LabVIEW图像特征与机器视觉概念（理论篇—4）

图像的特征是指图像的原始特性或属性，其中部分属于自然特征，如像素灰度、边缘和轮廓、纹理及色彩等。有些则是需要通过计算或变换才能得到的特征，如直方图、频谱和不变矩等。

为了能减少计算量并提高系统的实时性，几乎所有机器视觉系统对目标的识别、分类及检测都基于从图像中提取的各种特征来进行。

将属于特征的像素从图像中分离出来的过程称为图像的特征提取，从各种图像特征中选出可高效解决待处理问题的特征的过程则称为特征选择。特征提取和特征选择的结果是否有效，直接决定着机器视觉系统进行机器决策的成败。

对解决实际问题来说，一个好的特征应与其他特征之间应有明显的差异，且对同类图像来说，其值应保持一致可靠，并具有代表性和独立性。总之，特征提取和选择过程应尽可能减少整个识别系统的处理时间，并提高系统识别目标的准确率。

机器视觉系统开发过程中常见的特征包括像素灰度、边缘、轮廓和形状、纹理、角点、色彩以及各种与图像颗粒相关的属性等，如下图所示：

基于以上常见的图像特征，可以实现诸如尺寸测量（Dimension Measurement）目标检测（Detection）、缺陷检查（Fault lnspection）、目标对准（Object Alignment）、分类计数（Sorting & Counting）以及目标追踪（Object Tracking）等机器视觉应用。

其中检测是指对目标的存在性进行判断，如检测电路板上的某一电阻或电容是否被安装等。检测既可基于尺寸距离等测量，也可基于对其他更为抽象的图像特征的计算。缺陷检测通常是按照预先设置的特征阈值范围判断被测量的特征是否在这一达标范围内。目标对准可对视场中目标相对标准位置的平移和旋转进行纠正。分类计数则通过特征模式匹配等对目标进行分类并统计数量。而目标追踪则可以根据事先选择的特征跟踪视场中目标的位置。