數字圖像處理—智能制造系統的視覺目錄2.7.1數字圖像處理概述1.智能制造的眼睛—數字圖像處理2.圖像重建—像素矩陣3.圖像處理—卷積降噪4.圖像形態—集合運算5.圖像分割—邊緣檢測6.圖像識別—卷積網絡2.7.2形態學分析2.7.3數字圖像處理與智能制造的關系想象一下人眼如何捕捉圖像。眼睛是復雜的生物傳感器，它們通過視網膜上的光感受器細胞來感知光線。

可以將這個過程與數字圖像處理進行類比。在數字圖像處理中，圖像首先被數碼相機或者掃描儀捕獲為數字信號，這些數字信號代表了圖像中每個像素的顏色和亮度信息。接下來，這些數字信號被輸入到計算機中并通過圖像處理軟件進行處理。這個過程包括各種圖像處理技術，如濾波、增強、分割、特征提取等。1.智能制造的眼睛—數字圖像處理2.圖像重建—像素矩陣當談論數字圖像處理時，將圖像轉換為矩陣是其核心。想象一下，你手中有一張美麗的風景照。這張照片實際上是由無數個像素組成，每個像素都有自己特定的顏色和亮度。當將這張照片轉換為矩陣時，這些像素就像是矩陣中的格子，而每個格子里的數值則代表了像素的顏色和亮度信息。3.圖像處理—卷積降噪

首先我們用色子的例子來說一下什么是卷積，假設我們有兩枚骰子，把他們一起丟出去，這兩個骰子的點數加起來為4的概率是多少呢？我們用f(1)表示第一枚骰子點數是1的概率，同樣第二枚篩子點數是1的概率用g(1)表示。3.圖像處理—卷積降噪

不同卷積核的有不同的作用，高斯核可以既可以保留原有特征，同時還可以使其平滑。高斯濾波器實質上是一種信號的濾波器，其用途是信號的平滑處理。在圖像處理中，高斯濾波就是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過加權平均后得到。4.圖像形態—集合運算在圖像形態學中，腐蝕操作是一種基礎且重要的技術，它主要用于消除圖像中的細小物體、噪點，以及平滑目標區域的邊界。操作的核心思想是通過一個稱為結構元素的模板，在圖像上滑動并比較，從而確定哪些像素應該被保留或移除。圖像中的噪點通常小于結構元素的大小，因此會在腐蝕過程中被消除。4.圖像形態—集合運算膨脹操作是一種與腐蝕操作相輔相成的關鍵技術。它主要用于擴大圖像中的物體區域、填充空洞，以及連接相近的物體，為圖像分析提供更豐富的信息。通過膨脹操作，可以將這些空洞周圍的像素與結構元素進行比較，如果匹配成功，則將這些像素置為前景值，從而填充空洞，使物體更加連續。4.圖像形態—集合運算開運算通常平滑物體的輪廓、斷開狹窄的狹頸、消除細長的突出物；閉運算同樣平滑輪廓，但與開運算相反，它通常彌合狹窄的斷裂和細長的溝壑，消除小孔，并填補輪廓中的縫隙。通過膨脹操作，可以將這些空洞周圍的像素與結構元素進行比較，如果匹配成功，則將這些像素置為前景值，從而填充空洞，使物體更加連續。4.圖像形態—集合運算擊中-擊不中變換是一種基于結構元素的形態學操作，用于檢測圖像中與給定結構元素精確匹配的區域。與開運算和閉運算不同，擊中-擊不中變換需要兩個結構元素：一個用于檢測目標物體，另一個用于檢測目標物體周圍的背景。只有當這兩個結構元素同時與圖像中的某個區域匹配時，才認為該區域為目標物體。5.圖像分割—邊緣檢測圖像分割是將圖像劃分為多個不相交的區域或對象的過程，每個區域或對象在某種特性（如顏色、紋理、亮度等）上與其他區域或對象有所不同。通過圖像分割，可以將圖像中的前景與背景分離。閾值分割基于區域的分割邊緣分割基于模型的分割5.圖像分割—邊緣檢測

邊緣檢測是圖像處理中的一個基本問題，通過識別圖像中亮度、顏色或紋理等特征發生顯著變化的區域來確定圖像的邊緣。邊緣信息對于圖像理解、分析和識別等任務至關重要，邊緣檢測可以通過多種方法實現。Roberts算子Prewitt算子Sobel算子Canny算子梯度確定大小和方向5.圖像分割—邊緣檢測梯度差分：下行見上行或者右列減左列5.圖像分割—邊緣檢測5.圖像分割—邊緣檢測二維梯度算子Sobel抑制噪聲，用途更廣Sobel算子5.圖像分割—邊緣檢測Marr-Hildreth希爾德雷斯算子-高斯拉布拉斯函數（LoG）特點：1）微分算子表征梯度，檢測灰度突變2）變尺度算子，大算子檢測模糊的邊緣，小算子檢測清晰的細節3）小算子計算過零點檢測4）1像素邊緣5.圖像分割—邊緣檢測Canny算子—最優秀低錯誤率邊緣點定位精度最高消除孤立點5.圖像分割—邊緣檢測Canny最優Marr-Hildreth閾值處理5.圖像分割—邊緣檢測Canny最優Marr-Hildreth機會：平滑+算子尺度+多閾值閾值處理5.圖像分割—邊緣檢測邊緣連接-霍夫變換5.圖像分割—邊緣檢測區域生長提取裂紋5.圖像分割—邊緣檢測6.圖像識別—卷積網絡CNN提取圖像特征主要包含輸入層、卷積層、池化層、全連接層和輸出層。輸入層是CNN的起始層，它接收原始數據。卷積層是CNN的核心組成部分，它通過卷積操作從輸入數據中提取特征。每個卷積層包含多個卷積核，這些卷積核在輸入數據上進行滑動并計算點積，從而生成特征映射。6.圖像識別—卷積網絡

卷積核的深度決定了每個卷積核能夠提取的特征的復雜程度。較深的卷積核可以捕捉更高級別的特征，較淺的卷積核通常捕捉較低級別的特征。而卷積核的個數決定了卷積層能夠提取的特征種類和數量。增加卷積核的個數，可以增加卷積層的表達能力，從而提取更多樣化的特征。6.圖像識別—卷積網絡不同卷積核的作用效果2.7.3.數字圖像處理與智能制造關系缺陷識別質量檢測在智能制造中占據著舉足輕重的地位，它是確保產品質量和可靠性的關鍵環節。在智能制造系統中，數字圖像處理技術首先通過高精度圖像采集設備獲取產品的高清圖像，這些圖像涵蓋了產品的各個細節和特征，為后續的分析提供了豐富的數據基礎。在之后的特征提取階段，數字圖像處理技術能夠識別并提取出圖像中的關鍵信息，為后續缺陷識別提供重要依據。2.7.3.數字圖像處理與智能制造關系機器人視覺在智能制造的時代，產品生產出來后會被機器人運送到相應的地點存放或者交付，那么這種自動化的機器人同樣用到了數字圖像處理。機器人視覺作為智能制造中的一個核心應用領域，極大地推動了機器人技術的智能化和自主化進程。機器