【正文】 g01為標(biāo)準(zhǔn)件，g02為待檢測圖像，DefectInspect(edge1,edge2,out)是調(diào)用的自己添加的函數(shù)庫，out輸入的檢測結(jié)果圖。Read2dimage(,edge2)。（3） 比對算法用配準(zhǔn)后的圖像與標(biāo)準(zhǔn)圖像作比對cvAbsDiff ，得到差異，就是求得的缺陷劃痕2） 處理的結(jié)果和分析（1） 程序啟動在VC++、OpenCV和Xavis聯(lián)合調(diào)試中，點(diǎn)擊VC++的編譯按鈕，可以啟動Xavis.（2） 寫入程序代碼 在Xavis中，新建一個項(xiàng)目，寫入程序所需代碼，可以供Xavis直接調(diào)用。輸入輸出數(shù)組必須是同樣的類型、維數(shù)和大小。 dst 輸出數(shù)組。如果設(shè)定了ROI等參數(shù)的時候，cvCopy只是復(fù)制被設(shè)定的區(qū)域，復(fù)制到一個和所設(shè)定參數(shù)相吻合的新的IplImage中。cvCopy(test,sta,Imgmask)。b） 通過mask拷貝：cvCopyIplImage *sta=cvCreateImage(cvGetSize(src1),src1depth,1)。 //把圖像轉(zhuǎn)為全黑圖像，a） 在mask上畫圓形：cvCircle或cvEllipsecvCircle(Imgmask,cvPoint(200,200),200,cvScalar(255,255,255),1,8)。這個剔除過程一直繼續(xù)到相似性測度落在一個預(yù)先設(shè)置的閾值內(nèi)為止。流程圖如圖 412：圖 412 基于灰度的配準(zhǔn)方法流程圖 相似性度量γ在圖像配準(zhǔn)中，由于視角畸變和特征不一致性，從最粗層次匹配到細(xì)匹配階段都會出現(xiàn)誤匹配，需要剔除這些誤匹配。 圖像配準(zhǔn)的關(guān)鍵問題是圖像之間的空間變換或幾何變換。2） cvCvtColor函數(shù)實(shí)現(xiàn)轉(zhuǎn)換函數(shù) cvCvtColor 將輸入圖像從一個色彩空間轉(zhuǎn)換為另外一個色彩空間。 本文需要強(qiáng)調(diào)的是4通道圖像，這也是本文缺陷檢測算法所實(shí)現(xiàn)的基礎(chǔ)。 三通道圖像轉(zhuǎn)單通道圖像1） 圖像的通道 在圖像處理中，描述一個像素點(diǎn)，如果是灰度圖，那么只需要一個數(shù)值來描述它，就是單通道。所以，這個算法可以和別的缺陷檢測算法配合使用，可以作為別的檢測算法的前置。由此，缺陷的檢測完成。 信息熵檢測的結(jié)果 這里取了三幅圖，圖 48中，(a)為標(biāo)準(zhǔn)圖像，沒有表面缺陷即沒有表面劃痕的，(b)是待檢測目標(biāo)不同位置的圖像，沒有缺陷劃痕，而(c)則是有劃痕的缺陷檢測目標(biāo)，同時它的位置也和標(biāo)準(zhǔn)圖像不同，這里用信息熵可以檢測哪幅圖有劃痕。一般而言，當(dāng)一種信息出現(xiàn)概率更高的時候，表明它被傳播得更廣泛，或者說，被引用的程度更高。根據(jù)Charles H. Bennett對Maxwell39。 Shannon 借鑒了熱力學(xué)的概念，把信息中排除了冗余后的平均信息量稱為“信息熵”，并給出了計(jì)算信息熵的數(shù)學(xué)表達(dá)式。比如一本五十萬字的中文書到底有多少信息量。優(yōu)點(diǎn)是不需要有標(biāo)準(zhǔn)圖，省去圖像配準(zhǔn)圖像比對算法，直接可以檢測工件，速度比較快。設(shè)圓的圓心O(xo,yo)，半徑R1，則： 再以O(shè)(xo,yo)，半徑R1 為基點(diǎn)，搜索區(qū)間為[10，10],對輪廓提取后的圖像進(jìn)行Hough變換，得到外圓環(huán)外圓的圓心和半徑的精確數(shù)值。為了減少計(jì)算量，我們采用搜索法，對經(jīng)過腐蝕后的圖像進(jìn)行搜索，確定圓心和半徑的值，然后進(jìn)行Hough變換[12]。而我們知道，Hough變換一般是對圖像邊緣的。由于我們用形態(tài)學(xué)操作只是消除噪音的干擾。比如二值圖像中所有黑色相素組成的了該圖像完全描述。最基本的運(yùn)算算子由膨脹，腐蝕，開運(yùn)算，閉運(yùn)算。我們選用最小錯誤法來選擇圖像的分割閾值，效果如圖： 圖 43 閾值分割后的軸承 形態(tài)學(xué)濾波，去掉噪聲1） 形態(tài)學(xué)處理數(shù)學(xué)形態(tài)學(xué)是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法[6]，建立在集合代數(shù)的基礎(chǔ)之上，用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。dst：輸出數(shù)組，必須與 src 的類型一致，或者為 8bit。 或者是去掉噪聲，例如過濾很小或很大象素值的圖像點(diǎn)。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]。CV_MEDIAN：對圖像進(jìn)行核大小為param1param1 的中值濾波（鄰域必須是方的）。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(shè)為param1）；param3是對應(yīng)高斯參數(shù)的標(biāo)準(zhǔn)差。 濾波器就是建立的一個數(shù)學(xué)模型，通過這個模型來將圖像數(shù)據(jù)進(jìn)行能量轉(zhuǎn)化，能量低的就排除掉，噪聲就是屬于低能量部分 其實(shí)編程運(yùn)算的話就是一個模板運(yùn)算，拿圖像的八連通區(qū)域來說，中間點(diǎn)的像素值就等于八連通區(qū)的像素值的均值，這樣達(dá)到平滑的效果。另外，算法還要求一定得魯棒性，這里不再贅述。本章結(jié)合給定的待檢測圖片，綜合利用上二章中所介紹的算法，實(shí)現(xiàn)給定圖像的缺陷檢測。其次，本章著重介紹了OpenCV的概念和用法，研究并實(shí)現(xiàn)了Xavis、VC++、OpenCV三者的聯(lián)合調(diào)試。Xavis軟件支持OpenCV,即在用戶自定義算法中可以調(diào)用OpenCV庫中的優(yōu)秀算法。IplImage結(jié)構(gòu)體是整個OpenCV函數(shù)庫的基礎(chǔ)，在定義該結(jié)構(gòu)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)。 /* 排列的圖像行大小，以字節(jié)為單位 */　　int BorderMode[4]。 /* 同上*/　　struct _IplTileInfo *tileInfo。 /* 圖像寬像素?cái)?shù) */　　int height。 /* 同上 */　　int dataOrder。 /* OPENCV支持的1,2,3 或 4 個通道 */　　int alphaChannel。IplImage結(jié)構(gòu)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。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)。這個問題目前還沒有做進(jìn)一步的探討。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。Harris法是角點(diǎn)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(jìn)行濾波，最后根據(jù)求得的角點(diǎn)陣cim的值來確定每個點(diǎn)是否為角點(diǎn)。目前主要的角點(diǎn)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(diǎn)作為角點(diǎn)。通常通過一個適當(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）。因此，尋求具有良好不變性和準(zhǔn)確性的特征提取方法，對于匹配精度至關(guān)重要。 圖像配準(zhǔn)圖像配準(zhǔn)就是將不同時間、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。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)。 %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。 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]。3 Xavis機(jī)器視覺平臺與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添加的動態(tài)鏈接庫dll文件，講討論學(xué)習(xí)Xavis機(jī)器視覺平臺的應(yīng)用。 此轉(zhuǎn)換函數(shù)稱為圖像的累計(jì)分布函數(shù)。中值濾波是一種非線性濾波[5]，它對消除脈沖噪音十分有用。由于窗口過大，會引起圖像的模糊，所以一般常用的是3x3窗口，而且還可以根據(jù)不同的影響，對鄰域像素取不同的權(quán)重，然后再進(jìn)行平均。 圖像平滑去除檢測圖像的噪聲圖像的大部分噪音，比如由敏感元件，量化器等引起的噪音，多半是隨機(jī)性的，它們對某一像素的影響，都可以看成孤立的，因此與鄰近各個點(diǎn)相比，該點(diǎn)的灰度值將顯著的不同。這一小節(jié)中，我簡要的介紹一些常用的可以用在缺陷檢測的圖像增強(qiáng)技術(shù)。有時可能需要徹底改變圖像的視覺效果，以便突出重要特征的可觀察性，使人或計(jì)算機(jī)更易觀察或檢測。 (a) 原圖 (b) 水平投影 (c) 垂直投影 圖 28 投影圖 圖像增強(qiáng)提取目標(biāo)缺陷的研究圖像增強(qiáng)是對圖像質(zhì)量在一般意義上的改善。垂直投影于水平投影類似，只是對圖像中的每一列進(jìn)行遍歷，并計(jì)算每一列中目標(biāo)像素的個數(shù)。圖 27輪廓跟蹤算法 投影投影主要有兩種投影：水平投影和垂直投影。從邊界點(diǎn)B開始，定義初始的搜索方向?yàn)樽笊戏剑蝗绻笊戏降狞c(diǎn)為黑點(diǎn)，則為邊界點(diǎn)，否則搜索方向順時針旋轉(zhuǎn)45度。輪廓跟蹤的最基本方法是：先根據(jù)某些嚴(yán)格的“探測準(zhǔn)則”找出物體輪廓上的象素，再根據(jù)這些像素的某些特征用一定的“跟蹤準(zhǔn)則”找出目標(biāo)物體上的其它像素。在工業(yè)產(chǎn)品表面質(zhì)量檢測中，通過輪廓提取或跟蹤，確定產(chǎn)品的輪廓，從而確定表面缺陷所在的范圍，去除背景干擾，提高檢測算法的實(shí)時性。閾值T太高，容易把大量的目標(biāo)判為背景；閾值T太低，又會把大量的背景判為目標(biāo)。由于圖像分割的算法相當(dāng)?shù)亩啵拘〗Y(jié)沒有必要一一介紹，本小結(jié)只介紹本論文要用的圖像分割算法，主要有灰度分割法、輪廓提取與跟蹤以及投影法。 雖然國內(nèi)外學(xué)者已提出很多種圖像分割算法，但由于背景的多變性和復(fù)雜性，至今為止還沒有一種能適用于各種背景的圖像分割算法。在圖像處理中，集合A一般是待處理的圖像，集合B一般是結(jié)構(gòu)元素，通過選擇適當(dāng)?shù)慕Y(jié)構(gòu)算子，開運(yùn)算可以消除圖像的噪音，平滑圖像的邊界，閉運(yùn)算可以連接兩個相鄰的物體。 開和閉 在腐蝕和膨脹的基礎(chǔ)上，對這兩個形態(tài)學(xué)運(yùn)算子進(jìn)行集合（并、交、補(bǔ)等），可以構(gòu)造出形態(tài)學(xué)運(yùn)算族。 腐蝕腐蝕也是形態(tài)學(xué)運(yùn)算中最基本的運(yùn)算子之一，它是與膨脹相對應(yīng)的運(yùn)算。比如二值圖像中所有黑色相素組成的了該圖像完全描述。 由于形態(tài)學(xué)具有完備的數(shù)學(xué)基礎(chǔ)，這使得形態(tài)學(xué)用于圖像分析和處理、形態(tài)濾波器的分析和系統(tǒng)設(shè)計(jì)等具有了堅(jiān)實(shí)的基礎(chǔ)。主要包括膨脹、腐蝕、開以及閉運(yùn)算。5） 圖像處理技術(shù)綜合性強(qiáng)。如果精度及分辨率再提高，所需處理時間將大幅度增加。一幅數(shù)字圖像是由圖像矩陣中的像素（Pixel）組成的，通常每個像素用紅、綠、藍(lán)三種顏色表示， 每種顏色8bit表示灰度級。2） 處理的多樣性。 數(shù)字圖象處理的特點(diǎn)數(shù)字圖像處理是利用計(jì)算機(jī)的計(jì)算， 實(shí)現(xiàn)與光學(xué)系統(tǒng)模擬處理相同效果的過程。特點(diǎn)是輸入是圖象，輸出是數(shù)據(jù)。圖 23 彩色圖像 數(shù)字圖象處理的三個層次運(yùn)動檢測、目標(biāo)分類、人的跟蹤屬于視覺中的低級和中級處理部分(Lowlevel and Intermediatelevel Vision)，而行為理解和描述則屬于高級處理（Highlevel Vision）。 數(shù)字圖像 一幅圖像可定義為一個二維函數(shù)f(x,y)，當(dāng)空間坐標(biāo)x、y和幅值f為有限的離散數(shù)值時，稱該圖像為數(shù)字圖像。在日常生活中，圖像處理已經(jīng)得到廣泛應(yīng)用。為下面的檢測系統(tǒng)設(shè)計(jì)提供了大體的框架。檢測到的表面劃痕清晰可見。第二章：研究實(shí)現(xiàn)了缺陷檢測圖像處理技術(shù)的常用算法，對待檢測圖像進(jìn)行了預(yù)處理，為后面的應(yīng)用奠定了基礎(chǔ)。（2） 分析了給定的各種圖片，分析了圖片中的缺陷的特點(diǎn)以及可能出現(xiàn)的位置，形狀等，并針對缺陷，設(shè)計(jì)了圖像處理算法，實(shí)現(xiàn)了對各類圖片中缺陷的自動檢測與標(biāo)識。所以根據(jù)產(chǎn)品的特點(diǎn)來設(shè)計(jì)圖像處理的算法，使得檢測出來的產(chǎn)品質(zhì)量滿足工業(yè)要求，成為通用的手段。與人工視覺相比，它最大的優(yōu)點(diǎn)是精確、快速、可重復(fù)性和數(shù)字化。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)。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。圖 11 計(jì)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)品包裝上的條碼和字符識別等。1975年，EMI公司由研制成功了全身用的CT裝置。數(shù)字圖像處理最早出現(xiàn)在20世紀(jì)50年代[3]，當(dāng)時計(jì)算機(jī)已經(jīng)發(fā)展到一定的水平，人們利用計(jì)算機(jī)來處理圖像信息。圖像處理的手段有光學(xué)方法和數(shù)學(xué)方法[2]。低成本、無損傷、準(zhǔn)確，快速，使得機(jī)器視覺在缺陷檢測領(lǐng)域具有重要的意義。 Information entropy。此次畢設(shè)也我熟悉并掌握Visual Studio C++軟件、Xavis軟件和圖像處理以及OpenCV的知識。取得了預(yù)想中的成果，檢測的表面劃痕效果清晰明顯。針對待檢測的圖像的配準(zhǔn)問題，采取Matlab對于基于harris角點(diǎn)檢測的圖像配準(zhǔn)、基于灰度信息的模板匹配等各種算法進(jìn)行了仿真。低成本、無損傷、準(zhǔn)確，快速，使得機(jī)器視覺在缺陷檢測領(lǐng)域具有重要的意義。本題專門研究基于數(shù)字圖像處理的缺陷檢測算法，并在工業(yè)組態(tài)軟件Xavis中實(shí)現(xiàn)，以便更