|
|
基于区域的光学视觉检测重庆膜表面瑕疵检测图像处理包括阈值分割法、区域生长法和聚类分割法。 阈值分割是一种传统的图像分割方法。它的基本原理是通过设置不同的灰度阈值将图像像素分成若干类。由于其实现简单、计算量小、性能稳定，已成为图像分割中最基本、应用最广泛的分割方法，而阈值的选取是图像阈值分割方法的关键。 目前，有固定阈值法、自适应阈值法、多区域阈值法等。固定阈值分割算法具有较强的实时性，适用于图像背景与目标灰度差异较大的情况；自适应阈值分割算法适用于目标与背景灰度差不明显的情况；多区域阈值法适用于目标与背景在不同区域差异较大的情况。 Otsu提出了一种动态阈值法，它根据目标与背景的最大方差动态确定图像分割的阈值。然而，当目标相对面积较小时，该方法的性能较差。 双关语和卡普尔等人。提出了一种基于最大先验熵的阈值选取方法，在一定程度上克服了上述算法的不足。然而，当图像背景复杂时，容易丢失部分信息，计算量大。
Yen等人。提出了一种用最大相关原理代替常用的最大熵原理选择阈值的方法，以及基于一维或二维直方图的阈值方法，以及在最小误判概率准则下的最优阈值方法。 区域增长法的基本思想是根据一定的增长标准将几个“相似”的子区域聚合成更大的区域。首先，为每个要分割的区域找到一个种子像素作为生长起点，然后根据一定的预定准则将种子像素附近具有相同或相似性质的像素合并到种子像素所在的区域中；然后，新像素被视为新的种子像素，并继续如上所述操作，直到满足条件的像素不能被包括进来为止。该方法原理简单，对连接比较均匀的对象有很好的分割效果；缺点是依赖于初始条件的选择，计算量大，不适合于实时检测。 分割合并法也是一种基于区域的分割算法。其基本思想是：根据图像和每个区域的不均匀性，将图像或区域划分为新的子区域，然后将包含相同内容的区域合并为一个新的大区域，最终得到分割后的图像。四叉树分解是一种常用的分割和合并方法。其具体过程是将图像分成四个大小相等的块，并判断每个块是否满足一致性准则（如两个区域的统计特性相同等）。如果满足，则不进行分解；如果不满足，则细分为四个块，然后用子块检查一致性标准，直到达到一致性标准为止。结果可能包括不同大小的块。 图像分割的聚类方法是根据图像在特征空间中的聚类，对特征空间进行分割，然后映射到原始图像空间，得到分割结果。K均值聚类算法和模糊c均值聚类算法是常用的聚类算法。 |
