机器视觉检测的分析简答作业与答案.docx
《机器视觉检测的分析简答作业与答案.docx》由会员分享，可在线阅读，更多相关《机器视觉检测的分析简答作业与答案.docx（10页珍藏版）》请在冰豆网上搜索。
机器视觉检测的分析简答作业与答案
2012研究生机器视觉课程检测及课程设计内容
一、回答下列问题：
1、什么是机器视觉，它的目标是什么？
能否画出机器视觉检测系统的结构方块图，并说出它们的工作过程原理和与人类视觉的关系？
机器视觉是机器（通常指计算机）对图像进行自动处理并报告“图像中有什么”的过程，也就是说它识别图像中的内容。
图像中的内容往往是某些机器零件，而处理的目标不仅要能对机器零件定位，还要能对其进行检验。
原始数据特征向量类别标识
机器视觉系统的组成框图
2、在机器视觉检测技术中：
什么是点视觉技术、一维视觉技术、二维视觉技术、三维视觉技术、运动视觉技术、彩色视觉技术、非可见光视觉技术等？
能否说出他们的应用领域病句、案例？
能否描述它们的技术特点？
答：
点视觉：
用一个独立变量表示的视觉称之为点视觉。
如应用位移传感器测量物体的移动速度。
一维视觉：
普通的CCD。
两维视觉：
用两个独立变量表示的视觉称之为两维视觉。
比如普通的CCD。
三维视觉：
用三个独立变量表示的视觉称之为三维视觉。
比如用两个相机拍摄（双目视觉）；或者使用一个相机和一个辅助光源。
彩色视觉：
用颜色作为变量的视觉称之为彩色视觉。
物体的颜色是由照射光源的光谱成分、光线在物体上反射和吸收的情况决定的。
比如，一个蓝色物体在日光下观察呈现蓝色，是由于这个物体将日光中的蓝光反射出来，而吸收了光谱中的其他部分的光谱，而同样的蓝色物体，在红色的光源照射下，则呈现红紫色，
非可见光视觉技术：
用非可见光作为光源的视觉技术。
比如非可见光成像技术。
3、机器视觉检测技术中：
光源的种类有哪些？
不同光源的特点是什么？
光照方式有几种？
不同光照方式的用途是什么？
又和技术特点和要求？
机器视觉检测技术中光源有以下几种：
荧光灯，卤素灯+光纤导管，LED光源，激光，紫外光等。
几种光源的特点如下：
种类名称
成本
亮度
稳定度
使用寿命
复杂设计
温度影响
荧光灯
低
差
差
一般
低
一般
卤素灯+光纤导管
高
好
一般
差
一般
差
LED光源
一般
一般
好
好
高
低
光照方式有以下几种：
背景光法（背光照射）是将被测物置于相机和光源之间。
这种照明方式的优点是可将被测物的边缘轮廓清晰地勾勒出来。
由于在图像中，被测物所遮挡的部分为黑色，而未遮挡的部分为白色，因此形成“黑白分明”的易于系统分析的图像。
此方法被应用于90%的测量系统中。
前景光法（正面照射）是将灯源置于被测物和相机之前。
又可分为明场照射和暗场照射。
明场照射是为了获得物体的几乎全部信息，照射物体的光在视野范围之内几乎全部反射回去；暗场照射是为了获取物体表面的凹凸，照射物体的光在视野范围之外有部分光反射回去。
同轴光法是将灯源置于被测物和相机之间。
4、机器视觉检测系统中，光学系统的作用是什么？
光学器件有哪几种，它们各自的作用是什么？
光学镜头有几种类型，它们各自有何用途？
光学镜头有哪些技术参数，各自对测量有什么影响？
答：
机器视觉检测系统中，光学系统用来采集物体的轮廓、色彩等信息。
光学器件主要有：
镜头、成像器件（CCD和CMOS）、光圈、快门等。
镜头的作用是对成像光线进行调焦等处理，使成像更清晰；成像器件的作用是将光学图像转换成模拟电信号；光圈的作用如同人得瞳孔，控制入射光的入射量，实现曝光平衡；快门的作用是将想要获取的光学图像照射在成像器件上，获取想要的光学图像，排除干涉等。
光学镜头的类型：
标准镜头、广角镜头、远摄镜头、鱼眼镜头、反射式镜头、变焦镜头和特殊镜头等。
标准镜头的作用是获取和人眼观看效果类同的图像；广角镜头的作用是近距离拍摄较大场景的图像；远摄镜头的作用是远距离摄取景物的较大影象，对拍摄不易接近的物体，如动物、风光、人的自然神态，均能在远处不被干扰的情况下拍摄；鱼眼镜头的作用是近距离拍摄更大场景的图像；反射式镜头的作用是更远距离摄取物体图像；变焦镜头的作用是在不改变拍摄距离的情况下，能够在较大幅度内调节底片的成像比例。
光学镜头的技术参数有分辨率，失真，透光，暗角盲区。
5、光电转换器件CCD和CMOS的作用是什么？
各自的工作原理是什么，它们的差别是什么？
它们有哪些主要的技术参数，其作用是什么？
光电转换器件CCD和CMOS的作用是作为半导体光敏元件把光信号转换为电信号。
CCD（Charge—CoupledDemce）电路耦合器件的工作原理：
CCD电路耦合器分三个阶段采集图像信号，首先将光信号转换为电信号，然后暂时存放在CMOS存储器中，最后用时钟脉冲顺序读出信号。
CMOS（ComplementMetalOxideSemiconuctor）是互补金属氧化物场效应的简称，其工作原理为：
CMOS传感器中每一个感光元件都直接整合了放大器和模数转换逻辑，当感光二极管接受光照、产生模拟的电信号之后，电信号首先被该感光元件中的放大器放大，然后直接转换成对应的数字信号。
换句话说，在CMOS传感器中，每一个感光元件都可产生最终的数字输出，所得数字信号合并之后被直接送交DSP芯片处理。
从技术角度来讲二者的主要区别如下：
（a）信息读取方式不同；（b）速度有所差别；（c）电源及耗电量；（d）成像质量
CCD和CMOS主要参数:
CCD或CMOS尺寸、CCD或CMOS像素、水平分辨率、最小照度，也称为灵敏度、扫描制式、摄像机电源、信噪比、视频输出接口、镜头安装方式。
6、机器视觉检测技术中，图像处理的中心任务是什么？
什么是图像预处理，能否说出几种与处理的方法和算法？
边缘检测和边缘提取有何区别？
图像分割有几种方法？
如何理解图像处理中的卷积？
能否描述空间域处理和变换域处理的方法和用途？
机器视觉检测技术中，图像处理的中心任务是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。
图像预处理即在图像分析中，对输入图像进行特征抽取、分割和匹配前所进行的处理。
是将每一个文字图像分检出来交给识别模块识别的这一过程。
边缘检测使用数学方法提取图像像元中具有亮度值（灰度）空间方向梯度大的边、线特征的过程。
边缘提取是要保留图像弧度变化比较剧烈的区域，从数学上最直观的方法就是微分（对于数字图像来说就是差分），在信号处理的角度来看，也可以说是高通滤波器，即保留高频信号。
图象分割有三种不同的方法，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。
图像分割主要包括4种技术：
并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
图像处理中的卷积就是定义图像是f（x），模板是g（x），然后将模版g（x）在图像中移动，每到一个位置,就把f（x）与g（x）的定义域相交的元素进行乘积并且求和，得出新的图像一点（通常是灰度值），把新得到的像素集合起来就是卷积后的图像。
空间域是指图像本身，空间域图像处理的方法是直接对图像的像素进行处理，主要是亮度（灰度级）变换和空间滤波两种方法。
7、机器视觉算法中，你能说出几种与检测有关的方法，能否实践一种算法用于机器视觉检测（如：
各阶矩的应用等）？
有Canny边缘检测方法，差分边缘检测法，roberts边缘检测法，prewitt边缘检测法，laplace边缘检测法，log边缘检测法等算法。
下面实现一种基于c++软件语言的程序算法：
HDIBSUSANEdgeDetectDIB（HDIBhDib）{
SetCursor（LoadCursor（NULL,IDC_WAIT））;
DWORDdwDataLength=GlobalSize（hDib）;
HDIBhNewDib=GlobalAlloc（GHND,dwDataLength）;
if（!
hNewDib）{
SetCursor（LoadCursor（NULL,IDC_ARROW））;
returnNULL;
}
LPBYTElpDIB=（LPBYTE）GlobalLock（hNewDib）;
if（lpDIB==NULL）{
SetCursor（LoadCursor（NULL,IDC_ARROW））;
returnNULL;
}
LPBYTElpDIBSrc=（LPBYTE）GlobalLock（hDib）;
memcpy（lpDIB,lpDIBSrc,
sizeof（BITMAPINFOHEADER）+PaletteSize（lpDIBSrc））;
DWORDlSrcWidth=DIBWidth（lpDIBSrc）;
DWORDlSrcHeight=DIBHeight（lpDIBSrc）;
WORDwBitCount=（（LPBITMAPINFOHEADER）lpDIBSrc）->biBitCount;
DWORDlSrcRowBytes=WIDTHBYTES（lSrcWidth*（（DWORD）wBitCount））;
LPBYTElpOldBits=FindDIBBits（lpDIBSrc）;
LPBYTElpData=FindDIBBits（lpDIB）;
//图像变换开始//////////////////////////////////////////
DWORDi,j,h,k,offset;
intNearPoint[37];
intOffSetX[37]={-1,0,1,
-2,-1,0,1,2,
-3,-2,-1,0,1,2,3,
-3,-2,-1,0,1,2,3,
-3,-2,-1,0,1,2,3,
-2,-1,0,1,2,
-1,0,1};
intOffSetY[37]={-3,-3,-3,
-2,-2,-2,-2,-2,
-1,-1,-1,-1,-1,-1,-1,
0,0,0,0,0,0,0,
1,1,1,1,1,1,1,
2,2,2,2,2,
3,3,3};
if（wBitCount==8）{
intthre,same,max,min;
//统计象素亮度最大值和最小值
max=min=0;
for（i=0;ifor（j=0;joffset=lSrcRowBytes*i+j;
if（max<（int）（*（lpOldBits+offset）））
max=（int）（*（lpOldBits+offset））;
if（min>（int）（*（lpOldBits+offset）））
min=（int）（*（lpOldBits+offset））;
}
//相似度阈值为最大值和最小值差的1/10
thre=（max-min）/10;
for（i=3;ifor（j=3;j//统计圆形邻域内相似的点的个数
same=0;
for（h=0;h<37;h++）
NearPoint[h]=（int）（*（lpOldBits+lSrcRowBytes*（i+OffSetY[h]）+（j+OffSetX[h]）））;
for（h=0;h<37;h++）
if（（（int）abs（NearPoint[h]-NearPoint[18]））
升级会员 