机器视觉应用工程开发思路

 机器视觉应用工程开发思路

       机器视觉应用工程主要可划分为两大部分，硬件部分和软件部分。

       1.硬件部分，硬件的选型至关重要，决定了后续工作是否可以正常开展，其中关键硬件部分包括：光源，相机以及镜头。

       2.软件部分，目前业内商业库主要有Halcon，康耐视，DALSA，evision，NI等，开源库有OpenCV.其中NI的labview+vision模块。 

 

       机器视觉应用工程大致开发思路：

      一、获取图像       

      图像采集可以来源多个途径，用算子read_image去读取图像文件；用相机助手，可读取单个或多个相机视频；使用读文件或读取路径（可用tuple实现读取多个图像文件）助手。

      其中，使用相机助手获取相机图像最为常用。

      Halcon通过ImageAcquisition Interfaces对各种图像采集卡及各种工业相机进行支持。其中包括：模拟视频信号，数字视频信号Camera Link,数字视频信号IEEE 1394,数字视频信号USB2.0,数字视频信号Gigabit Ethernet等。 

     Halcon通过统一的接口封装上述不同相机的image acquisition interfaces,从而达到算子统一化。不同的相机只需更改几个参数就可变更使用。

     Halcon图像获取的思路：1、打开设备，获得该设备的句柄。2、调用采集算子，获取图像。

 

      二、图像颜色空间变换

      颜色的定义，颜色是光作用于人眼引起除形象以外的视觉特性。计算机常用的颜色空间主要有两种，RGB和HSV。RGB颜色空间，主要是依据人眼的生理结构，人眼有三类视锥体细胞，分别是红，绿，蓝。而HSV颜色空间，是基于颜色本身的属性，H代表色相，主要由波长决定；S代表纯度，取决于峰值能量与其他频段能量白色光的比例；V代表亮度。H与S属性，常常会混为一谈，是为颜色的色度特性。

      因此，在一副彩色图像中，倘若在RGB颜色空间中无法寻得合适阈值进行分割时，常常可以将RGB颜色空间转换到HSV颜色空间，去观察图像的色相以及饱和度属性。

     三、图像预处理

     图像预处理，即对采集的图像不是很满意，以致于会影响后续图像处理的结果，因此必须对采集的图像进行预处理。图像预处理，并未对图像做出实质性的提取和改变，主要是以滤波、增强对比度等改善图像质量为目的。

     图像预处理，主要包括了四个部分，图像的点运算（即操作直方图），图像的几何变换、图像的增强处理以及图像的正交变换。（其中，预处理以及ROI区域提取，还包括图像的边缘检测以及轮廓检测。）

     图像的点运算，主要用于改变一幅图像的灰度分布范围；图像的几何变换，主要包括图像的平移变换、镜像变换、图像的转置、缩放和旋转等内容；图像的增强处理，主要对图像的噪声过滤以及对比度增强，即平滑、锐化处理；图像的正交变换，主要包括傅里叶变换、哈达玛变换、离散余旋变换以及K-L变换等，将信号从空间域变换到空间频域，以便于更好的处理信号。

      四、区域及轮廓提取（提取ROI）

    区域以及轮廓的提取，即提取ROI，这一步是整个图像处理软件中的核心步骤。就我目前的知识水平大致可分为三个方法：Blob分析，模板匹配以及机器学习识别模式。

    Blob分析的基本思想，通过其灰度值的差别来识别图像中前景的像素。Blob分析三兄弟，图像分割，图像形态学处理，特征提取。

    模板匹配，主要包括形状匹配以及灰度值匹配。关键步骤，创建模板；在图像中查找模板。

    机器学习识别，基于多层感知的自我训练，通过监督学习，形成分类器。主要分为四步，创建trf训练文件（绑定字符图像与字符），创建神经分类器，训练分类器，将分类器保存为ocm文件（即可用于识别）。

       五、图像识别及诊断（或要进行相机标定）

原文地址：https://www.cnblogs.com/dzw2017/p/6992832.html