幾何圖元分析處理若干問(wèn)題的研究.pdf

1、計(jì)算機(jī)視覺(jué)圖像中所涉及的目標(biāo)對(duì)象大多數(shù)可分解為由多個(gè)可解析的函數(shù)式來(lái)表達(dá)的幾何基元，如點(diǎn)、直線段、圓、矩形等。通過(guò)這些幾何基元組合的幾何圖元可以用來(lái)描述目標(biāo)對(duì)象，尤其是在工業(yè)過(guò)程的計(jì)算機(jī)視覺(jué)檢測(cè)、控制系統(tǒng)中。目標(biāo)對(duì)象形態(tài)的幾何學(xué)特性十分有助于提高視覺(jué)系統(tǒng)應(yīng)用算法的精度、效率。
　　 本文主要針對(duì)幾何圖元分析與處理過(guò)程中三個(gè)關(guān)鍵技術(shù)點(diǎn)：圖像分割、圖元形態(tài)識(shí)別和圖元形位參數(shù)檢測(cè)進(jìn)行分析。在一些經(jīng)典算法的基礎(chǔ)上，引入脈沖耦合神經(jīng)網(wǎng)絡(luò)、

2、粒子群算法等智能信息處理技術(shù)，構(gòu)建了自動(dòng)圖像分割算法、幾何圖元形態(tài)識(shí)別算法及形位參數(shù)檢測(cè)算法。并分別將上述算法應(yīng)用于LED芯片檢測(cè)系統(tǒng)中LED芯片形位參數(shù)檢測(cè)和伺服運(yùn)動(dòng)控制系統(tǒng)的標(biāo)定。相關(guān)的研究工作和主要內(nèi)容如下：
　　 (1)基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的自動(dòng)圖像分割算法
　　 脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Networks，PCNN)是模擬小型哺乳動(dòng)物視覺(jué)神經(jīng)細(xì)胞活動(dòng)而得到的一種新型神經(jīng)網(wǎng)絡(luò)。利

3、用PCNN神經(jīng)元的脈沖耦合特性，圖像分割按照像素點(diǎn)的灰度相似性及空間分布的相似性來(lái)進(jìn)行，分割過(guò)程完全依賴于圖像的自然屬性，有利保存圖像的細(xì)節(jié)。針對(duì)PCNN參數(shù)眾多和結(jié)構(gòu)復(fù)雜等應(yīng)用的難點(diǎn)問(wèn)題，提出了基于粒子群(Particle Swarm Optimization，PSO)和PCNN模型自動(dòng)圖像分割算法(PSO-PCNN)：首先，通過(guò)Lena和LED芯片圖像分割實(shí)驗(yàn)，驗(yàn)證基于簡(jiǎn)化的PCNN模型的圖像分割算法的可行性，并比較了不同分割判斷準(zhǔn)

4、則下的圖像分割效果和最佳迭代次數(shù)；其次，設(shè)計(jì)了一種綜合反映分割質(zhì)量和運(yùn)行效率的適應(yīng)度函數(shù)，利用改進(jìn)的粒子群優(yōu)化算法，實(shí)現(xiàn)PCNN模型參數(shù)的自動(dòng)設(shè)置。仿真實(shí)驗(yàn)結(jié)果表明PSO-PCNN能有效抑制了弱邊緣、背景噪聲的影響，圖元檢測(cè)的檢測(cè)準(zhǔn)確性高于基于PCNN模型和OTUS自動(dòng)閾值的分割算法。
　　 (2)幾何圖元形態(tài)識(shí)別算法
　　 針對(duì)特征、特征描述子和特征的相似性測(cè)度對(duì)幾何圖元的形態(tài)識(shí)別、分類以及算法效率有著巨大影響，本文介

5、紹了幾種常用的特征描述子，重點(diǎn)研究了不變矩尤其是Hu矩在形態(tài)識(shí)別上的應(yīng)用和具體表現(xiàn)，針對(duì)區(qū)域矩運(yùn)算數(shù)據(jù)量大的問(wèn)題，引入輪廓矩描述方法，實(shí)驗(yàn)結(jié)果表明輪廓矩對(duì)幾何圖元形態(tài)識(shí)別具有較好的平移、縮放、旋轉(zhuǎn)不變性，相對(duì)于區(qū)域矩，運(yùn)算效率有了較大提升。
　　 (3)幾何圖元形位參數(shù)檢測(cè)算法
　　 針對(duì)現(xiàn)存的幾何圖元檢測(cè)算法存在運(yùn)算復(fù)雜、檢測(cè)精度低、對(duì)噪聲及背景敏感等缺點(diǎn)，本文在標(biāo)準(zhǔn)Hough變換的基礎(chǔ)，對(duì)比分析了幾種典型的Hough

6、變換，重點(diǎn)研究了基于隨機(jī)Hough變換(Randomized Hough Transform，RHT)的幾何圖元檢測(cè)方法，提出了RHT與最小二乘法相結(jié)合的幾何圖元形位參數(shù)檢測(cè)算法(RHT-LSM)。該算法從含噪數(shù)據(jù)集中篩選出目標(biāo)圖元邊緣點(diǎn)集合，利用最小二乘法優(yōu)化減小邊緣點(diǎn)集的擬合誤差，用以解決RHT算法精度低，內(nèi)存消耗大和峰值擴(kuò)散等問(wèn)題。最后本文給出了基于RHT-LSM的直線、矩形和圓的檢測(cè)算法，并對(duì)多目標(biāo)檢測(cè)中的隨機(jī)抽樣概率模型作了分

7、析，總結(jié)出通過(guò)劃分子區(qū)域，結(jié)合圖元先驗(yàn)知識(shí)，剔除非目標(biāo)點(diǎn)以降低無(wú)效抽樣概率的方法。仿真實(shí)驗(yàn)表明RHT-LSM算法具有較強(qiáng)的目標(biāo)檢測(cè)的能力和較高的檢測(cè)精度。
　　 (4)LED芯片視覺(jué)檢測(cè)系統(tǒng)應(yīng)用研究
　　 本文簡(jiǎn)述了LED芯片檢測(cè)視覺(jué)檢測(cè)系統(tǒng)的組成、基本工作流程和LED芯片視覺(jué)檢測(cè)平臺(tái)。應(yīng)用實(shí)驗(yàn)由兩部分組成：其一，通過(guò)該實(shí)驗(yàn)平臺(tái)獲得LED芯片顯微圖像，利用PSO-PCNN自動(dòng)圖像分割算法，提取LED芯片電極的二值化分割圖