книги / Оптоэлектронные сенсорные системы

что означает также, чем больше считывается число элементов изо­ бражения. Так как это число ограничивается возможностями техни­ ческих средств и затратами на их построение, то приходится идти на некоторый компромисс соотношения затрат с допускаемой по­ грешностью восстановления изображения:

3.2.3. Квантование видеосигналов

Квантование видеосигналов осуществляют их сравнением с неко­ торыми пороговыми значениями уровней, причем равенство или различие с порогом отображается одноразрядным двоичным чис­ лом: 1 (L) — высокий уровень, 0 (Н ) — низкий уровень.

вала квантования.

Тем самым матрицу изображения В, описываемую дискретной функцией Ь(х, у) € {0, 1, 2,...}, преобразуют в двоично кодирован­ ную матрицу В*у представленную функцией Ь*(х, у) 6 [Н, L }.

Объем памяти для хранения цифрового представления изображе­ ния существенно зависит от используемой системы кодирования. Для двух градаций яркости (черное или белое) используют двоичное кодирование изображения, при этом каждый элемент изображения и соответствующий сигнал чувствительного элемента представляют одноразрядным двоичным числом-битом. Таким образом, изобра­ жение с числом элементов Nx • Ny требует такого же числа ячеек па­ мяти в ЦВМ для хранения. Если растр содержит 256 строк по 256 элементов, то объем памяти должен составить 65536 бит или 8 кбайт.

3.2.4. Кодирование изображений

Нередко считываемые последовательно элементы изображения характеризуются одним и тем же уровнем яркости. В этом случае объем данных сжимают кодированием распределения яркости [6, 8]. При подобном двоичном кодировании, количество следующих друг за другом элементов, идентичных по яркости и кодируемых L или Ну кодируют двоичным числом Ъ или /, которое обычно ограничивают по длине, равной 8 бит. Пример такого кодирования

41

Рис. 15. Пример кодирования маркерной метки (черного треугольника) на фоне ма­ териала.

ЪР — сенсорные элементы; П оз.'— позиция (строка изображения).

изображен на рис. 15. Линейки делят на сегменты, содержащие до 128 сенсорных элементов. При считывании 8-разрядных слов по со­ вокупности некоторых значений разрядов слова автоматически идентифицируются граничные допускаемые положения проекции изображения относительно элементов строки (табл. 4).

Независимо от перехода «яркий-темный» или, наоборот, на гра­ нице сегмента или строки всегда считывается байт. Эти слова запи­ сывают в ячейки памяти с определенными адресами, что при вос­ становлении изображения позволяет очертить его контуры. Осталь-

42

ные слова записывают в ячейки с последовательно возрастающими адресами.

Для кодирования черно-белых изображений часто используют также код Фреймана, при помощи которого представляют контур изображения или ступени яркости. Однако такое кодирование тре­ бует избыточности сигналов. На рис. 16 приведен пример использо­ вания кода Фреймана для представления непрерывного контура, восемь раз меняющего свое направление. Отрезки между точками изменения направления кривой кодируют 3-разрядными словами.

Другие методы кодирования изображений рассмотрены в рабо­ тах [8, 9].

Рис. 16. П ример кодирования кривой P(xi, yt) кодом Ф реймана.

43

3.2.5. Сегментирование изображений

Сегментирование, зависящее от объекта

Под сегментированием изображения понимают его разбиение на составные части по определенным критериям или признакам1*. Су­ ществует ряд методов и алгоритмов сегментации, рассмотренных, например, в работах [8, 10—13].

Сегментирование, основанное на выделении признаков

Помимо сегментирования в ориентации на характерные состав­ ные части объекта, применяют сегментирование, основанное на вы­ делении отдельных признаков, что часто требуется для качественно­ го контроля объектов. Такими признаками и их совокупностями отображают, например, дефектные места, неоднородности, трещи­ ны и т. д., что условно отражено в виде объектов на рис. 17. При этом целесообразно сопоставлять содержимое двух соседних строк у и у + 1, определяя граничные контуры тех или иных объектов изображения и приписывая им определенные информационные при­ знаки (коды). Поэтому сегментирование в процессе обработки дан­ ных является первой ступенью на пути определения содержимого изображения.

Рис. 17. Примеры отображения признаками некоторых объектов в кадре.

Эти части имеют содержательный смысл: объекты, их границы, характерные геометрические особенности и др. — Прим, перев.

44

Рис. 18. Пример фиксации границ двух непересекающихся объектов в поле изо­ бражения.

В поле изображения содержится объект А „, если в строке у сен­ сорные элементы X отображаются единичными логическими значе­ ниями сигналов

Изменение логических значений сигналов сенсорных элементов означает переход, из темной (неосвещенной) области в светлую или наоборот. Каждому такому переходу соответствует нарастающий или спадающий фронт импульсного сигнала, обозначаемый Х е - На рис. 18 показаны граница объекта А п, фиксируемая сенсорным эле­ ментом Х еу , и начало следующего объекта, фиксируемое сенсор­ ным элементом Хьу, чему соответствуют определенные фронты сигналов:

Объект простирается от строки у к строке (у + 1) при условии, что

Два связанных объекта обрабатываются совместно, если

при условии того, что событие (17) выполняется и. для {у + 1)-й строки (см. рис. 19). При этом данные обработки А п распространя­ ют и на А п + 1 .

Г'

Рис. 19. П ример фиксации пересечения двух объектов.

45

Объекты пересекаются при условии

и условие (19) действительно для каждого последующего значения. Границе объекта соответствует условие

3.2.6. Признаки изображения

Важным этапом обработки изображений является выделение (определение) их характерных признаков. Непосредственная обра­ ботка с целью классифицирования всех дискретных значений дву­ мерной функции изображения В*(х, у) нецелесообразна, так как пол­ ное восстановление изображения при измерениях и контроле менее значимо, чем селективное выделение информации, характеризую­ щей различия между отдельными частями этого изображения. Хотя отдельные признаки и могут отражать некоторые* его характерные свойства [б].

Признаки изображения могут быть количественными, их можно измерять непосредственно (они отображаются действительными числами), и качественными, обозначаемыми символами. Для изме­ рений и испытаний наиболее важны первые. Некоторые из них определяют из силуэтов изображений, как это показано на приме­ рах 1—7 в табл. 5. Причем, измерение этих признаков можно выполнять в реальном масштабе времени по мере получения отсче­ тов. Двухмерные признаки определяют итеративными вычисления­ ми, причем для этого совершенно необязательно хранить в памяти все изображение.

Для выделения признаков мргут быть использованы также те­ стовые линии (шаблонная маска), как это показано на рис. 20.

Рис. 20. П ример выделения признаков объекта ш аблонной маской.

46

Таблица 5. Признаки, характеризующие объект

№№

F =ААхAy

3.Макс, протяженность

4.Макс, хорда в

5.Макс, хорда в

б.Число отверстий в силуэте

7. . Площади отверстий в силуэте

47

Выделение более сложных признаков связано с большим объе­ мом вычислений и требует использования всех данных изображе­ ния, которые предварительно запоминаются. Некоторые примеры таких признаков и их определения приведены в табл. 5. Позиции 8—12 относятся к механическим величинам, характеризующим дей­ ствия роботов, а позиции 13—16 — к признакам различных геомет­ рических фигур. Простейшие геометрические фигуры характеризу­ ются форм-факторами, примеры которых представлены на рис. 21.

Рис. 21. Примеры простейших геометрических фигур характеризуемых форм­ факторами (a — L2/A * 12,6; б — L2/A = 16; в — L2/A = 18; г — L2/A * 60).

Как правило, по одному-единственному признаку нельзя, распоз­ нать изображение. Для этого надо располагать совокупностью при­ знаков, изображаемой в виде соответствующего вектора

и достаточной для описания изображения.

3.2.7. Классификация

Целью классификации является определение соответствия объек­ та тому или иному классу на основе сравнения его образа с типовы­ ми образами, принятыми за образцовые (опорные). Принятие ре­ шения основано на сравнении вектора признаков испытуемого (на­ блюдаемого) объекта с векторами признаков выделенных классов.

Важной методологической особенностью классификации являет­ ся разбиение классов на группы, направленное на четкое разделение классов признаков, с тем чтобы соответствующие векторы отобра­ жали компактные области. Если область признаков определена од­ нозначно, то классификация оказывается простой и безошибочной.

Изделия промышленного производства обычно характеризуются четко различимыми свойствами, что позволяет точно задать грани­ цы соответствующих классов. Поэтому для классификации необхо­ димо выбирать такие признаки, которые позволяют минимизиро­ вать затраты на их распознавание и обработку соответствующих данных.

Выбор признаков является достаточно трудным делом, требую­ щим определенного опыта и проведения исследований. Проблемы классификации изображений рассмотрены, например, в работе [6].

В промышленных условиях необходимы быстродействующие, но относительно простые оптоэлектронные системы контроля, к тому же высоконадежные и дешевые. Эти требования не обеспечивают многие известные методы классификации. Целью классификации при измерениях и контроле является представление (описание) из­ вестных объектов набором их составных частей, свойств и отноше­ ний, и сопоставление с ними подобных объектов, к примеру, каче­ ство которых контролируется. Порядок выполнения операций клас­ сификации представлен на блок-схеме (рис. 22). Вектор признаков

Рис. 22. Блок-схема процедуры классификации объектов.

50