表面划痕检测

1、装订线安徽工业大学 毕业设计（论文）说明书摘要随着社会发展的需要，产品的生产质量和生产效率成为人们越来越关注的话题。快速有效地检测出产品缺陷是提高产品生产效率的关键因素，也是目前广泛而且很有价值的研究课题。表面检测对某些产品的检测有重大作用，是产品缺陷检测的一个很重要方面。伴随着计算机科学和数字图像处理的发展，基于机器视觉处理方法被提出，并且迅猛发展。基于机器视觉的缺陷检测技术具有智能化、高精度、快速性的优点，是无损检测技术的发展趋势，在许多工业上都有很多的应用。本文是基于机器视觉的表面划痕检测，研究的是机器视觉的处理方法。具体内容如下：1、比较对图像使用的算法，选择高速有效的算法作为最终算法

2、；2、用软件编程实现对图像的处理过程。关键字：机器视觉，mfc编程，表面检测，缺陷检测abstractwith the demand of social development, production quality and rate are taken more and more attention by people. detecting the defects of production fast and effectively becomes a key factor of improving production rate, also turns out to be a popula

3、r and valuable subject to invest. surface inspection are very important to some production, is one important aspect constituted the production defect detection.along with the computer science and digital image processing development, machine vision was proposed and rapidly grows up. in recent years,

4、 defects detection based on machine vision is intelligent, precision and fast, which makes it a trend in defect detecting technology, and could be found here and there in every industry. the subject of surface inspection based on machine vision focuses on the method of detecting the scratch of the p

5、roduction surface, details are as follows:1. compare the different algorithms applying to the image, and chose the fast and effective one as the best algorithm.2. use software programming to complete the procedure of image process.key words: machine vision, mfc programming, surface inspection, defec

6、ts detection目录1. 绪论（3）1.1课题的背景和意义1.2 课题的研究现状1.2.1 表面缺陷检测的发展回顾1.2.2 表面缺陷检测的发展趋势2 表面缺陷检测系统简介（6）2.1 缺陷检测装置原理2.2 缺陷检测的步骤（3）3. 目标位置预提取3.1 常用分割算法3.1.1 自动设阈值法3.1.2 动态阈值分割3.1.3 分割方法比较3.1.4 分割在表面划痕检测中的应用3.2 填充区域4.2.1 提取连通区域填充4.2.2 形态学区域填充3.3 去除圆角3.4 提取边界3.5 提取方位3.5.1 提取中心点3.5.2 提取角度4. 提取划痕（7）4.1旋转图像4.2 填充缺口4

7、.3 去除划痕4.4 提取划痕4.5 祛除噪声4.6 缝合缺口5. 划痕特征（5）5.1 面积5.2 周长5.3 长轴和短轴5.4 矩形度5.5 致密度6 结束语7 参考文献8 附录1. 绪论1.1课题的背景和意义随着社会的发展、科技的进步，对产品的质量和生产率的要求越来越高，快速有效地检测产品质量成为一项重要课题。产品加工和使用过程中，表面裂纹、划痕、气泡、污迹、凹坑、孔洞、毛刺等缺陷影响到产品使用性能，完整性，甚至安全性。及时对产品表面缺陷进行检测具有重要意义。表面缺陷检测在工业领域有很多应用。在钢铁工业检测钢带的质量、光学加工、汽车生产以及其他金工等工业领域都有很多的应用。目前常用的检测

8、方式包括工检测、机械检测、射线检测以及机器视觉检测等。其中，人工检测效率低、质量差、工人劳动强度大，检测可靠性取决于许多主观因素；机械检测通常是接触式检测，检测过程需要对被检测件进行位置调整，因而效率较低；射线检测可以实现较高分辨率，但是结构复杂、造价高。基于机器视觉检测是一新兴的检测技术，是将计算机的快速性、可靠性和结果的可重复性与数字图像处理技术相结合进行视觉检测，具有自动化、客观、非接触、高精度和快速等特点，可极大提高检测效率，具有广泛应用前景，目前在发达国家已得到广泛应用，但在国内的应用尚处于发展阶段。基于机器视觉的缺陷检测对于工业具有以下意义：1)进行质量控制。随着工业竞争的日益激烈

9、，对产品表面质量的要求越来越高，通过人工检测很难达到要求，如果使用基于机器视觉的缺陷监测，很容易实现较高的要求。2)提高生产效率，降低工人劳动强度。连续生产线生地几组速度很高，人眼难于发现高速运行的产品表面的缺陷。研究表明，物体运动速度在1m/s时，人眼就无法分辨较细微的形态，检验时，为了有效控制产品质量，产品的速度要降到1m/s以下，这使生产效率和质量控制成为矛盾。同时，长时间集中注意力观察快速运动的产品，质检员容易疲劳，造成检验准确率下降。采用机器视觉缺陷检测系统可以有效改变这种状况。1.2 课题的研究现状1.2.1 表面划痕检测的发展回顾表面划痕检测检测技术根据其发展时间划分，大致可分为

10、三个阶段：第一阶段，非制动检测阶段，主要采用人工目测法和频闪光检测法两种。50年代对于缺陷检测主要采用人工目视检测，检测者凭借肉眼观察缺陷。由于很多情况下，人工检测需要在高温、噪声、粉尘、振动的恶劣环境下进行，对人的身体和心理造成极大的伤害，检测者记忆容易疲劳而无法工作。因此，人工目测检测法逐渐失去了在线检测的意义。频闪光检测法的原理是具有10-30us的脉冲闪光会引起视网膜静止反应，起到照相机快门的作用。将这种检测方法进一步发展，即将频闪光源与专业的视频摄像机结合，通过监视器观察缺陷。虽然这种方法成本低，但是检测的可信度低，自动化程度也低。第二阶段，以激光扫描和ccd成像检测技术为代表。60

11、年代激光技术的出现揭开了光电检测技术发展新篇章。激光技术作为一种新型光源表现出了其巨大的优越性，世界各国也迅速展开激光技术研究的激烈竞争。欧洲国家由于在光电技术上的传统优势，很快成为以英国、德国为领先的发展格局，从激光技术的出现到使用激光检测表面缺陷系统的成功应用，英国只用了4年。80年代初退出了以固体摄像器件ccd作为探测器的表面检测系统。该系统用高强度的光源照明带钢，ccd摄像机对产品成像，ccd驱动电路提供必要的辅助信号，对ccd摄像机输出电信号分析判断得出结果。第三阶段，信息化发展阶段。计算机技术的飞速发展，带来了与其相关的机器视觉技术、人工智能检测技术的飞速发展，神经网络理论的深化以

12、及实用化。信息化高速发展为表面检测技术发展提供新的思路，人们对检测要求的日益提高，信息处理技术和模式识别技术的日趋成熟，采用机器视觉的方法对缺陷检测的应用前景非常广阔。1.2.2表面划痕检测的发展趋势目前表面检测系统(比如带钢表面缺陷检测系统、晶体表面检测系统等)发展趋势具有以下几个特点：1、模块化的加强，早期的检测系统的依赖性很强，现在由于检测系统逐渐定型，形成了几大模块，各模块独立发展，彼此值越小，易于系统整体功能的升级。2、装置集成化程度的加强。早期的生产线由于工业技术、安装技术所限，生产线空余位置多，系统较为庞大。现在新兴技术的应用，装置的集成化程度大幅提高。系统更加简练，实用。3、信

13、息处理技术成为系统的核心。信息技术的高度发展，是精度，可靠性，缺陷分辨能力大幅提高。目前国际上常用的缺陷检测方法有：1、涡流检测的方法；2、红外检测的方法；3、漏磁检测的方法；4、机器视觉检测的方法。目前次用涡流、红外和漏磁等检测技术实现的检测系统只适用于某些要求不高的应用场合，其检测原理的局限性导致可检测出得缺陷种类和缺陷定量描述参数极为有限，无法综合评估产品的表面质量状况。随着激光技术、ccd技术和计算机技术的飞速发展，机器视觉技术应运而生，并迅速在工业无损检测领域推广普及，有效扩展了无损检测技术的应用范围，一起测量精度高，抗干扰能力强，在工业领域得到广泛的应用。采用机器视觉技术的有代表性

14、的是激光扫描技术和ccd技术，着两种各有优缺点。与其他无损检测技术相比，激光扫描可以显著提高缺陷检测灵敏度、检测的实时性和数字信号处理结构的通用性，然而随着应用研究的逐步深入，国内外学者逐步认识到激光扫描检测技术的局限性是对于微笑的或低对比度的缺陷和某些“良性”缺陷(如油污)的分辨能力不足，其专用的光学系统结构结构复杂，可维护性和可升级能力较差，使用、维护的费用较高。采用ccd检测，由于ccd和图像处理技术已经成熟，ccd检测用电子扫描代替激光扫描的机械扫描，系统构成较简单，并可随检测环境做较大的改造，成本低廉。并且，ccd检测方法能够很好同神经网络结合，符合日益发展的采用信息处理技术识别缺陷

15、的趋势。从现有技术水平看，机器视觉检测技术存在的主要问题是：(1)对众多缺陷的产生机理和外在显现形式的综合知识明显不足，优化的结构光学照明方法和检测光路配置尚需深入研究，切检测分辨力和灵敏度仍有待进一步提高；(2)检测系统的信噪比较低，针对微小的，低对比度的缺陷缺少相应的微弱信号检测方法；(3)缺乏通用的高速、海量数字信号处理硬件平台和图像处理及模式识别专用算法，这是机器视觉检测技术应用研究的技术关键，也是当前研究中最富挑战的问题。然而，科学技术的高速发展为机器视觉技术的进步提供了理论准备和技术支持。复杂的机器视觉检测技术对高精度图像传感器件、高速数据采集与显示、大容量的存储以及复杂计算等的要

16、求，在计算机和vlsi技术的高速发展中将得到解决。从理论上看，随着计算机技术的发展，人工智能有了长足的几部，模式识别，神经元理论即专家系统等日趋成熟，小波分析理论的兴起，又为数字信号处理带来了心得曙光。可以预计，伴随着这些理论和技术与工程实际的有效结合，机器视觉技术必将对表面缺陷的在线无损检测做出应有的贡献。2. 表面缺陷检测系统简介2.1 表面缺陷检测转置原理表面缺陷检测转置由以下几个单元组成：模拟产品传动转置、光源、成像(ccd、镜头)、数据采集单元、图像处理单元、模式识别单元。图像采集和图像以及模式识别单元有具有图像采集卡的计算机实现。基于机器视觉的缺陷检测装置工作原理如图2.1所示。图

17、2.1 表面缺陷检测原理图该装置的工作原理是：用特殊光源以一定方向照射到产品表面上，固定在相机支架上的ccd摄像机在产品上扫描成像，扫描所得的图像信号经过图像采集卡输入计算机，计算机负责实时检测识别产品缺陷。通过图像采集卡景产品表面图像传送到计算机；软件部分主要对采集到的图像数据进行缺陷检测和分类识别，检测和识别的结果通过计算机显示出来。2.2 缺陷检测的步骤如图2.2所示，是一门把手划痕图片，主要的任务是把门把手中间的划痕提取出来。由图2.2图片中，可以看出，这幅图片中含有很少噪声，对于处理十分有利。主要是在图像采集阶段，选择合适的照明加强表面的划痕。在加强划痕的同时，门把手的边界和门把手内

18、的四个小正方形边界区域也被加强。因此，在处理过程中，设法去除门把手边界和四个小正方形的影响。下面以图2.2(a)图为例，介绍处理的过程。处理的流程如图2.3所示。为了有效提取划痕，需要提取出门把手边界和四个小正方形的位置，在分割时不对门把手边界和四个小正方形边界进行处理，就可以很容易提取出划痕的位置。为了得到门把手的边界需要得知门把手在图像中的位置和方向，需要先对图像进行分割，把门把手作为目标分割出来，如图2.4所示。 (a)(b) (c)(d)图2.2 门把手划痕图片图2.3系统处理框图 图2.4 分割图片(以门把手目标) 图2.5 填充图片(图2.4填充效果)为得到完整的门把手区域，需要将

19、边界区域以内的空洞填充，如图2.5所示。由于分割区域中的砸店和小的突出物会导致计算错误，需要对门把手区域使用腐蚀运算去除这些干扰。不需要再对腐蚀后的图像进行膨胀，因为腐蚀过的图像仍保留原图的位置和方向信息，如图2.6所示。 图2.6 腐蚀图片(图2.5腐蚀)图2.7 提取位置信息结果(由图2.6)从图2.6所示图片中提取门把手的位置和方向信息如图2.7所示。为了便于后续处理，需要对原图像进行旋转，进行阈值分割以提取门把手边界和四个小正方形的位置。如图2.8(a)和(b)所示。缺口 (a)图2.2(a)的旋转图(b) 图2.8(a)的阈值分割图2.8 原图旋转及分割对于有些图像门把手四个小正方形

20、分割的过程中可能有小的缺口(如图2.8(b)，需要先填充缺口。效果如图2.9所示。 图2.9 图2.8(b)填充缺口图 图2.10 图2.9去除划痕图(模板图)填充缺口之后就可以用两次腐蚀(水平方向和垂直方向腐蚀)去除划痕。如图2.10所示。以图2.10所示的图作为模板，对图2.2(a)的原图进行匹配，先把图2.10旋转再与图2.2(a)进行叠加。效果如图2.11所示。图2.12所示的是图2.11进行动态阈值分割后的结果，是以划痕为目标，模板区域不处理。图2.2中所示的四张图中都只有一个划痕，从图2.12所示的结果可以看出，划痕被切断，所以要将图2.12结果的划痕缝合起来。如图2.13(a)所

21、示，图2.13(b)所示的是图2.13(a)和图2.2(a)叠加的结果。 图2.11 图2.10和图2.2(a)的叠加 图2.12 图2.11的动态阈值分割图2.13 图2.12缝合图2.14 图2.13划痕的特征3. 目标方位提取3.1 常用分割算法在图像处理中，图像处理的目的是为了得到图像中所包含物体的信息。为了得到图像中的物体的信息，需要进行图像分割，即提取到图像中与感兴趣物体相对应的那些区域。图像分割的程度取决于要解决的问题，在应用中，当感兴趣的区域被分离出来时，停止分割。图像分割可分为阈值分割、亚像素阈值分割和提取连通区域。这里主要介绍阈值分割。阈值分割是指按照“有意义”的属性一致的

22、原则，确定每个像元的归属区域，形成一个区域图。阈值分割的依据是属于同一区域的像元应具有相同或者相似的属性，不同区域的像元属性不同。阈值分割的任务是寻求具有代表性的属性（如灰度）确定属性的阈值。阈值分割的操作可以定义如下：s=(r,c)r | gminfr,cgmax因此，阈值分割将图像roi（感兴趣的区域）r内灰度值处于某一指定灰度值范围内全部点选到输出区域s中。阈值分割是基于灰度值自身的，只要被分割的五一和背景之间存在非常显著地灰度差时，都能使用阈值分割。阈值分割可分为全局阈值分割和局部阈值分割。常用的全局阈值分割有固定阈值分割和自动设阈值法（最小误差分割法等）。对于一些全局阈值分割不能生成

23、很好分割效果的图片，可以采用局部阈值分割，比如动态阈值分割等。3.1.2 自动设阈值法如图3.2所示的固定阈值分割的效果可以看出，不同的图像采用不同的阈值分割可以分割出较好的效果。根据不同的图像设定合适的阈值，并进行分割的方法成为自动设阈值法。以下是几种常用的自动设阈值分割法。下面介绍最小误差阈值分割法原理。由于目标和背景的灰度值往往有部分相同，因而用一个全局阈值并不能准确地把它们绝对分开，总会出现分割误差。一部分目标像素被错分为背景，一部分背景像素被错分为目标。最小误差分割的基本思想就是选择一个阈值，使得总的分类误差概率最小。假定图像中仅包含两类主要的灰度区域（目标和背景），z代表灰度值，则

24、z可看做一个随机变量，直方图看做是对灰度概率密度函数p(z)的估计。p(z)实际上是目标和灰度两个概率密度函数之和。设p1z和p2z分别表示背景与目标的概率密度函数。p1和p2分别表示背景像素与目标像素出现的概率(p1+p2=1)。混合概率密度函数p(z)为pz=p1p1z+p2p2(z)(eq3.8)如图3.6所示，如果设置一个阈值t，使得灰度值小于t的像素分为背景，而使得大于t的像素分为目标，则把目标像素分割为背景的误差概率e1t为e1t=-tp2zdz (eq3.9)把背景像素分割为目标的误差概率e2(t) 为e2t=tp1zdz (eq3.10)总的误差概率e(t)为et=p2e1t+

25、p1e2t (eq3.11)为了求出是总的误差概率最小的阈值t，可将e(t)对t求导并使其导数为0，可得p1p2t=p2p1(t) (eq3.12)由eq3.12可以看出，当p1=p2时，灰度概率密度函数p1z和p2z的交点对应的灰度值就是所求的阈值。在用eq3.12求解最小误差阈值时，不仅需要知道目标与背景好像素的出现概率p1和p2，还要知道两者的概率密度函数p1z和p2z。然而，这些数据往往未知，需要进行估计。实际上，对概率密度进行估计并不容易，这样是最小误差阈值分割的缺点。一般假设目标与背景的灰度均服从高斯分布，可以简化估计。此时，p(z)为pz=p12e-(z-1)2212+p22e-

26、(z-2)2222 (eq3.13)eq3.13中1和2分别是目标与背景的平均灰度值；12和22分别是两者的标准方差。讲eq3.13代入eq3.12中可得at2+bt+c=0(eq3.14)a，b，c分别为a=12-22b=2(122-212)c=1222-1212+21222ln(2p11p2) (eq3.15)由eq3.14一般有两个解，需要在两个解中确定最小误差阈值。若1=2=，则只有一个阈值：t=1+22+21-2ln(p2p1) (eq3.16)若p1=p2则t=1+22最小误差分割的程序流程图3.7所示3.1.7 动态阈值分割当图像目标与背景在直方图上对应的像个波峰陡峭、对称且两峰

27、之间有较深的波谷或者两峰相距很远时，利用全局阈值分割方法可以确定较好的分割效果的阈值。但是，由于图像噪声等因素的影响，会使得图像直方图双峰之间的波谷被填充或者双峰相距很近。另外，当图像目标与背景面积相差很大时，在直方图上的表现就是较小的一方被另一方淹没。上面两种情况都使得本应具有双峰性质的图像基本上变成了单峰，难以检测到双峰的波谷。为解决这个问题，除了利用像素自身的性质外，还可以借助像素邻域的局部性质来确定阈值，这就是局部阈值。常用的局部阈值分割是动态阈值分割。在许多情况下，由于光照不均匀等因素的影响，图像背景的灰度值并不恒定，目标与背景的对比度在图像中也会有变化，图像中还可能存在不同的阴影。

28、如果使用单一的全局阈值对整幅图像进行分割，某些区域的分割效果较好，而另外一些区域的分割效果可能很差。解决方法之一就是使阈值随图像中的位置缓慢变化，可以讲整幅图像分解成一系列子图像，对不同的子图像使用不同的阈值进行分割。这种与像素坐标有关的阈值就称为动态阈值或者自适应阈值。子图像之间部分可以重叠，也可以值相邻。图像分解之后，如果子图像足够小，则受光照等因素的营销就会较小，背景灰度也更均匀，目标与背景的对比度也更一致。此时可选用全局阈值方法来确定各个子图像的阈值。无论是哪种原因导致不能使用全局阈值来分割图像，但是子图像或者局部区域中目标比背景要更亮或者更暗。可以指定一个像素必须比其所处背景亮多少或

29、暗多少，而不是指定一个全局的阈值。唯一的问题是如何确定局部区域的背景灰度值。使用均值、高斯或中值滤波器进行平滑处理就可以计算出当前像素为中心的窗口的平均灰度值，即为滤波处理的输出结果作为对背景灰度值的估计。将图像与其局部背景进行比较的操作被称为动态阈值分割处理。用fr,c表示输入图像，用gr,c表示平滑后的图像，则对亮目标的动态阈值处理如下：s=(r,c)r|fr,c-gr,cgdiff 而对暗目标的动态阈值分割处理如下s=(r,c)r|fr,c-gr,c-gdiff 图3.8中给出动态阈值分割的机制。图3.8中第一行显示的是选择区域上边界实际的灰度值。第二行显示的是选择区域上边界的平滑后的灰

30、度值第三行表示的两者的差值。从图3.8中的确定合适的差值可以容易的把字符给提取出来。图3.8 动态阈值分割机制示意图在动态阈值分割处理中，平滑滤波器的尺寸决定了能被分割出来的目标的尺寸。如果滤波器的尺寸太小，那么目标的中心估计出的局部背景将不理想。凭经验，均值滤波器的宽度必须大于被识别的目标的宽度。这一规则同样适用中值滤波器。对高斯滤波器也存在同样地关系。此外，总的说来如果均值滤波器或高斯滤波器的尺寸越大，那么滤波后的结果越能更好的代表局部背景。例如，亮物体滤波后会变得暗些。对于中值滤波不仅仅是变暗了，当中值滤波器的半径大于被提取目标的宽度是，滤波操作将会在结果图中完全消除此目标。因此，当滤波

31、器足够大时，滤波后的灰度值就能代表局部背景。如果平滑后图像的灰度值能够更好的代表局部背景，沃恩就能选定更大的阈值gdiff，这样能够在分割中更好抑制噪声。但滤波器的掩码窗口也不能无限大，可能导致相邻近的目标可能对滤波结果产生不利的影响。最后应该注意的是动态阈值分割的结果不仅包括比局部背景更亮或更暗的目标，也包括亮区域或暗区域的边缘。动态阈值分割的程序流程图如图3.9所示3.2 分割方法比较阈值分割在图像分割中应用十分广泛，主要目的是为图像理解和分析做准备。在一般背景和目标在直方图上可以明显区分出来的图像，可以用全局阈值分割方法分割图像。当背景和目标在直方图上不能明显区分出来，可以用局部阈值分割

32、图像。局部阈值法相对于全局阈值来讲，局部阈值可以区分出全局阈值不能分割出效果很好的图像，但局部阈值的速度要远远全局阈值，因为局部阈值在每个子图像或者每个像素点都要进行阈值计算，全局阈值却不需要。图3.10可以显示了几种阈值分割的效果比较。 (a)原图 （b）(a)的直方图 （c）全局阈值分割 （d）(a)的动态阈值分割图3.10 分割效果比较如果对货仓的编号感兴趣，那么全局阈值分割得不到很好的效果，而动态阈值分割可以得到很好的效果。但如果值对货仓的形状感兴趣，全局阈值分割就能得到很好的效果。3.3 分割在表面划痕检测中的应用分割在表面划痕检测中用的很广，划痕在图像中只是一小部分，相当于目标在直

33、方图中只占有很小的一部分，图像目标与背景面积相差很大时，在直方图上的表现就是较小的一方被另一方淹没，很难用全局阈值得到很好的效果，故应采用动态阈值分割获取分割图像。图3.11所示为动态阈值分割在表面划痕检测中的应用。图3.11(c)所示的是门把手图像，门把手中间有四个小方块和划痕，由图3.11(a)可以看出图像中划痕的区域的宽度为100左右，选取用均值滤波101*101的结果为背景灰度值，3.11(b)可以设置合适的差值，这里选择50。图(c)为整张原图，图(d)为整幅图分割的结果图（a）选择区域图(b) 差值选择图图(c)原图图(d) 图(c)的动态阈值分割(101*101)图3.11动态阈

34、值分割在表面划痕检测中的应用4. 提取方位4.1 提取方位的方法介绍根据图3.11(d)图的分割结果，提取出门把手的方位对后续处理是很有必要的。提取方位的方法有很多，可以提取出目标的最小外界矩形可以获得目标方位，对于图3.11中的门把手的方位，也可以通过填充门把手边界区域以内的区域，经腐蚀后并获取腐蚀后边界，通过最小二乘法拟合，得知门把手的倾斜角度，和门把后的中心点。提取最小外界矩形的方法比较复杂，这里主要研究第二种方法。4.2 填充区域填充区域有两种基本的算法。一种是利用数据结构中获取连通区域的方式进行填充，另一种是利用形态学的方式进行填充。4.2.1 提取连通区域填充提取连通区域常用的是用

35、数据结构中的堆栈和向量共同完成。其程序流程图如图4.1下：图4.1 提取连通区域填充流程图这种填充方式需要反复的出入栈，处理速度较慢，但是可以填充指定大小的区域。4.2.2 形态学区域填充利用形态学的方法可以进行区域填充，其公式如下：(eq4.1)其填充原理如图3.13所示图4.2 (a)集合a(b)集合a的补集(c)结构元素(d)边界内的初始点(e)(h)eq4.1使用的各个步骤(i)最后的结果eq4.1和图4.2只显示了当已知初始点的填充，对于图3.11(d)要填充的门把手边界以内的区域。可以采用的方法是，先对最外边界进行腐蚀，遇到边框不腐蚀的条件腐蚀，并用标志位标识已不腐蚀，最后把腐蚀部

36、分置为0，未被腐蚀的部分置为1（即128）。图4.3显示了填充后的效果图(a)填充前图(b)填充后 图4.3 填充结果4.3 祛除圆角为了得到门把手的方位，需要去除图4.3(b)中圆角以及分割区域的杂点和小的突起物对计算的影响。由腐蚀的性质可知，采用腐蚀运算去除圆角，这里采用半径为25的圆作为结构元素对圆角进行腐蚀。对图4.3(b)去除圆角的效果如图4.4所示(a)去除圆角前(b)去除圆角后 图4.4 去除圆角效果4.4 边界提取边界提取有多种算法，可以通过遍历判断该点是否处于边界，也可以通过形态学的运算的方法提取。形态学运算的方法提取边界并不比遍历判断该点是否处于边界速度快，但为图像处理提供

37、了一种理论依据和新的思路。形态学的数学表述如下：集合a的边界表示为 (a)，它可以通过先由b对a腐蚀，而后用a减去腐蚀得到。即：a=a-(ab) (eq4.2)这里b是一个适当的结构元素。其示意图如图4.5所示图4.5 提取边界示意图 (a)集合a(b)结构元素b(c)使用b对a进行腐蚀(d)由a减去腐蚀结果的到边界对4.4(b)提取边界的结果如图4.6(b)所示(a)原图(b)(a)的提取边界图图4.6 提取边界结果4.5 提取方位提取方位是获取目标的中心点和目标的旋转角度。4.5.1 提取中心点图像中的目标的中心就是面积的中心，i氨基中心就是图形的质心。因二值图像质量分布是均匀的，故质心和

38、形心重合。若图像中的目标对应的像素位置坐标为(xi,yj)(i=0,1,n-1;j=0,1,m-1)，则可用eq4.3计算其中心点位置坐标：(eq4.3)程序流程图如图4.7所示图4.7提取中心点程序流程图4.5.2 提取角度为了提取出目标的旋转角度，我们可以从图4.6(b)的边界图片中提取最左边的边界。提取方法如下：1、 遍历图片找到第一个目标点2、 左下方2*2的点中是否有目标点，把目标点保存在一个向量中3、 重复步骤2知道找不到目标点位置4、 把找到的目标点在图像上显示，观察提取的边界位置是否正确。图4.8所示的是把提取到的边界位置在图像上显示（蓝色）图4.8 提取到边界位置图4.9 最

39、小二乘法拟合后的直线提取到边界位置之后，容易得知，该边界为直线，可以进行最小二乘法直线拟合，算出直线的斜率，进而算出目标的旋转角度。最小二乘法进行直线拟合的原理如下：假设数据点(xi,yi)的分布大致成一条直线，则可用直线做拟合曲线。这拟合曲线为y=a0+a1x , a0,a1待定 (eq4.4)则有 r=ra0,a1=i=0m(yi-yi)2=i=0m(a0+a1xi-yi)2 (eq4.5) ra0=0ra1=0m+1a0+i=0mxia1=i=0myii=0mxia0-i=0mxi2a1=i=0mxiyi (eq4.6)如图4.9中的红线为用最小二乘法拟合后的曲线，并得到了目标的中心点和

40、旋转角度。5. 提取划痕5.1 旋转图像、为了便于处理，最好把图3.11(d)给旋转之后处理。有两种方式进行旋转，第一种是旋转3.11(c)图然后在进行动态阈值分割得到二值图像，采用双线性插值法。第二种方式是直接旋转图3.11(d)二值图像,采用最邻近插值法。采用第一种方式旋转的图像如图5.1(c)所示，第二种方式旋转的图像如图5.1(d)所示。(a)图3.11(c)旋转后的图像(b) 图3.11(c)动态阈值分割图像(c) (a)图的动态阈值分割 (d) (b)图旋转后的图像图5.1 两种旋转方式比较仔细比较图5.1中(c)图和(d)图可以发现,(d)图的噪声比(c)图多。但是(c)图的处理

41、时间远远大于(d)图。鉴于后续会用到闭运算，可以消除噪声，出于时间消耗方面的考虑，选择第二种方式旋转。5.2 填充缺口为了去除划痕得到门把手模板，不存在缺口的情况下，可以分别用水平方向开运算和垂直方向开运算，并把两次开运算的结果组合在一起，即可得到门把手模板，但是由于缺口的存在，就不可能得到门把手的模板，所以要填充缺口。根据闭运算的性质，可知闭运算可以填充缺口。使用水平方向的宽度大于水平方向缺口的结构元素，可以缝合水平方向的缺口，使用垂直方向的高度大于垂直方向缺口的结构元素可以缝合垂直方向的缺口。选用不同模板得到的填充缺口的图片如图5.2所示。 (a)结构元素： (b)结构元素：11×

42、;3,3×117×1，1×7 (c)结构元素： (d)结构元素：1×7,5×111×1，1×11图5.2 填充缺口效果图这里我们选用图5.2(c)的结构元素进行填充缺口。5.3 去除划痕对于图5.2(c)所示的图像，去除划痕可以有两种方式进行去除。第一种方式是分别通过水平方向和垂直方向开运算，然后将两次开运算的结果合并。其去除划痕的效果图如下： (a) 水平开运算(b)垂直开运算 (c)(a)图和(b)图合并(d) (c)图填充缺口图5.3去除划痕效果图对于图5.2(c)所示的图像，去除划痕还有另外一种方法。基于门把手中的四

43、个小正方形的大小都一样。可以在各个小正方形区域中至少找到一个点形成的正方形边框和门把手的小正方形重合，把这些点保存起来。然后仅保存以此点为中心的环形正方形区域的像素。去除边界的图像如图5.4所示。但是这种方式去除划痕会丢失门把手外边框，与内正方形相连处有噪声出现，不容易提取门把手模板，而且处理速度没有图5.3所示的方法快。因此选择第一种方法。 (a) 填充缺口后的图像(b) 去除划痕后的图像。图5.4 去除划痕第二种方法5.4 提取划痕图5.3(d)中已经得到旋转后的门把手的模板，已知旋转角度，可以把此模板图像旋转与原图像重合，由于提取的模板相对于实际门把手偏小，因此要先进行膨胀。在进行旋转。

44、图5.5所示模板的匹配图像,蓝色代表提取到的模板。图5.5 模板匹配效果为了提取划痕可以有两种方法，第一种是利用中值滤波估计背景值，进行动态阈值分割，但在模板处不进行处理。进行动态阈值分割后的效果如图5.6所示。图5.6 动态阈值分割效果（中值）对于此幅图像，可以用提取边缘的方式提取边界。除了模板以外，只有划痕出有很大的梯度。用sobel滤波很容易提取出划痕。处理效果如图5.7所示：图5.7 sobel滤波提取划痕通过比较两种提取划痕的方式，容易得知，sobel滤波的方式提取划痕的速度比动态阈值分割(中值)提取边缘的速度快。提取效果也比动态阈值(中值)的要好。5.5 去除噪声通过使用动态阈值分

45、割(中值)或者sobel边缘提取获得的划痕图像中，都含有很多杂点，如图5.6和图5.7所示，称这些杂点为噪声。在这种情况下，所有少于n个像素的连通区域被看做噪声。如图5.8和5.9分别为动态阈值分割(中值)去除噪声和sobel边缘提取获得划痕的效果图，白色显示提取到的边界。图5.8 图5.6去除噪声后的图片(连通区域小于<=4删除)图5.9 图5.7去除噪声后的图片(连通区域小于<=11删除)5.6 缝合缺口如图5.8和图5.9可以看出同属一个划痕的缺陷是彼此靠近的，因此可以用闭运算吧缺陷区域中小的缝隙闭合。如图5.10和图5.11分别是对图5.8和图5.9闭合后的结果。为了便于处理，我们把划痕用二值图像表示出来，如图5.12所示。图5.10 图5.8闭合后的结果图5.11 图5.9闭合后的结果 (a)动态阈值分割（中值）提取的划痕(b)动态阈值分割（中值）提取的划痕