划片机视觉识别系统设计原理分析
加入技术交流群
3.3 图像分析算法选择
经过滤波去除现场躁声干扰之后，下一个环节是把图像分离成互不重叠的有意义的区域，每一区域对应于某一物体的表面。分类的依据是像素的频谱特性，空间特性，灰度值，颜色等。这实际上是由图像处理过渡到图像分析的重要一环，也是一种通用的计算机视觉技术。图像分割的算法可分为两大类：基于度量空间的灰度阈值分割法和基于空间区域增长分割法。对于全自动划片机的自动对准系统而言，基于度量空间的灰度阈值分割法更为适用。相当于对图像进行二值化处理。阈值一般由图像的灰度直方图计算得到。我们采用迭代算法针对双峰直方图进行了阈值计算。效果比较满意。迭代算法是针对双峰直方图计算分割阈值的方法。既首先确定图像中最大和最小灰度值Mmax和Mmin，令初始阈值为：
本文引用地址：//m.amcfsurvey.com/article/155782.htm
根据T将图像分成目标和背景两部分，分别求出两部分的平均灰度值：
其中：i为灰度值，ni为灰度值等于i的像素个数，由此得到新的阈值：
如果：Tk+1=Tk，则迭代过程结束，否则继续。
以上图像预处理过程利用Open CV视觉函数库中都能得到很好实现。
几何特征点集是能正确反映定位标志位置点的集合，特征的选择对最终的模板匹配有重要影响。几何特征点数目越多匹配精度越高。但速度相对会慢。数目越少匹配精度会差。但速度相对会快。因此，我们经过多次实验尽量选择了最合适的几何特征点，兼顾了匹配的速度和精度。在此系统的应用背景下，定位模板的几何边缘点是很好的选择。为提取定位模板的几何特征点集，首先利用迭代算法对图像进行分割，然后利用SUASAN边缘和角点提取算法得到定位模板的几何边缘点。
3.4 几何边缘角点提取原理
SUSAN几何边缘提取，是在给定大小的窗口中对像素进行运算，得到窗口中心点处的角点初始响应，再在所有初始响应中寻找局部极大值，得到最终的几何边缘点集，其算法如下：
(1)由以下两公式计算窗口中灰度值与窗口中心像素相似的像素个数n(x0y0)：
(2)由下式得到角点的初始响应：
(3)重复(1)(2)得到图像中所有像素处的角点初试响应，最后寻找局部极大值得到边缘点集和角点的位置。几何阈值对输出的结果有一定影响，它不仅影响输出角点的数量，更重要的是它还影响输出角点的形状，例如，当减小几何阈值时，被检测出的角点将会更尖锐。灰度差阈值T对输出的角点的几何形状的影响不大，但它会影响输出角点的数量。因为灰度差阈值定义了窗口中容许的最大灰度变化，而在划切工件中，图形模板与其背景图像融合处灰度变化是最大的，所以当减小灰度阈值时，算法可以检测出图像中更微小的边缘几何变化，输出更多的角点。
显而易见，在划片机的自动对准系统中，如果以模板图像的几何特征点作为依据，那么特征点的数量将会显著减小，运算时间也大大缩短，可以大幅度提高自动对准的速度。
4 结束语
以上算法均在基于Open CV视觉函数库的基础上得到很好的实现，整个图像处理过程在PC机上完成，使用VC++6.0开发工具实现。经过不断现场实验，我们最终认为：以0pen CV视觉函数库为基础，经过SUSAN滤波，迭代分割和SUSAN几何边缘角点提取算法得到的定位模板图像的特征点效果理想，它不仅全面保留了图形的轮廓特征，还极大地减小了特征点的数量，并可有效地提高划片机图像匹配自动对准的精度和速度。
评论