智能图像处理在机器视觉中的应用

智能图像处理是指用于各种应用程序的一类基于计算机的图像处理和分析技术. 它是一个独立的理论和技术领域，但它也是机器视觉的一个非常重要的部分. 技术支援. 图中显示了人工智能，机器视觉和智能图像处理技术之间的关系.

智能图像处理的辅助作用

具有智能图像处理功能的机器视觉相当于人们在给机器提供智能的同时将眼睛放在机器上，以便机器可以“看到”和“准确看到”，从而可以取代甚至击败人眼进行测量和判断，以便机器视觉系统可以实现高分辨率和高速控制. 而且，机器视觉系统与被检测物体没有接触，安全可靠.

机器视觉技术

机器视觉的起源可以追溯到美国学者L.R.对多面体木材世界的图像处理的研究. 罗伯茨（Roberts）在1960年代，并在1970年代建立了MIT人工智能实验室的“机器视觉”课程. 到1980年代，机器视觉的全球研究热潮开始出现，并且出现了一些基于机器视觉的应用系统. 1990年代后，随着计算机和半导体技术的飞速发展，机器视觉的理论和应用得到了进一步发展.

进入21世纪后，机器视觉技术的发展更加迅速，并已在智能制造，智能交通，医疗卫生，安全监控等领域得到了广泛的应用. 当前，随着人工智能浪潮的兴起，机器视觉技术正处于不断突破和成熟的新阶段.

在中国，机器视觉的研究和应用始于1990年代. 从跟踪国外品牌产品开始，经过20多年的努力，国内机器视觉已经从无到有，从薄弱变成了强大. 不仅理论研究迅速发展，而且一些具有竞争力的公司和产品也出现了. 据估计，随着中国机器视觉研究，开发和推广的不断深入，赶超世界水平不再遥不可及.

常见的机器视觉系统可以分为两类，一类是基于计算机的，例如工业计算机或PC，另一类是更紧凑的嵌入式设备. 基于工业计算机的典型机器视觉系统主要包括: 光学系统，相机和工业计算机（包括图像采集，图像处理和分析，控制/通信）和其他单元，如图2所示. 快速稳定的核心图像处理算法. 同时，它还要求实现成本低，易于升级.

机器视觉系统示例

智能图像处理技术

机器视觉图像处理系统根据特定的应用需求计算并分析现场的数字图像信号，并根据获得的处理结果控制现场设备的动作. 常用功能如下:

图像获取

图像获取是从工作现场获取场景图像的过程. 这是机器视觉的第一步. 大多数采集工具是CCD或CMOS相机或摄像机. 相机收集单个图像，并且相机可以收集连续的实时图像. 就图像而言，它实际上是三维场景在二维图像平面上的投影，并且图像中某个点的颜色（亮度和色度）反映了图像的颜色. 场景中的对应点. 在这里我们可以使用捕获的图像替换真实场景.

如果照相机是模拟信号输出，则需要将模拟图像信号数字化并发送到计算机（包括嵌入式系统）进行处理. 现在，大多数相机都可以直接输出数字图像信号，从而省去了模数转换的步骤. 不仅如此，现在相机的数字输出接口已经标准化，例如USB，VGA，1394，HDMI，WiFi，蓝牙接口等，可以直接发送到计算机进行处理，以免添加图像输出和计算机之间的图像捕获卡出现故障. 随后的图像处理工作通常由计算机或嵌入式系统以软件方式进行.

图像预处理

由于设备和环境因素的影响，所收集的数字场景图像经常受到不同程度的干扰，例如噪声，几何变形，颜色未对准等，这将阻碍后续处理. 为此，必须对收集的图像进行预处理. 常见的预处理包括噪声消除，几何校正，直方图均衡化和其他处理.

使用时域或频域过滤来去除图像中的噪声；使用几何变换来校正图像的几何失真；使用直方图均衡，同态滤波等方法来减少图像的颜色偏差. 简而言之，通过这一系列图像预处理技术，可以对处理后的图像进行“处理”，以提供用于体积机器视觉应用的“更好”和“更有用”的图像.

图像分割

图像分割是根据应用需求将图像划分为特征区域，并从中提取感兴趣的目标. 图像中的共同特征是灰度，颜色，纹理，边缘，拐角等. 例如，汽车装配线的图像被分割，分为背景区域和工件区域，并提供给后续处理单元以处理工件安装部分.

图像分割多年来一直是图像处理中的难题. 分割算法有很多种，但结果往往不理想. 近年来，人们使用基于神经网络的深度学习方法进行图像分割，其性能优于传统算法.

目标识别和分类

在制造或安全行业中，机器视觉与输入图像目标的识别和分类是分不开的，从而可以在此基础上完成后续的判断和操作. 识别和分类技术有许多相似之处. 通常，在完成目标识别后，目标的类别会很清楚. 近年来，图像识别技术正在超越传统方法，以卷积神经网络（CNN），回归神经网络（RNN）等性能优越的神经网络为主流，形成智能图像识别方法.

目标定位和测量

在智能制造中，最常见的工作是安装目标工件，但通常需要在安装之前定位目标，并在安装后测量目标. 安装和测量都需要保持较高的精度和速度，例如毫米级的精度（甚至更小）和毫秒级的速度. 这种高精度，高速的定位和测量很难依靠通常的机械或手动方法. 在机器视觉中，根据目标与图像之间复杂的映射关系，使用图像处理方法对安装现场的图像进行处理，以快速，准确地完成定位和测量任务.

目标检测和跟踪

图像处理中的运动目标检测和跟踪是指实时检测相机捕获的场景图像中是否存在运动目标，并预测其下一个运动方向和趋势，即跟踪. 并及时将这些运动数据提交给后续的分析和控制处理，以形成相应的控制动作. 通常使用单个照相机来获取图像. 如有必要，可以使用两个来模仿人的双目视觉，以获得场景的立体信息，这更有利于目标的检测和跟踪处理.

机器视觉的应用

如图3所示，机器视觉被广泛使用，例如安全，制造，教育，出版，医疗，运输，军事等. 在这些机器数量的应用中，智能图像处理是必不可少的，仅少数其中简单介绍一下.

通用机器视觉应用程序

智能制造

实现中国2025年智能制造的宏伟目标与机器视觉技术的发展密不可分. 例如，由汽车制造商的装配线开发的用于自动定位，检测和识别门挡的系统. 系统通过智能图像识别自动检测模型是否正确以及定位是否准确. 它完全取代了手动操作，检测准确率达到100％. 以前，每个工人需要4名工人用眼睛检查和定位16种类型的塞子. 员工不仅容易疲劳，而且经常犯错误.

教育考试

由于印刷或印刷错误，经常发现试卷会影响学生的考试. 机器使用智能图像处理技术，自动将打印的测试纸与原始测试纸进行比较. 如果发现不一致，它将自动提示并报告警报，以完全替换之前的内容. 只能手动验证测试纸.

出版和印刷

类似于教育考试，出版社拥有多种类型和数量的印刷书籍，报纸和杂志，并承接企业提供的产品包装和促销材料. 在排版和打印中经常遇到错误. 为此，许多人员需要安排校对，这会浪费大量的资金和时间. 通过使用智能图像处理技术进行自动校对，不仅可以提高校对准确性，而且可以缩短校对时间，降低印刷成本并缩短出版物的交付周期.

安全监控

这是机器视觉当前受到广泛关注的领域. 机器视觉打破了传统视频监控系统的局限性，提高了系统的智能性，使智能视频分析得以逐步实现. 以公共场所的视频监控为例，通过使用机器视觉技术，可以实现自动检测，面部识别以及对可疑字符的实时跟踪. 如有必要，可以连续跟踪多个摄像机智能图像处理技术，并可以发出警报以存储现场信息.

智能交通

机器视觉在运输中被广泛使用. 例如，在高速公路上和检查站，可以识别车辆型号，车牌等，甚至识别违章驾驶的车辆. 分析驾驶员在汽车上的面部图像，以确定驾驶员是否处于疲劳驾驶状态. 再例如，无人驾驶汽车使用机器视觉技术来使用，激光/毫米波/超声波雷达智能图像处理技术，GPS等来感知道路环境信息，并自动规划和控制车辆的安全行驶.

根据数据，全球机器视觉系统的市场规模在2016年约为46亿美元，在2017年约为50亿美元，并有望在2018年达到55亿美元，年增长率约为10 ％. 中国的机器视觉市场始于2010年. 2017年市场规模约为68亿元，预计到2020年将达到780亿元，市场增长率将超过100％.

简而言之，“中国制造2025”或“工业4.0”都离不开人工智能和计算机视觉，而智能图像处理是机器视觉的核心技术.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-249573-1.html