数字图像处理学
第2章图像、图像系统与视觉系统
（第二讲）
2. 3 视觉系统
在图像处理中所采用的许多处理技术，其主要目的是帮助观察者理解和分析图像中的某些内容。因此，图像处理系统不但应该是从视觉系统的角度来看是理想的系统，而且又是最经济有效的系统。为了达到预期的目的，在图像处理中不但要考虑图像的客观性质而且也要考虑视觉系统的主观性质。
2.3.1、视觉系统的基本构造
人的视觉系统是由眼球、神经系统及大脑的视觉中枢构成。人眼的形状为一球形，其平均直径约20mm。这球形之外壳有三层薄膜，最外层是角膜和巩膜。角膜是硬而透明的组织，它覆盖在眼睛的前表面。巩膜与角膜联在一起，它是一层不透明的膜，包围着眼球剩余的部分。
巩膜的里面是脉络膜，脉络膜外壳着色很深，因此，有利于减少进入眼内的外来光和光在眼球内的反射。脉络膜的前边被分为睫状体和虹膜。虹膜的收缩和扩张控制着允许进入眼内的光量。
图2—31 人眼的断面图
虹膜的中间开口处是瞳孔，瞳孔的大小是可变的，大约可以从2mm变到8mm。虹膜的前部有眼睛
的明显的色素，而后部则含有黑色素。眼睛最里层的膜是视网膜，它布满了整个后部的内壁上。当眼球被适当地聚焦时，从眼睛外部物体来的光就在视网膜上成像。
视网膜具有高度的信息处理机能。视网膜的厚度大约有0.1～0.5mm。参与信息处理的细胞有视觉细胞（包括锥状体和杆状体）、水平细胞(Horizontal cell)、埃玛克里细胞(Amacrine cell)、两极细胞(Bipolar cell)和神经节细胞(Ganglion cell)等５种。
图2—32 视网膜结构模型
眼睛中的光接收器主要是视觉细胞，它包括锥状体和杆状体。中央凹（或称中心窝）部分特别薄，这部分没有杆状体，只密集地分布锥状体。它具有辨别光波波长的能力，因此，对颜色十分敏感。有时它被叫做白昼视觉。每只眼睛的锥状体大约有700万个，在中央凹的分布间隔大约为2～2.5微米。
杆状体比锥状体的灵敏度高，在较暗的光线下就能起作用。但是，它没有辨别颜色的能力，有时又叫它夜视觉。杆状体分布面积较大，其数量大约有１亿３千万个。正因为两种视觉细胞的不同特点，所以我们看到的物体在白天有鲜明的色彩，而在夜里却看不到颜色。与视觉细胞相比，神经节细胞数目较少，大约有100万左右。
2.3.2、光觉和色觉
眼睛对光的感觉称为光觉，对颜色的感觉称为色觉。这是眼睛的基本特性。
1) 、光觉门限及亮度辨别门限
光觉门限：
把产生光觉的最小亮度叫做光觉门限或光觉阈。
光觉门限的适应状态受多种因素的影响：
生理条件、
光的波长、
光刺激的持续时间、
刺激面积、
视网膜上的位置等。
光觉门限的值大约为1×10－6（尼特)(cd/m2)。人感觉光的范围的最大值和最小值之比达到1010以上。
锥状体和杆状体各自的最大灵敏度随波长而异，
杆状体的最灵敏点比锥状体最灵敏点波长短50nm左右。波长从380～740nm分别与紫、蓝、绿、黄、橙、红等顺序相对应。这就是在傍晚光线变暗时我们所
看到的物体没有颜色的原因，这种现象叫Purkinje shift 现象。
图2—33 锥状体(a)和杆状体(b)的相对灵敏度特性
光觉门限与刺激面积和刺激时间有密切关系。关于光觉门限与刺激面积的关系有里克（Ricco）定律
和里波（Riper）定律来描述。当刺激面积较小时，光觉门限的强度I 与面积A的关系遵循下式之关系，即：
IA(2—47)
常数
刺激面积大，光觉门限小
这条定律就叫做里克定律。这里面积A的大小在如下范围内：在中央凹处，视角在几分之内；离中央凹４o～７°处的亚中央凹处大约为0.5°以内；距中央凹处３５°左右约２°以内都适合本定理。当刺激面积较大时，有下式的关系成立
I(2—48)
A
常数
这个关系就是里波定律。这个定律在视角范围内都可成立。一般情况下，里克定律和里波定律常含在一起用,统称为里波定理。
关于光觉门限与时间的关系由布洛克（Block ）定理来描述，它在时间较短的范围内才成立。布洛克定理是指光强等于光觉门限时，刺激时间T 与光强度I 的关系如下：
(2—49)
常数
IT 刺激时间长，光觉门限小式（2—49）约在0.1S 以下的范围内成立。
光觉门限是指产生光觉的最小值，而辨别门限是指辨别亮度差别而必须的光强度差的最小值。这个最小值△I 随光强I 的大小而异。有时也采用相对辨别门限△I/I 或称之为韦伯比来表示辨别门限。
亮度的相对辨别门限△I/I 与光强度水平I 及刺激面积的关系曲线如图2—34所示。这些曲线是斯坦哈特（Steinhardt）在１９３６年测定的。
图2—34 相对亮度辨别门限与光强I 及刺激面积A 的关系曲线
I I
计算机视觉与图像理解 摘要 精确的特征跟踪是计算机视觉中的许多高层次的任务，如三维建模及运动分析奠定了基础。虽然有许多特征跟踪算法，他们大多对被跟踪的数据没有错误信息。但是，由于困难和空间局部性的问题，现有的方法会产生非常不正确的对应方式，造成剔除了基本的后处理步骤。我们提出了一个新的通用框架，使用Unscented转换，以增加任意变换特征跟踪算法，并使用高斯随机变量来表示位置的不确定性。我们运用和验证了金出武雄，卢卡斯- Tomasi 的跟踪功能框架，并将其命名为Unscented康莱特（UKLT）。UKLT能跟踪并拒绝不正确的应对措施。并证明对真假序列的方法真确性，并演示UKLT能做出正确不误的判断出物体的位置。 1．简介 在计算机视觉，对问题反映的准确性取决于于图像的准确测定。特征跟踪会随时间变化对变化的图像进行处理，并更新每个功能的变化作为图像的位置判断。重要的是所选择图像的功能，有足够的信息来跟踪，而且不遭受光圈问题的影响。[1] 在金出武雄，卢卡斯- Tomasi（康莱特）是最知名的跟踪和研究方法之一。它采用一对匹配准则刚性平移模型，它是相当于窗口强度的平方差之和最小化的基础。特征点的正确选择，可大大提高算法的性能。[3] Shi与Tomasi 将初始算法考虑仿射模型，并提出了技术监测的功能对质量进行跟踪。如果第一场比赛中的图像区域之间和当前帧残留超过阈值时，该功能将被拒绝。在随后的工作中，对模型进行了扩展且考虑了光照和反射的变化。 不幸的是，这些算法没有考虑在跟踪的不确定性，和估计的可靠性。如果我们能够考虑到这些问题，我们将能从混乱的数据中提取出更准确的数据。在没有不确定性特设技术条件下，有些研究员试图从中提取有用的数据但是结果都不能令人满意。但是理论上有声音的不确定性为特征跟踪，是可以应用于不同的功能类型的方法。 在一个闭塞，模糊，光照变化的环境中，即使是最复杂的特征跟踪算法一败涂地无法准确跟踪。这些问题导致错误的匹配，就是离群值。虽然有几种方法来减轻异常值的影响，但是其计算成本通常较高[7] [8]。[9]采用随机抽样一致性[10]的方法来消除图像序列异常值。Fusiello提出的康莱特，增加了一种自动拒绝规则功能，所谓的X84。虽然有许多离群排斥的方法，但没有一个单一的算法，尽管该算法在所有情况下都表现良好。 在本文中我们将研究范围扩大，运用高斯随机变量（GRVs）与Unscented变换（SUT 的），计算在一个非线性变换的分布传播，运用标准康莱特算法。采用随机变量来描述图像特征的位置和它们的不确定性既提高了精度又提高了鲁棒性的跟踪过程。虽然我们不知道什么是真正的分布，被测系统为我们提供了理论保证，前两个时刻的估计是正确的。另外，使用异常检测被测样品确定性使我们没有增加任何额外费用。 2．不确定度表示 我们现在引入一个新的通用框架，增强了任意特征跟踪算法，以代表和跟踪高斯随机变量（GRVs）功能的位置。然后，我们说明它可以被应用到最常用的方法，康莱特之一[1]。 GRVs是一种用于图像的特征定位概率分布函数描述的不错选择。他们有一个简单易懂的数学公式（平均向量和协方差矩阵）和紧凑的计算实施。他们也有一个确切的封闭使用的线性代数运算的代数线性变换的制定，并以此作为其参数表示的两个分布的第一时刻。Haralick [13]虽然提出了在计算机视觉中使用协方差传递，但他只考虑一阶线性化。 易用性外，还出现了一些有效的文献，它质疑从本地的图像灰度信息测量协方差是否可以代表的功能位置的不确定性[6]。
图像处理及识别技术在机器人路径规划中的一种应用 摘要：目前，随着计算机和通讯技术的发展，在智能机器人系统中，环境感知与定位、路径规划和运动控制等功能模块趋向于分布式的解决方案。机器人路径规划问题是智能机器人研究中的重要组成部分，路径规划系统可以分为环境信息的感知与识别、路径规划以及机器人的运动控制三部分，这三部分可以并行执行，提高机器人路径规划系统的稳定性和实时性。在感知环节，视觉处理是关键。本文主要对机器人的路径规划研究基于图像识别技术，研究了图像处理及识别技术在路径规划中是如何应用的，机器人将采集到的环境地图信息发送给计算机终端，计算机对图像进行分析处理与识别，将结果反馈给机器人，并给机器人发送任务信息，机器人根据接收到的信息做出相应的操作。 关键词：图像识别；图像处理；机器人；路径规划 ABSTRACT：At present, with the development of computer and communication technology, each module, such as environment sensing, direction deciding, route planning and movement controlling moduel in the system of intelligent robot, is resolved respectively. Robot path planning is an part of intelligent robot study. The path planning system can be divided into three parts: environmental information perception and recognition, path planning and motion controlling. The three parts can be executed in parallel to improve the stability of the robot path planning system. As for environment sensing, vision Proeessing is key faetor. The robot path planning of this paper is based on image recognition technology. The image processing and recognition technology is studied in the path planning is how to apply, Robots will sent collected environment map information to the computer terminal, then computer analysis and recognize those image information. After that computer will feedback the result to the robot and send the task information. The robot will act according to the received information. Keywords: image recognition，image processing, robot，path planning
基于计算机视觉和图像处理的交通参数检测 作者：魏武， 张起森， 王明俊， 黄中祥 作者单位：长沙交通学院道路与交通工程系 刊名： 信息与控制 英文刊名：INFORMATION AND CONTROL 年，卷(期)：2001,30(3) 被引用次数：40次 参考文献(5条) 1.P G Michalopoulos Vehicle Detection through Image Processing, The Autoscope System, IEEE Trans[外文期刊] 1991(01) 2.Brian Carlson Vision Makes Traffic Control Intelligent 1997(02) 3.W Wei;X H Huang;M Wang W Li Method of Road-Traffic Parameter Detection Using Optical Sensor 2000 4.A T Ali;J Bulas-Cruz;E L Dageless Vision Based Road Traffic Data Collection, Proc. ISATA 26th 1993 5.P Briquet Video Processing Applied to Road and Urban Traffic Monitoring[外文会议] 1992 本文读者也读过(1条) 1.徐波智能交通系统中车辆提取与计数算法研究[学位论文]2006 引证文献(40条) 1.张霖.韩宝明.李得伟基于图像技术的城市轨道交通大客流辨识[期刊论文]-都市快轨交通 2012(1) 2.蒋鹏洲视频车辆检测器在城市道路监控中的应用[期刊论文]-华章 2011(16) 3.徐建闽.杨传岗.林培群视频交通场景的背景生成方法研究[期刊论文]-公路交通科技 2009(8) 4.占建云.张毅.王长君.姚丹亚.陆磊基于HALCON的视频交通参数检测方法[期刊论文]-公路交通科技 2008(9) 5.杨传岗.徐建闽.林晓辉基于视频技术的交通场景背景生成方法研究[期刊论文]-西部交通科技 2008(1) 6.佟守愚.程三伟.李江高速公路车辆超速检测算法影响因素分析与对策研究[期刊论文]-公路交通科技 2006(10) 7.王命延.朱明峰.王昊机动车视频测速中关键技术的研究与实现[期刊论文]-计算机工程 2006(5) 8.张旭东.钱玮.高隽.方廷健视频图像中运动目标的实时检测[期刊论文]-系统工程与电子技术 2005(3) 9.张绍满.盛翊智.李炳基.朱运洲一种基于虚拟线圈运动矢量的车速检测方法[期刊论文]-华中科技大学学报(自然科学版) 2004(1) 10.郇洪江.宫宁生.胡斌基于视频的道路识别新算法在交通监测系统中的应用[期刊论文]-计算机应用与软件2010(6) 11.于强.康凌道路交通视频检测系统初探[期刊论文]-天津科技 2009(6) 12.曹江中.戴青云.谭志标.邸磊基于视频检测的高速公路交通信息采集系统设计[期刊论文]-电子技术应用 2007(6) 13.曹江中.戴青云.谭志标.邸磊基于视频的高速公路车辆检测和跟踪算法[期刊论文]-计算机应用 2006(2) 14.杨昌勇.刘建伟.曹泉车辆违章逆行的图像自动检测与识别[期刊论文]-计算机工程与设计 2005(10) 15.孙棣华.马丽.陈伟霞基于手机定位及聚类分析的实时交通参数估计[期刊论文]-交通运输系统工程与信息2005(3) 16.基于视频图像处理的实时车速信息采集系统的研究[学位论文]硕士 2005
机器视觉技术发展现状 人类认识外界信息的80%来自于视觉，而机器视觉就是用机器代替人眼来做 测量和判断，机器视觉的最终目标就是使计算机像人一样，通过视觉观察和理解 世界，具有自主适应环境的能力。作为一个新兴学科，同时也是一个交叉学科，取“信息”的人工智能系统，其特点是可提高生产的柔性和自动化程度。目前机器视觉技术已经在很多工业制造领域得到了应用，并逐渐进入我们的日常生活。 机器视觉是通过对相关的理论和技术进行研究，从而建立由图像或多维数据中获机器视觉简介 机器视觉就是用机器代替人眼来做测量和判断。机器视觉主要利用计算机来模拟人的视觉功能，再现于人类视觉有关的某些智能行为，从客观事物的图像中提取信息进行处理，并加以理解，最终用于实际检测和控制。机器视觉是一项综合技术，其包括数字处理、机械工程技术、控制、光源照明技术、光学成像、传感器技术、模拟与数字视频技术、计算机软硬件技术和人机接口技术等，这些技术相互协调才能构成一个完整的工业机器视觉系统[1]。 机器视觉强调实用性，要能适应工业现场恶劣的环境，并要有合理的性价比、通用的通讯接口、较高的容错能力和安全性、较强的通用性和可移植性。其更强调的是实时性，要求高速度和高精度，且具有非接触性、实时性、自动化和智能 高等优点，有着广泛的应用前景[1]。 一个典型的工业机器人视觉应用系统包括光源、光学成像系统、图像捕捉系统、图像采集与数字化模块、智能图像处理与决策模块以及控制执行模块。通过 CCD或CMOS摄像机将被测目标转换为图像信号，然后通过A/D转换成数字信号传送给专用的图像处理系统，并根据像素分布、亮度和颜色等信息，将其转换成数字化信息。图像系统对这些信号进行各种运算来抽取目标的特征，如面积、 数量、位置和长度等，进而根据判别的结果来控制现场的设备动作[1]。 机器视觉一般都包括下面四个过程：
第2章机器视觉系统与数字图像处理 2.1机器视觉系统 2.1．1机器视觉系统简介 机器视觉系统是指利用机器替代人眼做出各种测量和判断。机器视觉是工程领域和科学领域中的一个非常重要的研究领域，它是一门涉及光学、机械、计算机、模式识别、图像处理、人工智能、信号处理以及光电一体化等多个领域的综合性学科，其能以及应用范围随着工业自动化的发展逐渐完善和推广，其中母子图像传感器、CMOS和CCD摄像机、DSP、ARM嵌入式技术、图像处理和模式识别等技术的快速发展，有力地推动了机器视觉的发展。机器视觉是一种比较复杂的系统。因为大多数系统监控对象都是运动物体，系统与运动物体的匹配和协调动作尤为重要，所以给系统各部分的动作时间和处理速度带来了严格的要求。在某些应用领域，例如机器人、飞行物体导制等，对整个系统或者系统的一部分的重量、体积和功耗都会有严格的要求。 机器视觉系统通过图像摄取装置将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号。机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成。在生产线上，人来做此类测量和判断会因疲劳、个人之间的差异等产生误差和错误，但是机器却会不知疲倦地、稳定地进行下去；在一些不适合人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。机器视觉系统就其检测性质和应用范围而言，分为定量和定性检测两大类，每类又分为不同的子类。机器视觉在工业在线检测的各个应用领域十分活跃，如：印刷电路板的视觉检查、钢板表面的自动探伤、大型工件平行度和垂直度测量、容器容积或杂质检测、机械零件的自动识别分类和几何尺寸测量等。此外，在许多其它方法难以检测的场合，利用机器视觉系统可以有效地实现。机器视觉的应用正越来越多地代替人去完成许多工作，这无疑在很大程度上提高了生产自动化水平和检测系统的智能水平 机器视觉系统的优点有：1.非接触测量，对于被检测对象不会产生任何损伤，而且提高了系统能够的可靠性；2.较宽的光谱响应范围，例如使用人眼看不见的红外测量，扩展人眼的视觉范围；3.长时间稳定工作，人类难以长时间对同一对象进行观察，而机器视觉系统则可以长时间地作测量、分析和识别任务。机器视觉系统的应用领域越来越广泛。在工业、农业、国防、交通、医疗、金融甚至体育、娱乐等等行业都获得了广泛的应用，可以说已经深入到我们的生活、生产和
什么是机器视觉技术？试论述其基本概念和目的。答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉技术最大的特点是速度快、信息量大、功能多。机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。机器视觉系统一般由哪几部分组成？试详细论述之。答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。 该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS采 集物体影像。 图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。 输出显示或控制：主要是将分析结果输出到显示器或控制机构等输出设备。试论述机器视觉技术的现状和发展前景。 答：。机器视觉技术的现状：机器视觉是近20?30年出现的新技术，由于其固有的柔性好、 非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。 发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。价格持续下降、功能逐渐增多、成品小型化、集成产品增多。 机器视觉技术在很多领域已得到广泛的应用。请给出机器视觉技术应用的三个实例并叙述之。答：一、在激光焊接中的应用。通过机器视觉系统，实时跟踪焊缝位置，实现实时控制，防止偏离焊缝，造成产品报废。 二、在火车轮对检测中的应用，通过机器视觉系统抓拍轮对图像，找出轮对中有缺陷的轮对，提高检测精度和速度，提高效率。 三、大批量生产过程中的质量检查，通过机器视觉系统，对生产过程中的产品进行质量检查 跟踪，提高生产效率和准确度。 什么是傅里叶变换，分别绘出一维和二维的连续及离散傅里叶变换的数学表达式。论述图像傅立叶变换的基本概念、作用和目的。 答：傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。一维连续函数的傅里叶变换为：一维离散傅里叶变换为：二维连续函数的傅里叶变换为：二维离散傅里叶变换为： 图像傅立叶变换的基本概念：傅立叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被喻为描述图像信息的第二种语言，广泛应用于图像变换，图像编码与压缩，图像分割，图像重建等。作用和目的：图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。图像灰度变换主要有哪几种形式？各自的特点和作用是什么？ 答：灰度变换:基于点操作，将每一个像素的灰度值按照一定的数学变换公式转换为一个新的灰度值。灰度变换是图像增强的一种重要手段，它可以使图像动态范围加大，使图像的对比度扩展，
机器视觉概述 机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 【应用领域】 机器视觉广泛应用于各个方面，广泛应用于微电子、PCB生产、自动驾驶、印刷、科学研究和军事等领域。 【基本构造】 一个典型的工业机器视觉系统包括：光源、镜头、CCD 照相机、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯/ 输入输出单元等。系统可再分为、主端电脑(Host Computer)、影像获取卡(Frame Grabber)与影像处理器、影像摄影机、CCTV镜头、显微镜头、照明设备、Halogen光源、LED光源高周波萤光灯源、闪光灯源、其他特殊光源、影像显示器、LCD、机构及控制系统、PLC、PC-Base控制器、精密桌台、伺服运动机台。 以上涵盖大部分的机器视觉系统组成部分，在本实验室中机器视觉的主要系统组成为：光源、工控机、工业相机、镜头；其中在进行算法设计时尽量的减少对于光源条件的依赖（实验室的光源性能一般，光照条件良好）。 图1 典型的机器视觉系统
图2 本实验室的机器视觉的主要组成 尽量以本实验室现有的实验条件为主，其他需要的部分按实际要求也可以添加。 【工作原理】 机器视觉检测系统采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/ 不合格、有/ 无等，实现自动识别功能。 【机器视觉系统的典型结构】 一个典型的机器视觉系统包括以下五大块： 1.照明 照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。光源可分为可见光和不可见光。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。
数字图像处理与机器视觉 2015-2016期末试卷参考答案南昌大学研究生2015,2016年第2学期期末考试试卷 试卷编号: (开)卷课程名称: 数字图像处理与机器视觉适用班级: 2015级硕士研究生姓名: 学号: 专业: 学院: 机电工程学院考试日期: 题号一二三四五六七八九十总分累分人 签名题分 10 15 15 10 20 30 100 得分 考生注意事项:1、本试卷共4页，请查看试卷中是否有缺页或破损。如有请报告以便更换。 2、使用A4答题纸，注意装订线。 一、单项选择题(从下列各题四个备选答案中选出一个正确答案，并将其 代号填在题前的括号内。每小题1分，共10分) ( b )1.图像与灰度直方图间的对应关系是: a.一一对应 b.多对一 c.一对多 d.都不对 ( d )2. 下列算法中属于图象平滑处理的是: a.Hough变换法 b.状态法 c.高通滤波 d. 中值滤波 ( c )3.下列算法中属于图象锐化处理的是: a.局部平均法 b.最均匀平滑法 c.高通滤波 d. 中值滤波 ( d )4. 下列图象边缘增强算子中对噪声最敏感的是: a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( b )5. 下列算法中属于点处理的是: a.梯度锐化 b.二值化 c.傅立叶变换 d.中值滤波 ( d )6.下列算子中利用边缘灰度变化的二阶导数特性检测边缘的是:
a.梯度算子 b.Prewitt算子 c.Roberts算子 d. Laplacian算子 ( c )7.将灰度图像转换成二值图像的命令为: a.ind2gray b.ind2rgb c.im2bw d.ind2bw ( d )8.数字图像处理的研究内容不包括: a.图像数字化 b.图像增强 c.图像分割 d.数字图像存储 ( d )9.对一幅100?100像元的图象，若每像元用,bit表示其灰度值，经霍夫曼编码后图象的压缩比为2:1，则压缩图象的数据量为: a.2500bit b.20000bit c.5000bit d.40000bit ( b )10.图像灰度方差说明了图像哪一个属性: a.平均灰度 b.图像对比度 c.图像整体亮度 d.图像细节 第 1 页 二、填空题(每空1分，共15分) l. 图像处理中常用的两种邻域是 4-邻域和 8-邻域。 2.图象平滑既可在空间域中进行，也可在频率域中进行。 3.常用的灰度内插法有最近邻元法、双线性内插法和三次内插法。 4. 低通滤波法是使高频成分受到抑制而让低频成分顺利通过，从而实现图像平滑。 5.Prewitt边缘检测算子对应的模板是和。 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 -1 0 1 (不分先后) 6.图像压缩系统是有编码器和解码器两个截然不同的结构块组成的。 7.灰度直方图的纵坐标是该灰度出现的频率。 8.依据图象的保真度，图象编码可分为无失真(无损)编码和有失真(有损)编码两 种。
视觉检测技术基础》课程教学大纲 一、课程基本信息 1、课程代码：MI420 2 、课程名称（中/ 英文）：视觉检测技术基础/ Foundation of visual measurement technique 3、学时/ 学分：27/1.5 4、先修课程：高等数学，大学物理 5、面向对象：电子信息类专业本科生 6、开课院（系）、教研室：电子信息与电气工程学院仪器系自动检测技术研究所 7、教材、教学参考书：自编讲义 《机器视觉》，贾云得著，科学出版社，2000 《计算机视 觉》，马颂德著，科学出版社，1997 《图像工程》，章毓晋 著，清华大学出版社，2002 二、本课程的性质和任务 《视觉检测基础》是电子信息学院仪器系四年级本科生的选修课，通过本课程的学习，使学生初步了解视觉检测系统的构成及基本原理，每个组成部分如何选择设计，掌握相应的图像处理方法，增加学生的专业知识。通过上机实践提高学生的实际编程能力，增强感性认识，为以后科研、工作中遇到的相关问题提供一个解决的思想，并能实际运用。 三、本课程教学内容和基本要求
1. 基本要求 《视觉检测基础》作为本科生的选修课，应当主要立足于对学生知识的普及，主要讲述计算机视觉系统的组成、设计、处理等方面的基本知识，以课堂讲述为主，讲述中应结合日常生活实际，提高学生的学习兴趣，让学生掌握基本的处理过程及算法，并辅以实验手段进一步增强学生对视觉检测技术的了解，增加感性认识， 2. 教学内容 (1) 课堂教学部分 第一讲计算机视觉概述 一、什么是计算机视觉 二、计算机视觉的应用 三、计算机视觉的研究内容 1 、主要研究内容 2 、与其它学科的关系 第二讲成像原理与系统 一、成像几何基础 1、透视投影 2、正交投影 二、输入设备 1 、镜头 2 、摄像机
第一章概述 点运算：在图像处理中，只输入该像素本身的灰度的运算方式。 领域运算：在图像处理中，不仅输入该像素f0本身的灰度，还要以该像素f0为中心的某局部领域(即邻域)中的一些像素的灰度进行运算的方式。 对比度/清晰度：画面黑与白的比值，也就是从黑到白的渐变层次。比值越大，从黑到白的渐变层次就越多，从而色彩表现越丰富。【维基百科，课件上没找到】 第二章图像预处理 一、灰度变换（点运算） 目的：改善图像的灰度对比度或满足图像上灰度的某些特殊要求（问题：灰度偏暗或偏亮；范围不足；局部层次差） 1、灰度范围移动处理 g(i,j)=f(i,j)+d 当d>0时，灰度范围向高端移动，图像变亮； 当d<0时，灰度范围向低端移动，图像变暗； 2、灰度线性变换 （1）整体灰度线性变换 （g a=0,g b=255） （2）局部灰度线性变换 a. 限幅灰度拉伸-局部感兴趣（局部灰度拉伸到最大限度，而无用信息被抑制为黑色 或白色的单一灰度） b. 锯齿形灰度拉伸 将输入图像中不同灰度区间[f1,f2]、[f2,f3]、[f3,f4] 进行同样的灰度拉伸，使各个灰度区间都扩展到 允许的整个灰度范围[g a,g b]。 使输入图像中原来是缓慢变化的灰度，经变换后 在这些区间的f1、f2、f3等分割点的两端灰度发生 了突变。 c. 阈值灰度拉伸-二值图像
3、灰度非线性变化 （1）对数变化 g(i,j)=log[f(i,j)] 变换后的图像中低灰度区的灰度值 得到了拉伸，即对比度增强，而高灰度区 的灰度值被压缩，并且高低灰度区的灰度 过度平滑。 （2）连续函数变化 （3）二次变化 G(x,y)=f(x,y)2，0 《图像处理与机器视觉》 作业 姓名： 学号： 专业：测试计量技术及仪器 时间：2016年4月 作业一：图像增强 1、图像灰度变换。 对图像（见图1）进行对比度拉伸，通过直方图获取灰度分布的最小、最大值。 图1 灰度拉伸 算法描述： 直方图均衡化是灰度变换的一个重要应用，它广泛应用在图像增强处理中。可以产生一幅灰度级分布具有均匀概率密度的图像，扩展了像素取值的动态范围。由于许多图像的灰度值是非均匀分布的，而且灰度值集中在一个小区间内的图像也是很常见的。直方图均衡化就是一种通过重新均匀地分布各灰度值来增强图像对比度的方法。直方图均衡化处理是以累积分布函数（Cumulative Distri-bution Function- CDF ）为基础的直方图修改法。直方图均衡化的目的是将原始图像的直方图变为均衡分布的形式，即将一已知灰度概率密度分布的图像，经过某种变换，变成一幅具有均匀灰度概率密度分布的新图像。 源程序： clear;clc;close; I=imread('E:\学习\图像处理与机器视觉\灰度变换.bmp');%读取图像 [m,n,o]=size(I); grayPic=rgb2gray(I); figure,imshow(I); figure,imshow(grayPic); gp=zeros(1,256); %计算各灰度出现的概率 for i=1:256 gp(i)=length(find(grayPic==(i-1)))/(m*n); end figure,bar(0:255,gp); title('原图像直方图'); xlabel('灰度值'); ylabel('出现概率'); newGp=zeros(1,256); %计算新的各灰度出现的概率 S1=zeros(1,256); 机器视觉与图像分析技术详解 一、要点1．与视觉相关的项目并非全都需要咨询专家的服务；在硬件供应商和开发工具供应商的帮助下，缺乏视觉系统开发经验的开发者通常也可以完成大部分（即使不是全部）开发工作，并且为他们的公司节省费用。2．在开始视觉系统开发之前，你必须回答大约五六个问题；你的答案将基本决定系统的硬件成本。3．你只要选择能够在菜单驱动环境中能使你开始设备开发工作，然后通过图形编程或语法编程来完善程序，就可大大提高效率。4．习惯 一、要点 1．与视觉相关的项目并非全都需要咨询专家的服务；在硬件供应商和开发工具供应商的帮助下，缺乏视觉系统开发经验的开发者通常也可以完成大部分（即使不是全部）开发工作，并且为他们的公司节省费用。 2．在开始视觉系统开发之前，你必须回答大约五六个问题；你的答案将基本决定系统的硬件成本。 3．你只要选择能够在菜单驱动环境中能使你开始设备开发工作，然后通过图形编程或语法编程来完善程序，就可大大提高效率。 4．习惯于视觉系统在安装之后需要悉心呵护的观念；你常常无法预见在系统运行一段时间之后可能有必要调整算法的各种理由。 成功地开发一种基于视觉的设备可能需要很多专业知识，以致许多打算这样做的开发者都不愿意尝试这种任务，而转向求助于那些通过掌握技术的方方面面细微差别建立自己职业生涯的咨询专家。通常，一位咨询专家不仅可以为你节省数倍咨询费的费用，而且还可以节省大量宝贵的时间。即使这样，有些适用于基于视觉的系统开发的紧缩包裹型软件包却使那些没有机器视觉或图像分析经验的人能泰然承担的项目数量不断增加。 如果你缺乏适当的经验，则要走好的第一步是设法确定哪些任务需要外界帮助，哪些任务是你有可能用预包装软件自己迅速完成的。提供开发工具和硬件的厂商通常可以帮助你做出这种判断。在很多情况下，这些厂商的网站都有帮助做出这种决定的工具。给一个这样的厂商打个电话，你通常就可以与一位能搜集有关你设备信息的应用工程师取得联系。在适当的时候，大多数厂商会向你推荐他们熟悉其工作情况的咨询专家。通常，最经济的办法就是，某个项目中仅仅某些部分使用咨询帮助，例如照明部分。 图像分析和机器视觉是相关而又不同的两个领域。从某种意义上说，图像分析是机器视觉的一部分。然而，从另一种意义上说，图像分析是一门更广的学科。实际上，这两领域的分界线常常是模糊不清的。 计算机视觉与图像处理、模式识别、机器学习学科之间的关系 在我的理解里，要实现计算机视觉必须有图像处理的帮助，而图像处理倚仗与模式识别的有效运用，而模式识别是人工智能领域的一个重要分支，人工智能与机器学习密不可分。纵观一切关系，发现计算机视觉的应用服务于机器学习。各个环节缺一不可，相辅相成。 计算机视觉（computer vision），用计算机来模拟人的视觉机理获取和处理信息的能力。就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理和颜色建模，几何处理和推理，以及物体建模。一个有能力的视觉系统应该把所有这些处理都紧密地集成在一起。 图像处理（image processing），用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。基本内容图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理一般指数字图像处理。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。 机器学习(Machine Learning)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。 什么是机器视觉技术？试论述其基本概念和目的。 答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉技术最大的特点是速度快、信息量大、功能多。 机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。 机器视觉系统一般由哪几部分组成？试详细论述之。 答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。 图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS）采集物体影像。 图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。 输出显示或控制：主要是将分析结果输出到显示器或控制机构等输出设备。 试论述机器视觉技术的现状和发展前景。 答：。机器视觉技术的现状：机器视觉是近20～30年出现的新技术，由于其固有的柔性好、非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。 发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。价格持续下降、功能逐渐增多、成品小型化、集成产品增多。 机器视觉技术在很多领域已得到广泛的应用。请给出机器视觉技术应用的三个实例并叙述之。答：一、在激光焊接中的应用。通过机器视觉系统，实时跟踪焊缝位置，实现实时控制，防止偏离焊缝，造成产品报废。 二、在火车轮对检测中的应用，通过机器视觉系统抓拍轮对图像，找出轮对中有缺陷的轮对，提高检测精度和速度，提高效率。 三、大批量生产过程中的质量检查，通过机器视觉系统，对生产过程中的产品进行质量检查跟踪，提高生产效率和准确度。 什么是傅里叶变换，分别绘出一维和二维的连续及离散傅里叶变换的数学表达式。论述图像傅立叶变换的基本概念、作用和目的。 答：傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。 一维连续函数的傅里叶变换为： 一维离散傅里叶变换为： 二维连续函数的傅里叶变换为： 二维离散傅里叶变换为： 图像傅立叶变换的基本概念：傅立叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被喻为描述图 机器视觉应用有哪些浅谈机器视觉软件的介绍与选择 本文主要是关于机器视觉的相关介绍，并着重对机器视觉的应用场景进行了详尽的阐述。 机器视觉机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS 和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉是一项综合技术，包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术（图像增强和分析算法、图像卡、I/O 卡等）。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。［2］机器视觉系统最基本的特点就是提高生产的灵活性和自动化程度。在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。同时，在大批量重复性工业生产过程中，用机器视觉检测方法可以大大提高生产的效率和自动化程度。 一个典型的工业机器视觉系统包括：光源、镜头（定焦镜头、变倍镜头、远心镜头、显微镜头）、相机（包括CCD相机和COMS相机）、图像处理单元（或图像捕获卡）、图像处理软件、监视器、通讯/ 输入输出单元等。 系统可再分为 一、采集和分析分开的系统。 主端电脑（Host Computer） 影像撷取卡（Frame Grabber）与影像处理器 影像摄影机 定焦镜头镜头 显微镜头 图像处理与计算机视觉算法及应用 图像处理与计算机视觉算法及应用（Algorithms for Image Processing and Computer Vision）（第2版）的配套代码。基于OpenCV库-matching code for the book"Algorithms for Image Processing and Computer Vision".Based on OpenCV Library. [上传源码成为会员下载此文件] [成为VIP会员下载此文件] 文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉): 图像处理与计算机视觉算法及应用（第2版）\Chapter 1\capture.c .......................................\.........\lib0.c .......................................\.........\thr_glh.c .......................................\.........0\angular.c .......................................\..........\check.c .......................................\..........\convert.c .......................................\..........\display.c .......................................\..........\listGreyFiles.c图像处理与机器视觉
机器视觉与图像分析技术详解.
计算机视觉与图像处理、模式识别、机器学习学科之间的关系
(完整版)机器视觉思考题及其答案
机器视觉应用有哪些 浅谈机器视觉软件的介绍与选择
图像处理与计算机视觉算法及应用
相关主题
文本预览