【正文】 點檢測方法有兩種：（1） 提取圖像邊緣，并以鏈碼形式表示，然后尋找具有最大曲率的點作為角點。（2） 對圖像灰度進行操作，計算圖像灰度分布的曲率，以最大曲率的點作為角點。2） Harris算法Harris算子是Harris在1988年提出的[13]。Harris角點檢測只是涉及到簡單的矩陣和一階導數(shù)運算，能夠根據(jù)閾值提取出局部“興趣點”。Harris法是角點檢測的常用方法，它的原理是利用水平、豎直兩個差分算子Ix、Iy, 求得m的4個元素值，并對圖像每個像素進行濾波，最后根據(jù)求得的角點陣cim的值來確定每個點是否為角點。 其中： 角點最直觀的印象就是在水平、豎直兩個方向上變化均較大的點，即Ix、Iy都較大。Ix、Iy是沿著水平和垂直方向的差分算子。這也是把角點和圖像邊緣、以及平坦地區(qū)區(qū)分的依據(jù)。邊緣：僅在水平、或者僅在豎直方向有較大的變化量，即Ix、Iy只有其一較大。平坦地區(qū)：在水平、豎直方向的變化量均較小，即Ix、Iy都較小。3） Matlab仿真結果：圖 31 中(a),(b)是兩幅待配準的圖像，圖 32 (c)是用通過Harris角點特征特征的匹配關系建立圖像之間的配準映射關系，圖 32 (d)是兩圖配準之后的圖像。 (a) 提取角點的待配準圖A (b)提取角點的待配準圖B圖 31 提取角點的待配準圖 (c) A和B之間的配準映射關系 (d) A、B基于Harris 角點檢測的配準圖圖 32 A、B之間的配準關系由以上圖 32可以看出，配準后的2幅圖融合的不錯，只是中間在2幅圖銜接的地方由于算法的問題導致銜接處有一道劃痕。這個問題目前還沒有做進一步的探討。 OpenCV的運用和VC++、Xavis的聯(lián)合調試的實現(xiàn) OpenCV的基本概念OpenCV的全稱是：Open Source Computer Vision Library， 是Intel公司支持的開源計算機視覺庫。它輕量級而且高效——由一系列 C 函數(shù)和少量 C++ 類構成，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法[14]。 OpenCV的應用計算機視覺市場巨大而且持續(xù)增長，且這方面沒有標準API，目前的計算機視覺軟件大概有以下三種: 1） 研究代碼（慢，不穩(wěn)定，獨立并與其他庫不兼容） 2） 耗費很高的商業(yè)化工具（比如Halcon, MATLAB+Simulink） 3） 依賴硬件的一些特別的解決方案（比如視頻監(jiān)控，制造控制系統(tǒng)，醫(yī)療設備） 這是目前的現(xiàn)狀。而標準的API將簡化計算機視覺程序和解決方案的開發(fā)。OpenCV致力于成為這樣的標準API。目前OpenCV的應用領域有以下幾個方面：1） 人機互動 2） 物體識別 3） 圖象分割 4） 人臉識別 5） 動作識別 6） 運動跟蹤 7） 機器人 OpenCV的基本數(shù)據(jù)機構：IplImage結構由于OpenCV主要針對的是計算機視覺方面的處理，因此在函數(shù)庫中，最重要的結構體是IplImage結構。IplImage結構來源于Intel的另外一個函數(shù)庫Intel Image Processing Library (IPL)，該函數(shù)庫主要是針對圖像處理。IplImage結構具體定義如下[14][16]：　　typedef struct _IplImage　　{　　int nSize。 /* IplImage大小 */　　int ID。 /* 版本 (=0)*/　　int nChannels。 /* OPENCV支持的1,2,3 或 4 個通道 */　　int alphaChannel。 /* 被OpenCV忽略 */　　int depth。 /* 像素的位深度*/　　char colorModel[4]。 /* 被OpenCV忽略 */　　char channelSeq[4]。 /* 同上 */　　int dataOrder。 /* 交叉存取圖像通道 */　　int origin。 /*圖像原點位置*/　　int align。 /* 圖像行排列方式 */　　int width。 /* 圖像寬像素數(shù) */　　int height。 /* 圖像高像素數(shù)*/　　struct _IplROI *roi。 /* 圖像感興趣區(qū)域 */　　struct _IplImage *maskROI。 /* 在 OpenCV中必須為NULL */　　void *imageId。 /* 同上*/　　struct _IplTileInfo *tileInfo。 /*同上*/　　int imageSize。 /* 圖像數(shù)據(jù)大小*/　　char *imageData。 /* 指向排列的圖像數(shù)據(jù) */　　int widthStep。 /* 排列的圖像行大小，以字節(jié)為單位 */　　int BorderMode[4]。 /* 邊際結束模式, 在 OpenCV 被忽略*/　　int BorderConst[4]。 /* 同上 */　　char *imageDataOrigin。 /* 指針指向一個不同的圖像數(shù)據(jù)結構*/　　} IplImage。IplImage結構體是整個OpenCV函數(shù)庫的基礎，在定義該結構變量時需要用到函數(shù)cvCreatImage，變量定義方法如下： IplImage* src=/cvCreateImage(cvSize(400,300), IPL_DEPTH_8U,3)。 上句定義了一個IplImage指針變量src，圖像的大小是400300，圖像顏色深度8位，3通道圖像。 Xavis、VC++、OpenCV聯(lián)合調試實現(xiàn)缺陷檢測算法Xavis具有開放式結構的特點，允許用戶添加自定義算法函數(shù)，實現(xiàn)算法庫的擴展。在添加自定義算法過程中，為方便程序調試和修改，可采用聯(lián)合調試的辦法。Xavis軟件支持OpenCV,即在用戶自定義算法中可以調用OpenCV庫中的優(yōu)秀算法。本節(jié)簡述一下聯(lián)合調試與利用OpenCV庫進行算法庫擴展時應注意的相關問題[2]。1）當需要與 Xavis軟件進行聯(lián)合調試時，可將Xavis軟件拷貝至當前工程目錄下release子目錄（必要時將軟件當前目錄下的cv與win文件夾中的文件全部移動至上層目錄）。并更改配置[8]，如圖 33所示：圖 33 更該工程配置2）利用OpenCV算法庫進行自定義開發(fā)時，[2]:(1) 選擇ToolsOptions，在Directories選項卡中添加文件路徑信息，如圖 34所示：圖 34 添加OpenCV庫路徑信息 (2)選擇ProjectSettings在Link選項卡中做如圖 35修改：圖 35 添加OpenCV庫信息(3)作以上的修改后，就可以在VC++下編寫用于實現(xiàn)缺陷檢測的動態(tài)鏈接庫dll文件，調試無誤后，導入工業(yè)組態(tài)軟件Xavis中，就可以運行了,如圖圖 36所示：圖 36 給Xavis添加dll文件 本章小結本章首先介紹了Matlab用于圖像處理的仿真方法，然后用Matlab實現(xiàn)了基于Harris角點檢測的圖像配準，取得了不錯的結果。其次，本章著重介紹了OpenCV的概念和用法，研究并實現(xiàn)了Xavis、VC++、OpenCV三者的聯(lián)合調試。為后續(xù)的VC++下研究算法并打包成dll文件供Xavis調用提供了基礎。4 基于圖像處理的表面缺陷檢測算法研究與實現(xiàn)在第三章中詳細地介紹了圖像處理的基本算法，并用Matlab實現(xiàn)了一些功能的仿真。并粗略介紹了OpenCV的功能和應用。本章結合給定的待檢測圖片，綜合利用上二章中所介紹的算法，實現(xiàn)給定圖像的缺陷檢測。本章首先介紹了檢測的流程，然后討論了最重要的幾種圖像配準算法。由于給定的圖像的種類比較多，不可能一一介紹每種圖像的檢測算法，只介紹了三種種圖片的檢測算法。 基于圖像處理的缺陷檢測基本流程用VC++給Xavis 添加圖像表面缺陷檢測的動態(tài)鏈接庫文件，其中圖像處理的缺陷檢測基本流程如下：圖 41 缺陷檢測基本流程圖該算法的關鍵是圖像配準算法和圖像比對算法的選擇，這是算法復雜性的重要因素之一。另外，算法還要求一定得魯棒性，這里不再贅述。 基于形態(tài)學處理的缺陷檢測算法研究與實現(xiàn)基于形態(tài)學處理的缺陷檢測主要用來檢測的是軸承表面的缺陷檢測，待檢測圖如圖 42 ：圖 42 待檢測圖像由上圖可以看出，產(chǎn)品缺陷主要是在兩個圓環(huán)之間的區(qū)域，因此只要將兩個圓環(huán)檢測出來確定缺陷所在區(qū)域，然后再用閾值分割法即可確定出缺陷的具體位置，基于此點，我們設計了以下的處理算法來標定缺陷。 高斯濾波，平滑圖像1） 高斯濾波的概念高斯濾波實質上是一種信號的濾波器，其用途是信號的平滑處理，我們知道數(shù)字圖像用于后期應用，其噪聲是最大的問題，由于誤差會累計傳遞等原因，很多圖像處理教材會在很早的時候介紹Gauss濾波器，用于得到信噪比SNR較高的圖像（反應真實信號）。于此相關的有GaussLapplace變換，其實就是為了得到較好的圖像邊緣，先對圖像做Gauss平滑濾波，剔除噪聲，然后求二階導矢，用二階導的過零點確定邊緣，在計算時也是頻域乘積=空域卷積。 濾波器就是建立的一個數(shù)學模型，通過這個模型來將圖像數(shù)據(jù)進行能量轉化，能量低的就排除掉，噪聲就是屬于低能量部分 其實編程運算的話就是一個模板運算，拿圖像的八連通區(qū)域來說，中間點的像素值就等于八連通區(qū)的像素值的均值，這樣達到平滑的效果。 若使用理想濾波器，會在圖像中產(chǎn)生振鈴現(xiàn)象。采用高斯濾波器的話，系統(tǒng)函數(shù)是平滑的，避免了振鈴現(xiàn)象。2） cvSmooth函數(shù)[16]cvSmooth( const void* srcarr, void* dstarr, int smoothtype,int param1, int param2, double param3 )cvSmooth函數(shù)的作用是對圖象做各種方法的圖象平滑。其中，srcarr為輸入圖象；dstarr為輸出圖象；param1為平滑操作的第一個參數(shù)；param2為平滑操作的第二個參數(shù)（如果param2值為0，則表示它被設為param1）；param3是對應高斯參數(shù)的標準差。參數(shù)smoothtype是圖象平滑的方法選擇，主要的平滑方法有以下五種： CV_BLUR_NO_SCALE：簡單不帶尺度變換的模糊，即對每個象素在 param1param2領域求和。CV_BLUR：對每個象素在param1param2鄰域求和并做尺度變換 1/（param1?param2）。CV_GAUSSIAN：對圖像進行核大小為param1param2的高斯卷積。CV_MEDIAN：對圖像進行核大小為param1param1 的中值濾波（鄰域必須是方的）。CV_BILATERAL：雙向濾波，應用雙向 3x3 濾波，彩色設置為param1，空間設置為param2。 二值化前景圖本步驟對圖像進行閾值分割，將灰度圖像轉化成二值圖像。1） 二值化一幅圖像包括目標物體、背景還有噪聲，要想從多值二值化的數(shù)字圖像中直接提取出目標物體，最常用的方法就是設定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化（BINARIZATION）[11]。圖像的二值化，就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現(xiàn)出明顯的只有黑和白的視覺效果。2） cvThreshold函數(shù)cvThreshold是opencv庫中的一個函數(shù)作用：函數(shù) cvThreshold 對單通道數(shù)組應用固定閾值操作。該函數(shù)的典型應用是對灰度圖像進行閾值操作得到二值圖像。 或者是去掉噪聲，例如過濾很小或很大象素值的圖像點。本函數(shù)支持的對圖像取閾值的方法由 threshold_type 確定。形式：void cvThreshold( const CvArr* src, CvArr* dst, double threshold, double max_value, int threshold_type )。其中：src：原始數(shù)組 (單通道 , 8bit of 32bit 浮點數(shù))。dst：輸出數(shù)組，必須與 src 的類型一致，或者為 8bit。threshold：閾值 max_value：使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值。 　threshold_type：閾值類型 threshold_type=CV_THRESH_BINARY:如果 src(x,y)threshold 0,dst(x,y) = max_value, 否則.　threshold_type=CV_THRESH_BINARY_INV: 如果 src(x,y)threshold,dst(x,y) = 0。 否則,dst(x,y) = ma