【齿轮故障凸显采集信息的预处理过程分析案例6500字】

齿轮故障凸显采集信息的预处理过程分析案例目录TOC\o"1-3"\h\u4031齿轮故障凸显采集信息的预处理过程分析案例 1197441.1灰度化 18207方法一： 231299方法二： 2220321.2平滑降噪 26429表3-4高斯滤波OpenCV函数的实现 7193411.3二值化 711921.4形态学处理 9在图像采集的过程中，由于受到外界和内部噪声的干扰，会造成图像的信噪比下降。在将CCD拍摄到的图像转换为可用计算机处理的数字图像时，图像的画质也会出现一些退化，而且大多拍摄的图像是彩色的。因此，在进一步处理之前一定要对图像进行灰度化、去噪等预处理，然后根据要求对图像进行后续处理，从而达到缺陷检测的目的。原始图像原始图像滤波除噪形态学运算灰度化二值化处理后图像图3-1预处理步骤1.1灰度化在使用工业相机采集图像过程中，捕获到的图片大部分都是彩色图像，为了提高处理速度，往往首先要将原始图片灰度化。逐点改变像素灰度值，将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。在图像处理中，用RGB三个分量来表示，即红、绿、蓝三原色来表示真彩色，R分量，G分量，B分量的取值范围均为0~255。而像素点是最小的图像单元，一张图片由很多的像素点构成，因为一个像素点的颜色是由RGB三个值来表现的，所以一个像素点矩阵对应三个颜色向量矩阵，分别是R矩阵，G矩阵，B矩阵。图片的灰度化就是让像素点矩阵中的每一个像素点都满足R=G=B（就是红色变量的值、绿色变量的值和蓝色变量的值相等，“=”的意思不是程序语言中的赋值，是数学中的相等）。在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。（1）灰度化方法图像的灰度化处理可用两种方法来实现，如下：方法一：灰度化后的R=（处理前的R+处理前的G+处理前的B）/3灰度化后的G=（处理前的R+处理前的G+处理前的B）/3(3-1)灰度化后的B=（处理前的R+处理前的G+处理前的B）/3方法二：灰度化后的R=

处理前的R*0.3+处理前的G*0.59+处理前的B*0.11灰度化后的G=

处理前的R*0.3+处理前的G*0.59+处理前的B*0.11(3-2)灰度化后的B=

处理前的R*0.3+处理前的G*0.59+处理前的B*0.11通常选择方法二，这样子灰度化的效果更理想。OpenCV函数实现表3-1灰度化OpenCV函数的实现cv.cvtColor(src,code,dst=None,dstCn=None)src：原图像code：色彩空间转换的代码或表示（cv.COLOR_BGR2GRAY）dst：输出图像dstCn：目标图像通道数，其值为0时，通道数由输入(src)和输入(code)图像决定1.2平滑降噪1.2.1噪声来源和种类噪声在图像上常表现为一引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关，它以无用的信息形式出现，扰乱图像的可观测信息。噪声一般来源于图像获取过程中和图像信号传输过程中，两种常用类型的图像传感器CCD和CMOS采集图像过程中，由于受传感器材料属性、工作环境、电子元器件和电路结构等影响，会引入各种噪声，如电阻引起的热噪声、场效应管的沟道热噪声、光子噪声、暗电流噪声、光响应非均匀性噪声。并且由于传输介质和记录设备等的不完善，数字图像在其传输记录过程中往往会受到多种噪声地污染。根据噪声和信号的关系可将其分为三种形式：（1）加性噪声：此类噪声与输入图像信号无关，含噪图像可表示为：f(x,y)=g(x,y)+n(x,y)(3-3)式中： f(x,y)——给定的原始图像；g(x,y)——图像信号；n(x,y)——噪声；信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声；（2）乘性噪声：此类噪声与图像信号有关，含噪图像可表示为：f(x,y)=g(x,y)+n(x,y)g(x,y)(3-4)飞点扫描器扫描图像时的噪声，电视图像中的相干噪声，胶片中的颗粒噪声就属于此类噪声。（3）量化噪声：此类噪声与输入图像信号无关，是量化过程存在量化误差，再反映到接收端而产生。1.2.2平滑处理平滑处理的目的主要是去除和削弱图像中的孤点和噪声区域的干扰。根据图像噪声源产生的原因，可以从硬件和软件两个方面进行噪声消除或抑制，硬件上优化系统传动结构、选择信噪比更高的相机提高成像质量，但在实际应用时，检测系统硬件平台搭建好后，硬件改动对系统影响较大，因此一般采用软件算法对图像进行降噪处理。消除图像中的噪声成分叫图像的平滑化或滤波操作。图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。图像滤波的目的主要有两个：首先是可以抽出对象的特征作为图像识别的特征模式；其次这是为适应图像处理的要求，消除图像数字化时所混入的噪声。而对滤波处理的要求也有两条：一是不能损坏图像的轮廓及边缘等重要信息；二是使图像清晰视觉效果好。1.2.3常见滤波方法（1）中值滤波中值滤波是一种典型的非线性滤波，是基于排序统计理论的一种能够有效抑制噪声的非线性信号处理技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点。该方法在取出脉冲噪声、椒盐噪声的同时能保留图像的边缘细节。这些优良特性是线性滤波所不具备的。中值滤波首先也得生成一个滤波模板，将该模板内的各像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为：(3-5)式中： g(x,y)——处理后图像；f(x,y)——原输入图像；w——输入的二维模板；其中w能够在整幅图像上滑动，通常尺寸为3×3或5×5区域，也可以是不同的形状如线状、圆形、十字形、圆环形等。通过从图像中的二维模板取出奇数个数据进行排序，然后用排序后的中值取代要处理的数据。中值滤波器可以做到既去除噪声又能保护图像的边缘，从而获得较满意的复原效果，而且在实际运算过程中不需要图像的统计特性，这也带来不少方便，但对一些细节多，特别是点、线、尖顶细节较多的图像不宜采用中值滤波的方法。图3-2中值滤波前后的图像（操作核尺寸：3×3）在OpenCV中函数实现中值滤波的方式如表3-2所示。表3-2中值滤波OpenCV函数的实现medianBlur(src,

dst,intKisze

)src：原图像dst：输出图像，大小类型与输入图像相同ksize：模糊化的核大小（

Ksize

为大于1的奇数）（2）均值滤波均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即包括目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。其采用的主要方法为邻域平均法。采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声，同时也由于平均而引起了模糊现象，模糊程度与邻域半径成正比。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度g（x，y），即(3-6)式中：m——该模板中包含当前像素在内的像素总个数；均值滤波本身存在着固有的缺陷，就是无法较大程度保护图像细节，在图像去噪的同时也会破坏图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。图3-3均值滤波前后的图像（操作核尺寸：3×3）在OpenCV中函数实现均值滤波的方式如表3-3所示。表3-3均值滤波OpenCV函数的实现blur(src,dst,Sizeksize,Pointanchor=Point(-1,-1),intborderType=BORDER_DEFAULT)src：原图像dst：输出图像，大小类型与输入图像相同ksize：模糊化的核大小anchor：锚点，即核中心borderType：像素外推法边缘的类型（3）高斯滤波高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，对于服从正态分布的噪声有很好的抑制作用，广泛应用于图像处理的减噪过程。通俗地讲，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。高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布）。具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小，更能够保持图像的整体细节。一维高斯分布：(3-7)二维高斯分布：(3-8)式中： σ——高斯半径；图3-4高斯滤波前后的图像（操作核尺寸：3×3）在OpenCV中函数实现高斯滤波的方式如表3-4所示。表3-4高斯滤波OpenCV函数的实现CV_EXPORTS_WvoidGaussianBlur(InputArraysrc,OutputArraydst,Sizeksize,doublesigmaX,doublesigmaY=0,intborderType=BORDER_DEFAULT);InputArraysrc：源图像OutputArraydst：目标图像Sizeksize：高斯内核大小（其中ksize.width和ksize.height可以不同，但是必须为正数和奇数，也可为零，均有sigma计算而来）doublesigmaX：高斯函数在X方向的标准偏差doublesigmaY：表示高斯函数在Y方向的标准偏差若sigma为零，就将它设为sigmaX,如果两者均为零，就由ksize.width和ksize.height计算出来。borderType：像素外推法边缘的类型1.3二值化二值化就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0~255，在二值化后的图像中的灰度值范围是0或者255。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。二值化的方法a.取阈值为127（相当于0~255的中数），让灰度值小于等于127的变为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是缺点也是很明显的，因为这个阈值在不同的图片中均为127，但是不同的图片，他们的颜色分布差别很大。二值化后如下图，效果并不是很好。我们通常不选择该种方法。图3-5阈值127二值化前后的图像b.计算像素点矩阵中的所有像素点的灰度值的平均值avg：（像素点1灰度值+...+像素点n灰度值）/n=像素点平均值avg(3-9)然后让每一个像素点与avg一一比较，小于等于avg的像素点就为0（黑色），大于avg的像素点为255（白色），效果会比方法（1）好一些。图3-6阈值平均值二值化前后的图像c.使用直方图方法（也叫双峰法）来寻找二值化阈值，直方图是图像的重要特质。直方图方法认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低谷处就是阈值所在。取到阈值后再一一比较就可以了。图3-7双峰法二值化前后的图像（2）OpenCV函数实现表3-5二值化OpenCV函数的实现cv.cvtColor(src,code,dst=None,dstCn=None)src：原图像code：色彩空间转换的代码或表示（cv.COLOR_BGR2GRAY）dst：输出图像dstCn：目标图像通道数，其值为0时，通道数由输入(src)和输入(code)图像决定1.4形态学处理图像的膨胀(dilation)和腐蚀(erosion)是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。开运算和闭运算是在膨胀和腐蚀的基础上进行组合。除此之外，形态学Top-Hat也是常用的一种形态学滤波器，具有高通滤波器的某部分特性，可实现在图像中检测出周围背景亮结构或周边背景暗结构。顶帽操作常用于检测图像中的峰结构，而黑帽操作常用于检测图像中的波谷结构。1.4.1图像腐蚀形态学转换主要针对的是二值图像。图像腐蚀类似“领域被蚕食”，将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。其主要包括两个输入对象：二值图像和卷积核。被扫描到的原始图像中的像素点，只有当卷积核对应的元素值均为1时，其值才为1，否则其值修改为0。腐蚀的运算符是“－”，其定义如下：(3-10)式中： A——原图像；B——卷积模板；该公式表示图像A用卷积模板B来进行腐蚀处理，通过模板B与图像A进行卷积计算，得出B覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。如图所示，将左边的原始图像A腐蚀处理为右边的效果图A-B。○○○○○○○○○○○○○○○○○○○○○○○○○○○○●●●●○○○○○○○○○○○○○○○○○○●●●●○○○○○○○○●●●○○○○○○○●●●●○○○○○○○○●●●○○○○○●●●●○○○○○○○○○●●○○○○○○○●●●●○○○○○○○○●●●○○○○●●●●●●●○○○○○○○○○○○●●●●○○○○●●●●○○○○○○○○●○○●●●●○○○○○○○●●●●○○○○○○○●●○○●●●●○○○○○○○○○○○○○○○○○○○○○○○○○○○○○○○○A原始图像B模板A-B腐蚀后图像图3-8腐蚀效果图图3-9腐蚀处理前后的图像（核尺寸：3×1）1.4.2图像膨胀图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了，主要用于去噪。首先，图像被腐蚀后，去除了噪声，但是会压缩图像。其次，对腐蚀过的图像，进行膨胀处理，可以去除噪声，并且保持原有形状。它也包括两个输入对象：二值图像或原始图像和卷积核。被扫描到的原始图像中的像素点，当卷积核对应的元素值只要有一个为1时，其值就为1，否则为0。膨胀的运算符是“⊕”，其定义如下：(3-11)该公式表示用B来对图像A进行膨胀处理，其中B是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点，用模板元素与二值图像元素做“与”运算，如果都为0，那么目标像素点为0，否则为1。从而计算B覆盖区域的像素点最大值，并用该值替换参考点的像素值实现膨胀。下图是将左边的原始图像A膨胀处理为右边的效果图A⊕B。○○○○○○○○○○○○○○○○○○○○○○○○○○○○●●●●○○○○○○○●●●●●○○○○○○●●●●○○○○○○○●●●●●○○○○○○●●●●○○○○○○○●●●●●○○○○●●●●○○○○○○○●●●●●●○○○○○●●●●○○○○○○○●●●●●○○○●●●●●●●○○○○○○○○●●●●●●●●○○○●●●●○○○○○○○○●○○●●●●○○○○○○○●●●●○○○○○○○●●○○●●●●●○○○○○○○○○○○○○○○○○○○○○●●●●○○○○○○A原始图像B模板