系统讲解机器视觉系统各设计过程中的关键技术,将图像分析、处理算法映射到机器视觉系统开发的过程中,应用为先，避免突兀、无目的、枯燥地算法讲解,注重提高工业环境下机器视觉实时性和健壮性 基本信息

商品名称：		开本：	16开
作者：	杨高科	定价：	169.00
ISBN号：	9787302496410	出版时间：	2018-05-12
出版社：	清华大学出版社	印刷时间：	2018-04-27
版次：	1	印次：	1

目录

部分机器视觉系统构建

章绪论

1.1机器视觉的定义与发展

1.2机器视觉系统的构成与开发过程

1.3NI视觉平台简介及软件安装

第2章成像系统

2.1成像系统模型

2.2镜头

2.3相机

2.3.1CCD和CMOS

2.3.2模拟相机和模拟视频信号

2.3.3数字相机和数字视频信号

2.3.4相机筛选

2.4本章小结

第3章图像采集、存储与显示

3.1图像采集设备

3.2NIMAX与相机驱动

3.3IMAQ、IMAQdx与图像采集

3.4本章小结

第4章图像管理与显示

4.1内存中的图像

4.2内存图像管理

4.3图像显示

4.3.1图像显示控件

 

4.3.2图像浏览器

4.3.3外部窗口显示

4.4ROI与图像遮罩

4.5无损图层

4.6本章小结

第5章图像存储

5.1图像文件读写

5.2BMP文件

5.3TIFF文件

5.4JPEG文件

5.5PNG文件

5.6AVI文件

5.7本章小结

第6章系统校准与图像矫正

6.1畸变模型

6.2图像校准

6.3坐标校准

6.4误差与校准质量

6.5图像几何矫正

6.6本章小结

第2部分图像操作与增强

第7章图像操作与运算

7.1像素操作

7.2图像操作与几何变换

7.3图像运算

7.4彩色图像操作与运算

7.5本章小结

第8章灰度分析与变换

8.1直方图

8.2灰度分析

8.3结构相似性

8.4灰度变换

8.5本章小结

第9章空间域图像增强

9.1线性卷积

9.2邻域增强

9.2.1线性滤波

9.2.2非线性滤波

9.3本章小结

0章频域图像增强

10．1图像的傅里叶变换

10.2图像的频域滤波

10.3NI Vision频域图像滤波方法

10.4本章小结

第3部分特征分析与机器决策

1章阈值分割与边缘分割

11.1阈值分割

11．1．1全局分割

11．1．2局部分割

11.2边缘分割

11．2．1点检测

11．2．2线检测

11．2．3轮廓提取

11.3本章小结

2章形态学与区域分割

12.1像素的形态学处理

12.2颗粒的形态学处理

12.3区域分割

12.4区域生长与形态学重构

12.5本章小结

3章颗粒特征与分析

13.1点与线

13.2边界与面积

13.3角度和矩

13.4测量坐标系

13.5本章小结

4章图像特征及应用

14.1灰度测量

14.2边缘检测

14.3轮廓分析与比较

14.4纹理分析

14.4.1小波变换

14.4.2纹理的统计分析

14.5角点检测

14.6本章小结

5章图像模式匹配

15.1灰度匹配

15.2几何匹配

15.3黄金模板比较

15.4本章小结

6章目标测量

16.1目标搜索

16.2特征定位

16.3几何测量

16.3.1卡钳

16.3.2卡尺

16.3.3解析几何法

16.4结果判定

16.5本章小结

7章分类识别

17.1训练过程与分类器

17.1.1样本集合

17.1.2分类器配置

17.1.3分类器操作和训练

17.1.4分类器输出和评价

17.2分类检测与识别

17.3OCR

17.3.1字符集训练

17.3.2文字识别与验证

17.4本章小结

8章彩色视觉

18.1色彩空间

18.2色谱与色彩匹配

18.3色彩定位

18.4彩色模式匹配

18.5色彩分类

18.6彩色图像分割

18.7本章小结

9章仪表与条码

19.1仪表读取

19.2条码读取

19．2．1一维码

19．2．2二维码

19．3本章小结

第20章双目立体视觉

20.1双目视觉系统原理

20.2系统校准

20.3图像调整

20.4对应点匹配和3D重建

20.5本章小结

参考文献第3章图像采集、存储与显示机器视觉成像系统中的相机可以通过光电转换，将现实世界中的图像转换为电信号，并进一步对其进行加工后，以YUV、YIQ模拟视频或RGB、YCbCr数字视频格式输出。图31显示了相机进行信号转换的逻辑图。为了能通过计算机对这些信息进行处理、分析，并命令执行机构做出相应的动作，还需要使用图像采集设备对视频信号进行数字化、解码，并根据同步信号提取各帧图像。由于计算机只直接处理离散数字信号，且显示器在RGB颜色空间工作，因此，不仅要对模拟视频中的各帧图像信号进行数字化以获取数字图像，而且在必要时将得到的数字图像从其他颜色空间转换到RGB色彩空间才能进行显示。数字图像在计算机内可以保存为不同的文件格式，如BMP、PNG、JPEG甚至是自定义的特殊格式等。图像分析或处理后的结果通常要显示在各种显示设备上，为了使处理的结果更直观、清晰，在显示时可以使用无损图层、伪彩色以及感兴趣区域(Region of Interest, ROI)标注等辅助手段。

图31相机对信号的转换

3.1图像采集设备相机输出的视频信号中携带着彩色或黑白图像帧。若要在计算机中分析处理这些图像，必须先设法从视频中提取出这些图像。图像采集设备就是用于从视频信号中“抓取”图像帧的设备，也称为帧存器(frame grabber)。不同类型的相机输出的模拟和数字视频信号不仅有彩色和黑白之分，还常出于兼容性和数据传输的需要，在不同于RGB的色彩空间(YUV、YIQ或YCbCr)对信号进行编码。相应地，从不同输出类型的相机提取数字图像的方法也略有差别，表31汇总了从不同输出类型的相机获取数字图像的方法。以从彩色RGB数字视频信号中获取图像帧为例，除了需要参照同步信号提取图像帧数字信号，还要考虑视频信号的编码方式。如果相机为带Bayer滤镜的单CCD/CMOS相机，则必须将原始RGB数据(RGB raw data)解码为完整的RGB图像。而若相机使用3个CCD/CMOS分别采集RGB分量，则可以直接参照同步信号提取数字图像。无论何种方法，都需要先参照同步信号从视频中提取出图像帧，并终将图像转换至RGB色彩空间，用于计算机显示。

表31从不同输出类型的相机获取数字图像

信号类型色彩颜色
空间获 取 步 骤

模拟视频黑白灰度（1） 参照同步信号提取图像帧模拟信号；
（2） 采样、量化编码后获得黑白灰度数字图像彩色

YUV（1） 参照同步信号提取图像帧模拟信号；
（2） 采样、量化编码获得YUV色彩空间的数字图像；
（3） 将数字图像从YUV色彩空间转化至RGB色彩空间
YIQ（1） 参照同步信号提取图像帧模拟信号；
（2） 采样、量化编码获得YIQ色彩空间的数字图像；
（3） 将数字图像从YIQ色彩空间转化至RGB色彩空间
数字视频
黑白灰度直接提取各帧黑白数字图像彩色

RGB对于带Bayer滤镜的单CCD/CMOS相机(通常输出RGB raw data)： 
（1） 参照同步信号提取图像帧数字信号；
（2） 通过插值算法对原始RGB数据解码(参见2.3.2节)，以获取完整的RGB彩色数字图像帧。
对于3CCD/CMOS相机，由于其直接输出完整的RGB数据，所以可直接参照同步信号提取数字图像帧
YCbCr（1） 参照同步信号提取图像帧数字信号；
（2） 将其他编码方式的YCbCr数字图像变换至YCbCr444色彩空间；
（3） 将YCbCr444色彩空间的数字图像转换至RGB色彩空间(参见2.3.3节)
在空间坐标上对彩色图像各个分量或灰度图像的离散化抽样称为采样(sampling)，对各个抽样点数据的离散化称为量化(quantization)。采样确定了图像的空间分辨率，而量化则确定了图像中像素灰度的分辨率。采样和量化的结果就是在二维空间上将连续的图像沿水平和垂直方向等间距地分割成由离散像素构成的矩阵结构，矩阵中各点的数值就是量化后的灰度值。如果用笛卡儿坐标系来描述图像的数字化，则各采样点可以用坐标系中xy平面上离散点表示，而量化值则可以用xy平面上各采样点对应于z轴上的离散点表示。数字图像中每个像素点的坐标和灰度都可以对应于空间坐标系中的某一点，如图32所示。

图32图像的采样和量化

图像数字化时，采样频率越高(采样点间隔越小，数量越多)，采样获得的数据量越大，图像的空间分辨率也就越高。根据采样定理，采样频率必须大于或等于源图像中频率分量的两倍，才能恢复图像。为了更地恢复图像，实际中一般使用高频率分量的5~10倍作为采样频率。如果采样不足，图像中就会出现颗粒(graininess)现象，情况下连是什么物体都很难辨别。量化可以将模拟图像(或某个颜色分量)中连续的灰度值转换为由一组离散数据表示的离散灰度值。当图像的采样点数一定时，可以表示灰度的离散数据个数和范围越大，则图像的颜色和灰度就越丰富、精细。从应用的角度来看，只要水平和垂直方向采样点数足够多，灰度级数足够高，数字图像就可近似地被当作原始模拟图像，当然得到的数字图像容量也较大。对灰度图像来说，可以表示灰度的离散数值个数称为灰度级数，每个数值称为一个灰度级。量化的灰度级数越小，图像的质量就越差。如果是只有0和1两个灰度级的情况，图像就变成二值图像。图33显示了使用不同采样频率和量化级时获得的不同数字图像的效果。

图33不同采样率和量化级下的图像效果

图像的采样和量化由图像采集设备完成，它们可按所处理的信号标准不同分为两大类。一类专门对成像设备输出的标准模拟视频信号(如PAL、NTSC、CCIR、RS170/EIA等)或非标准模拟视频进行采集和量化； 另一类设备自身就能完成图像的数字化，它们将信号编码为黑白灰度数字信号或彩色RGB/YCbCr数字视频后，通过USB、IEEE 1394或Camera Link等数字接口传送至计算机。目前，在机器视觉行业中，虽然Camera Link标准的数字图像接口卡正逐步取代其他图像数字化设备，但传统的模拟图像采集卡仍因其低廉的价格和模拟相机的存在而被大量使用。图像采集卡有多种总线形式，如PCI、PCI Express、 PXI、AGP、ISA、PC104Plus、CompactPCI以及VME等。图34给出了一个PCI图像采集卡的硬件示意图。

图34PCI图像采集卡硬件示意图

PCI总线出现之前，各种总线的数据传输速率极低，这使得早期的图像采集卡不得不基于帧存储器来工作。当时，在对图像处理前，先要“冻结”动态图像并将其写入帧存器。在图像处理时，还要将图像再从帧存储器中读出。这使得图像采集和处理的速度极为缓慢，也限制了机器视觉应用的发展。20世纪90年代初，Intel公司提出了PCI(Peripheral Component Interconnect，外设组件互连)局部总线规范。它不仅支持32位或64位的总线带宽，还允许直接或间接连接到总线上的设备快速完成数据交换，从而较好地解决了数据传输的瓶颈问题。PCI总线的速度提升也使得图像采集卡摆脱了帧存储器的工作方式，取而代之的是一个先进先出(FIFO)的缓存器。数字化后的图像只要在缓存器中进行简单的缓存，即可直接快速地传送到计算机内存，供计算机进行进一步处理或显示。这就极大地提高了整个图像处理系统的速度，也带动了机器视觉应用的飞速发展。图35显示了典型PCI图像采集卡的基本逻辑结构。同步分离器用于从输入的视频信号中分离出水平和垂直同步脉冲。如果没有外部同步信号源，则采集卡就会使用分离出的同步脉冲对齐图像中的行(水平同步)和帧(垂直同步)。通常在视频信号与图像采集卡相连接之初，图像采集卡需要3帧图像采集的时间才能达到稳定工作状态。如果有多个相机同步工作，则当一个相机的视频源切换至另一个时，就可造成各相机图像之间的相位差。外同步可以保证所有相机的水平与垂直都是同步的，这就是锁相机制。一些采集卡本身就带有用于锁相的同步信号发生器，通常这些同步信号是TTL电平。可以将该信号作为相机的同步信号源来同步视频信号，详见2.3.4节。应注意，使用采集卡的同步发生器并不表示同步分离器也是由同步发生器直接控制的，事实上同步分离器与同步发生器是相互独立工作的。

图35图像采集卡的基本逻辑结构

一旦采集卡达到行和帧同步的稳定工作状态，就可以对视频信号进行采样和量化，以产生图像像素。根据视频标准，采样/保持单元需要对CCIR标准的视频信号每行抽样767个像素点，对于EIA标准的视频每行需抽样647个像素。如第2章所述，对于CCIR标准的视频信号，需要14.75MHz的像素时钟频率来抽样，而对于EIA相机则需要12.3MHz的像素时钟频率。实际中，采集卡的参数可能与标准值会有些不同，但差别不会太大。另外，只有在采集卡使用相机的像素时钟时，才能够在不产生像素抖动的情况下，地将相机传感器芯片的像素映射到采集卡缓存。PCI总线的持续平均数据传输率一般在50~90Mb/s之间，总线上主设备(BUS master devic《图像处理、分析与机器视觉（基于LabVIEW）》主要介绍基于LabVIEW的图像处理、分析与机器视觉系统的开发技术。全书尽量避免只进行枯燥的理论讲解，而是从实际工程应用的角度将内容分为“机器视觉系统构建”、“图像操作与增强”和“特征识别与机器决策”三大部分。其中*部分主要讨论成像系统模型原理、镜头相机部件的选型、系统的搭建和校准以及图像采集、显示和存储等技术；第二部分包括图像操作和变换、图像灰度分析以及图像增强等技术；第三部分介绍机器视觉软件开发的关键技术，不仅包括图像分割、形态学处理、特征提取、特征分析、特征在机器视觉系统开发中的应用，以及目标测量、图像模式匹配、目标分类识别等技术，还包括色彩空间和色彩匹配、色彩定位、彩色模式匹配以及色彩分类识别等彩色图像处理技术。《图像处理、分析与机器视觉（基于LabVIEW）》配有各种具有代表性的图像实例，以及图像处理、分析和机器视觉应用的程序源代码。这些图像和源代码不仅可加强读者对内容的理解，还能作为实际工程项目的参考。《图像处理、分析与机器视觉（基于LabVIEW）》可作为图像处理、分析和机器视觉项目开发人员的技术参考书，或高等学校计算机、虚拟仪器、自动化、模式识别与图像处理等专业的教材，也可作为对机器视觉开发团队或公司的培训或辅导教材。杨高科, 现就职于加拿大THALES公司，曾先后在SIEMENS、ALCATEL-LUCENT上海贝尔从事系统设计工作，并主持和管理过多个大型自动控制项目的部署实施。是国内较早使用LabVIEW进行虚拟仪器和机器视觉系统开发的工程人员之一，著有《LabVIEW虚拟仪器项目开发与管理》一书。