【正文】 因此與鄰近各個(gè)點(diǎn)相比，該點(diǎn)的灰度值將顯著的不同?；诖它c(diǎn)，可以用鄰域平均的方法來消除噪音。 f(i,j)表示(i,j)點(diǎn)的灰度值，以它為中心我們?nèi)ヒ粋€(gè)NXN的窗口（N=3,5,7）,窗口內(nèi)相素組成的點(diǎn)集以A來表示，經(jīng)圖像平滑后，像素（i,j）對(duì)應(yīng)的輸出為： 鄰域平均法的平均作用會(huì)引起圖像的模糊現(xiàn)象，模糊的程度與鄰域的半徑成正比。為了減少這種模糊失真，有人提出了“超限鄰域平均法”，即如果某個(gè)像素的灰度值大于其鄰域像素的平均值，且達(dá)到了一定的水平，則判斷該相素為噪音，用該點(diǎn)鄰域像素的平均值代替該點(diǎn)的像素灰度值，公式如下： 在實(shí)際應(yīng)用中，根據(jù)實(shí)際情況，可以選擇不同窗口大小和窗口形狀，比如十字窗，圓形窗。由于窗口過大，會(huì)引起圖像的模糊，所以一般常用的是3x3窗口，而且還可以根據(jù)不同的影響，對(duì)鄰域像素取不同的權(quán)重，然后再進(jìn)行平均。 中值濾波降噪 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。而中值濾波則抑制圖像噪音的同時(shí)，還較好的保存了圖像邊緣的輪廓信息。中值濾波的原理非常簡單，用一個(gè)NXN的窗口（N=3,5,7等）在圖像上滑動(dòng)，把窗口中像素的灰度值按升序（或）降序排列，取排列在正中間的灰度值作為窗口中心所在像素的灰度值。中值濾波是一種非線性濾波[5]，它對(duì)消除脈沖噪音十分有用。同鄰域平均法一樣，也存在“超限中值濾波”，即如果某個(gè)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(diǎn)鄰域像素的中間值代替該點(diǎn)的像素灰度值。 直方圖均衡直方圖是用來表示圖像灰度的分布情況的統(tǒng)計(jì)表，它只展示具有某一灰度的像素?cái)?shù)，并不表示具有該灰度的像素處在圖像中的位置。直方圖均衡又稱為灰度均衡，目的是通過點(diǎn)運(yùn)算使輸入圖像轉(zhuǎn)換為在每一灰度級(jí)上都有相同的像素點(diǎn)數(shù)的輸出圖像（既輸出的直方圖是平滑的），這對(duì)于在進(jìn)行圖像比較或分割之前將圖像轉(zhuǎn)化為一致的格式十分有利。 此轉(zhuǎn)換函數(shù)稱為圖像的累計(jì)分布函數(shù)。 對(duì)于沒有被歸一化的的情況，只要乘以最大的灰度值（對(duì)于灰度圖像就是255）既可。對(duì)于離散圖像，轉(zhuǎn)換公式為： 式中：Hi為第i級(jí)灰的像素的個(gè)數(shù)。圖 210分別為直方圖均衡的效果： 圖 210 灰度圖均衡化 本章小結(jié)本章詳細(xì)地介紹了數(shù)字圖像處理技術(shù)的基本概念、基本特點(diǎn)和基本格式，以及可用于缺陷檢測(cè)的圖像處理的基本算法，為后面章節(jié)中處理算法應(yīng)用奠定了基礎(chǔ)。3 Xavis機(jī)器視覺平臺(tái)與Matlab/VC/OpenCV聯(lián)合調(diào)試的實(shí)現(xiàn)在第二章中詳細(xì)地介紹了圖像處理的基本算法，在這一章首先用Matlab 進(jìn)行了圖像處理的配準(zhǔn)仿真，然后用VC++ 和OpenCV編寫了為Xavis添加的動(dòng)態(tài)鏈接庫dll文件，講討論學(xué)習(xí)Xavis機(jī)器視覺平臺(tái)的應(yīng)用。實(shí)現(xiàn)基本的聯(lián)合調(diào)試方法，圖像處理方法。 Matlab用于缺陷檢測(cè)的仿真實(shí)現(xiàn)當(dāng)今的信息化社會(huì)，圖像是人類賴以獲取信息的最重要的來源之一。隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，圖像技術(shù)與計(jì)算機(jī)技術(shù)不斷融合，產(chǎn)生了一系列圖像處理軟件，如VC、Matlab，這些軟件的廣泛應(yīng)用為圖像技術(shù)的發(fā)展提供了強(qiáng)大的支持。 Matlab已成為國際公認(rèn)的最優(yōu)秀的科技應(yīng)用軟件之一，具有編程簡單、數(shù)據(jù)可視化功能強(qiáng)、可操作性強(qiáng)等特點(diǎn)，而且配有功能強(qiáng)大、專業(yè)函數(shù)豐富的圖像處理工具箱，是進(jìn)行圖像處理方面工作必備的軟件工具[10]。Matlab為圖像處理提供了豐富的工具箱和接口函數(shù)，可以直接調(diào)用，這里做簡要的介紹： 缺陷檢測(cè)基本處理操作在Matlab中的實(shí)現(xiàn)圖像顯示、讀寫、像素統(tǒng)計(jì)處理、圖像文件I/O的實(shí)現(xiàn)：調(diào)用imread, imshow, mean2, std2, imwrite等函數(shù)等函數(shù)，比如：% color image showI=imread(39。39。)。 %讀入圖像imshow(I) %顯示圖像其它的函數(shù)用法與此類似，直接調(diào)用即可。 圖像增強(qiáng)直方圖、直方圖均化、對(duì)比度增強(qiáng)、均值濾波、中值濾波、維納濾波的實(shí)現(xiàn)：調(diào)用imhist, histeq, imjust, log, imnoise, conv2, medfilt2, wiener2等函數(shù)的操作。 3D圖像恢復(fù)、圖像融合、劃痕檢測(cè)、生物特征識(shí)別1） 小波分解函數(shù)：dwt2語法格式：[cA,cH,cV,cD]=dwt2(X,’db8’)該語句的作用是對(duì)輸入信號(hào)X做一次小波分解。其中cA表示分解得到的近似分量系數(shù)；cH表示分解得到的水平分量系數(shù)；cV表示分解得到的垂直分量系數(shù)；cD表示分解得到的對(duì)角線分量系數(shù)；db8表示分解所用濾波器組。2） 小波重構(gòu)函數(shù)：idwt2語法格式：X=idwt2(cA,cH,cV,cD,’db8’)該語句的作用是進(jìn)行一次二維小波重構(gòu)。其中，X表示重構(gòu)的分量信號(hào)，cA表示分解得到的近似分量系數(shù)；cH表示分解得到的水平分量系數(shù)；cV表示分解得到的垂直分量系數(shù)；cD表示分解得到的對(duì)角線分量系數(shù)；db8表示重構(gòu)所用的濾波器組。關(guān)于圖像的開啟、閉合，腐蝕、膨脹，圖像的骨架化及邊界提?。涸贛atlab中有相應(yīng)的函數(shù)可以直接調(diào)用，這里就不做闡述。 基于harris角點(diǎn)特征的缺陷圖像配準(zhǔn)Matlab仿真實(shí)現(xiàn)本次畢設(shè)項(xiàng)目中，待檢測(cè)的2幅圖片，一個(gè)至關(guān)重要的前期準(zhǔn)備就是配準(zhǔn)。 圖像配準(zhǔn)圖像配準(zhǔn)就是將不同時(shí)間、不同傳感器(成像設(shè)備)或不同條件下(天候、照度、攝像位置和角度等)獲取的兩幅或多幅圖像進(jìn)行匹配、疊加的過程。只有配準(zhǔn)之后才有利于后期標(biāo)簽缺陷的檢測(cè)。 配準(zhǔn)技術(shù)的流程配準(zhǔn)技術(shù)的流程如下：首先對(duì)兩幅圖像進(jìn)行特征提取得到特征點(diǎn)；通過進(jìn)行相似性度量找到匹配的特征點(diǎn)對(duì)；然后通過匹配的特征點(diǎn)對(duì)得到圖像空間坐標(biāo)變換參數(shù)：最后由坐標(biāo)變換參數(shù)進(jìn)行圖像配準(zhǔn)。而特征提取是配準(zhǔn)技術(shù)中的關(guān)鍵，準(zhǔn)確的特征提取為特征匹配的成功進(jìn)行提供了保障。因此，尋求具有良好不變性和準(zhǔn)確性的特征提取方法，對(duì)于匹配精度至關(guān)重要。 圖像配準(zhǔn)的方式圖像配準(zhǔn)的方式可以概括為相對(duì)配準(zhǔn)和絕對(duì)配準(zhǔn)兩種：相對(duì)配準(zhǔn)是指選擇多圖像中的一張圖像作為參考圖像，將其它的相關(guān)圖像與之配準(zhǔn)，其坐標(biāo)系統(tǒng)是任意的。絕對(duì)配準(zhǔn)是指先定義一個(gè)控制網(wǎng)格，所有的圖像相對(duì)于這個(gè)網(wǎng)格來進(jìn)行配準(zhǔn)，也就是分別完成各分量圖像的幾何校正來實(shí)現(xiàn)坐標(biāo)系的統(tǒng)一。本文主要研究大幅面多圖像的相對(duì)配準(zhǔn)，因此如何確定多圖像之間的配準(zhǔn)函數(shù)映射關(guān)系是圖像配準(zhǔn)的關(guān)鍵。通常通過一個(gè)適當(dāng)?shù)亩囗?xiàng)式來擬合兩圖像之間的平移、旋轉(zhuǎn)和仿射變換，由此將圖像配準(zhǔn)函數(shù)映射關(guān)系轉(zhuǎn)化為如何確定多項(xiàng)式的系數(shù)，最終轉(zhuǎn)化為如何確定配準(zhǔn)控制點(diǎn)（RCP）。 圖像配準(zhǔn)方法目前，根據(jù)如何確定RCP的方法和圖像配準(zhǔn)中利用的圖像信息區(qū)別可將圖像配準(zhǔn)方法分為三個(gè)主要類別：基于灰度信息法、變換域法和基于特征法，其中基于特征法又可以根據(jù)所用的特征屬性的不同而細(xì)分為若干類別。以下要討論的Harris角點(diǎn)檢測(cè)就屬于基于特征法。 基于Harris角點(diǎn)缺陷圖像配準(zhǔn)算法的研究1） 角點(diǎn)檢測(cè)角點(diǎn)：是圖像中具有高曲率的點(diǎn)，它由景物目標(biāo)的邊緣較大的地方或者兩條、多條邊緣的角點(diǎn)構(gòu)成，但是 不同于邊緣像素灰度只在一個(gè)方向上發(fā)生變化[9]。目前主要的角點(diǎn)檢測(cè)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(diǎn)作為角點(diǎn)。（2） 對(duì)圖像灰度進(jìn)行操作，計(jì)算圖像灰度分布的曲率，以最大曲率的點(diǎn)作為角點(diǎn)。2） Harris算法Harris算子是Harris在1988年提出的[13]。Harris角點(diǎn)檢測(cè)只是涉及到簡單的矩陣和一階導(dǎo)數(shù)運(yùn)算，能夠根據(jù)閾值提取出局部“興趣點(diǎn)”。Harris法是角點(diǎn)檢測(cè)的常用方法，它的原理是利用水平、豎直兩個(gè)差分算子Ix、Iy, 求得m的4個(gè)元素值，并對(duì)圖像每個(gè)像素進(jìn)行濾波，最后根據(jù)求得的角點(diǎn)陣cim的值來確定每個(gè)點(diǎn)是否為角點(diǎn)。 其中： 角點(diǎn)最直觀的印象就是在水平、豎直兩個(gè)方向上變化均較大的點(diǎn)，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(diǎn)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(jié)果：圖 31 中(a),(b)是兩幅待配準(zhǔn)的圖像，圖 32 (c)是用通過Harris角點(diǎn)特征特征的匹配關(guān)系建立圖像之間的配準(zhǔn)映射關(guān)系，圖 32 (d)是兩圖配準(zhǔn)之后的圖像。 (a) 提取角點(diǎn)的待配準(zhǔn)圖A (b)提取角點(diǎn)的待配準(zhǔn)圖B圖 31 提取角點(diǎn)的待配準(zhǔn)圖 (c) A和B之間的配準(zhǔn)映射關(guān)系 (d) A、B基于Harris 角點(diǎn)檢測(cè)的配準(zhǔn)圖圖 32 A、B之間的配準(zhǔn)關(guān)系由以上圖 32可以看出，配準(zhǔn)后的2幅圖融合的不錯(cuò)，只是中間在2幅圖銜接的地方由于算法的問題導(dǎo)致銜接處有一道劃痕。這個(gè)問題目前還沒有做進(jìn)一步的探討。 OpenCV的運(yùn)用和VC++、Xavis的聯(lián)合調(diào)試的實(shí)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(jì)算機(jī)視覺庫。它輕量級(jí)而且高效——由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法[14]。 OpenCV的應(yīng)用計(jì)算機(jī)視覺市場(chǎng)巨大而且持續(xù)增長，且這方面沒有標(biāo)準(zhǔn)API，目前的計(jì)算機(jī)視覺軟件大概有以下三種: 1） 研究代碼（慢，不穩(wěn)定，獨(dú)立并與其他庫不兼容） 2） 耗費(fèi)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(shè)備） 這是目前的現(xiàn)狀。而標(biāo)準(zhǔn)的API將簡化計(jì)算機(jī)視覺程序和解決方案的開發(fā)。OpenCV致力于成為這樣的標(biāo)準(zhǔn)API。目前OpenCV的應(yīng)用領(lǐng)域有以下幾個(gè)方面：1） 人機(jī)互動(dòng) 2） 物體識(shí)別 3） 圖象分割 4） 人臉識(shí)別 5） 動(dòng)作識(shí)別 6） 運(yùn)動(dòng)跟蹤 7） 機(jī)器人 OpenCV的基本數(shù)據(jù)機(jī)構(gòu)：IplImage結(jié)構(gòu)由于OpenCV主要針對(duì)的是計(jì)算機(jī)視覺方面的處理，因此在函數(shù)庫中，最重要的結(jié)構(gòu)體是IplImage結(jié)構(gòu)。IplImage結(jié)構(gòu)來源于Intel的另外一個(gè)函數(shù)庫Intel Image Processing Library (IPL)，該函數(shù)庫主要是針對(duì)圖像處理。IplImage結(jié)構(gòu)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(gè)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(diǎn)位置*/　　int align。 /* 圖像行排列方式 */　　int width。 /* 圖像寬像素?cái)?shù) */　　int height。 /* 圖像高像素?cái)?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(jié)束模式, 在 OpenCV 被忽略*/　　int BorderConst[4]。 /* 同上 */　　char *imageDataOrigin。 /* 指針指向一個(gè)不同的圖像數(shù)據(jù)結(jié)構(gòu)*/　　} IplImage。IplImage結(jié)構(gòu)體是整個(gè)OpenCV函數(shù)庫的基礎(chǔ)，在定義該結(jié)構(gòu)變量時(shí)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(gè)IplImage指針變量src，圖像的大小是400300