機器視覺的圖像分析

什么是圖像分析？該術(shù)語被廣泛應用在多種技術(shù)學科上，并具有不同的含義。要在機器視覺中定義圖像分析，考慮廣泛的典型工業(yè)檢查或指導應用。數(shù)字相機或其他復雜的傳感器集成在一起的鏡頭或?qū)ｉT的光源，以捕捉一個對象的圖片。通過各種手段，圖片可以加強和優(yōu)化的內(nèi)容。專門的軟件工具用于從圖片中提取信息的信息。最終，該信息提供給自動處理任務，如指導，測量，或質(zhì)量保證。

在一個成功的機器視覺應用程序中的這些重要的步驟可以分為一般的操作類別。圖像采集，圖像處理，圖像分析，和結(jié)果處理經(jīng)常被用來描述上面提到的四個動作。在本教程中，我們將重點放在圖像分析中，并將介紹幾種機器視覺技術(shù)和軟件的廣泛和重要的部分很基本概念。

為了我們的目的，圖像分析是機器視覺的一部分?？傊?，圖像分析是從圖像中提取的應用程序和自動化系統(tǒng)所需的數(shù)據(jù)和信息。得到正確的信息，需要規(guī)范和一個或許多檢測算法中的應用。

 

提取圖像的內(nèi)容

從根本上講，一個用于一般用途的機器視覺包含數(shù)千個數(shù)據(jù)點，我們通常稱之為“像素”。對于大多數(shù)圖像采集，這些數(shù)據(jù)包含的值表示已由像素捕獲的光線（稱為像素的灰度值）。一個像素也有一個位置相對于它的位置上的傳感器。在某些情況下，像當圖像表示一個三維的點云，像素位置可能會被表示為一個點在現(xiàn)實世界的空間與X，Y，Z坐標。對于這個介紹性的討論，我們將只覆蓋分析的二維，灰度信息。

在圖像的分析中，機器視覺軟件使用像素的位置和灰度值的像素數(shù)據(jù)執(zhí)行操作，最經(jīng)常是相鄰像素的組。為了幫助區(qū)分這些操作的基本功能，我們可以將許多人分類為使用原生的灰度信息，或使用直接從灰度信息派生的梯度信息。在機器視覺圖像分析中，它最簡單的上下文中的梯度意味著相鄰像素之間的灰度變化。另一個經(jīng)常用于圖像梯度的術(shù)語是邊緣。事實上，它并不少見有一個機器視覺工具（或“算法”）的根過程被描述為“基于灰度”或“邊緣”，讓我們簡要地看看這是如何工作，以及它可能會影響我們的選擇和應用的圖像分析工具。

 

像素邊緣

當圖像被捕獲時，像素的灰度值表示由該像素存儲的光的量。許多外部因素影響這個值，包括光的強度和顏色，對象的反射率，光學，相機曝光時間，和其他。在一樓廠房的影響因素如環(huán)境光，部分的介紹，和部分的變化也會影響灰度圖像的內(nèi)容。在圖像內(nèi)容中的這些變化可能會導致不正確的分析。適當?shù)恼彰?，光學，相機和組件的圖像采集的應用可以幫助確保一致的響應，和前處理也是有用的，在確保圖像灰度可重復性時，使用任何機器視覺工具，特別是基于灰度的工具。

圖像分析工具可以在限制范圍內(nèi)使用本地的灰度數(shù)據(jù)的灰度值的計數(shù)和/或組像素；或特定的“顏色”。這樣的工具，例如，特征提取，圖像中提供的位置信息，對特征的大小和形狀，或報告的圖像一般顏色的特定區(qū)域內(nèi)。

基于邊緣的工具執(zhí)行處理在相鄰像素的顏色的局部變化。這些梯度的數(shù)學計算在各種不同的方式取決于該算法。顏色的變化是微妙的或激烈的，通?？梢杂嬎愕奶荻?。這種能力的重要性是，作為一個場景的亮度和/或?qū)Ρ榷鹊淖兓?，一個過程仍然可以提取邊緣數(shù)據(jù)，只要有一個足夠的梯度，或顏色的變化，在有針對性的相鄰像素。

利用邊緣獲取信息的圖像分析工具可以利用邊緣的強度以及位置和可能的邊緣點和組邊緣點的方向。使用邊緣的典型圖像分析操作包括目標特征的邊緣或邊緣或邊緣的位置的位置的測量，以確定特征位置和幾何形狀。

了解這些基本的圖像內(nèi)容所使用的許多機器視覺工具的圖像分析工具，幫助我們在選擇和實施這些工具的一個特定的應用。例如，具有良好定義的一致的顏色的功能或缺陷的圖像可能會很好地響應過程中的灰度信息的工具，而基于邊緣的工具，可以用來克服圖像的變化。讓我們考慮一些典型的機器視覺工具，以及它們在實際應用中的用途。

 

典型的圖像分析工具和實際應用

機器視覺的通用組件，如智能相機和基于PC的系統(tǒng)，提供了一個廣泛的圖像分析工具。有時，這些涉及復雜的組合的算法，有效地提取信息的一個特定類型的過程。在許多情況下，雖然，工作只需要謹慎的應用程序的只是一些簡單的工具。在這里，我們將簡要介紹這些工具和它們的實現(xiàn)在圖像分析。

一個非?；镜墓ぞ咛峁┑哪芰矸治鲈趫D像或區(qū)域的圖像的灰度級的像素的內(nèi)容。這些“直方圖分析”工具只是簡單地計算在每個灰度級的像素的數(shù)量。計數(shù)本身可以是有用的，在確定圖像的內(nèi)容。例如，一個特征的平均顏色，和覆蓋特征的典型數(shù)量的像素，在適當?shù)念伾秶鷥?nèi)的像素的數(shù)量的測試可以驗證的存在/不存在，甚至可能是目標特征的大小。該算法往往提供了其他廣泛的統(tǒng)計信息的灰度數(shù)據(jù)以及。這種類型的工具的處理時間是非常快的，這些工具經(jīng)常被用來作為東西，如部分存在和缺陷檢測。

另一個強大的圖像分析工具是“連接”，也被稱為“blob分析”或在一些實現(xiàn)“顆粒分析。”又與像素的顏色，連接工具組的相鄰像素的顏色相近的連接形式。它通常是通過首先將像素的顏色分為兩個狀態(tài)根據(jù)一個分割的“閾值”（產(chǎn)生的像素表示被稱為一個“二進制”圖像）光或暗。該工具提供了關于連接的斑點，信息包括大小，形狀，位置，和更多。用直方圖工具，Blob分析是一個非常快的過程。它用于部分的存在/不存在和分化，位置和指導，缺陷檢測和更多。

一個基本的邊緣為基礎的過程是一對邊緣或一個單一的邊緣在一個區(qū)域中的圖像的位置的測量。執(zhí)行這種功能的工具，可以被稱為“卡尺”或“邊緣對?！边@類算法的特點是，它返回一個非常精確的和可重復的點（或線或圓）在圖像中的邊緣特征在很寬的范圍內(nèi)的圖像的亮度和對比度的變化。這種類型的工具是用于測量，或可以在部分分化或存在/不存在。

一個更復雜的工具，使用（從根本上）的邊緣信息是“幾何搜索”或“模式匹配”，這種類型的工具使用一個預先訓練的模型，其中的邊緣（和其他內(nèi)容）的數(shù)學提取，以形成一個目標對象的數(shù)據(jù)表示。由于該模型是嚴格的數(shù)據(jù)，它可以在數(shù)學上重新大小，旋轉(zhuǎn)，傾斜，或操作所需的應用程序，甚至創(chuàng)建從無到有，沒有一個圖像。一個搜索算法，然后使用訓練有素的模型來找到匹配的實例中的模型在圖像被處理。與大多數(shù)基于邊緣的工具，一個幾何搜索工作，以及在不同的圖像條件下，在許多情況下，甚至可以找到一個模型在顯著退化圖像。幾何搜索是至關重要的許多應用，涉及精確的位置和指導，也可以用于各種其他處理，如部分存在/不存在和功能/對象的分化。