图像处理、分析与机器视觉(基于labview)_基于机器视觉的胚布疵点缺陷识别算法...

  区域识别的目的是寻找并确定目标的分布位置与状态。目标区域的识别方法一般是先用二值化方法确定该区域，形成一个个斑点,然后使用适当的特征来描述这些斑点。为了能够较为精确地描述目标区域，通常要在二值化之前采取适当的办法来提升各区域的边界，即进行边缘检测。它与点检测、线检测统称为图像目标检测。边缘检测的方法比较多，如梯度估计!边缘特征模板与图像的卷积等，本文将该类算子分为两类，分别为常用的经典算子和一些特色检测算子。

    在增强目标区域的边缘后，下一步将该边缘完整提取出来。提取边缘的过程实际上是阈值分割的过程。由于闭值分割比较重要，也容易操作，因此目前效果较好的阂值分割方法研究很多，如全局阈值分割方式、局部统计阈值分割、基于种子增长的阈值分割、自适应阈值分割、最优阈值分割等常用的分割方式。模糊闺值分割是现在研究的热点,它是在模糊理论的基础上提出的。因为目标的边缘本来就有一定的模糊性,特别是在多干扰的复杂图像中更是如此，而建立在模糊集基础上模糊阈值分割方式恰好可以解决这一问题。理论上讲，使用模糊集的实际分割具体效果好坏取决于能否选择合适的隶属函数，而这是非常困难的。本文提出一种基于自适应门限的疵点区域分割方法，实验证明其在复杂的背景中能很好地提取目标边缘。

经过阈值分割后的图像变为二值图像，实际上是一个个斑点。一般此时并不能直接提取斑点特征，其原因较多，如：阈值分割后的图像边缘并不一定是连续的，阈值分割后的边缘点可能需要纠正(并不一定完全反应边缘)、存在不期望的噪声点干扰等，因此，边缘提取后的图像需要一个后处理。后处理的方法可以采用形态学的方法、也可以是图论、向量机等。其后，是对各斑点进行标定和特征提取，其中比较耗时的是斑点标定。本文提出基于形态学的疵点快速标记算法和基于窗线扫面的疵点聚类方法，其执行效率会提高几倍，在斑点较多时可以提高几十倍甚至更高"疵点识别过程如图1所示。

图1疵点识别过程

1边缘增强

在基于机器视觉的坯布表面质量检测系统中，疵点通常是湮没在复杂的背景中，将疵点从其中分割出来是疵点检测最重要的问题。疵点的分割是否准确和稳定,以及分割方法对各种疵点的适应性都直接决定了检测系统的检测性能。合理的疵点边缘增强是确保准确检出疵点的有效手段。

1.1经典算子

(1)基于空间卷积的边缘检测方