基于ccd的微小零件表面缺陷检测毕业论文(编辑修改稿)

基于ccd的微小零件表面缺陷检测毕业论文(编辑修改稿)内容摘要：

[5]。 图像分割的目的是把图像的这些有意义的区域提取出来。 这些 “ 有意义的 ” 内涵随着解决问题的不同而不同，比如在 本课题 中 即是焊道的边缘。 现有的图像分割方法主要分以下几类 [6 ]： （ 1）基于阈值的分割方法 灰度阈值分割法 [7]是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。 阈值分割方法实际上是输入图像 f到输出图像 g 的 变换 如式 ： g(i,j) = {1 f(i,j) ≥ T0 f(i,j) T () 其 中 T为阈值，对于物体的图像元素 g(i,j)=l，对于背景的图像元素 g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。 阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。 9 阈值分割的优点是计算简单、运算效率较高、速度快。 在重视运算效率的应用场合 (如用于硬件实现 )，它得到了广泛应用。 人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 全局阈值是指整幅图像使用同一个阈 值做分割处理，适用于背景和前景有明显对比的图像。 它是根据整幅图像确定的： T=T(f)。 但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。 常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大熵自动阈值法以及其它一些方法。 在许多情况下，物体和背景的对比度在图像中的各个地方是不一样的，这时很难用一个统一的阈值将物体与背景分开。 这时可以根据图像的局部特征分别采用不同的阈值进行分割。 实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选 择每点处的阈值，进行图像分割。 这时的阈值为自适应阈值。 阈值的选择需要根据具体问题来确定，一般通过实验来确定。 对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。 图 和图 分别为用全局阈值和自适应阈值对经典的 Lena 图像进行分割的结果： 图 全局阈值 图 自适应阈值 （ 2）基于区域的分割方法 10 区域生长和分裂合并法是两种典型的串行区域 分割 技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。 具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素 (根据某种事先确定的生长或相似准则来判定 )合并到种子像素所在的区域中。 将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来， 这样一个区域就长成了。 区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。 它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。 另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。 分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。 分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。 当所有像素点或者子区域完成判断以后，把前景区域 或者像素合并就可得到前景目标。 （ 3）基于边缘的分割方法 图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的 地方，表明一个区域的终结，也是另一个区域开始的地方。 这种不连续 的地方 称为边缘。 不同的图像灰度不同，边界处一般 都 有明显的边缘，利用此特征可以分割图像。 图像中边缘处像素的灰度值不连续，这种不连续性可通过求导 来检测到。 常用微分算子进行边缘检测。 常用的一阶微分算子有 Roberts 算子、 Prewitt算子和 Sobel算子，二阶微分算子有 Laplace 算子和 Kirsh 算子等。 在实际中 11 各种微分 算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。 这些算子对噪声敏感，只适合于噪声较小不太复杂的图像 [8]。 （ 4）基于模糊集理论的分割方法 模糊集理论具有描述事物不确定性的能力，适合于图像分割问题。 近年来，出现了许多模糊分割技术，在图像分割中的应用日益广泛。 目前，模糊技术在图像分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。 （ 5）基于小波变换的分割方法 基于小波变换的阈值图像分割方法的基本思想是首先由 二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。 （ 6）基于神经网络的分割方法 基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。 这种方法需要大量的训练数据。 神经网络存在巨量的连接，容易引入宅间信息，能较好地解决图像中的噪声和不均匀问题。 选择何种网络结构是这种方法要解决的主要问题。 图像增强 图像的清晰度主要取决于图像边缘、细线和小特征是否清晰，特 征之前的区域变化是否平滑 [9]。 图像增强的目的 就 是通过对图像中的信息进行处理，使得有利于检测的信息得到增强，不利于检测的信息得到抑制，扩大图像中不同物体特征之间的差别， 提高图像的清晰度， 为图像的信息提取及检测奠定良好的基础。 对图像的增强 方法可分为点增强 [10]、空域增强和频域增强 [11]。 12 （ 1）点增强 图像的灰度变换也称点运算。 一幅输入图像经过灰度变换后将产生一幅新的输出图像，由于输入像素点的灰度值决定相应的输出像素点的灰度值。 灰度值变换不会改变图像内的空间关系。 灰度变换可以按照预定的方式改变一幅图 像的灰度直方图。 除了灰度级的改变是根据某种特定的灰度变换函数进行之外，灰度变换可以看作是 “ 从像素到像素 ” 的复制操作。 如果输入图像为 A(x,y)，输出图像为 B(x,y)，则灰度变换可以表示为： B(x,y) = f,A(x,y)。 其中，函数 f(D)称为灰度变换函数，它描述了输入灰度值与输出灰度值之间的转换关系。 一旦灰度转换函数确定，该灰度变换就被确定下来了。 直方图均衡化是常用到的点增强方法： 直方图是用来表示图像灰度的分布情况的统计表，它只展示具有某一灰度的像素数，并不表示具有该灰度的像素处在图像中的位置。 直方图均衡又称为灰度均衡，目的是通过点运算使输入图像转换为在每一灰度级上都有相同的像素点数的输出图像（既输出的直方图是平滑的），这对于在进行图像比较或分割之前将图像转化为一致的格式十分有利。 𝑠 = 𝑓(𝑟) = ∫ Pr(𝑢)𝑑𝑢 = 1𝐴0𝑟0 ∫ 𝐻(𝑢)𝑑𝑢𝑟0 () 式 的 转换函数称为图像的累计分布函数。 对于没有被归一化的情况，只要乘以最大的灰度值（对于灰度图像就是255） 既可。 对于离散图像，转换 式为： 𝐷𝑏 = 𝑓(𝐷𝑎)= 𝐷𝑚𝑎𝑥𝐴0∑ 𝐻𝑖𝐷𝑎𝑖=0 () 公 式 中： Hi 为第 i级灰的像素的个数。 图 为直方图均衡的效果： 13 图 灰度图均衡化 直方图均衡化方法有以下两个特点： （ a） 根据各灰度级别出现概率的大小，对各个灰度级别进行相应程度的增强，即各个级别之间的间距相应增大。 （ b)可能减少原有图像灰度级别的个数，即对出现频率过小的灰度级别可能出现简并现象。 （ 2）空域增强 一幅数字图像包括光谱、空间、时间等三类基本信息。 对于一幅灰度图像，其光谱信息是以像素的灰度值来体现的，对光谱信息的增强可以通过前面介绍的点增强方法来实现，图像间的差值运算可以提 供图像的动态信息（即时间信息）。 空域增强则是增强图像的空间信息 ，常用的方法有： （ a)邻域平均法 图像的大部分噪音，比如由敏感元件，量化器等引起的噪音，多半是随机性的，它们对某一像素的影响，都可以看成孤立的，因此与邻近各个点相比，该点的灰度值将显著的不同。 基于此点，可以用邻域平均的方法来消除噪音。 f(i,j)表示 (i,j)点的灰度值， 以它为中心我们去一个 NXN的窗口（ N=3,5,7） , 14 窗口内相素组成的点集用 A 来表示，经图像平滑后，像素（ i,j）对应的输出可用式 表示 为： 𝑓𝑙(𝑥,𝑦) = {1 𝑓(𝑥,𝑦) ≥ 𝑇0 𝑓(𝑥,𝑦) 𝑇 () 邻域平均法的平均作用会引起图像的模糊现象，模糊的程度与邻域的半径成正比。 为了减少这种模糊失真，有人提出了 “ 超限邻域平均法 ” ，即如果某个 像素的灰度值大于其邻域像素的平均值，且达到了一定的水平，则判断此 相素 点 为噪音，用该点邻域像素的平均值代替该点的像素灰度值， 用 式 表示 如下： g(i， j) = {1𝑁N∑ 𝑓(𝑥,y)(𝑥,𝑦)𝜖𝐴 ， |𝑓(𝑥,𝑦) −1𝑁𝑁 ∑ 𝑓(𝑥,𝑦)|(𝑥,𝑦)𝜖𝐴 𝑇𝑓(𝑥,𝑦)， 其他 () 在实际应用中，根据实际情况，可以选择不同窗口大小和窗口形状，比如十字窗，圆形窗。 由于窗口过大，会引起图像的模糊，所以一般常用的是3 3窗口，而且还可以根据不同的影响，对邻域像素取不同的权重，然后再进行平均。 （ b)中值滤波法 从前面的可以看出，邻域 平均法可以抑制图像的噪音，但不可避免的引起了图像的边缘模糊。 而中值滤波则抑制图像噪音的同时，还较好的保存了图像边缘的轮廓信息。 中值滤波的原理非常简单，用一个 N N的窗口（ N = 3， 5， 7等）在图像上滑动，把窗口中像素的灰度值按升序 （ 或 降序 ） 排列，取排列在正中间的灰度值作为窗口中心所在像素的灰度值。 中值滤波是一种非线性滤波 [5]，它对消除脉冲噪音十分有用。 同邻域平均法一样，也存在 “ 超限中值滤波 ” ，即如果某个像素的灰度值大于其邻域像素的中间值，且达到了一定的水平，则判断该像素为噪音，用该点邻域像素的中间值代替该 点的像素灰度值。 经过比较，本课题用到的增强方法就是中值滤波。 （ 3）频域增强 15 图像空域增强一般只是对数字图像进行局部增强，而图像频域增强则可以对图像进行全局增强。 此类方法是将图像看 作 波 ， 然后利用信号处理中的手段对 图像 波进行处理。 频域增强技术是在数字图像的频域空间对图像进行滤波，因此需要将图像从空间域变换到频率域，一般通过傅立叶变换即可实现。 在频率域空间的滤波与空间域的滤波一样可以通过卷积实现，因此傅立叶变换和卷积理论是频域滤波技术的基础。 频域增强的主要步骤是 [12]： （ a） 选择变换方法，将输入的图像变换到频域空间； （ b） 在频域空间中，根据处理目的设计一个转移函数并进行处理； （ c） 将所得结果用反变换得到图像增强。 频域增强的常见方法有 ： （ a） 低通滤波 图像在传递过程中，由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器 H（ u， v）来抑制高频成分，通过低频成分，然后再进行逆傅里叶变换获得滤波图像，就可以达到平滑图像的目的。 由卷积定理，低通滤波数学表达式 如式 所示 ： 𝐺(𝑢， 𝑣) = 𝐹(𝑢， 𝑣)𝐻(𝑢， 𝑣) () 式中 𝐹(𝑢， 𝑣)为含有噪声的原图像的傅里叶变换域； 𝐻(𝑢， 𝑣)为传递函数，𝐺(𝑢， 𝑣)为经 过 低通滤波后输出图像的傅里叶变换。 常用的低通滤波器 𝐻(𝑢， 𝑣)有四种： （ i） 理想低通滤波器 设傅里叶平面上理想低通滤波器离开原点的截止频率为 D0，则理想低通滤波器的传递函数为 式 ： H(u,v) = {1 𝐷(𝑢,𝑣) ≤ 𝐷00 𝐷(𝑢,𝑣) 𝐷0 () （ ii） Butterworth 低通滤波器 16 n阶 Butterworth 滤波器的传递函数为 式 ： H(u,v) = 11+,𝐷(𝑢,v)𝐷0 2𝑛 () 它的特性是连续衰减，而不像理想滤波器那样陡峭变化。 （ iii） 指数低通滤波器 指数低通滤波器是图像处理中常用的另外一种平滑滤波器。 它的传递函数为 式 ： H(u,v) = 𝑒,−𝐷(u,v)𝐷0 𝑛 () （ iv） 梯形低通滤波器 梯形低通滤波器时理想低通滤波器和完全平滑滤波器的折中。 它的传递函数为 式 ： H(u,v) = {1 𝐷(𝑢,v) 𝐷0 𝐷(𝑢,v)−𝐷1𝐷0−𝐷1 𝐷0 ≤ 𝐷(𝑢,v) ≤ 𝐷10 𝐷(𝑢,v) 𝐷1 ()。