17、机器视觉中的算法、近似方法与启发式策略及系统工程

机器视觉中的算法、近似方法与启发式策略及系统工程

1. 算法与变换方法

在图像处理中，有多种算法和变换方法可用于不同的任务。例如，将“island_hopping”算法应用于包含孤立白色像素的图片时，图3.57展示了其处理结果，其中一些白色像素大致对齐，且扇形扫描区域的角度宽度较大。

在检测图像特征方面，Radon变换和Hough变换各有特点。Radon变换可用于检测灰度图像中的细条纹和对齐的斑点，而第2章中定义的Hough变换则无法完成此任务。这表明Radon变换不仅是Hough变换的便捷替代方案，还为灰度图像分析提供了有趣的可能性。另一方面，Hough变换可以进行修改以检测已知形式的其他曲线，如检测重叠的圆。广义Hough变换甚至可以检测部分被遮挡的形状，如相互接触或重叠的汽车连杆。并且，Hough变换和Radon变换都能处理不连续的轮廓。值得注意的是，使用柱面透镜和线扫描相机可以方便地实现Radon变换所需的计算。

2. 算法使用的思考

2.1 解决正确的问题

在机器视觉系统中，算法和启发式技术必须与系统的其他部分和谐运行。例如，在选择Sobel边缘检测器和Roberts算子时，不应纠结于理论上哪个“更好”，因为它们的性能相似。如果选择哪个算子很重要，可能是照明 - 观察子系统出现了问题。

我们有许多不同的计算工具，在处理序列的每个算法步骤中通常有多种选择。因此，我们必须关注最重要的问题。实际上，选择算法A还是算法B对最终结果的影响可能不大，而它们在实现速度和成本上的差异更为显著。机器视觉是系统工程的一个专业领域，我们必须分别优化系统的各个部分，并确保它们能和谐工作。

以确定机器部件的方