книги / Оптоэлектронные сенсорные системы
..pdfчто 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.
|
Н — в случае, когда Ь(х, у) находится внутри |
|
b\x> у) = |
интервала квантования, |
(15) |
L — в случае, когда Ь(х, у) находится вне интер |
|
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
|
|
|
Таблица 4. Значения разрядов слова |
|||||
|
|
|
(А — информационное значение 0 |
или 1) |
||||
|
|
|
Разряды слов |
|
|
|
Признак |
|
7 |
6 |
5 |
4 |
3 |
2 |
1 |
0 |
|
|
|
|
|
|
|
л. |
|
|
0 |
А |
А |
А |
А |
А |
А |
А |
В поле линейки |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
Выход за границу строки |
1 |
А |
А |
А |
А |
А |
А |
1 |
Конец строки |
1 |
А |
Д |
А |
А |
А |
А |
1 |
В поле линейки |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
Перехода нет, граница |
|
|
|
|
|
|
|
|
сегмента |
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
/ ♦ / |
Ж X X |
X X X X |
жжжжжжж |
|
|
У |
|
|
|
|
У |
|
м Л |
у Я |
и Д • / |
л£у*1 |
|
|
*1у |
*Еу+1 |
л1у |
|
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
Х $ > 0 -> А л. |
(16) |
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:
х%> < Х & 1 |
(17) |
Объект простирается от строки у к строке (у + 1) при условии, что
Х1у ^ Х еу+1- |
(18) |
Два связанных объекта обрабатываются совместно, если
Л 2 /1 ZX*-+A,, = An +i, |
(19) |
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'
у*1 • |
Х К Х Х Х Х Х Х Х Х К К |
|
|
/ • |
ххкхх |
хххх |
|
|
А»' *- - - |
1 |
« |
|
|
уЯ#/ |
X |
Рис. 19. П ример фиксации пересечения двух объектов.
45
Объекты пересекаются при условии
X EV +1 + 1 ^ Хьу+1 |
(20) |
и условие (19) действительно для каждого последующего значения. Границе объекта соответствует условие
Хьу + i = 0. |
(21) |
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
№№
поз. |
Признак |
Математическое описание |
Образ |
|
|
|
|
|
|
|
|
а = 2 |
У Е |
|
1. Площадь |
|
у) |
|
|
|
|
*L |
y L |
|
F =ААхAy
3.Макс, протяженность
по оси у |
1У шах ^ 2 В \х, |
4.Макс, хорда в
. х-направлении |
Sx = max {Дх).у = const |
5.Макс, хорда в
^-направлении |
Sy = тах{Д.у)х = const |
б.Число отверстий в силуэте
7. . Площади отверстий в силуэте
47
F
14. Компактность К =
Ixlg
Отношение площади силуэта к наименьшей площади выделен ного прямоугольника
Форм-фактор |
К ' := 1/К |
15. |
Диаметр |
d = |
Диаметр круга, эквивалентного |
|
|
• J ; |
по площади силуэту |
16. |
Периметр внешнего |
* |
|
|
|
||
|
контура |
и = - E V<№+I - |
дк)2 + СуL+i - л ) 2 |
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
Сп = ЛЬ*(Х, у)] = (сь С2 , . . . , Сп)т |
(22) |
и достаточной для описания изображения.
241— 4 |
49 |
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