【齿轮故障凸显采集图像信息的缺陷特征提取分析案例2300字】

齿轮故障凸显采集图像信息的缺陷特征提取分析案例目录TOC\o"1-3"\h\u8295齿轮故障凸显采集图像信息的缺陷特征提取分析案例 1267051.1边缘检测概述 1178421.2边缘检测算子 118336Sobel(src_gray,grad_x,ddepth,1,0,3,scale,delta,BORDER_DEFAULT) 218751.3几何特征的提取 51.1边缘检测概述图像边缘是包含位置、轮廓等众多有用的信息的图像的最基本且最重要的特征之一，它为人们提供了识别或描述目标图像的重要特征参数。图像边缘检测是根据图像中目标区域和背景区域间纹理或灰度特性上的突变及不连续的特性,自动检测图像边缘的检测技术。边缘检测是图像处理技术中的重要部分，是图像模式识别、区域形状提取及机器视觉等技术的基础，也是图像分析及重建的重要的一环。因而，边缘检测算法的好坏将对轮廓或边缘提取精度产生直接的影响，进而可能影响系统性能的稳定性。1.2边缘检测算子1.2.1Sobel算子Sobel算子主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，Sobel算子是典型的基于一阶微分的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子对于像素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。Sobel算子包含两组3x3的矩阵，分第一个模板主要影响垂直边缘，而第二个模板主要影响水平边缘，最终以两卷积的最大值为输出点，即可分别得出横向及纵向的亮度差分近似值。图5-1Sobel算子边缘检测前后图像（梯度方向：dx；邻域范围：3）在OpenCV中函数实现Sobel算子边缘检测的方式如表3-11所示。表3-11Sobel边缘检测OpenCV函数的实现Sobel(src_gray,grad_x,ddepth,1,0,3,scale,delta,BORDER_DEFAULT)Sobel(src_gray,grad_y,ddepth,0,1,3,scale,delta,BORDER_DEFAULT)src_gray：输入图像grad_x/grad_y：输出图像ddepth：输出图像的深度delta,BORDER_DEFAULT：使用默认值1.2.2Canny算子Canny算子是一个具有滤波、增强、检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，然后采用一阶偏导的有限差分来计算梯度幅值和方向，接着Canny算子还将经过一个非极大值抑的过程，最后Canny算子还采用两个阈值来连接边缘。边缘提取的基本问题是解决增强边缘与抗噪能力间的矛盾，由于图像边缘和噪声在频率域中同是高频分量，简单的微分提取运算同样会增加图像中的噪声，所以一般在微分运算之前应采取适当的平滑滤波，减少噪声的影响。Canny运用一个准高斯函数作平滑运算，然后以带方向的一阶微分定位导数最大值，Canny算子边缘检测是一种比较实用的边缘检测算子，具有很好的边缘检测性能。Canny边缘检测法利用高斯函数的一阶微分，它能在噪声抑制和边缘检测之间取得较好地平衡。图5-2Canny算子边缘检测前后图像（核尺寸5×5）在OpenCV中函数实现Canny算子边缘检测的方式如表3-12所示。表3-12Canny边缘检测OpenCV函数的实现Canny(detected_edges,detected_edges,lowThreshold,lowThreshold*ratio,kernel_size)detected_edges：原灰度图像detected_edges：输出图像(支持原地计算，可为输入图像)lowThreshold：用户通过trackbar设定的值kernel_size：设定为3(Sobel内核大小，内部使用)1.2.3Laplacian算子Laplace算子是一种各向同性算子，二阶微分算子，在只关心边缘的位置而不考虑其周围的像素灰度差值时比较合适。Laplace算子对孤立像素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图像。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。所以，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。拉普拉斯算子也是最简单的各向同性微分算子，具有旋转不变性。一个二维图像函数的拉普拉斯变换是各向同性的二阶导数。拉式算子用来改善因扩散效应的模糊特别有效，因为它符合降制模型。扩散效应是成像过程中经常发生的现象。(5-1)图5-3Laplacian算子边缘检测前后图像（核尺寸：3×3）在OpenCV中函数实现Laplacian算子边缘检测的方式如表3-13所示。表3-13Laplacian边缘检测OpenCV函数的实现Laplacian(src_gray,dst,ddepth,kernel_size,scale,delta,BORDER_DEFAULT)src_gray：输入图像dst：输出图像ddepth：输出图像的深度kernel_size：设定为3scale,delta,BORDER_DEFAULT：使用默认值1.2.4Scharr算子scharr与sobel算子思想一样，只是卷积核的系数不同，scharr算子提取边界也更加灵敏，能提取到更细小的边界，但越是灵敏就越是可能误判。Scharr算子可以被看作是对Sobel算子的改进，不仅具有和sobel算子同样的速度，且精度更高。图5-4scharr算子边缘检测前后图像在OpenCV中函数实现scharr算子边缘检测的方式如表3-14所示。表3-14scharr边缘检测OpenCV函数的实现Scharr(InputArraysrc,OutputArraydst,intddepth,intdx,intdy,doublescale=1,doubledelta=0,intborderType=BORDER_DEFAULT)src：输入图像dst：输出图像，与输入图像src具有相同的尺寸和通道数，数据类型由第三个参数ddepth控制ddepth：输出图像的深度，根据输入图像的数据类型不同拥有不同的取值范围，具体的取值范围在表5-1给出，当赋值为-1时，输出图像的数据类型自动选择。dy/dx：X/Y方向的差分阶数scale:对导数计算结果进行缩放的缩放因子，默认系数为1，不进行缩放delta:偏值，在计算结果中加上偏值BORDER_DEFAULT：不包含边界值倒序填充1.3几何特征的提取图像的几何特征是指图像中物体的位置、方向、周长、面积等方面的特征。图像的几何特征虽然较为简单直观，但在许多图像分析问题中起着十分重要的作用。二值图像的几何特征能够用来实现分类、检验、定位、轨迹跟踪等任务。1.3.1获得轮廓轮廓就是一些列点相连组成形状、它们拥有同样的颜色、轮廓发现在图像的对象分析、对象检测等方面是非常有用的工具，在OpenCV中使用轮廓发现相关函数时候要求输入图像是二值图像，这样便于轮廓提取、边缘提取等操作。轮廓发现的函数与参数解释如下：表3-15获得轮廓OpenCV函数的实现findContours(InputOutputArrayimage,OutputArrayOfArrayscontours,OutputArrayhierarchy,intmode,intmethod,Pointoffset)image：输入图像，必须为二值图像contours：获取的轮廓，每个轮廓是一系列的点集合hieracrchy：轮廓的层次信息，每个轮廓有四个相关信息，分别是同层下一个、前一个、第一个子节点、父节点mode：轮廓寻找时候的拓扑结构method：轮廓点的编码方式，基本是基于CHAIN_APPROX_SIMPLE链式编码offset：点是否有位移1.3.2外接矩形获得外接矩形的函数与参数解释如下：表3-16获得外接矩形OpenCV函数的实现Rectcv::boundingRect(InputArraypoints)//最大外接矩形RotatedRectcv::minAreaRect(InputArraypoints)//最小外接矩形points：一系列点的集合（findContours中contours中的一个元素），对轮廓来说就是该轮廓的点集图5-5划痕的外接矩形1.3.3最小外接圆获得最小外接圆的函数与参数