【《视觉处理的AGV小车图像处理所需工作分析》5600字】

PAGE11视觉处理的AGV小车图像处理所需工作分析目录TOC\o"1-3"\h\u22441视觉处理的AGV小车图像处理所需工作分析 1156221.1.提取 2117491.2.图像灰度处理 3232521.3.图像增强 5281721.4.滤波 6236221.5.亮度增强 7307561.6.增强对比度 75722图片3-4处理前后对比第一列是未处理第二列处理后 9138151.7.灰度图的二值化 9146741.8.路径边界的提取 13219811.9.总结： 15对于视觉处理的AGV小车来说视觉系统是非常重要的，你可以想象如果一个人失明他就无法提取眼前的信息经过大脑处理做出合理的正确判断，同样的在AGV小车中视觉处理系统就是眼睛，它要做的工作就是提取信息，处理信息。图3-1数字图像处理过程提取选择的是VFW，因为它距离现在的时间比较长，所以不用花很多钱就能获取得到这个软件，然后它只是对信息进行采集以及处理，不用再去学习更多的操作方法，对于新手来说是比较友好，且他的稳定性比较好所以在市场上应用的稍微多一点。图3-2VFW处理流程我们需要一个设备来连接计算器，通过计算器控制图形的颜色等重要参数，WINDOWS是不允许我们直接操作硬件，所以我们要通过GDI这个桥梁来达到控制硬件的效果。图3-3数据可视化流程图像灰度处理图片生活中随处可见对于图片来说，其实也蕴含着各种信息例如生活中的二维码条形码，图片它是一个矢量，矢量可以通过坐标来衡量，即通过坐标所来反映它所蕴含的信息。图像的画面储存方式是通过栅格结构它把图片均匀地划分成不同的点，记录每一个点所包含的信息，其中信息是通过图片的亮度图片的颜色反应。我们生活中所听到的像素，其实就叫三格结构它有一定的排列顺序，与常见的是正方形排列。所以在上文中提到当AGV小车处理芯片的能力一定时，如果它处理的信息越多小车速度越慢，我们应当先灰度化处理减少芯片工作量。红绿蓝可以混合出不同的颜色，则它们之间有着一定的关系，R红G绿B蓝三者与F的关系可以表示为： F=r[R]+g[G]+b[B] （3-1）此公式类似于高中所学的空间立体坐标系，同理我们也可以根据三者与F的关系，建立一个色彩空间坐标系。图3-3空间色彩坐标系黑色（0.0.0）和白色（255.255.255）两个坐标点相连的线就是灰度等级。如果把255的所有值都化成1再转化为向量坐标，着所有的取值范围都在[0.1]之间。数据图像的储存就是通过BMP文件没有被压缩用RGB表示出。用24位二进制来表示这些像素点，我们称之为24位真彩色。灰度化第一步先把24位图转化成8位这样把颜色减少就可减少芯片工作量这个过程叫做减色处理。在这过程中最好用八差数颜色量化法因为这种方法相对于主流的三种方法中效率高。第二部选定调色板，第三部赋值选择两差不多颜色的坐标它的距离用公式表示为 （3-2）用YUY模型也可以表示颜色，U和V表示色差，Y表示亮度这种表示方法有一个很重要的优点，就是Y是包含了所有信息的灰度图，只要Y的数值比U和V高栅格网就会减小，图片就相当于被压缩，而且RGB模式可以和YUY模式转换YUV和RGB关系： (3-3)YUV与RGB转换：(3-4)推导公式得到： Y=0.299R+0.587G+0.114B (3-5)红绿蓝值赋值成Y就能得出灰度图，这就是图像灰度处理。图像增强我们所做的所有的处理只有一个目的就是减少AGV小车芯片的工作量，数字图像处理中图像增强图像相对于其它的处理具有一定的艺术性且处理的难度相对于简单。此过程它的工作目标就是，突出图片我们所需要的信息去除图片中我们所不需要的信息。在消除噪声中，AGV小车因为是运动的所以它拍出来的图片，有时可能是模糊的这时候就需来突出其中的某一信息，我们也可以换句话来说，增强它并不是把图片里的全部信息都增强，这也不符合我们的最终目标而是加强对某一信息的识别能力，而这需要付出的是牺牲别的信息出于这种原因，我们没有办法去评价，图像增强的好与坏只能说在图像增强的过程中，如果它提取到小车所需要的信息，且提取的非常精准就可以处理得比较好。并不能因为它没有唯一的评判标准就把它从处理过程中去掉，因为它也有一定的必要性，相机拍摄的图片中，假如天气和光线不是特别好且路面上有各种污染或者说是路线被遮挡，都很难确保我们能提取到所需要的信息，此时图像增强它的必要性就体现出来，它也和路径识别精度密切相关。图像的处理有许多方法，我们所熟知的有锐化、平滑画图、修正灰度变化等其实在真正操作中我们并不是选择一种方法去增强图片，而是要选择多种方法一起结合起来这样才能达到我们所预期的效果。滤波因为AGV小车在传输图片还有数字化的过程中，设备与别的因素会对图片造成干扰这就是含噪图像。通过滤波可以去除噪声，噪声是对图片信息干扰比较大的一个因素它增加了小车芯片的处理量，同时对于路径的识别精度也有很重要的影响。这里的均值中值法我认为是优于中值法，因为它比较符合我们的最终目的减少处理运输过程，假如我们要取一个点的值，它需要把周围像素点的值进行相加后计算取一个中值，此方法对于计算量比较大且十分的费时，也难以保证其准确性，但它也有一定的优势比如消除斑点噪声还有椒盐噪声效果好。图片3-4这里均值中值法原理把一组数据从小到大排列，例如有九个数据左边分四个右边分五个然后少的那边，n取四，m取五，当m小于q除以二，就舍去，以此类推直至求出我们所需要的值。此方法的优点就是我们不用再去求平均数而只需要把数据的排列这样的话，大大减少了芯片的运算量，有效了提高小车工作效率。亮度增强亮度会对图片的清晰度有一定的影响，这是我们日常生活中拍照所熟知的，在AGV小车对图片进行拍照时，也会因为外界环境的关照导致图片的亮度并不是均匀的，在此时，我们只需要通过红绿蓝的量进行增加或者减少就可以对图片的亮度达到一定的提高，但我们所知道红绿蓝量并不是无限增大的，它也有一定的峰值所以，图片的亮度不能无限大。图片3-5亮度加强对比增强对比度增强对比度的目标是为了使图片更好的读取，直方图是灰度值是一种统计图表，它是多种处理手段的基础。对于分布情况的灰度值比较能够直接地表达出来，能够浅显易懂，相对于其它软件它比较容易实现交易对于电脑等，硬件设备设施需求度较低导致了它在各方面都比较广泛应用。从直方图可以得出的结论是，图片在某一范围内比较集中的灰度值，它没有一定的规律比较零散其余值与图片的对比度呈正相关，如果是零散的像素比较多其对比度就低区分辨别的程度就小。反之均匀的灰度值且没有非常的集中在一个区间内，灰度值是平均分布的大部分地方，都有灰度值所覆盖可以说对比度好。通过映射，手段能够让图片灰度值均匀，灰度值的均匀可以让输出的图片的像素点比较相同，既直方图的值也是均匀分布的，这样的处理过程叫灰度均匀化。这样处理图片后我们所能得到的动态范围与对比度都会比原图高。灰度值在0至1，且是连续的r来表示加强图片的灰度级，对于图片进行PDF也就是归一直方图： （3-6） （3-5） （3-6） （3-7） （3-8）下面展示了通过增强对比度两组图之间的区别，从图中可以明显地看出第一行图整体的颜色是比较暗，且从直方图也能看分布的不均匀且较为集中的分布在一侧。这样很难提取到我们所需要的信息，因为它的对比度低导致了区别度也会低，第二图就进行了对比度的增强，直方图中也能清晰地看出灰度值已经开始匀分布，不再集中于一个区间内整体的图片亮度也得到了一定的提升。所以我们能得出一个结论，当灰度值较均匀地分布时图片的对比度就比较高这个图片的颜色也比较丰富这样有利于小车提取信息。经过我不断的查阅资料证明了均匀化后的直方图确实能够增强图像，不论它的灰度等级是集中在哪一侧所得到的结果都是一样的，灰度等级都能均匀分布。这样的话所有的图片都可以归为一类，这样对于图片的处理以及提取信息分析都是非常有优势的，也能够满足我们的目标减小芯片的运算量。图片3-4处理前后对比第一列是未处理第二列处理后灰度图的二值化为了能更好地提取信息要把图片一分为二，一部分是背景信息，别一部分是物体，因为图像它包括了物体噪声背景而现在的做法是通过选择一个比较合理的阈值。上文也提到，像素之间的取值范围非常大是0到2555，在本着提高运算速度的前提下，对于阈值的选择就体现出其必要性及重要性。根据我现在所查阅的资料，阈值选择方法有许多种：根据经验来选择，此方法可以说是在众多方法中比较好用的一个办法，它对操作者需要有一定的经验因此提高了上手的难度。具体过程就是实验者根据自己不断的实验有了一定的知识背景基础后，他会选择一个合理的阈值设为固定的阈值，以这个阈值为基准对所有的图片进行划分。因为人是主观能动的再经验丰富的人也会出现失误这是这个方法的弊端，例如图片有一些信息特征差距是非常明显的，像素之间的差距如果用经验来进行阈值分割这明显不符合严谨性。再比如如果实验者不熟悉像素的分布情况以及背景的特征，他就没有办法进行不断的尝试而取出一个合理的阈值，而此时他也需要后期的实验不断进行微调阈值难度由此可见。所有的事物都不能进行一刀切的方法，需要添加一些辅助方法来帮助阈值选择，此方法必须具有一定的适应能力，例如当外界的光照强度发生了变化，就需要对阈值的选择进行调整。迭代法运用此方法的原理是，数据一开始是不断变化的我们一开始先选择一个阈值然后跟着数据的不断变化更新这一组数据，符合标准停止。此方法对于规律需要选择得比较谨慎，第一次出现的迭代数据都能够准确的对接下一次出现的迭代数据且能进一步进行优化，这是评选规律选择的好坏的标准。最小均方差误差法，它需要基本满足前景和背景是正态分布且前景和背景是包含在灰度区间没有第三个特例。先选择一个阈值，然后将一个背景点判断为情景点与一个情景点判断为背景点两个出现错误概率相加这就是最小均值误差总误差。由此可见，因为有两个误差的存在导致了最后的误差扩大的几率比较大，所以选择这种方法不是很好。最大类区间方差法，此方法的阈值确定是通过最大间方差，它能够自动对阈值进行选择最后得出的数值也比较接近预期值，所需要的计算量低对于参数的设置不繁琐原理是通过最小二乘法实现。假设像素总量是，图像的像素度级为,

像素值处像素点的量用表示，概率分布函数假设为： （3-9）两个区间的概率和灰度平均值： （3-10） （3-11） （3-12） （3-13）图片灰度均值：两个区间的方差如下： （3-14） （3-13）评价阈值K好坏加入： （3-14）类自身方差，类间方差，整体量变水平的方差 （3-15） （3-16） （3-17）我们的目标想方设法地让阈值k方差最大，灰度实现分类需要有一个较好的阈值。 （3-18）阈值K可以分割和，因此k的取值取到了决定性作用，但与K没有关系，来自于类方差，来自于类均值。因此，分析K就可以先分析，所以把作为K的评判标准。 （3-19） （3-20）优化阈值的方差： （3-25）推导出K取值范围： （3-26）标准方法可以取最小值0，如满足并且可以取得一个正直和圆形值域，因此这个最大值是存在。在区间取值，让最大的值就是最好的阈值分割。不需要再添加参数设置是此方法最好的一点，对阈值自动删选，单阈值和多阈值同样也能选择这一种方法。图3-5处理效果图路径边界的提取预处理中一个重要的过程是图像的边缘检测，形态学是一种新兴的数学方法对于图片的处理以及分析都可以应用，对于对称的结构元素是被数学上的形态学边缘检测的被利用，可是对于那些复杂且难度较高的边缘信息，对于此系统来说是比较难以检测到，造成这种现象是因为那些结构且复杂的元素最终只能对于图片边缘起到一定作用，对于那些具有相同方向的结构元素往往是图像边缘的特征。在我查阅的资料中，我读到了一种比较新奇的方法，它对于最后的结果是求和所得且这种方法的基本原理是利用了形态学梯度算法，同时运用了八个的不同方向。灰度不相同且具有两个它们出现的位置都位于图像的边缘，换句话说灰度变化会被在边缘所被反应。可以根据我们所需要提取有用的价值信息，这些信息主要用于分析目标，识别滤波但这些信息位于图像边缘，提取了这些信息极有可能会降低芯片对于图片数据的处理数量，这就是图像边缘定义。其中，图像边缘所包含的各种信息例如，位置的边缘信息，方向的边缘信息，法线方向的边缘信息与强度信号边缘信息，对于灰度变化的方向以及坐标定位在边缘处，都能利用图像中的这些边缘信息起到给图像灰度变化量检测提供有效数据。可以说图像处理技术从被发明到现在已经进入了高速发展时期，对于边缘检测方面的研究结果是非常丰富的，且检测的技术也是多种多样，且也非常成熟但也出现了一种局面，到底该选择哪一种检测方法？因为不同的检测所用到的滤波器也是各种各样的。有一些比较权威的算法有算子、算子、算子、算子，一阶二阶导数规律皆被运用于此类图像边缘算子中。通过择优的思维，对于各种算子进行综合的比较列出其优缺点，可以更好地服务于边缘检测对此有重要的意义。算子对于噪声可以起到抑制作用且实用的性质较好，对于定位边缘信息来说比较准确，可是在检测的过程中，也会出现一些不存在的边缘信息这些边缘信息位置非常的