频域+空间域结合法

实验报告实验名称:图像处理姓名:刘强班级:电信1102学号:1404110128实验一图像变换实验——图像点运算、几何变换及正交变换一、实验条件PC机数字图像处理实验教学软件大量样图二、实验目的1、学习使用“数字图像处理实验教学软件系统”,能够进行图像处理方面的简单操作;2、熟悉图像点运算、几何变换及正交变换的基本原理,了解编程实现的具体步骤;3、观察图像的灰度直方图,明确直方图的作用与意义;4、观察图像点运算与几何变换的结果,比较不同参数条件下的变换效果;5、观察图像正交变换的结果,明确图像的空间频率分布情况。

三、实验原理1、图像灰度直方图、点运算与几何变换的基本原理及编程实现步骤图像灰度直方图就是数字图像处理中一个最简单、最有用的工具,它描述了一幅图像的灰度分布情况,为图像的相关处理操作提供了基本信息。

图像点运算就是一种简单而重要的处理技术,它能让用户改变图像数据占据的灰度范围。

点运算可以瞧作就是“从象素到象素”的复制操作,而这种复制操作就是通过灰度变换函数实现的。

如果输入图像为A(x,y),输出图像为B(x,y),则点运算可以表示为:B(x,y)＝f[A(x,y)]其中f(x)被称为灰度变换(Gray Scale Transformation,GST)函数,它描述了输入灰度值与输出灰度值之间的转换关系。

一旦灰度变换函数确定,该点运算就完全确定下来了。

另外,点运算处理将改变图像的灰度直方图分布。

点运算又被称为对比度增强、对比度拉伸或灰度变换。

点运算一般包括灰度的线性变换、阈值变换、窗口变换、灰度拉伸与均衡等。

图像几何变换就是图像的一种基本变换,通常包括图像镜像变换、图像转置、图像平移、图像缩放与图像旋转等,其理论基础主要就是一些矩阵运算,详细原理可以参考有关书籍。

实验系统提供了图像灰度直方图、点运算与几何变换相关内容的文字说明,用户在操作过程中可以参考。

下面以图像点运算中的阈值变换为例给出编程实现的程序流程图,如下:2、图像正交变换的基本原理及编程实现步骤数字图像的处理方法主要有空域法与频域法,点运算与几何变换属于空域法。

halcon——缺陷检测常⽤⽅法总结（模板匹配（定位）+差分）引⾔机器视觉中缺陷检测分为⼀下⼏种：blob分析+特征模板匹配（定位）+差分光度⽴体：特征训练测量拟合频域+空间域结合：深度学习本篇主要总结⼀下缺陷检测中的定位+差分的⽅法。

即⽤形状匹配，局部变形匹配去定位然后⽤差异模型去检测缺陷。

模板匹配（定位）+差分整体思路（形状匹配）：1. 先定位模板区域后，求得模板区域的坐标，创建物品的形状模板create_shape_model，注意把模板的旋转⾓度改为rad(0)和rad(360)。

2. 匹配模板find_shape_model时，由于物品的缺陷使形状有局部的改变，所以要把MinScore设置⼩⼀点，否则匹配不到模板。

并求得匹配项的坐标。

3. 关键的⼀步，将模板区域仿射变换到匹配成功的区域。

由于差集运算是在相同的区域内作⽤的，所以必须把模板区域转换到匹配项的区域。

4. 之后求差集，根据差集部分的⾯积判断该物品是否有缺陷。

模板匹配（定位）+差分的⽅法主要⽤来检测物品损坏，凸起，破洞，缺失，以及质量检测等。

halcon例程分析：1，印刷质量缺陷检测（print_check.hdev）该例程⽤到了差异模型，将⼀个或多个图像同⼀个理想图像做对⽐，去找到明显的不同。

进⽽鉴定出有缺陷的物体。

差异模型的优势是可以直接通过它们的灰度值做⽐较，并且通过差异图像，⽐较可以被空间地加权。

变化模型检测缺陷的整体思路：1. create_variation_model —— 创建⼀个差异模型2. get_variation_model —— 获得差异模型3. train_variation_model —— 训练差异模型4. prepare_variation_model —— 准备差异模型5. compare_variation_model —— ⽐较模型与实例6. clear_variation_model —— 清除差异模型dev_update_off ()* 选择第1张图像创建形状模板read_image (Image, 'pen/pen-01')get_image_size (Image, Width, Height)dev_close_window ()dev_open_window (0, 0, Width, Height, 'black', WindowHandle)set_display_font (WindowHandle, 16, 'mono', 'true', 'false')dev_set_color ('red')dev_display (Image)* 把我感兴趣的区域抠出来，原则上范围越⼩越好，因为这样创建模板时⼲扰会少很多threshold (Image, Region, 100, 255)fill_up (Region, RegionFillUp)difference (RegionFillUp, Region, RegionDifference)shape_trans (RegionDifference, RegionTrans, 'convex')dilation_circle (RegionTrans, RegionDilation, 8.5)reduce_domain (Image, RegionDilation, ImageReduced)inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)gen_contours_skeleton_xld (ModelRegions, Model, 1, 'filter')* 获得抠图区域的中⼼，这是参考点area_center (RegionDilation, Area, RowRef, ColumnRef)* 创建形状模板create_shape_model (ImageReduced, 5, rad(-10), rad(20), 'auto', 'none', 'use_polarity', 20, 10, ShapeModelID)* 创建变化模型（⽤于和缺陷⽐较）create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)* ⽂件夹中前15张图⽚是质量良好的，可以⽤来训练模板for I := 1 to 15 by 1read_image (Image, 'pen/pen-' + I$'02d')* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)if (|Score| == 1)if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 训练差异模型train_variation_model (ImageTrans, VariationModelID)dev_display (ImageTrans)dev_display (Model)endifendfor* 获得差异模型get_variation_model (MeanImage, VarImage, VariationModelID)* 做检测之前可以先⽤下⾯这个算⼦对可变模型进⾏设参,这是⼀个经验值,需要调试者调整prepare_variation_model (VariationModelID, 20, 3)dev_set_draw ('margin')NumImages := 30* 可变模板训练完成后，我们终于可以进⼊主题，马上对所有图像进⾏缺陷检测，思想就是差分for I := 1 to 30 by 1read_image (Image, 'pen/pen-' + I$'02d')* 要注意做差分的两幅图像分辨率相同，当然也需要通过仿射变换把待检测的图像转到与模板图像重合* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score) if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 抠图reduce_domain (ImageTrans, RegionDilation, ImageReduced)* 差分（就是检查两幅图像相减，剩下的区域就是不同的地⽅了，与模板图像不同的地⽅就是缺陷）*这⾥可不能⽤difference做差分啊，halcon为变形模板提供了专门的差分算⼦：compare_variation_modelcompare_variation_model (ImageReduced, RegionDiff, VariationModelID)connection (RegionDiff, ConnectedRegions)* 特征选择：⽤⼀些特征来判断这幅图像印刷是否有缺陷，这⾥使⽤⾯积* 其实可以考虑利⽤区域⾯积的⼤⼩来判断缺陷的严重程度，这⾥就不过多讨论了select_shape (ConnectedRegions, RegionsError, 'area', 'and', 20, 1000000)count_obj (RegionsError, NumError)dev_clear_window ()dev_display (ImageTrans)dev_set_color ('red')dev_display (RegionsError)set_tposition (WindowHandle, 20, 20)if (NumError == 0)dev_set_color ('green')write_string (WindowHandle, 'Clip OK')elsedev_set_color ('red')write_string (WindowHandle, 'Clip not OK')endifendifif (I < NumImages)disp_continue_message (WindowHandle, 'black', 'true')stop ()endifendfor* 结语：如果发现前⾯作为训练变形模板的良好图像也被判定为NG，* 可以调整prepare_variation_model参数* 或者调整select_shape特征筛选的标准相关算⼦分析:create_variation_model（创建⼀个差异模型）create_variation_model(Width, Height, Type, Mode ,ModelID)//创建⼀个ID为ModelID，宽为Width,⾼为Height,类型为Type的差异模型参数参数Mode决定了创建标准图像和相应的变化图像的⽅法。

第4章频域分析前面三章中，我们已介绍了信号处理技术的理论基础。

从本章开始，我们将具体介绍信号分析的方法。

信号分析和处理的目的是要提取或利用信号的某些特征。

而信号既可以从时域描述，也可以从频域描述，因此，按分析域的不同，信号分析方法可分为时域分析法和频域分析法。

在多数情况下，信号的频域表示比起其时域表示更加简单明了，容易解释和表征。

因此，我们首先介绍信号的频域分析法。

4.1概述一、频域分析法1.定义所谓信号的频域分析．．．．．．．，就是根据信号的频域描述（如DFT、FFT等）对信号的组成及特征量进行分析和估计。

2.频域分析的目的（1）确定信号中含有的频率组成成份（幅值、能量、相位）和频率分布范围；（2）分析各信号之间的相互关系；（3）通过系统的输入与输出频谱，求得系统的传递函数，识别系统的动力学参数；（4）通过频谱分析，寻找系统的振动噪声源和进行故障诊断；二、频谱1.定义所谓频谱，也就是信号的频域描述。

2.分类对于不同的信号和分析参数，我们可以用不同类型的频谱来表示。

（1）周期信号：离散的．．．幅值谱、相位谱或功率谱（2）非周期信号：连续的．．．幅值谱密度、相位谱密度或功率谱密度（3）随机信号：具有统计特征．．．．的功率谱密度3.功率谱（1）自功率谱：一个信号的能量（功率）沿频率轴的分布；（2）互功率谱：分析两个信号的互相关情况；注意：由于互谱是从互相关的角度来描述信号的，所以互谱本身并不含有信号功率的意义。

．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4.倒频谱所谓倒频谱，是指对功率谱再作一次“谱分析”以研究功率谱中的周期现象（如谐波引起的周期性功率谱峰值）。

5.相干分析所谓相干分析，是指通过求解两个频谱的相干函数来研究它们之间的相关程度（如系统输出频谱与输入频谱的相关程度）。

三、谱估计1.定义由于我们所研究的实际信号通常是含有确定性信号的随机信号，且信号的测试只能在有限时间内进行，因此，我们不可能按定义从无限区间求得真实的频谱，而只能在有限域中进行计算（比如，由有限长的离散采样序列来求得频谱）。

频率域融合一、引言在信号处理和图像处理领域，频率域融合是一种常用的技术，用于将多个信号或图像在频率域中进行合并，以实现特定的处理目标。

频率域融合通过将原始信号或图像进行傅里叶变换，将其从时域转换到频域，然后在频域中进行操作，以达到改善信号质量、增强图像细节或实现其他处理目标的效果。

本文将详细介绍频率域融合的基本原理、方法及其应用。

二、频率域融合的基本原理频率域融合基于傅里叶变换的原理，将信号或图像从时域转换到频域，并在频域中进行处理。

傅里叶变换是一种将信号从时域表示转换为其频域表示的数学工具。

通过傅里叶变换，我们可以将信号或图像分解成不同的频率分量，从而更好地理解其内在的频率特性。

在频率域融合中，我们通常将输入信号或图像进行傅里叶变换，然后将变换后的频谱进行叠加或根据某种规则进行组合。

叠加的方式可以是简单的相加、相减、加权等，具体方式取决于处理目标和实际情况。

通过对频谱进行融合，我们可以在频率域中对信号或图像进行优化或改变其特性，以满足特定的需求。

三、频率域融合的方法1.加权平均法：加权平均法是最简单的频率域融合方法之一。

它通过对不同输入信号或图像的频谱进行加权平均，实现频谱的平滑和噪声抑制。

加权平均法适用于对信号或图像进行平滑处理，以提高信噪比。

2.基于规则的融合法：基于规则的融合法是一种更复杂的频率域融合方法。

它根据特定的规则对输入信号或图像的频谱进行组合，以达到改善信号质量或增强图像细节的目的。

具体的规则取决于处理目标和实际需求，可以是对不同频谱进行加权、提取特定频率成分、进行频谱变换等。

3.基于学习的融合法：基于学习的融合法是近年来发展起来的一种方法。

它利用机器学习算法对大量数据进行学习，从而自动确定最佳的融合规则。

基于学习的融合法适用于复杂环境和多样化应用场景，可以有效地提高融合性能和自动化水平。

四、频率域融合的应用1.信号处理：在信号处理领域，频率域融合被广泛应用于改善信号质量、提高信噪比和降低干扰等方面。

空域处理方法和频域处理方法是数字图像处理中常用的两种方法。

它们有着各自独特的特点和应用场景。

本文将从原理、应用和区别三个方面对这两种处理方法进行详细比较。

一、原理1. 空域处理方法空域处理方法是指直接对图像的像素进行操作。

它是一种基于图像的原始信息进行处理的方法。

常见的空域处理操作包括亮度调整、对比度增强、图像锐化等。

这些操作都是基于每个像素点周围的邻域像素进行计算和处理的。

2. 频域处理方法频域处理方法是将图像从空间域转换到频率域进行处理。

其基本原理是利用傅里叶变换将图像信号从空间域转换到频率域，然后对频率域的图像进行滤波、增强等处理，最后再利用傅里叶反变换将图像信号转换回空间域。

二、应用1. 空域处理方法空域处理方法适用于对图像的局部信息进行处理，如调整图像的明暗、对比度和色调等。

它可以直接对原始图像进行处理，因此在实时性要求较高的场景下具有一定优势。

2. 频域处理方法频域处理方法适用于对图像的全局信息进行处理，如去除图像中的周期性噪声、增强图像的高频细节等。

由于频域处理方法能够通过滤波等手段对图像进行全局处理，因此在一些需要对图像进行频谱分析和滤波的场景下有着独特的优势。

三、区别1. 数据处理方式空域处理方法是直接对图像的像素进行操作，处理过程直接，但只能处理原始图像信息。

而频域处理方法是将图像信号转换到频率域进行处理，可以更全面地分析和处理图像的频率特性。

2. 处理效果空域处理方法主要用于对图像的局部信息进行处理，因此适合对图像的亮度、对比度等进行调整。

而频域处理方法主要针对图像的全局信息进行处理，能够更好地处理图像的频率特性，如滤波、增强等。

3. 处理速度空域处理方法直接对原始图像进行处理，处理速度较快；而频域处理方法需要将图像信号转换到频率域进行处理，处理速度相对较慢。

空域处理方法和频域处理方法分别适用于不同的处理场景。

空域处理方法主要用于对图像的局部信息进行处理，处理速度较快；而频域处理方法主要用于对图像的全局信息进行处理，能够更全面地分析和处理图像的频率特性。