智能制造系统设计 课件2.7 数字图像处理

数字图像处理—智能制造系统的视觉目录2.7.1数字图像处理概述1.智能制造的眼睛—数字图像处理2.图像重建—像素矩阵3.图像处理—卷积降噪4.图像形态—集合运算5.图像分割—边缘检测6.图像识别—卷积网络2.7.2形态学分析2.7.3数字图像处理与智能制造的关系想象一下人眼如何捕捉图像。眼睛是复杂的生物传感器，它们通过视网膜上的光感受器细胞来感知光线。

可以将这个过程与数字图像处理进行类比。在数字图像处理中，图像首先被数码相机或者扫描仪捕获为数字信号，这些数字信号代表了图像中每个像素的颜色和亮度信息。接下来，这些数字信号被输入到计算机中并通过图像处理软件进行处理。这个过程包括各种图像处理技术，如滤波、增强、分割、特征提取等。1.智能制造的眼睛—数字图像处理2.图像重建—像素矩阵当谈论数字图像处理时，将图像转换为矩阵是其核心。想象一下，你手中有一张美丽的风景照。这张照片实际上是由无数个像素组成，每个像素都有自己特定的颜色和亮度。当将这张照片转换为矩阵时，这些像素就像是矩阵中的格子，而每个格子里的数值则代表了像素的颜色和亮度信息。3.图像处理—卷积降噪

首先我们用色子的例子来说一下什么是卷积，假设我们有两枚骰子，把他们一起丢出去，这两个骰子的点数加起来为4的概率是多少呢？我们用f(1)表示第一枚骰子点数是1的概率，同样第二枚筛子点数是1的概率用g(1)表示。3.图像处理—卷积降噪

不同卷积核的有不同的作用，高斯核可以既可以保留原有特征，同时还可以使其平滑。高斯滤波器实质上是一种信号的滤波器，其用途是信号的平滑处理。在图像处理中，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。4.图像形态—集合运算在图像形态学中，腐蚀操作是一种基础且重要的技术，它主要用于消除图像中的细小物体、噪点，以及平滑目标区域的边界。操作的核心思想是通过一个称为结构元素的模板，在图像上滑动并比较，从而确定哪些像素应该被保留或移除。图像中的噪点通常小于结构元素的大小，因此会在腐蚀过程中被消除。4.图像形态—集合运算膨胀操作是一种与腐蚀操作相辅相成的关键技术。它主要用于扩大图像中的物体区域、填充空洞，以及连接相近的物体，为图像分析提供更丰富的信息。通过膨胀操作，可以将这些空洞周围的像素与结构元素进行比较，如果匹配成功，则将这些像素置为前景值，从而填充空洞，使物体更加连续。4.图像形态—集合运算开运算通常平滑物体的轮廓、断开狭窄的狭颈、消除细长的突出物；闭运算同样平滑轮廓，但与开运算相反，它通常弥合狭窄的断裂和细长的沟壑，消除小孔，并填补轮廓中的缝隙。通过膨胀操作，可以将这些空洞周围的像素与结构元素进行比较，如果匹配成功，则将这些像素置为前景值，从而填充空洞，使物体更加连续。4.图像形态—集合运算击中-击不中变换是一种基于结构元素的形态学操作，用于检测图像中与给定结构元素精确匹配的区域。与开运算和闭运算不同，击中-击不中变换需要两个结构元素：一个用于检测目标物体，另一个用于检测目标物体周围的背景。只有当这两个结构元素同时与图像中的某个区域匹配时，才认为该区域为目标物体。5.图像分割—边缘检测图像分割是将图像划分为多个不相交的区域或对象的过程，每个区域或对象在某种特性（如颜色、纹理、亮度等）上与其他区域或对象有所不同。通过图像分割，可以将图像中的前景与背景分离。阈值分割基于区域的分割边缘分割基于模型的分割5.图像分割—边缘检测

边缘检测是图像处理中的一个基本问题，通过识别图像中亮度、颜色或纹理等特征发生显著变化的区域来确定图像的边缘。边缘信息对于图像理解、分析和识别等任务至关重要，边缘检测可以通过多种方法实现。Roberts算子Prewitt算子Sobel算子Canny算子梯度确定大小和方向5.图像分割—边缘检测梯度差分：下行见上行或者右列减左列5.图像分割—边缘检测5.图像分割—边缘检测二维梯度算子Sobel抑制噪声，用途更广Sobel算子5.图像分割—边缘检测Marr-Hildreth希尔德雷斯算子-高斯拉布拉斯函数（LoG）特点：1）微分算子表征梯度，检测灰度突变2）变尺度算子，大算子检测模糊的边缘，小算子检测清晰的细节3）小算子计算过零点检测4）1像素边缘5.图像分割—边缘检测Canny算子—最优秀低错误率边缘点定位精度最高消除孤立点5.图像分割—边缘检测Canny最优Marr-Hildreth阈值处理5.图像分割—边缘检测Canny最优Marr-Hildreth机会：平滑+算子尺度+多阈值阈值处理5.图像分割—边缘检测边缘连接-霍夫变换5.图像分割—边缘检测区域生长提取裂纹5.图像分割—边缘检测6.图像识别—卷积网络CNN提取图像特征主要包含输入层、卷积层、池化层、全连接层和输出层。输入层是CNN的起始层，它接收原始数据。卷积层是CNN的核心组成部分，它通过卷积操作从输入数据中提取特征。每个卷积层包含多个卷积核，这些卷积核在输入数据上进行滑动并计算点积，从而生成特征映射。6.图像识别—卷积网络

卷积核的深度决定了每个卷积核能够提取的特征的复杂程度。较深的卷积核可以捕捉更高级别的特征，较浅的卷积核通常捕捉较低级别的特征。而卷积核的个数决定了卷积层能够提取的特征种类和数量。增加卷积核的个数，可以增加卷积层的表达能力，从而提取更多样化的特征。6.图像识别—卷积网络不同卷积核的作用效果2.7.3.数字图像处理与智能制造关系缺陷识别质量检测在智能制造中占据着举足轻重的地位，它是确保产品质量和可靠性的关键环节。在智能制造系统中，数字图像处理技术首先通过高精度图像采集设备获取产品的高清图像，这些图像涵盖了产品的各个细节和特征，为后续的分析提供了丰富的数据基础。在之后的特征提取阶段，数字图像处理技术能够识别并提取出图像中的关键信息，为后续缺陷识别提供重要依据。2.7.3.数字图像处理与智能制造关系机器人视觉在智能制造的时代，产品生产出来后会被机器人运送到相应的地点存放或者交付，那么这种自动化的机器人同样用到了数字图像处理。机器人视觉作为智能制造中的一个核心应用领域，极大地推动了机器人技术的智能化和自主化进程。机器