0引言

機器視覺是通過光學(xué)的裝置和非接觸的傳感器自動地接受和處理一個真實物體的圖像，以獲得所需信息或用于控制機器動作的裝置。機器視覺借助于計算機軟件對圖像進(jìn)行定量的分析，其處理的速度與被處理圖像的復(fù)雜程度有關(guān)。它具有快速、可靠、一致性高的優(yōu)點，對于大批量的生產(chǎn)有很好的經(jīng)濟(jì)效益。本課題采用先進(jìn)的圖像采集系統(tǒng)對零件的輪廓進(jìn)行采集，通過VC＋＋。NET作為開發(fā)平臺，結(jié)合圖像處理相關(guān)的算法，對零件的輪廓邊緣特征進(jìn)行識別提取。

本文首先通過WAT－902黑白CCD（電荷耦合器件）和T2314FICS－3工業(yè)自動化鏡頭對平臺正下方方形零件拍攝，由MV－20圖像采集卡將模擬信號轉(zhuǎn)化為數(shù)字信號，將其送入計算機進(jìn)行圖像二值化處理、區(qū)域分割、邊緣檢測及跟蹤、簡單背景下的物體目標(biāo)與背景的分離以及特征提取等處理，最后融合特征數(shù)據(jù)建立判別函數(shù)，實現(xiàn)了對零件圖像的自動識別，本文主要介紹灰度變換，二值化處理和邊緣檢測的算法及其應(yīng)用。

1灰度變換

灰度變換是圖像增強的重要手段，它可使圖像動態(tài)范圍加大，使圖像對比度擴(kuò)展，圖像更加清晰，特征更加明顯。

本課題采用灰度線性變換方法中的分段變換法進(jìn)行可灰度的拉伸試驗、分段線性變換[1]就是將圖像的灰度區(qū)間分成兩段乃至多段分別進(jìn)行線性變換，它的優(yōu)點是可以根據(jù)用戶的需要，拉伸特征物體的灰度細(xì)節(jié)，相對抑制不敢興趣的灰度級。

分段線性變換遵循以下原則：

<center>

如果|a‘－c‘|＞|a－c|，|c‘－d‘|＜|c－d|，|d‘－b‘|＝|d－b|，則是擴(kuò)展第1區(qū)間[a，c]，壓縮第2區(qū)間[c，d]，維持第3區(qū)間[d，b]，得到低灰度級被增強的圖像。如果|d‘－b‘|＜|d－b|，則可得高灰度級被增強的圖像。

圖1是基于VC開發(fā)出的用于分段線性變換設(shè)置方法，圖中利用點（50，30）和點（200，220）將灰度空間分成3段，通過調(diào)整這兩點的坐標(biāo)位置進(jìn)行灰度變換。

2圖像的二值化

為了進(jìn)行圖像識別，需要將經(jīng)過拍攝到的圖像二值化，因為CCD攝取的圖像f（x，y）為灰階圖像，圖像上的任一像素（x，y）處的灰度級l范圍為0≤1≤L。當(dāng)l＝0，像素顏色為黑色；當(dāng)l＝1，像素顏色為白色；當(dāng)0≤1≤L，像素顏色為白色，像素顯示黑與白之間的中間色。所謂圖像的二值化，就是使灰度級l只能取0或L，則圖中像素的顏色或者為白，或者為黑，此時圖像被稱為二值圖像（黑白圖像），為了使矩陣運算較為簡單，通常取L＝1（規(guī)格化）。

圖像二值化的目的是為了從原始圖像中檢測出對象物，即將圖像分成對象物和背景兩個區(qū)域，通常的辦法是設(shè)定一個閾值θ，取原始圖像中灰度級大于θ的像素群為對象物，小于θ的像素群為背景區(qū)域，例如設(shè)原始圖像為f（x，y），二值化后圖像為g（x，y），則

二值化的關(guān)鍵和難點是閾值選擇。在數(shù)字圖像中，無用的背景數(shù)據(jù)以及各種噪聲的數(shù)據(jù)和對象物常常混在一起，閾值的選擇方法很多，這里采用最大方差閾值法[2，3]對零件的圖像進(jìn)行處理。

最大方差閾值法是把待處理圖像的直方圖在某一閾值處分割成兩組，當(dāng)被分割成兩組間方差為最大時，決定閾值。

設(shè)灰度圖像f（x，y）的灰度級為0－L，灰度級i的像素數(shù)為ni，則圖1中，總像素數(shù)為：將灰度級分為兩組：C0＝0～k，C1＝k＋1～L，則C0產(chǎn)生的概率為：

圖2為二值化前后的直方圖。

3邊緣檢測

在對圖像進(jìn)行特征提取之前，一般都需要進(jìn)行邊緣檢測，然后進(jìn)行二值化處理，邊緣檢測將突出圖像的邊緣，邊緣以外的圖像區(qū)域通常被削弱甚至被完全去掉。處理后邊界的亮度與原圖中邊緣周圍的亮度變化率成正比。邊緣一般分為階躍性邊緣和屋頂狀邊緣。

在本課題中，零件圖像和背景圖像的灰度值有著顯著的不同，屬于階躍性邊緣，這種邊緣的檢測通常借助空域微分算子進(jìn)行，通過將其模板與圖像卷積來完成，其實質(zhì)是采用某種算法提取出圖像與背景間的交界線，用圖像灰度分布的梯度來反映，因此可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。以下是對幾種經(jīng)典的邊緣檢測算子進(jìn)行理論分析，并對各自的性能特點做出了比較和評價。

以這些理論為依據(jù)，這里采用了幾種常用的邊緣檢測方法：Roberts邊緣檢測算子、Sobel邊緣檢測算子、Prewitt邊緣檢測算子、Laplace邊緣檢測算子。

3。1Roberts邊緣檢測算子[4，5]

Roberts邊緣檢測算子是一種利用局部差分方法尋找邊緣的算子，它根據(jù)任意一對互相垂直方向的差分可用來計算梯度的原理，才能采用對角線方向相鄰兩像素之差，即

適當(dāng)選取門限TH并做如下判斷：屬于R（i，j）＞TH，則（i，j）為階躍狀邊緣點，{R（i，j）}為邊緣圖像。如圖3所示。

[!--empirenews.page--]

3。2Sobel邊緣檢測算子[4，5]

Sobel邊緣檢測算子采用兩個卷積核：

圖像中每個點都要這兩個核進(jìn)行卷積，前一個核對水平邊緣響應(yīng)最大，后一個核對垂直邊緣響應(yīng)最大，兩個模板各司其職。最后把兩個卷積結(jié)果的最大值作為該點的輸出值。對數(shù)字圖像{f（i，j）}的每個像素，考察它上下左右鄰點灰度的加權(quán)差，與其接近的鄰點的值大。

算子如下：

s（i，j）＝|Δxf|＋|Δyf|＝|（f（i－1，j－1）＋2f（i－1，j）＋f（i－1，j＋1））－（f（i＋1，j－1）＋2f（i＋1，j）＋f（i＋1，j＋1））1＋|（f（i－1，j－1）＋2f（i，j－1）＋f（i＋1，j－1））－（f（i－1，j＋1）＋2f（i，j＋1）＋f（i＋1，j＋1））|

Sobel算子檢測到的邊緣如圖4所示。

對比兩種算子得到的圖像可以簡單地得出以下結(jié)論：Roberts算子檢測水平和垂直的效果好于斜向邊緣，定位精度高，但對噪聲敏感；Sobel邊緣檢測算子則對灰度漸變和噪聲較多的圖像處理得較好。

4結(jié)束語

在該項目的研究過程中，本文所論述的灰度變換中的分段線性變換法、圖像二值化中的最大方差閾值法及邊緣檢測中的Roberts邊緣檢測算子、Sobel邊緣檢測算子、Prewitt邊緣檢測算子、Laplace邊緣檢測算子都在VC＋＋。NET中實現(xiàn)，并已經(jīng)運用于整個采集識別過程，實驗表明，灰度變換和二值化能很大地提高對灰度圖像的識別精度，噪聲較低的環(huán)境下，利用Roberts算子檢測邊緣定位精度較高，識別出的圖像精度能達(dá)到0。05mm。在此基礎(chǔ)上已開發(fā)出一套完整的零件位姿圖像采集識別系統(tǒng)。