NI Vision Builder AI入门教程 第七章 视觉助手3 灰度选板.docx
《NI Vision Builder AI入门教程 第七章 视觉助手3 灰度选板.docx》由会员分享,可在线阅读,更多相关《NI Vision Builder AI入门教程 第七章 视觉助手3 灰度选板.docx(13页珍藏版)》请在冰豆网上搜索。
NIVisionBuilderAI入门教程第七章视觉助手3灰度选板
第7章视觉助手3-灰度选板
图7-1灰度选板
灰度选板包含了LookupTable查找表、Filters滤波器、GrayMorphology灰度形态学、GrayMorphologicalReconstruction灰度形态学重建、FFTFilter快速傅立叶滤波器、Threshold阈值、WatershedSegmentation分水岭分割、Operators运算、Conversion转换类型、ExtractFFTPlane抽取快速傅立叶平面等九个函数。
1. LookupTable查找表
对一幅图像应用查找表以改善对比度与亮度。
如图7-2所示效果。
图7-2查找表
在查找表列表框中,有以下功能可用:
∙ImageSource—原始图像
∙Equalize—均衡图像,增强动态强度由指定的灰度级间隔在整个灰度级上分配。
此函数再分配像素值以便提供一个线性的累积直方图。
∙Reverse—反转图像,反转像素值,显示原始图像的底片。
∙Logarithmic—对图像应用对数变换,以增强暗区的亮度与对比度。
∙Exponential—对图像应用指数变换,以减弱亮区亮度,提高亮区对比度。
∙Square—平方,减少暗区对比度。
类似于指数但是有更平滑的效果。
∙SquareRoot—平方根,减少亮区的对比度。
类似于对数但是有更平滑的效果。
∙PowerX—X次方,减少暗区对比度。
∙Power1/X—X次根,减少亮区对比度。
X:
幂运算的指数,默认值为1.5。
2. Filters滤波器
这里的滤波器与VBAI增强图像选板中的滤波器作用、功能、算法基本类似,请参看前面第三章中关于VBAI滤波器的介绍。
图7-3VBAI视觉助手滤波器
3. GrayMorphology灰度形态学
更改图像中目标的形状。
点击函数其配置界面如图7-4所示。
图7-4灰度形态学
灰度形态学操作
∙ImageSource:
原始图像
∙Dilate:
灰度膨胀操作。
膨胀增强了每个像素的亮度当这些像素的周围有更高的亮度时。
使用膨胀,可以填补小洞及凹点。
∙Erode:
灰度腐蚀操作。
腐蚀减弱了每个像素的亮度当这些像素的周围有更低的亮度时。
使用腐蚀,可以消除或减弱凸点与毛刺。
∙Close:
灰度闭操作。
灰度图像操作,先腐蚀再膨胀。
闭操作去除了亮区域中孤立的暗点并且平滑了边界。
∙Open:
灰度开操作。
灰度图像操作,先膨胀再腐蚀。
开操作去除了暗区域中孤立的亮点并且平滑了边界。
∙ProperClose:
适当的闭操作。
有限双重结合闭操作和开操作。
适当的闭操作去除亮区域中孤立的暗点并且平滑暗区域边界。
∙ProperOpen:
适当的开操作。
有限双重联合开操作和闭操作。
适当的开操作去除暗区域中孤立的亮点并且平滑亮区域边界。
∙AutoMedian:
自动中值。
双重结合开和闭操作。
自动中值生成简单的拥有较少细节的目标
∙StructuringElement:
结构化元素(又可叫掩模等)。
二维数组当作二值化屏蔽来定义像素的邻域。
可以通过点击元素来修改结构化元素。
元素为黑,它的值为1,为白,值为0。
当值是1时对应的像素被当作领域,它的值在形态学操作时被将被使用。
∙Size:
结构元素的尺寸,可用的值有3x3、5x5和7x7。
尺寸越大,参考的领域范围越大,滤波、平滑效果越好,但是耗费的时间也会越长,因为计算的数据量也会越大。
∙#ofIterations:
迭代次数。
使用某种操作的次数。
仅对膨胀、腐蚀两个函数有效。
灰度形态学实际效果如图7-5,7-6所示,右上角的为原始图像,左上角的大图为滤波后效果。
本例中使用的是膨胀操作。
掩模尺寸选择为7x7,迭代次数选择为2次,可以看到图中的白色噪点加大了,中间的白色圆也放大加粗了。
图7-5灰度形态学实例
图7-6先膨胀再腐蚀效果
图7-6是在图7-5的膨胀基础上进行同样尺寸与迭代资料的腐蚀操作。
膨胀与腐蚀这两个操作,经常是同时出现的,而且设置的参数如尺寸、迭代次数都设置为一样的。
因为这样可以保证物体的大小、形状都保证没有太多的变化,而仅仅只是去除了一些杂质噪点。
至于是先进行膨胀还是先进行腐蚀,可以根据实际情况进行考虑。
如果需要过滤毛刺,可以先腐蚀,这样就可以把毛刺“吃掉”,再膨胀回原来的尺寸。
如果要填补缺陷,则可以先膨胀,将其填满,再腐蚀回原始的尺寸大小。
4. GrayMorphologicalReconstruction灰度形态学重建
形态学重建对于从一个较少的组成部分图像重建或从图像中移除特征是有用的,不需要改变图像中的目标形状。
形态学重建可以应用于灰度图与二值化图中。
形态学重建处理基于一张原始图像、一张标记图像以及标记点。
图7-7标记图像
如图7-7所示,我们选择这样一个扇形区域作为标记,注意观察ROI区域右边只有半个圆。
图7-8灰度形态学重建
下面我们进行灰度形态学重建。
打开灰度形态学重建函数,其唯有一个选项卡。
SelecttheImagetoReconstruct中选择需要重建的图像,这个是原始图像,然后在图7-7中的图像为标记(Marker)图像,扇形区域为标记点(实际为标记ROI,可以使用ROI代替标记点)。
SizeX/SizeY是重建的尺寸,StructuringElement是重建元素大小,他是以SizeX与SizeY为参考的。
在这下面有一个连通模式,即四连通与八连通。
Reconstruct重建区域中有两个选项,分别是BrightRegions白色区域和BlackRegions黑色区域。
在本例中,我们选择白色区域。
Display显示选项中,可以选择显示MarkerImage标记图像、ImagetoReconstruct原始图像、ReconstructImage重建后的图像。
从本例中可以看到,我们重建后,得到了6个完整的白色圆,而Marker图像中,只有5个半的区域。
由此可知,灰度形态学重建,可以将原始图像中需要的特征,根据标记图像(ROI)进行保留而去除掉不需要的干扰。
关于此函数更多的帮助,可以参考LabVIEW中的相关帮助,VBAI中好像没有此函数的帮助。
5. FFTFilter快速傅立叶滤波器
对图像进行频率滤波。
点击函数后,进行适当配置,其效果如图7-9所示。
图7-9快速傅立叶变换
FFT(快速傅立叶变换)可以将图像转换到频域,然后对频率进行滤波。
关于傅立叶变换及快速傅立叶变换,请查看相关资料。
∙ImageSource:
源图像
∙Truncate:
去除复数图像的频率
∙Attenuate:
衰减复数图像的频率
∙Mode:
决定什么频率被去除或衰减
LowPass:
去除高频
HighPass:
去除低频
∙TruncationFrequency%:
去除频率百分比。
∙DisplayFFT:
显示滤波后的复数图像。
说实话,到目前为止,本人还没有哪个项目中使用过FFT功能,汗一个先……
6. Threshold阈值
阈值操作同增强图像中的函数功能一样,不多叙述。
7. Watershed分水岭分割
点击分水岭分割函数,进入配置界面,如图7-10所示。
图7-10分水岭分割
在配置页面中,有以下信息:
NumberofZones:
区域数
Connectivity4/8:
四连通/八连通
Display:
显示,分为LabelBinaryOutput标记为二进制输出和ImageSourcewithSeparationOverlay原始图像覆盖分割。
关于分水岭分割,请查看相关资料。
8. Operators运算
与彩色选板中的运算基本雷同,只是这里仅针对灰度图罢了。
不再叙述。
9. Conversion转换类型
将灰度图由X位深度转换成Y位深度图。
如将8位灰度图转换成16位深度图。
将16位图转换成8位或浮点型等。
可用选择的类型有8位、16位、浮点。
如图7-11所示。
图7-11图像类型转换
在图7-11中,可以看到由位深度小的图像转换成位深度大的图像时,方法是不可用的。
只有当转换从位深度大的向位深度向小的转换时,方法才是有效的。
如图7-12所示。
图7-12位深度大的图像向位深度小的图像转换
在图7-12中,我们可以看到如下一些信息:
From:
图像源的位深度
To:
需要转换成图像的位深度
Method:
转换方法(仅当大位深度向小位深度转换时有效。
)
AdjustDynamic:
动态调整。
动态调整图像以便当前的最大最小值能适应新图像的最大最小值。
所有像素的强度在它们的范围内是线性分布的。
Shift#:
移位数。
对高位图像进行移位变成低位图像。
如一个12位的图像中一点一111111110000,转换成8位的图,如果8位截取12位中的最高有效位,则为11111111,截取最低有效位则为11110000。
选择移位多少,对于得到的图像效果影响较大。
Cast:
丢弃。
丢弃太大和太小的值以便其能表示新图的最大最小值。
10.ExtractFFTPlane抽取快速傅立叶变换的平面
抽取经快速傅立叶变换后的某个平面。
有实数平面、虚数平面、幅值平面、相位平面可供选择。
如图7-13所示。
图7-13抽取快速傅立叶变换平面
各位看官可以研究一下傅立叶变换在图像中的作用,听说这个东东的功能还是很强大的。