论文部分内容阅读
摘要：在工业制造自动生产线中，在装夹、包装等工序中时长需要根据图像处理利用计算机自动智能识别零件位置，然后由机械手将零件自动搬运到特殊位置。本文研究的是在此过程中零件位置识别的问题。
关键词：图像强化；图像分割；canny检测优化模型；极限模糊
针对这类问题，为了确定零件的位置信息，首先运用matlab将计算机的数据转化为图像，随后建立降噪滤波模型，对图像进行平滑处理，并进行适度强化。为能提取零件的边缘点以及确定了零件的中心点的位置信息，建立canny检测优化模型，对图像边缘的作出较高精确的处理，选取零件边缘点信息，随后利用机械零件位置识别模型，最终求解零件的旋转角度以及中心点的坐标信息。
1.前言
在工业制造自动生产线中，在装夹、包装等工序中有时需要根据图像处理利用计算机自动智能识别零件位置，并由机械手将零件自动搬运到特定位置。例如有一个零件轮廓如图 1 所示.
图2为皮带传送零件过程中的模拟情景，其中黄色部分为待测物体，下方绿色区域为计算机自动智能识别区域。在题目背景中已知，计算机可自动智能识别零件轮廓，可以得到零件的轮廓数据。
需要根据计算机中给出的零件轮廓数据，建立数学模型，识别计算出给定零件的位置坐标。
2.分析
问题是为了通过计算机识别的数据，来确定单个零件的位置信息，首先分析date1中的数据，转化为图样，为了提取出零件边缘点的信息，需要对图像进行降噪处理，为了适当强化效果，利用空间域的强化，但是可能会导致滤波过度，不利于提取零件边缘信息，于是借用canny检测优化模型，对其进行优化。将信息成像区即matlab数据区的正中心定义为坐标原点，利用坐标定位零件坐标信息，借用单个位置坐标信息的求解模型，求解零件的旋转角度以及在定义坐标系中零件中心点坐标值。
3.求解
数据图像化处理
在应用机器视觉的过程中，为了抑制和消除图像中的无效信息，更加有效地检测有效信息，并减少系统的数据存储量，需要采取有效地方法运算和处理原始工件图像，这样能够有效的提升机器视觉系统的稳定性以及测量精度。工件图像处理流程图如图所示。
根据计算机中的数据，在Matlab中转化成图像。
图像中常存在干扰点，不利于轮廓边界的分析。具体分类如下：
1.被测零件区域外形成的杂质点
2.被测零件外部轮廓图像出现相互连接
3.被侧零件轮廓转折处图像粗细不一致
4.被测零件内部转折轮廓图像聒噪严重
为了尽可能的消除这些点的干扰，首先进行图像处理。
高通滤波【10】
高通滤波器可适当提高周边区域获取信息的能力，使这一部分区域比较容易被提取。其与低通滤波 器是作用相反，使大于某一规定值的频率顺利地通过，阻止低频率部分通过。经巴特沃斯高通滤波器操作过后的图像看起来更加平缓和谐，去除噪声干扰的能力也比较强。为阶截断频率，其转移函数为：
一方面，平滑滤波能够除去对边缘检测中导数运算敏感的噪声，有效的抑制了虚假边缘的产生。另一方面，从图像内容，显然使用平滑滤波能够有效的抑制噪声，然而在此过程中会使得图像边缘模糊，增加了边缘定位的不确定性。
为便于图像边缘精确定位，采用边缘检测优化模型，平滑滤波和边缘检测是一对矛盾的概念。但是实际工程经验表明，高斯滤波器可以在抗噪声干扰和边缘检测精确定位之间提供一个较好的方案。
（1）用一阶偏导的有限差分进行计算梯度的幅值和方向。
图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈，边缘上的这种变化可以用微分算子检测出来，通常用一阶或二阶导数来检测边缘.
可以知道，一阶导数可以用于确定图像中的一个点是否【6】是边缘点（也就是判断一个点是否在斜坡上）。同样，二阶导数的符号可以用于判断一个边缘像素是否在亮的一边还是暗的一边。
（2）用一阶偏导的有限差分来计算梯度的幅值和方向。
用已经平滑滤波后的图像的梯度可以用2*2的一阶有限差分近似的计算x与 y的偏导数与：
其中，直角坐标系中坐标与幅值和方位角之间的关系如公式所示。其中代表幅值，反映着图像的边缘强度；代表方位角反映了梯度的方向。根据这一原理，当取得局部最大值时，其对应的梯度方向反映了边缘的方向（边缘方向与梯度方向垂直）：
可知，边缘方向和梯度方向总是垂直的。
（3）对梯度幅值进行非极大值抑制
仅仅得到全局的梯度并不足以确定边缘。因此，为了确定边缘，必須保留局部梯度最大的点，且要抑制非极大值。
图像梯度幅值矩阵中元素值越大，说明图像中该点的梯度值越大，但这并不能说明该点就是边缘。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，以此剔除一大部分非边缘点。利用梯度的方向，与邻域像素的梯度幅值进行比较，从而抑制非极大值。以待判断像素点为中心分成四个扇区，代表梯度方向近似的四个可能角度。将梯度角离散为圆周的四个扇区之一，以便使用的窗口做抑制运算。四个扇区的标号从0到3，对应于的8领域空间四种可能组合。对每一个像素点的梯度进行非极大抑制，首先将待判断像素梯度值与沿着梯度方向的2个8邻域像素的梯度进行比较。如果该像素点位置的梯度幅值没有沿梯度方向的两个相邻像素的梯度值大，则说明该点的梯度值不是局部最大值需被抑制，令=0，即该点不是边缘点。用此方法进行抑制全局梯度幅值中的非极大值。
（4）用双阈值算法检测和连接边缘
对非极大值抑制后的图像与高阈值和低阈值进行判断，根据判断的情况分为以下三种：
（A）如果某一像素位置的梯度幅值超过高阈值，则该像素被保留为边缘像素。
（B）如果某一像素位置的梯度幅值小于低阈值，则该像素被排除。
（C）如果某一像素位置的梯度幅值介于高、低阈值之间，则判断该像素8邻域空间的像
素是否存在高于高阈值的像素。如果存在，则该像素将被保留。
4.目标位置的确定以及角度
1.目标位置的标度
为了简化模型，利用其在坐标系中的相对位置表示零件的位置情况，利用其余主方向的夹角表示零件的角度信息。零件位定义的计算机成图时零件处于中心O，可以理解为目标零件是通过简单的平移变换后处于点O1 处，再经过坐标逆时针旋转得到的。即目标零件的位置信息可以表示为.
2.主方向旋转
对上述归一化后的灰度图像再二值化。设代表二值化后的图标图像，则
为了使提取的图像特征具有旋转不变性，可根据图像的主方向对其进行旋转。定义图像相对于主方向的夹角为
其中：表示图标区域的阶中心矩；， 为的重心坐标。将图像按照主方向旋转后，提取所有黑色点的最大外接矩形，称矩形内的图像为目标区域，后续的工作均是基于图像目标区域的操作，从而使得所提取的各种特征具有良好的平移不变性。
待提取零件边缘点信息结合运用主方向旋转的方法，可求解出，即知道零件位置信息。
参考文献：
[1]李青、袁家政、刘宏哲，《基于目标识别与显著性检测的图像场景多对象分割》，《计算机科学》，第44卷 第5期，309-311页。
[2]吴倩、顾寄南、张丽鹏，《基于图像处理的圆柱直齿轮识别技术研究》，《工具技术》，第51卷 第6期，110-111页。
[3]唐庆菊，刘俊岩，《基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测》，《红外与激光工程》，第45卷 第9期，2-5页。
关键词：图像强化；图像分割；canny检测优化模型；极限模糊
针对这类问题，为了确定零件的位置信息，首先运用matlab将计算机的数据转化为图像，随后建立降噪滤波模型，对图像进行平滑处理，并进行适度强化。为能提取零件的边缘点以及确定了零件的中心点的位置信息，建立canny检测优化模型，对图像边缘的作出较高精确的处理，选取零件边缘点信息，随后利用机械零件位置识别模型，最终求解零件的旋转角度以及中心点的坐标信息。
1.前言
在工业制造自动生产线中，在装夹、包装等工序中有时需要根据图像处理利用计算机自动智能识别零件位置，并由机械手将零件自动搬运到特定位置。例如有一个零件轮廓如图 1 所示.
图2为皮带传送零件过程中的模拟情景，其中黄色部分为待测物体，下方绿色区域为计算机自动智能识别区域。在题目背景中已知，计算机可自动智能识别零件轮廓，可以得到零件的轮廓数据。
需要根据计算机中给出的零件轮廓数据，建立数学模型，识别计算出给定零件的位置坐标。
2.分析
问题是为了通过计算机识别的数据，来确定单个零件的位置信息，首先分析date1中的数据，转化为图样，为了提取出零件边缘点的信息，需要对图像进行降噪处理，为了适当强化效果，利用空间域的强化，但是可能会导致滤波过度，不利于提取零件边缘信息，于是借用canny检测优化模型，对其进行优化。将信息成像区即matlab数据区的正中心定义为坐标原点，利用坐标定位零件坐标信息，借用单个位置坐标信息的求解模型，求解零件的旋转角度以及在定义坐标系中零件中心点坐标值。
3.求解
数据图像化处理
在应用机器视觉的过程中，为了抑制和消除图像中的无效信息，更加有效地检测有效信息，并减少系统的数据存储量，需要采取有效地方法运算和处理原始工件图像，这样能够有效的提升机器视觉系统的稳定性以及测量精度。工件图像处理流程图如图所示。
根据计算机中的数据，在Matlab中转化成图像。
图像中常存在干扰点，不利于轮廓边界的分析。具体分类如下：
1.被测零件区域外形成的杂质点
2.被测零件外部轮廓图像出现相互连接
3.被侧零件轮廓转折处图像粗细不一致
4.被测零件内部转折轮廓图像聒噪严重
为了尽可能的消除这些点的干扰，首先进行图像处理。
高通滤波【10】
高通滤波器可适当提高周边区域获取信息的能力，使这一部分区域比较容易被提取。其与低通滤波 器是作用相反，使大于某一规定值的频率顺利地通过，阻止低频率部分通过。经巴特沃斯高通滤波器操作过后的图像看起来更加平缓和谐，去除噪声干扰的能力也比较强。为阶截断频率，其转移函数为：
一方面，平滑滤波能够除去对边缘检测中导数运算敏感的噪声，有效的抑制了虚假边缘的产生。另一方面，从图像内容，显然使用平滑滤波能够有效的抑制噪声，然而在此过程中会使得图像边缘模糊，增加了边缘定位的不确定性。
为便于图像边缘精确定位，采用边缘检测优化模型，平滑滤波和边缘检测是一对矛盾的概念。但是实际工程经验表明，高斯滤波器可以在抗噪声干扰和边缘检测精确定位之间提供一个较好的方案。
（1）用一阶偏导的有限差分进行计算梯度的幅值和方向。
图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈，边缘上的这种变化可以用微分算子检测出来，通常用一阶或二阶导数来检测边缘.
可以知道，一阶导数可以用于确定图像中的一个点是否【6】是边缘点（也就是判断一个点是否在斜坡上）。同样，二阶导数的符号可以用于判断一个边缘像素是否在亮的一边还是暗的一边。
（2）用一阶偏导的有限差分来计算梯度的幅值和方向。
用已经平滑滤波后的图像的梯度可以用2*2的一阶有限差分近似的计算x与 y的偏导数与：
其中，直角坐标系中坐标与幅值和方位角之间的关系如公式所示。其中代表幅值，反映着图像的边缘强度；代表方位角反映了梯度的方向。根据这一原理，当取得局部最大值时，其对应的梯度方向反映了边缘的方向（边缘方向与梯度方向垂直）：
可知，边缘方向和梯度方向总是垂直的。
（3）对梯度幅值进行非极大值抑制
仅仅得到全局的梯度并不足以确定边缘。因此，为了确定边缘，必須保留局部梯度最大的点，且要抑制非极大值。
图像梯度幅值矩阵中元素值越大，说明图像中该点的梯度值越大，但这并不能说明该点就是边缘。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，以此剔除一大部分非边缘点。利用梯度的方向，与邻域像素的梯度幅值进行比较，从而抑制非极大值。以待判断像素点为中心分成四个扇区，代表梯度方向近似的四个可能角度。将梯度角离散为圆周的四个扇区之一，以便使用的窗口做抑制运算。四个扇区的标号从0到3，对应于的8领域空间四种可能组合。对每一个像素点的梯度进行非极大抑制，首先将待判断像素梯度值与沿着梯度方向的2个8邻域像素的梯度进行比较。如果该像素点位置的梯度幅值没有沿梯度方向的两个相邻像素的梯度值大，则说明该点的梯度值不是局部最大值需被抑制，令=0，即该点不是边缘点。用此方法进行抑制全局梯度幅值中的非极大值。
（4）用双阈值算法检测和连接边缘
对非极大值抑制后的图像与高阈值和低阈值进行判断，根据判断的情况分为以下三种：
（A）如果某一像素位置的梯度幅值超过高阈值，则该像素被保留为边缘像素。
（B）如果某一像素位置的梯度幅值小于低阈值，则该像素被排除。
（C）如果某一像素位置的梯度幅值介于高、低阈值之间，则判断该像素8邻域空间的像
素是否存在高于高阈值的像素。如果存在，则该像素将被保留。
4.目标位置的确定以及角度
1.目标位置的标度
为了简化模型，利用其在坐标系中的相对位置表示零件的位置情况，利用其余主方向的夹角表示零件的角度信息。零件位定义的计算机成图时零件处于中心O，可以理解为目标零件是通过简单的平移变换后处于点O1 处，再经过坐标逆时针旋转得到的。即目标零件的位置信息可以表示为.
2.主方向旋转
对上述归一化后的灰度图像再二值化。设代表二值化后的图标图像，则
为了使提取的图像特征具有旋转不变性，可根据图像的主方向对其进行旋转。定义图像相对于主方向的夹角为
其中：表示图标区域的阶中心矩；， 为的重心坐标。将图像按照主方向旋转后，提取所有黑色点的最大外接矩形，称矩形内的图像为目标区域，后续的工作均是基于图像目标区域的操作，从而使得所提取的各种特征具有良好的平移不变性。
待提取零件边缘点信息结合运用主方向旋转的方法，可求解出，即知道零件位置信息。
参考文献：
[1]李青、袁家政、刘宏哲，《基于目标识别与显著性检测的图像场景多对象分割》，《计算机科学》，第44卷 第5期，309-311页。
[2]吴倩、顾寄南、张丽鹏，《基于图像处理的圆柱直齿轮识别技术研究》，《工具技术》，第51卷 第6期，110-111页。
[3]唐庆菊，刘俊岩，《基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测》，《红外与激光工程》，第45卷 第9期，2-5页。