【正文】 。title(39。 end end end endend lenna_Canny = lenna_Canny_2。 end if(lenna_Canny_1(i+1,j) == 255) lenna_Canny_2(i+1,j) = 255。 end if(lenna_Canny_1(i,j+1) == 255) lenna_Canny_2(i,j+1) = 255。 end if(lenna_Canny_1(i1,j+1) == 255) lenna_Canny_2(i1,j+1) = 255。 for time = 1:20 for i = 2:(x1) for j = 2:(y1) if(lenna_Canny_2(i,j) == 255) if(lenna_Canny_1(i1,j1) == 255) lenna_Canny_2(i1,j1) = 255。 else lenna_Canny_2(i,j) = 0。 else lenna_Canny_1(i,j) = 0。 %相對(duì)應(yīng)于閾值t1；lenna_Canny_2 = zeros(x,y)。t2 = 2*t1。 end end endend %step4:用雙閾值算法檢測(cè)和連接邊緣。 end case 2 if(temp_f(i,j) = temp_f(i1,j) | temp_f(i,j) = temp_f(i+1,j)) f(i,j) = 0。for i =2:(x1) for j=2:(y1) switch(a(i,j)) case 0 if(temp_f(i,j) = temp_f(i,j1) | temp_f(i,j) = temp_f(i,j+1)) f(i,j) = 0。 else a(i,j) = 3。 a(i,j) = 3*pi/8) a(i,j) = 1。 a(i,j) = pi/8) a(i,j) = 0。 end endenda = atan(fx./fy)。 %獲得梯度方向%避免除數(shù)為0MIN=。fy = myconv(lenna_ca,H2)。 1 1]。 1 1]。lenna_ca =myconv(lenna,gaussian)。 2/79 4/79 6/79 4/79 2/79。 2/79 4/79 6/79 4/79 2/79。)。title(39。 end endend%step4:采用線性插值的方法估計(jì)邊緣的位置。 abs(f(i,j)f(i+1,j+1))t amp。 abs(f(i,j)f(i+1,j))t amp。 abs(f(i,j)f(i,j+1))t amp。 %step3:邊緣檢測(cè)判據(jù)是二階導(dǎo)數(shù)零交叉點(diǎn)；t = 40。 0 0 1 0 0]。 1 2 16 2 1。 %step2:邊緣增強(qiáng)用二階導(dǎo)數(shù)（二維拉普拉斯函數(shù)）；%離散拉普拉斯高斯模板（5*5，delta=2）lap =[0 0 1 0 0。 1/79 2/79 3/79 2/79 1/79]。 3/79 6/79 7/79 6/79 3/79。 %Marr算子%step1:平滑濾波器采用高斯濾波器；gaussian=[1/79 2/79 3/79 2/79 1/79。Roberts算子處理后的結(jié)果39。imshow(lenna_Roberts,[])。 else lenna_Roberts(i,j) = 0。 %將lenna_Roberts結(jié)果二值化t = 60。fy = myconv(lenna,H2)。0 1]。1 0]。)。title(39。 end endend subplot(2,2,3)。 for i = 1:x for j =1:y if(lenna_Prewitt(i,j) = t) lenna_Prewitt(i,j) = 255。 lenna_Prewitt = abs(fx) + abs(fy)。 fx = myconv(lenna,H1)。 0 0 0。 1 0 1]。 %Prewitt算子%卷積模板賦值H1 = [1 0 1。Sobel算子處理后的結(jié)果39。imshow(lenna_Sobel,[])。 else lenna_Sobel(i,j) = 0。 %將lenna_Sobel結(jié)果二值化t = 190。fy = myconv(lenna,H2)。 1 2 1]。H2 = [1 2 1。 2 0 2。)。title(39。 %輸出原圖象；subplot(2,2,1)。lenna_Sobel=zeros(x,y)。 lenna = double(lenna)。39。),colormap gray。figure,imagesc(img0),title(39。.39。mosaic_39。%fis(img0)figure,imshow(img0)。 img0 = imMosaic(img2,img1,1)。39。img2 = rgb2gray(img2)。39。img1 = rgb2gray(img1)。)。%img2=imgread(39。)。%img1=imgread(39。39。 ext])。%img2 = imread([f 39。1.39。jpg39。0039。 Manufacture . 2007．[22]B. K. Ghaffary, A. A. Sawchuk. A survey of new techniques for I mageregistration and mapping, Proceedings of the SPIE:Applications of Digital Image Processing, ，1983, pp. 222239.[23] L. G. Brown. A survey of image registration techniques. ACM Computer Surveys[J].1992,4(24):556569[24] Barbara Zitova. Jan Flusser. Image registration methods:a survey. Imaging and Vision Computing[J] .2003. ：9771000.[25]L. G. Brown. A survey of image registration techniques. ACM Computer Surveys, 1992/4/24[26]Richard Szeliski. Video mosaics for virtual environments. Computer Graphics and Applications, IEEE, Mar 1996.第 22 頁 共 22 頁附錄A拼接程序clearclose all,clc。感謝我的同學(xué)特別是李蓬勃同學(xué)，在我寫論文過程中給予了我很多素材，還有在實(shí)驗(yàn)過程中給我了許多指導(dǎo)。再次向指導(dǎo)過我?guī)椭^我的老師表示衷心的感謝！感謝本論文所涉及到的各位學(xué)者。她對(duì)我進(jìn)行了無私的指導(dǎo)和幫助，不厭其煩的幫助我修改和改進(jìn)。在論文撰寫的過程中遇到了無數(shù)的困難和阻礙，都在老師和同學(xué)的幫助下順利完成。希望在今后的學(xué)習(xí)生活中完善這方面的不足。在通過圖像處理獲得長度的過程中由于許多知識(shí)不能熟練的掌握導(dǎo)致誤差比較大。 本次畢設(shè)也有許多不足之處。本課題主要用到全自動(dòng)攝像儀來獲取圖片，然后利用Harris角點(diǎn)檢測(cè)法提取特征點(diǎn)，從而進(jìn)行圖拼接、圖像融合，最后利用邊緣檢測(cè)的方法獲得大尺寸零件的尺寸。其實(shí)還包括理論誤差，本次實(shí)驗(yàn)不考慮。如操作過程中所使用的數(shù)碼攝像機(jī)自身廣角本身村子誤差，這就是儀器誤差，在最后的電腦上進(jìn)行數(shù)據(jù)處理也會(huì)出現(xiàn)偏差。當(dāng)選取不同的圖像分割算法或同一算法中參數(shù)選取的不同都會(huì)引入不同程度的誤差，通常人們根據(jù)圖像處理的不同需要而采取不同的圖像分割算法及參數(shù)。通常影響數(shù)碼照相機(jī)成像質(zhì)量的因素有：ccd芯片、分辨率 A/D 轉(zhuǎn)換。因此，本文主要討論以下三個(gè)因素 在用ccd攝像機(jī)進(jìn)行圖像數(shù)據(jù)采集的過程中，通常不可避免地會(huì)引入噪音。因?yàn)檫@是一個(gè)估計(jì)的過程，所以誤差是不可避免的。對(duì)特征的測(cè)量時(shí)要從數(shù)字化出發(fā)，精確的估計(jì)產(chǎn)生這些數(shù)據(jù)的原始模擬量的性質(zhì)。處理后的圖像如下 Sobel算子、Prewitt算子處理后的圖像邊緣提取圖像如下：在邊緣提取后同過手動(dòng)提取坐標(biāo)點(diǎn)的方式獲得兩個(gè)端點(diǎn)坐標(biāo)為(71,180)(402,180)則測(cè)量尺寸為： （）則實(shí)驗(yàn)誤差為 （）% 圖像是客觀世界的映射，但是在數(shù)字圖像分析的過程中，由于各種因素的作用和影響，原始圖像中的連續(xù)信息有所損失，只剩下它的一個(gè)離散的近似。： CCD下配送結(jié)合的量塊將其放在MATLAB中進(jìn)行邊緣提取進(jìn)行標(biāo)定，： matlab處理結(jié)果經(jīng)過手動(dòng)提取像素點(diǎn)，在同一35下提取y的值分別為667，87所以求解標(biāo)定系數(shù)β=5/(66787)=本次實(shí)驗(yàn)圖像處理用到Matlab軟件。上、下邊界坐標(biāo)相減，即為塊規(guī)厚度 Li(i= 1,2,3, ,…n ) 在圖像中所占的像素?cái)?shù)。系統(tǒng)標(biāo)定過程： 選擇Lo =5 mm 標(biāo)準(zhǔn)塊規(guī)作為標(biāo)準(zhǔn)樣品， 對(duì)測(cè)量系統(tǒng)的放大率β =L0/Li進(jìn)行標(biāo)定，其中Li 為標(biāo)準(zhǔn)塊規(guī)在計(jì)算機(jī)圖像中的尺寸，以像素點(diǎn)的數(shù)量表示。但是，前提條件是使用畸變較小的光學(xué)鏡頭，并且系統(tǒng)穩(wěn)定。顯然，零件圖像的尺寸（單位：像素）與零件的實(shí)際尺寸（單位mm）之間具有一一對(duì)應(yīng)的線性關(guān)系，即兩物之間的測(cè)量比為常熟。 要想得到零件的實(shí)際尺寸 d ， 必須建立數(shù)字圖像像素與實(shí)際尺寸的對(duì)應(yīng)關(guān)系。尺寸測(cè)量結(jié)果精確與否的關(guān)鍵在于系統(tǒng)的精度，而系統(tǒng)標(biāo)定的準(zhǔn)確與否直接影響到整個(gè)系統(tǒng)的精度，因此準(zhǔn)確地實(shí)現(xiàn)測(cè)量系統(tǒng)的標(biāo)定是保證直線度誤差精確測(cè)量的前提。圖像獲取過程是將零件放在實(shí)驗(yàn)臺(tái)上通過粗調(diào)和微調(diào)來獲取零件的高清圖像。在選好零件將零件擦洗干凈避免影響實(shí)驗(yàn)。實(shí)驗(yàn)流程圖如下，圖片獲取搭建試驗(yàn)臺(tái)圖像拼接被測(cè)零件選取實(shí)驗(yàn)系統(tǒng)搭建圖。萬能工具顯微鏡萬能工具顯微鏡用來精確測(cè)量各種工件尺寸、角度、形狀和位置，以及螺紋制件的各種參數(shù)。CCD上有許多排列整齊的電容，能感應(yīng)光線，并將影像轉(zhuǎn)變成數(shù)字信號(hào)。一塊CCD上包含的像素?cái)?shù)越多，其提供的畫面分辨率也就越高。CCD是一種半導(dǎo)體器件，能夠把光學(xué)影像轉(zhuǎn)化為數(shù)字信號(hào)。CCD英文全稱：Chargecoupled Device，中文全稱：電荷耦合元件。這里用寬度為3mm的錐形零件來代替大尺寸零件，本次實(shí)驗(yàn)主要通過圖像處理的方法求出錐形零件的寬度。決策級(jí)圖像融合方法包括:模糊邏輯、帶置信度因子的生成規(guī)則、關(guān)系事件代數(shù)方法、貝葉斯估計(jì)法、DS證據(jù)推理法等。 已經(jīng)出現(xiàn)的很多種圖像融合算法，都是針對(duì)不同的融合層次而研究出來的：像素級(jí)圖像融合的方法包括:馬爾可夫隨機(jī)場(chǎng)(Markov Random Field)、邏輯濾波器法、圖像代數(shù)法、加權(quán)平均法、彩色融合、數(shù)學(xué)形態(tài)法、主分量分析、多尺度卡爾曼濾波、小波變換圖像融合法、基于微分幾何的圖像融合、多分辨法等。為了提高決策的可靠性和智能性,該融合方法主要是使用認(rèn)知模型,利用專家判決系統(tǒng)和大型數(shù)據(jù)庫進(jìn)行模擬識(shí)別、推理、分析、判決這樣一個(gè)過程。該融合的優(yōu)點(diǎn)是其融合結(jié)果可以最大限度地找出決策分析所需要的特征信息,這是因?yàn)樵谔卣骷?jí)融合過程中提取的特征是與決策分析直接相關(guān)的,由于融合結(jié)果受到特征提取的影響,所以融合的精準(zhǔn)度往往低于像素級(jí)融合決策級(jí)融合該融合屬于圖像融合中的高層次