求助！！

CCD视觉检测应用中图像分割的原理与处理方法  视觉检测中的图像分割处理:  图像分割是将图像分成若干部分每一部分对应于某一物体表面在进行分割时 每一部分的灰度或纹理符合某一种均匀测度度量。某本质是将像素进行分类。分类的 依据是像素的灰度值、颜色、频谱特性、空间特性或纹理特性等。图像分割是图像处 理技术的基本方法之一应用于诸如染色体分类、景物理解系统、机器视觉等方面。 通常按两种原则进行图像分割一是基于点相关的分割技术即依据各个像素点 的灰度不连续性进行分割二是基于区域相关的分割技术即依据同一区域具有相似 的区域或组织特征这一特征寻求不同区域之边界。 依据这两条原则图像分割 方法分为基于直方图、基于边缘、基于区域、基于区域和边缘分割等方法。主要有两
  方图来决定图像 空间域像素聚类。但它只利用了图像灰度特征并没有利用图像中的其它有用信息 使得分割结果对噪声十分敏感二是空间域区域增长分割方法。它是对在某种意义上
  好的分割 效果但缺点是运算复杂处理速度慢。其它的方法如边缘追踪法、锥体图 像数据结构法、标记松弛迭代法、基于知识的分割方法等等。一般简单图像的分割如陶瓷插针CCD图像的分割用灰度阈值分割法就足够了。 灰度阈值分割法是一种基本区域的技术这种方法是把每一个像素的灰度值与一个阈 值进行比较根据它是否超过该阈值而将该像素归于两类中的一类。其关键在于阈值 的计算与选取。  目前大部分CCD视觉检测系统都采用LED做为外部光源，实际上在使用在当外部光源照明不均匀、有突变噪音或者背景灰度变化比较大时整幅图像分割将没有 适合的单一阈值因为单一的阈值不能兼顾图像各个像素的实际情况。这时可对图 像按照坐标分块对每一个分别选取一个阈值进行分割这种与坐标相关的阈值称为 动态阈值法。这类算法的时间复杂度和空间复杂度比较大但是抗噪音能力较强对 采用全局阈值不容易分割的图像有比较好的效果。动态阈值的选取比较简单的法则是对每个像素确定以它为中心的一个邻域窗口 计算窗口内像素的最大值和最小值然后取它们的均值作为阈值。  图像处理方法的研究由于对图像处理要求的不同图像处理方法多种多样主要有图像变换、图像增 强、图像锐化、图像分割与特征提取等多种方法。针对本文所设计的CCD显微放大测 量系统为达到测试的目的需对插针图像进行图像分割、平滑去除噪声、二值化等处理。在图像处理方法的原理进行了较详尽的介绍。在本文所计的这个CCD显微放大测量系统中图像处理的关键在于图像的分割和去噪声、二值化。研究采用基于最优阈值和动态阈值分割方法、邻域平均去噪 声的方法编程处理CCD图像。 在研究的过程中发现图像的分割、平滑还可应用其他方法如图像的分割可以用边缘检测的方法实现平滑去噪可以用平滑模板来实现等。这里详细介绍本文对图像平滑、边缘检测所做的较深入的研究。图像平滑图像的平滑处理技术即图像的去噪声处理主要是为了去除实际成像过程中因成像设备和环境所造成的图像失真提取有用信息。众所周知实际获得的图像在形成、传输、接收和处理的过程中不可避免地存在着外部干扰和内部干扰如光电转换过程中敏感元件灵敏度的不均匀性、数字化过程的量化噪声、传输过程中的误差以及人为因素等均会使图像变质。因此去除噪声恢复原始图像是图像处理中的一个重要内容。  图像的平滑的理论的基础是平滑模板运用模板的处理就是模板操作它是数字图像处理中经常用到的一种运算方式这是一种空间域的平滑法。这种操作的思想是通过一点和周围的几个像素点的运算来去除灰度突然变化的像素点从而滤掉一定的噪音但图像有一定程度的模糊而减少模糊的代价是图像的噪音的平滑的效果差。当然这也取决于噪音本身的特性一般情况下通过选择不同的模板来消除不同的噪音。