【正文】 否則,dst(x,y) = max_v。threshold：閾值 max_value：使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值。其中：src：原始數(shù)組 (單通道 , 8bit of 32bit 浮點(diǎn)數(shù))。本函數(shù)支持的對圖像取閾值的方法由 threshold_type 確定。該函數(shù)的典型應(yīng)用是對灰度圖像進(jìn)行閾值操作得到二值圖像。圖像的二值化，就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的只有黑和白的視覺效果。1） 二值化一幅圖像包括目標(biāo)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(biāo)物體，最常用的方法就是設(shè)定一個(gè)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。CV_BILATERAL：雙向?yàn)V波，應(yīng)用雙向 3x3 濾波，彩色設(shè)置為param1，空間設(shè)置為param2。CV_GAUSSIAN：對圖像進(jìn)行核大小為param1param2的高斯卷積。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(gè)象素在 param1param2領(lǐng)域求和。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。 若使用理想濾波器，會在圖像中產(chǎn)生振鈴現(xiàn)象。于此相關(guān)的有GaussLapplace變換，其實(shí)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(dǎo)矢，用二階導(dǎo)的過零點(diǎn)確定邊緣，在計(jì)算時(shí)也是頻域乘積=空域卷積。 基于形態(tài)學(xué)處理的缺陷檢測算法研究與實(shí)現(xiàn)基于形態(tài)學(xué)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(gè)圓環(huán)之間的區(qū)域，因此只要將兩個(gè)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(diǎn)，我們設(shè)計(jì)了以下的處理算法來標(biāo)定缺陷。 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(dòng)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(guān)鍵是圖像配準(zhǔn)算法和圖像比對算法的選擇，這是算法復(fù)雜性的重要因素之一。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(zhǔn)算法。并粗略介紹了OpenCV的功能和應(yīng)用。為后續(xù)的VC++下研究算法并打包成dll文件供Xavis調(diào)用提供了基礎(chǔ)。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(jìn)行自定義開發(fā)時(shí)，[2]:(1) 選擇ToolsOptions，在Directories選項(xiàng)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(xiàng)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(shí)現(xiàn)缺陷檢測的動(dòng)態(tài)鏈接庫dll文件，調(diào)試無誤后，導(dǎo)入工業(yè)組態(tài)軟件Xavis中，就可以運(yùn)行了,如圖圖 36所示：圖 36 給Xavis添加dll文件 本章小結(jié)本章首先介紹了Matlab用于圖像處理的仿真方法，然后用Matlab實(shí)現(xiàn)了基于Harris角點(diǎn)檢測的圖像配準(zhǔn)，取得了不錯(cuò)的結(jié)果。本節(jié)簡述一下聯(lián)合調(diào)試與利用OpenCV庫進(jìn)行算法庫擴(kuò)展時(shí)應(yīng)注意的相關(guān)問題[2]。在添加自定義算法過程中，為方便程序調(diào)試和修改，可采用聯(lián)合調(diào)試的辦法。 上句定義了一個(gè)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。 /* 指針指向一個(gè)不同的圖像數(shù)據(jù)結(jié)構(gòu)*/　　} IplImage。 /* 邊際結(jié)束模式, 在 OpenCV 被忽略*/　　int BorderConst[4]。 /* 指向排列的圖像數(shù)據(jù) */　　int widthStep。 /*同上*/　　int imageSize。 /* 在 OpenCV中必須為NULL */　　void *imageId。 /* 圖像高像素?cái)?shù)*/　　struct _IplROI *roi。 /* 圖像行排列方式 */　　int width。 /* 交叉存取圖像通道 */　　int origin。 /* 被OpenCV忽略 */　　char channelSeq[4]。 /* 被OpenCV忽略 */　　int depth。 /* 版本 (=0)*/　　int nChannels。IplImage結(jié)構(gòu)具體定義如下[14][16]：　　typedef struct _IplImage　　{　　int nSize。 2） 物體識別 3） 圖象分割 4） 人臉識別 5） 動(dòng)作識別 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)。OpenCV致力于成為這樣的標(biāo)準(zhǔn)API。 OpenCV的應(yīng)用計(jì)算機(jī)視覺市場巨大而且持續(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。 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。 (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。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。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)。 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。Harris角點(diǎn)檢測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)”。（2） 對圖像灰度進(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)。 基于Harris角點(diǎn)缺陷圖像配準(zhǔn)算法的研究1） 角點(diǎn)檢測角點(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]。 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。本文主要研究大幅面多圖像的相對配準(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。 圖像配準(zhǔn)的方式圖像配準(zhǔn)的方式可以概括為相對配準(zhǔn)和絕對配準(zhǔn)兩種：相對配準(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。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。只有配準(zhǔn)之后才有利于后期標(biāo)簽缺陷的檢測。 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，待檢測的2幅圖片，一個(gè)至關(guān)重要的前期準(zhǔn)備就是配準(zhǔn)。其中，X表示重構(gòu)的分量信號，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表示分解得到的對角線分量系數(shù)；db8表示重構(gòu)所用的濾波器組。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表示分解得到的對角線分量系數(shù)；db8表示分解所用濾波器組。 圖像增強(qiáng)直方圖、直方圖均化、對比度增強(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。)。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。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。實(shí)現(xiàn)基本的聯(lián)合調(diào)試方法，圖像處理方法。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)。 對于沒有被歸一化的的情況，只要乘以最大的灰度值（對于灰度圖像就是255）既可。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。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。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。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。基于此點(diǎn)，可以用鄰域平均的方法來消除噪音。而頻率域法就是在圖像的某種變換域中（通常時(shí)頻率域中）對圖像的變換值進(jìn)行某種運(yùn)算處理，然后再變回空間域中。 (a) 原圖 (b) 效果圖 圖 29 圖像增強(qiáng)效果圖圖像的增強(qiáng)技術(shù)通常有兩類方法：空間域法和頻率域法。在工業(yè)圖像處理中，為了增強(qiáng)圖像的可讀性，突出感興趣的目標(biāo)區(qū)域，比如目標(biāo)的輪廓，目標(biāo)的缺陷等，通常采用圖像的增強(qiáng)技術(shù)。在這種情況下，可以把增強(qiáng)理解為增強(qiáng)感興趣特征的可檢測性，而非改善視感質(zhì)量。因?yàn)樵鰪?qiáng)技術(shù)并非是針對某種退化所采取的方法，所以很難預(yù)測哪一種特定技術(shù)是最好的， 只能通過試驗(yàn)和分析誤差來選擇一種合適的方法。當(dāng)無法知道圖像退化有關(guān)的定量信息時(shí)，可以使用圖像增強(qiáng)技術(shù)較為主觀地改善圖像的質(zhì)量。對于(a)中的圓，圓心的位置在水平投影和垂直投影圖中分別為最大點(diǎn)對應(yīng)的行和列。當(dāng)圖像中的目標(biāo)具有垂直邊界時(shí)，對圖像進(jìn)行垂直投影，則目標(biāo)邊界列的目標(biāo)像素的個(gè)數(shù)將明顯多于其他列，從而確定目標(biāo)的水平邊界在圖像中的列數(shù)。當(dāng)圖像的目標(biāo)具有水平邊界時(shí)，對圖像進(jìn)行水平投影，則目標(biāo)邊界行的目標(biāo)像素的個(gè)數(shù)明顯多于其他行，從而確定物體水平邊界在圖像中的行數(shù)。它主要針對二值圖像的操作，也是圖像分割中的一種基本的操作，當(dāng)物體具有水平或垂直邊界時(shí)，通過投影，可以確定物體的大概位置。圖 27為輪廓跟蹤算法的示意圖，箭頭代表搜索方向。這樣一直找到第一個(gè)黑點(diǎn)為止。點(diǎn)A的右、右上、上、左上四個(gè)鄰點(diǎn)中至少有一個(gè)邊界點(diǎn)，記為B。以下介紹本文中要用到的二值圖像的輪廓跟蹤。輪廓提取也可用形態(tài)學(xué)方法來實(shí)現(xiàn)，即用一個(gè)3X3的方形的結(jié)構(gòu)元素對圖像進(jìn)行腐蝕，然后再用原圖減去腐蝕后的圖，即可得到物體的輪廓。在目標(biāo)跟蹤中，通過輪廓提取或輪廓跟蹤技術(shù)確定目標(biāo)的輪廓參數(shù)。 輪廓提取與跟蹤物體的輪廓在圖像處理中具有非常重要的意義。因此正確的設(shè)定分割閾值對于圖像的分割是非常重要的。設(shè)圖像 f(x,y)的灰度范圍屬于[z1,z2]，根據(jù)一定的經(jīng)驗(yàn)及知識確定一個(gè)閾值T，則ft(x,y) 可有以下表達(dá)式給出： 由上面的表達(dá)式可知，閾值T的選擇的準(zhǔn)確性直接影響分割的精度以及圖像描述分析的正確性。 灰度分割法灰度分割法，顧名思義，就是利用目標(biāo)區(qū)域和背景區(qū)域在灰度方面的差異，選取一個(gè)閾