機(jī)器視覺的圖像分析

什么是圖像分析？該術(shù)語被廣泛應(yīng)用在多種技術(shù)學(xué)科上，并具有不同的含義。要在機(jī)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(dǎo)應(yīng)用。數(shù)字相機(jī)或其他復(fù)雜的傳感器集成在一起的鏡頭或?qū)ｉT的光源，以捕捉一個(gè)對(duì)象的圖片。通過各種手段，圖片可以加強(qiáng)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(dòng)處理任務(wù)，如指導(dǎo)，測量，或質(zhì)量保證。

在一個(gè)成功的機(jī)器視覺應(yīng)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(gè)動(dòng)作。在本教程中，我們將重點(diǎn)放在圖像分析中，并將介紹幾種機(jī)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(jī)器視覺的一部分?？傊?，圖像分析是從圖像中提取的應(yīng)用程序和自動(dòng)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(gè)或許多檢測算法中的應(yīng)用。

 

提取圖像的內(nèi)容

從根本上講，一個(gè)用于一般用途的機(jī)器視覺包含數(shù)千個(gè)數(shù)據(jù)點(diǎn)，我們通常稱之為“像素”。對(duì)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(gè)像素也有一個(gè)位置相對(duì)于它的位置上的傳感器。在某些情況下，像當(dāng)圖像表示一個(gè)三維的點(diǎn)云，像素位置可能會(huì)被表示為一個(gè)點(diǎn)在現(xiàn)實(shí)世界的空間與X，Y，Z坐標(biāo)。對(duì)于這個(gè)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(jī)器視覺軟件使用像素的位置和灰度值的像素?cái)?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(jī)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(gè)經(jīng)常用于圖像梯度的術(shù)語是邊緣。事實(shí)上，它并不少見有一個(gè)機(jī)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(huì)影響我們的選擇和應(yīng)用的圖像分析工具。

 

像素邊緣

當(dāng)圖像被捕獲時(shí)，像素的灰度值表示由該像素存儲(chǔ)的光的量。許多外部因素影響這個(gè)值，包括光的強(qiáng)度和顏色，對(duì)象的反射率，光學(xué)，相機(jī)曝光時(shí)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(huì)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(huì)導(dǎo)致不正確的分析。適當(dāng)?shù)恼彰?，光學(xué)，相機(jī)和組件的圖像采集的應(yīng)用可以幫助確保一致的響應(yīng)，和前處理也是有用的，在確保圖像灰度可重復(fù)性時(shí)，使用任何機(jī)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(jì)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(duì)特征的大小和形狀，或報(bào)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(xué)計(jì)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，通常可以計(jì)算的梯度。這種能力的重要性是，作為一個(gè)場景的亮度和/或?qū)Ρ榷鹊淖兓?，一個(gè)過程仍然可以提取邊緣數(shù)據(jù)，只要有一個(gè)足夠的梯度，或顏色的變化，在有針對(duì)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(qiáng)度以及位置和可能的邊緣點(diǎn)和組邊緣點(diǎn)的方向。使用邊緣的典型圖像分析操作包括目標(biāo)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(jī)器視覺工具的圖像分析工具，幫助我們?cè)谶x擇和實(shí)施這些工具的一個(gè)特定的應(yīng)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(huì)很好地響應(yīng)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(jī)器視覺工具，以及它們?cè)趯?shí)際應(yīng)用中的用途。

 

典型的圖像分析工具和實(shí)際應(yīng)用

機(jī)器視覺的通用組件，如智能相機(jī)和基于PC的系統(tǒng)，提供了一個(gè)廣泛的圖像分析工具。有時(shí)，這些涉及復(fù)雜的組合的算法，有效地提取信息的一個(gè)特定類型的過程。在許多情況下，雖然，工作只需要謹(jǐn)慎的應(yīng)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(shí)現(xiàn)在圖像分析。

一個(gè)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(jí)的像素的內(nèi)容。這些“直方圖分析”工具只是簡單地計(jì)算在每個(gè)灰度級(jí)的像素的數(shù)量。計(jì)數(shù)本身可以是有用的，在確定圖像的內(nèi)容。例如，一個(gè)特征的平均顏色，和覆蓋特征的典型數(shù)量的像素，在適當(dāng)?shù)念伾秶鷥?nèi)的像素的數(shù)量的測試可以驗(yàn)證的存在/不存在，甚至可能是目標(biāo)特征的大小。該算法往往提供了其他廣泛的統(tǒng)計(jì)信息的灰度數(shù)據(jù)以及。這種類型的工具的處理時(shí)間是非?？斓?，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(gè)強(qiáng)大的圖像分析工具是“連接”，也被稱為“blob分析”或在一些實(shí)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(gè)狀態(tài)根據(jù)一個(gè)分割的“閾值”（產(chǎn)生的像素表示被稱為一個(gè)“二進(jìn)制”圖像）光或暗。該工具提供了關(guān)于連接的斑點(diǎn)，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(gè)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(dǎo)，缺陷檢測和更多。

一個(gè)基本的邊緣為基礎(chǔ)的過程是一對(duì)邊緣或一個(gè)單一的邊緣在一個(gè)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(duì)?！边@類算法的特點(diǎn)是，它返回一個(gè)非常精確的和可重復(fù)的點(diǎn)（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(duì)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(gè)更復(fù)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(gè)預(yù)先訓(xùn)練的模型，其中的邊緣（和其他內(nèi)容）的數(shù)學(xué)提取，以形成一個(gè)目標(biāo)對(duì)象的數(shù)據(jù)表示。由于該模型是嚴(yán)格的數(shù)據(jù)，它可以在數(shù)學(xué)上重新大小，旋轉(zhuǎn)，傾斜，或操作所需的應(yīng)用程序，甚至創(chuàng)建從無到有，沒有一個(gè)圖像。一個(gè)搜索算法，然后使用訓(xùn)練有素的模型來找到匹配的實(shí)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(gè)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(gè)模型在顯著退化圖像。幾何搜索是至關(guān)重要的許多應(yīng)用，涉及精確的位置和指導(dǎo)，也可以用于各種其他處理，如部分存在/不存在和功能/對(duì)象的分化。