智能圖像處理 讓機器視覺(jué)及其應用更智能高效

　　機器視覺(jué)(Machine Vision)是人工智能領(lǐng)域中發(fā)展迅速的一個(gè)重要分支，目前正處于不斷突破、走向成熟的階段。一般認為機器視覺(jué)“是通過(guò)光學(xué)裝置和非接觸傳感器自動(dòng)地接受和處理一個(gè)真實(shí)場(chǎng)景的圖像，通過(guò)分析圖像獲得所需信息或用于控制機器運動(dòng)的裝置”，可以看出智能圖像處理技術(shù)在機器視覺(jué)中占有舉足輕重的位置。

　　智能圖像處理是指一類(lèi)基于計算機的自適應于各種應用場(chǎng)合的圖像處理和分析技術(shù)，本身是一個(gè)獨立的理論和技術(shù)領(lǐng)域，但同時(shí)又是機器視覺(jué)中的一項十分重要的技術(shù)支撐。

　　具有智能圖像處理功能的機器視覺(jué)，相當于人們在賦予機器智能的同時(shí)為機器按上了眼睛，使機器能夠“看得見(jiàn)”、“看得準”，可替代甚至勝過(guò)人眼做測量和判斷，使得機器視覺(jué)系統可以實(shí)現高分辨率和高速度的控制。而且，機器視覺(jué)系統與被檢測對象無(wú)接觸，安全可靠。

　　1.機器視覺(jué)技術(shù)

　　機器視覺(jué)的起源可追溯到20世紀60年代美國學(xué)者L.R.羅伯茲對多面體積木世界的圖像處理研究，70年代麻省理工學(xué)院(MIT)人工智能實(shí)驗室“機器視覺(jué)”課程的開(kāi)設。到80年代，全球性機器視覺(jué)研究熱潮開(kāi)始興起，出現了一些基于機器視覺(jué)的應用系統。90年代以后，隨著(zhù)計算機和半導體技術(shù)的飛速發(fā)展，機器視覺(jué)的理論和應用得到進(jìn)一步發(fā)展。

　　進(jìn)入21世紀后，機器視覺(jué)技術(shù)的發(fā)展速度更快，已經(jīng)大規模地應用于多個(gè)領(lǐng)域，如智能制造、智能交通、醫療衛生、安防監控等領(lǐng)域。目前，隨著(zhù)人工智能浪潮的興起，機器視覺(jué)技術(shù)正處于不斷突破、走向成熟的新階段。

　　在中國，機器視覺(jué)的研究和應用開(kāi)始于20世紀90年代。從跟蹤國外品牌產(chǎn)品起步，經(jīng)過(guò)二十多年的努力，國內的機器視覺(jué)從無(wú)到有，從弱到強，不僅理論研究進(jìn)展迅速，而且已經(jīng)出現一些頗具競爭力的公司和產(chǎn)品。估計隨著(zhù)國內對機器視覺(jué)研究、開(kāi)發(fā)和推廣的不斷深入，趕上和超越世界水平已不是遙不可及的事情了。

　　常見(jiàn)機器視覺(jué)系統主要可分為兩類(lèi)，一類(lèi)是基于計算機的，如工控機或PC，另一類(lèi)是更加緊湊的嵌入式設備。典型的基于工控機的機器視覺(jué)系統主要包括：光學(xué)系統，攝像機和工控機(包含圖像采集、圖像處理和分析、控制/通信)等單元。機器視覺(jué)系統對核心的圖像處理要求算法準確、快捷和穩定，同時(shí)還要求系統的實(shí)現成本低，升級換代方便。

　　2.智能圖像處理技術(shù)

　　機器視覺(jué)的圖像處理系統對現場(chǎng)的數字圖像信號按照具體的應用要求進(jìn)行運算和分析，根據獲得的處理結果來(lái)控制現場(chǎng)設備的動(dòng)作，其常見(jiàn)功能如下：

　　(1)圖像采集

　　圖像采集就是從工作現場(chǎng)獲取場(chǎng)景圖像的過(guò)程，是機器視覺(jué)的第一步，采集工具大多為CCD或CMOS照相機或攝像機。照相機采集的是單幅的圖像，攝像機可以采集連續的現場(chǎng)圖像。就一幅圖像而言，它實(shí)際上是三維場(chǎng)景在二維圖像平面上的投影，圖像中某一點(diǎn)的彩色(亮度和色度)是場(chǎng)景中對應點(diǎn)彩色的反映。這就是我們可以用采集圖像來(lái)替代真實(shí)場(chǎng)景的根本依據所在。

　　如果相機是模擬信號輸出，需要將模擬圖像信號數字化后送給計算機(包括嵌入式系統)處理?，F在大部分相機都可直接輸出數字圖像信號，可以免除模數轉換這一步驟。不僅如此，現在相機的數字輸出接口也是標準化的，如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等，可以直接送入計算機進(jìn)行處理，以免除在圖像輸出和計算機之間加接一塊圖像采集卡的麻煩。后續的圖像處理工作往往是由計算機或嵌入式系統以軟件的方式進(jìn)行。

　　(2)圖像預處理

　　對于采集到的數字化的現場(chǎng)圖像，由于受到設備和環(huán)境因素的影響，往往會(huì )受到不同程度的干擾，如噪聲、幾何形變、彩色失調等，都會(huì )妨礙接下來(lái)的處理環(huán)節。為此，必須對采集圖像進(jìn)行預處理。常見(jiàn)的預處理包括噪聲消除、幾何校正、直方圖均衡等處理。

　　通常使用時(shí)域或頻域濾波的方法來(lái)去除圖像中的噪聲;采用幾何變換的辦法來(lái)校正圖像的幾何失真;采用直方圖均衡、同態(tài)濾波等方法來(lái)減輕圖像的彩色偏離?？傊?，通過(guò)這一系列的圖像預處理技術(shù)，對采集圖像進(jìn)行“加工”，為體機器視覺(jué)應用提供“更好”、“更有用”的圖像。

　　(3)圖像分割

　　圖像分割就是按照應用要求，把圖像分成各具特征的區域，從中提取出感興趣目標。在圖像中常見(jiàn)的特征有灰度、彩色、紋理、邊緣、角點(diǎn)等。例如，對汽車(chē)裝配流水線(xiàn)圖像進(jìn)行分割，分成背景區域和工件區域，提供給后續處理單元對工件安裝部分的處理。

　　圖像分割多年來(lái)一直是圖像處理中的難題，至今已有種類(lèi)繁多的分割算法，但是效果往往并不理想。近來(lái)，人們利用基于神經(jīng)網(wǎng)絡(luò )的深度學(xué)習方法進(jìn)行圖像分割，其性能勝過(guò)傳統算法。

　　(4)目標識別和分類(lèi)

　　在制造或安防等行業(yè)，機器視覺(jué)都離不開(kāi)對輸入圖像的目標進(jìn)行識別和分類(lèi)處理，以便在此基礎上完成后續的判斷和操作。識別和分類(lèi)技術(shù)有很多相同的地方，常常在目標識別完成后，目標的類(lèi)別也就明確了。近來(lái)的圖像識別技術(shù)正在跨越傳統方法，形成以神經(jīng)網(wǎng)絡(luò )為主流的智能化圖像識別方法，如卷積神經(jīng)網(wǎng)絡(luò )(CNN)、回歸神經(jīng)網(wǎng)絡(luò )(RNN)等一類(lèi)性能優(yōu)越的方法。

　　(5)目標定位和測量

　　在智能制造中，最常見(jiàn)的工作就是對目標工件進(jìn)行安裝，但是在安裝前往往需要先對目標進(jìn)行定位，安裝后還需對目標進(jìn)行測量。安裝和測量都需要保持較高的精度和速度，如毫米級精度(甚至更小)，毫秒級速度。這種高精度、高速度的定位和測量，倚靠通常的機械或人工的方法是難以辦到的。在機器視覺(jué)中，采用圖像處理的辦法，對安裝現場(chǎng)圖像進(jìn)行處理，按照目標和圖像之間的復雜映射關(guān)系進(jìn)行處理，從而快速精準地完成定位和測量任務(wù)。

　　(6)目標檢測和跟蹤

　　圖像處理中的運動(dòng)目標檢測和跟蹤，就是實(shí)時(shí)檢測攝像機捕獲的場(chǎng)景圖像中是否有運動(dòng)目標，并預測它下一步的運動(dòng)方向和趨勢，即跟蹤。并及時(shí)將這些運動(dòng)數據提交給后續的分析和控制處理，形成相應的控制動(dòng)作。圖像采集一般使用單個(gè)攝像機，如果需要也可以使用兩個(gè)攝像機，模仿人的雙目視覺(jué)而獲得場(chǎng)景的立體信息，這樣更加有利于目標檢測和跟蹤處理。