機器視覺系統中，視覺信息的處理技術主要依賴于圖像處理方法，它包括圖像增強、數據編碼和傳輸、平滑、邊緣銳化、分割、特征抽取、圖像識別與理解等內容。經過這些處理后，輸出圖像的質量得到相當程度的改善，既改善了圖像的視覺效果，又便于計算機對圖像進行分析、處理和識別。

1、圖像的增強

圖像的增強用于調整圖像的對比度，突出圖像中的重要細節，改善視覺質量。通常采用灰度直方圖修改技術進行圖像增強。

圖像的灰度直方圖是表示一幅圖像灰度分布情況的統計特性圖表，與對比度緊密相連。

通常，在計算機中表示的一幅二維數字圖像可表示為一個矩陣，其矩陣中的元素是位于相應坐標位置的圖像灰度值，是離散化的整數，一般取0,1,……，255.這主要是因為計算機中的一個字節所表示的數值范圍是0~255.另外，人眼也只能分辨32個左右的灰度級。所以，用一個字節表示灰度即可。

但是，直方圖僅能統計某級灰度像素出現的概率，反映不出該像素在圖像中的二維坐標。因此，不同的圖像有可能具有相同的直方圖。通過灰度直方圖的形狀，能判斷該圖像的清晰度和黑白對比度。

如果獲得一幅圖像的直方圖效果不理想，可以通過直方圖均衡化處理技術作適當修改，即把一幅已知灰度概率分布圖像中的像素灰度作某種映射變換，使它變成一幅具有均勻灰度概率分布的新圖像，實現使圖象清晰的目的。
2、圖像的平滑

圖像的平滑處理技術即圖像的去噪聲處理，主要是為了去除實際成像過程中，因成像設備和環境所造成的圖像失真，提取有用信息。眾所周知，實際獲得的圖像在形成、傳輸、接收和處理的過程中，不可避免地存在著外部干擾和內部干擾，如光電轉換過程敏感元件靈敏度的不均勻性、數字化過程的量化噪聲、傳輸過程中的誤差以及人為因素等，均會使圖像變質。因此，去除噪聲，恢復原始圖像是圖像處理中的一個重要內容。
3、圖像的數據編碼和傳輸

數字圖像的數據量是相當龐大的，一幅512*512個像素的數字圖像的數據量為256K字節，若假設每秒傳輸25幀圖像，則傳輸的信道速率為52.4M比特/秒。高信道速率意味著高投資，也意味著普及難度的增加。因此，傳輸過程中，對圖像數據進行壓縮顯得非常重要。數據的壓縮主要通過圖像數據的編碼和變換壓縮完成。

圖像數據編碼一般采用預測編碼，即將圖像數據的空間變化規律和序列變化規律用一個預測公式表示，如果知道了某一像素的前面各相鄰像素值之后，可以用公式預測該像素值。采用預測編碼，一般只需傳輸圖像數據的起始值和預測誤差，因此可將8比特/像素壓縮到2比特/像素。

變換壓縮方法是將整幅圖像分成一個個小的（一秀取8*8或16*16）數據塊，再將這些數據塊分類、變換、量化，從而構成自適應的變換壓縮系統。該方法可將一幅圖像的數據壓縮到為數不多的幾十個特傳輸，在接收端再變換回去即可。
4、邊緣銳化

圖像邊緣銳化處理主要是加強圖像中的輪廓邊緣和細節，形成完整的物體邊界，達到將物體從圖像中分離出來或將表示同一物體表面的區域檢測出來的目的。它是早期視覺理論和算法中的基本問題，也是中期和后期視覺成敗的重要因素之一。
5、圖像的分割

圖像分割是將圖像分成若干部分，每一部分對應于某一物體表面，在進行分割時，每一部分的灰度或紋理符合某一種均勻測度度量。某本質是將像素進行分類。分類的依據是像素的灰度值、顏色、頻譜特性、空間特性或紋理特性等。圖像分割是圖像處理技術的基本方法之一，應用于諸如染色體分類、景物理解系統、機器視覺等方面。

圖像分割主要有兩種方法：一是鑒于度量空間的灰度閾值分割法。它是根據圖像灰度直方圖來決定圖像空間域像素聚類。但它只利用了圖像灰度特征，并沒有利用圖像中的其它有用信息，使得分割結果對噪聲十分敏感；二是空間域區域增長分割方法。它是對在某種意義上（如灰度級、組織、梯度等）具有相似性質的像素連通集構成分割區域，該方法有很好的分割效果，但缺點是運算復雜，處理速度慢。其它的方法如邊緣追蹤法，主要著眼于保持邊緣性質，跟蹤邊緣并形成閉合輪廓，將目標分割出來；錐體圖像數據結構法和標記松弛迭代法同樣是利用像素空間分布關系，將邊鄰的像素作合理的歸并。而基于知識的分割方法則是利用景物的先驗信息和統計特性，首先對圖像進行初始分割，抽取區域特征，然后利用領域知識推導區域的解釋，最后根據解釋對區域進行合并。
6、圖像的識別

圖像的識別過程實際上可以看作是一個標記過程，即利用識別算法來辨別景物中已分割好的各個物體，給這些物體賦予特定的標記，它是機器視覺系統必須完成的一個任務。

按照圖像識別從易到難，可分為三類問題。第一類識別問題中，圖像中的像素表達了某一物體的某種特定信息。如遙感圖像中的某一像素代表地面某一位置地物的一定光譜波段的反射特性，通過它即可判別出該地物的種類。第二類問題中，待識別物是有形的整體，二維圖像信息已經足夠識別該物體，如文字識別、某些具有穩定可視表面的三維體識別等。但這類問題不像第一類問題容易表示成特征矢量，在識別過程中，應先將待識別物體正確地從圖像的背景中分割出來，再設法將建立起來的圖像中物體的屬性圖與假定模型庫的屬性圖之間匹配。第三類問題是由輸入的二維圖、要素圖、2·5維圖等，得出被測物體的三維表示。這里存著如何將隱含的三維信息提取出來的問題，當是今研究的熱點。

目前用于圖像識別的方法主要分為決策理論和結構方法。決策理論方法的基礎是決策函數，利用它對模式向量進行分類識別，是以定時描述（如統計紋理）為基礎的；結構方法的核心是將物體分解成了模式或模式基元，而不同的物體結構有不同的基元串（或稱字符串），通過對未知物體利用給定的模式基元求出編碼邊界，得到字符串，再根據字符串判斷它的屬類。這是一種依賴于符號描述被測物體之間關系的方法。

返回列表