進(jìn)行卷積，一個是水平邊緣響應(yīng)，一個是垂直邊緣響應(yīng)。將兩個卷積的最大值作為該點的輸出值，運(yùn)算結(jié)果是一幅邊緣幅度圖像。h1= h2=Sobel 算子通常用于水平和垂直邊緣的一個簡單檢測子，如果h1的響應(yīng)是y，h2的響應(yīng)是x，則我們可以根據(jù)下式得出強(qiáng)度（幅值）：，且方向是。c． Prewitt算子Prewitt 邊緣算子與 Sobel 邊緣算子的偏導(dǎo)數(shù)形式完全一樣，只是 C＝1。所以，與 Sobel邊緣算子一樣，圖像中的每個點都用這兩個模板進(jìn)行卷積。需要注意的是，與 Sobel 邊緣算子不同，Prewitt 邊緣算子沒有把重點放在接近于模板中心的像素點。GX= GY=d． Log 算子在介紹 Log 算子之前，先介紹拉普拉斯算子。在二維圖像中，拉普拉斯（Laplacian）算子是常用的二階微分邊緣檢測算子。對于一個連續(xù)函數(shù) f ( x , y )，它在位置( x , y )的拉普拉斯值定義如下：對數(shù)字圖像的每一像素計算關(guān)于 x 軸和 y 軸的二階偏導(dǎo)數(shù)之和，并使用差分方程表示如下：它是以點[i , j ]為中心的二階偏導(dǎo)數(shù)的近似式。在數(shù)字圖象中，拉普拉斯算子可借助各種模板來實現(xiàn)。這里對模板的基本要求是對應(yīng)中心像素的系數(shù)應(yīng)是負(fù)的，而對應(yīng)中心像素鄰近像素的系數(shù)應(yīng)是正的，且它們的和應(yīng)該為零。常用的兩種模板如下：GX= GY=拉普拉斯算子的特點是：各向同性，線性和位移不變；對細(xì)線和孤立點檢測效果好。但邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對噪聲有雙倍加強(qiáng)作用。Log 算子是在拉普拉斯算子的基礎(chǔ)上實現(xiàn)的，它是先用高斯低通濾波器將圖像進(jìn)行預(yù)先平滑，然后使用拉普拉斯算子檢測邊緣，最后用零灰度值進(jìn)行二值化，產(chǎn)生閉合的、連通的輪廓，消除所有內(nèi)部點。e． Canny 算子Canny算子是由高斯函數(shù)的一階導(dǎo)數(shù)構(gòu)成的，是對信噪比與定位之乘積的最優(yōu)化逼近算子。常用作邊緣檢測算子。Canny 算子基本上滿足一般的邊緣檢測過程的四個步驟，其算法實現(xiàn)過程如下：（1）用高斯平滑器平滑圖像；（2）對平滑后的圖像使用一階導(dǎo)數(shù)算子檢測圖像的梯度幅值和方向；（3）對梯度幅值進(jìn)行非極大值抑制；（4）用雙閾值算法檢測和連接邊緣。I[i , j ]表示圖像，首先對圖像進(jìn)行高斯濾波，如式：其中 σ 是高斯函數(shù)的散布參數(shù)，它控制著平滑程度。 平滑后數(shù)據(jù)陣列 S [i , j ]使用一階導(dǎo)數(shù)算子來增強(qiáng)圖像空間的邊緣信息，得到 x ,y偏導(dǎo)數(shù)的兩個陣列 P[ i , j ]， S [i , j ]，然后計算其幅值和方向角，如式： 幅值圖像陣列 M [i , j ]的值越大，其對應(yīng)的圖像梯度值也越大，這還不足以確定物體的邊緣。為確定邊緣，必須細(xì)化幅值圖像中的屋脊帶，即只保留圖像中的幅值變化最大的點。也就是進(jìn)行非極大值抑制。通過抑制梯度線上所有非屋脊值的幅值來細(xì)化M [i , j ]中的梯度幅值屋脊。這一過程可以把 M [i , j ]寬屋脊帶細(xì)化成只有一個像素點寬的圖像 N [i , j ]。雙域值算法對非極大值抑制圖像 N [i , j ]作用雙閾值τ1和τ2，且τ2≈2τ1,，得到兩個閾值邊緣圖像T1[i,j]和T2[i,j]。由于圖像T2[i,j]是用高閾值得到的，因此它含有很少的假邊緣，但T2[i，j]可能在輪廓上有間斷。雙閾值算法要在T2[i,j]中把邊緣連接成輪廓，當(dāng)達(dá)到輪廓的端點時，該算法在T1[i,j]中收集邊緣，直到將T2[I,j]中所有的間隙連接起來為止。3. 基于圖像匹配的工件識別 引言通過圖像預(yù)處理和邊緣特征提取等有效圖像處理后得到了零件的二值化邊緣，這些邊緣除了噪聲點和偽邊緣點外，基本上組成一個一個的目標(biāo)區(qū)域。這些區(qū)域如果僅從視覺效果上看，很明顯的是一塊塊的區(qū)域，但是對于計算機(jī)來說，它并不知道這些區(qū)域中哪塊才是目標(biāo)區(qū)域，即我們要找的工件。因此我們需要從分割圖中找到所要的零件，這就是圖像識別需要解決的問題。 圖像識別就是從圖像中找出與已知模式相似的目標(biāo)圖像，即識別出物體并確定出它在整幅圖像中的位置和方向，是計算機(jī)視覺系統(tǒng)中的關(guān)鍵和難點。 圖像識別的一般流程，如圖 所示，由模型庫、圖像信息獲取、圖像預(yù)處理、特征檢測器和匹配、分類組成。 圖像識別流程第一部分是圖像信息的獲取。它相當(dāng)于對被研究對象的調(diào)查和了解，從中得到數(shù)據(jù)和材料。第二部分圖像預(yù)處理。由于原始圖像存在著許多噪聲和畸變，所以預(yù)處理的目的去除干擾、噪聲及差異，將原始圖像變成適合于計算機(jī)進(jìn)行特征提取的形式。第三部分是圖像特征提取。它的作用在于把調(diào)查了解到的數(shù)據(jù)材料進(jìn)行加工、整理、分析、歸納抽出能反映事物本質(zhì)的特征。第四部分識別判斷就是根據(jù)提取的特征參數(shù)，采用某種判別規(guī)則，對圖像信息進(jìn)行分類和辨識，得到識別結(jié)果。 圖像識別的一般方法及存在的問題 圖像識別的方法很多，大體上可以歸納為：統(tǒng)計圖像識別、結(jié)構(gòu)圖像識別、模糊集圖像識別、圖像匹配識別。圖像匹配是其中最有代表性、應(yīng)用最為廣泛的方法，其在運(yùn)動目標(biāo)跟蹤、遙感圖像識別、機(jī)器人視覺等領(lǐng)域都已得到了應(yīng)用。根據(jù)所使用的匹配特征可以大致分為兩類：1．直接利用原始圖像的灰度信息進(jìn)行匹配。這是基于圖像灰度信息的匹配是最基本的匹配算法思想。常用的方法有：歸一化互相關(guān)算法、基于統(tǒng)計矩的匹配方法、基于