基于数字图像的矩形芯片定位方法研究与实现毕业设计论文(编辑修改稿)

基于数字图像的矩形芯片定位方法研究与实现毕业设计论文(编辑修改稿)内容摘要：

图像中感兴趣的特征有选择的突出，而衰减不需要的特征，它的目的主要是提高图像的可懂度。 图像增强的方法分为空域法和频域法两类，空域法主要是对图像中的各个像素点进行操作；而频域法是在图像的某个变换域内，对图像进行操作，修改变换后的系数，例如 傅里叶 变换、 DCT变换等的系数，然后再进行反变换得到处理后的图像。 图像复原技术与增强技术不同，它需要了解图像质量下降的原因，首先要建立 降质模型 ，再利用该模型，恢复原始图像。 图像压缩（图像编码）： 图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术 ,也称图像编码。 图像数据之所以能被压缩，就是因为数据中存在着冗余。 图像数据的冗余主要表现为：图像中相邻像素间的相关性引起的空间冗余；图像序列中不同帧之间存在相关性引起的时间冗余；不同彩色平面或频谱带的相关性引起的频谱冗余。 数据压缩的目的就是通过去除这些数据冗余来减少表示数据所需的比特数。 由于图像数据量的庞大 ,在存储、传输、处理时非常困难 ,因此图像数据的压缩就显得非常重要。 模式识别： 模式识别 是指对表征事物或现象的各种形式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。 它是信息科学和人工智能的重要组成部分，主要应用领域是图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等学科。 图像重建： 指通过对离散图像进行线性空间内插或线性空间滤波来重新获得连续图像的方法。 开发平台 1) 硬件平台： PC 一台 2) 系统平台： Windows 20xx 或者 Windows XP 操作系统 3) 开发环境： Microsoft Visual C++ 基于数字图像的矩形芯片定位方法研究与实现 6 第 三 章 数字图像处理 典型算法 BMP图像简介 BMP 是一种与硬件设备无关的图像文件格式，使用非常广。 它采用位映射存储格式，除了图像深度可选以外，不采用其他任何压缩，因此， BMP 文件所占用的空间很大。 BMP 文件的图像深度可选 1bit、 4bit、 8bit 及 24bit。 BMP 文件存储数据时，图像的扫描方式是按从左到右、从下到上的顺序。 由于 BMP 文件格式是 Windows 环境中交换 图像 数据的一种标准，因此在 Windows 环境中运行的图形图像软件都支持 BMP 图像格式。 典型的 BMP 图像文件由三部分组成：位图 文件头数据结构，它包含 BMP 图像文件的类型、显示内容等信息；位图信息数据结构，它包含有 BMP 图像的宽、高、压缩方法，以及定义颜色等信息。 在 BMP 位图中，位图 每行 的灰度 值要填充到一个四字节边界，即位图每行所占的存储长度为四字节的倍数，不足时将多余位用 0 填充。 本文所研究的芯片图片格式是 BMP 24bit 图像深度。 边缘检测原理 所谓边缘是指其周围像素灰度急剧变化的那些象素的集合，它是图像最基本的特征。 边缘存在于目标、背景和区域之间，所以，它是图像分割所依赖的最重要的依据。 由于边缘 是位置的标志，对灰度的 变化不敏感，因此，边缘也是图像匹配的重要 特征。 两个具有不同灰度值的相邻 区域之间总存在边缘，边缘是灰度值不连续的表现。 常见的边缘点有：阶梯型边缘（ Stepedge），即从一个灰度（或线性灰度）到达比它高（或低）很多的另一个灰度；屋顶型边缘（ Roofedge），它的灰度是慢慢增加（减少）到一定程度然后慢慢减小（增加）；线性边缘（ Lineedge），它是 灰度线性变换中出现的灰度脉冲。 在计算机视觉和图像处理过 程中 ， 边缘检测是捕获图像中物体的重要特征的过程。 这些特征包括物体光学度、几何、物理等的不连续性。 在灰 度图像中 ， 这些信息产生了灰度的变化 ， 这些变化包括不连续性和极大值。 边缘检测的目的就是定位这些变化和鉴别产生变化的物理现象。 边缘检测的结果提供了图像的重要特征。 许多边缘检测操作都是基于亮度的一阶 导数 —— 这样就得到了原始数据亮度的 梯度。 使用这个信息 我们能够在图像的亮度梯度中搜寻峰值。 如果 I(x) 表示点 x 的亮度， I′(x) 表示点 x 的一阶导数（亮度梯度），这样我们就会发现：对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据（ 1 维）卷积计算得到。 其它一些边缘检测操作是基于亮度的二阶导数。 这实质 上是亮度梯度的变化率。 在理想的连续变化情况下，在二阶导数中检测 零点将得到梯度中的局部最大值。 另 基于数字图像的矩形芯片定位方法研究与实现 7 一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。 如上所述，边线是双重边缘，这样我们就可以在边线的一边看到一个亮度梯度 ，而在另一边看到相反的梯度。 这样如果图像中有边线出现的话我们就能在亮度梯度上看到非常大的变化。 为了找到这些边线，我们可以在图像亮度梯度的二阶导数中寻找过零点。 如果 I(x) 表示点 x 的亮度， I′′(x) 表示点 x 亮度的二阶导数，那么 同样许多算法也使用卷积掩码快速处理图像数据。 一旦我们计算出导数之后，下一步要做的就是给出一个阈值来确定哪里是边缘位置。 阈值越低，能够检测出的边线越多，结果也就越容易受到图片噪声的影响，并且越容易从图像中挑出不相关的特性。 与此相反，一个高的阈值将会遗失细的或者短的线段。 一个常用的这种方法是带有滞后作用的阈值选择。 这个方法使用不同的阈值去寻找边缘。 首先使用一个阈值上限去寻找边线开始的地方。 一旦找到了一个开始点，我们在图像上逐点跟踪边缘路径，当大于门槛下限时一直纪录边缘位置，直到数值小于下限之后才停止纪录。 这种方法假设边缘是连续的界线，并且我们能够跟踪前面所看到的边缘的模糊部分，而不会将图像中的噪声点标记为边缘。 四 种典型边缘检测算子 如果一个像素落在图像中某一个物体的边界上，那么它的邻域将成为一个灰度级变化的带。 对这种变化最有用的两个特 征是灰度的变化率和方向，它们 分别以梯度向量的幅度和方向来表示。 边缘检测算子检查每个像素的邻域井 并 对灰度变化率进行量化，通常也包括方向的确定．有若干种方法可以使用，其中大多数是基于方向导数掩模求卷积的方法。 Roberts边缘检测算子 Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子 ,Robert算子图像处理后结果边缘不是很平滑。 经分析，由于 Robert 算子通常会在图像边缘附近的区域内 产生较宽的响应，故采用 上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。 它由 公式（ ） 给出： g(x,y)={[ ))1(,1(),(  yxfyxf ]2 +[ ))1(,(),1(  yxfyxf ]2}21 （ ） 其中 f(x, y)是 具有整数像素坐标的输入图像。 其中的平方根运算使该处理类似于人类视觉系统中发生的过程。 Sobel边缘检测算子 索贝尔算子（ Sobel operator）是 图像处理 中的算子之一，主要用作 边缘检测。 在技基于数字图像的矩形芯片定位方法研究与实现 8 术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。 在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。 图 所示的两个卷积核形成了 Sobel边缘算子。 图像中的每个点都用这两个核做卷积。 一个核对通常的垂直边缘响应最大而另一个对水平边缘响应最大。 两个卷积的最大值作为该点的输出值、运 算结果是一幅边缘幅度图像。 Gx= A*101202101 and Gy= A*121000121 图 Sobel 边缘算子 图像的每一个像素的横向及纵向梯度近似值可用 （ ） 公式结合，来计算梯度的大小。 G = 22 yx GG  （ ） 然后可用 （ ） 公式计算梯度方向。  xyGGar c tan （ ） 如果以上的角度  等于零，即代表图像该处拥有纵向边缘， 并且 左方较右方暗。 Prewitt边缘检测算子 在一个较大区域中，用两点的偏导数值来 求梯度幅度值，受噪声干扰很大。 若对两个点的各自一定领域内的灰度值求和，并根据两个灰度值和的差来计算 x, y 的偏导数，则会在很大程度上降低噪声干扰。 源于这种思想， Prewitt 于 1970 年提出了提取边缘的 Prewitt算子， 其系数加权模板如 表 和 ： 表 Prewitt 算子模板 1 1 1 1 0 0 0 1 1 1 基于数字图像的矩形芯片定位方法研究与实现 9 表 Prewitt 算子模板 2 1 0 1 1 0 1 1 0 1 上 图所示的两个卷积核形成了 Prewitt 边缘算子。 与使用 Sobel 算子的方法一样，图像中的每个点都用这两个核进行卷积，取最大值作为输出。 Prewitt 算子也产生一幅边缘幅度图像。 拉普拉斯 边缘检测算子 拉普拉斯算子 是对二维函数进行运算的二阶导数算子，通常使用的 拉普拉斯算子 如 表 和 . 表 拉普拉斯算子 1 0 1 0 1 4 1 0 1 0 表 拉普拉斯算子 2 1 1 1 1 8 1 1 1 1 由于 拉 普拉斯算子 是一个二阶导数，他将在边缘处产生一个陡峭的零交叉，由于噪声对边缘检测有一定得影响，所以 拉普拉斯算子 是效果较好的边缘检测器。 根据图像边缘处的一阶微分（梯度）是极限值点，图像边缘 处的二阶微分应为零，确定过零点的位置要比确定极值点容易得多，而且比较精确。 但二阶微分对噪音更为敏感。 因此，在通常情况下，在对图像进行拉普拉斯算子进行边缘处理前，应先对图像进行平滑滤波器处理，一般采用的是高斯滤波器。 把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先平滑噪声，再进行边缘检测的方法叫做高斯拉普拉斯算子（简写 log 算子）。 常用的 log 算子是基于数字图像的矩形芯片定位方法研究与实现 10 5 5 的模块，如表。 表 log 算子模块 2 4 4 4 2 4 0 8 0 4 4 8 24 8 4 4 0 8 0 4 2 4 4 4 2 在 log 算子中对边缘进行判断时采用的技术是零交叉检测，可 以 把零交叉检测进行推广，我们只要在检测前用指定的滤波器对图像进行滤 波，然后再寻找零交叉点作为边缘。 四 种典型算子的不足之处 由上述边缘算子产生的边缘图像看来很相似。 它们看 起来像一个绘画者从图片中 做 出的线条画。 Robert 算子是 2*2 算子，对具有陡峭的低噪声图像响应最好。 其它 三 个算子，都是 3*3 算子，对灰度渐变和噪声较多的图像处理得较好。 使用两个掩模板组成边缘检 测器时，通常取较大得幅度作为输出值。 这使得它们对边缘的走向有些敏感。 取它们的平方和的开方可以获得性能更一致的全方位响应。 这与真实的梯度值更接近。 但是以上三种经典算子检测出来的边缘在本文的芯片 定位中所达到的效果却不是很好，因为本文的主要目的是通过边缘检测得出芯片的偏角和中心坐标，这些经典的算法只能把边缘显示出来，但之后要求的偏角和中心坐标却难以求出，所以边缘检测的算法必须重新设计。 基于数字图像的矩形芯片定位方法研究与实现 11 第四 章 系统功能设计与实现 总体设计 本系统 主要通过对芯片在电路板上的扫描图像， 识 别图像的外观、形态及坐标， 利用正确的算法 计算芯片在电路板上放置的正确性，从而达到芯片正确焊接的目的。 本 课题总共分为以下几个模块 ： 模块一： 读入矩形芯片的图像，得到图像的坐标和每个坐标对应的 RGB 值。 模块二：设计边缘检测算法，得到图像的边缘。 包括： K 的计算 . ,得出边缘所在直线的截距 . . 模块三：求出 芯片与水平线的夹角 和 芯片 中 心坐标。 系统 模块如图 ， 子模块如图 所示： 图 系统模块 矩形芯片定位 方法与实现 读入图像并得到图像坐标和 RGB 值 边缘检测 得到图像边缘 求出芯片与水平线 夹角和中心坐标 基于数字图像的矩形芯片定位方法研究与实现 12。