精华内容
下载资源
问答
  • 2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;2019/12/28;...20
  • 图像处理基本原理

    千次阅读 2020-03-23 17:50:35
    图像分割技术基本原理 1.1 图像滤波 由于影像采集设备的工作原理以及设备制造技术的限制,在图像采集的过程中在图像中产生噪声是不可避免的;此外,使用者的操作水平也会对图像的质量造成影响,这些因素都导致最终的...

    1
    图像分割技术基本原理

    1.1
    图像滤波

    由于影像采集设备的工作原理以及设备制造技术的限制,在图像采集的过程中在图像中产生噪声是不可避免的;此外,使用者的操作水平也会对图像的质量造成影响,这些因素都导致最终的图像中会存在大量的噪声信号。设备采集到的每个点的值所代表的是这个点附近一个小区域的平均效应,在不同组织的交界处,这种机理不可避免地会造成边缘的模糊;因此,在执行分割算法之前,有必要对图像进行一些预处理以减少噪声。

    图像滤波可以更改或者增强图像,通过滤波可以强调一些特征或者去除图像中一些不需要的部分。图像滤波既可以在实域进行,也可以在频域进行。滤波是一个邻域操作算子,利用给定像素周围的像素的值决定此像素的最终的输出值。图像滤波通过下式描述

    在这里插入图片描述

    其中,O是滤波后的图像,I是原始图像,K为滤波器,也称之为核。

    常见的滤波由均值滤波、中值滤波、高斯滤波。均值滤波用其像素点周围像素的平均值代替元像素值,在滤除噪声的同时也会滤掉图像的边缘信息。中值滤波用测试像素周围邻域像素集中的中值代替原像素。中值滤波去除椒盐噪声和斑块噪声时,效果非常明显。高斯滤波的像素点离核的原点距离越近,得到的权重越高,越远离原点,得到的权重越小,类似于加权的均值滤波。

    1.2
    图像梯度

    图像函数I(x,y)在点(x,y)的梯度是一个具有大小和方向的矢量,定义GX,GY分别表示x方向和y方向的梯度,梯度的方向是函数f(x,y)变化最快的方向,当图像中存在边缘时,一定有较大的梯度值,相反,当图像中有比较平滑的部分时,灰度值变化较小,则相应的梯度也较小。梯度矢量可以表示为
    在这里插入图片描述

    这个矢量的幅度为

    在这里插入图片描述

    方向角为

    在这里插入图片描述

    对图像梯度而言,图像上灰度变化值大的地方表示有较大梯度值的地方。

    1.3
    图像分割

    图像分割是将图像细分为构成它的子区域或对象,这些区域互不相交,每个区域都满足特性一致性。在医学领域,图像分割是从原始图像中把感兴趣的区域提取并显示出来,是病变区域提取、特定组织测量及三维重建的基础,为临床诊断治疗提供可靠信息。

    在这里插入图片描述

    其中,P表示在同一分割区域内的像素必须满足的性质。

    图像分割算法一般是基于亮度值的两个特性之一:不连续性和相似性。因此,图像分割算法可分为三类:

    1)基于区域的分割算法,利用区域之间的相似度;

    2)基于边缘的分割算法,利用区域之间的差异性;

    3)将二者结合的分割算法。

    阈值分割法

    阈值分割法是最简单的一种图像分割方法,也是最常用的并行区域技术。由于阈值法的直观性和易于实现的性质,使它在图像分割应用中处于中心地位。阈值法的基本思想是用一个阈值(称为单阈值)或几个阈值(称为多阈值)将图像的灰度级分为几个部分,令属于同一部分的像素为同一目标,进而实现图像分割。

    基于阈值分割法的优点是计算简单,运算速度快。对于灰度差异很大的不同目标和背景能有效分割。缺点是难以处理包含多个前景物体的图像或灰度值差异不明显的图像。由于阈值法一般只考虑像素本身的灰度值,而不考虑空间特征,因此对噪声比较敏感。在分割医学图像时,通常与其他方法结合使用。

    基于边缘的分割算法

    基于边缘的分割算法,利用区域之间的差异性检测出不同区域间的边缘,进而达到分割图像的目的。对于灰度级间断的检测,边缘检测是最普遍的检测方法,也是基于边界分割方法的第一步。边缘检测一般是借助于空间域微分算子进行的,通过将微分算子的模板与图像进行卷积来实现。常用的一阶微分算子有梯度算子、Robers 算子、Prewitt 算子和 Sobel 算子,二阶微分算子有 Laplacian 算子和Kirsh算子等。

    两个具有不同灰度值的相邻区域之间总存在灰度边缘,这种灰度边缘是灰度值不连续的结果,而典型的随机噪声就是由灰度级的尖锐变化组成,所以当利用上述算子检测灰度边缘时,难以克服噪声的影响。因此这些算子对噪声敏感,不适合直接用于存在噪声污染且复杂的医学图像。针对此问题,拉普拉斯高斯算子和 Canny 算子是具有平滑功能的二阶和一阶微分算子,能够较好的抑制噪声干扰,边缘检测效果较好。此外,可以通过在使用边缘检测算法后接着使用连接过程,将检测结果组合成有意义的边缘。

    基于水平集的分割方法

    水平集的本质是演化一个表面S,用隐式轮廓法得到的水前定义为这个表面S在高度h=0的所有点构成的集合。于是根据定义,水前曲线就是零水平集。点(x,y) 属于一个随着时间演化的曲线,x(t)为它在t时刻的位置。在任意时刻t,对于每一个点x(t)都是表面fhi在高度为0的曲线上的点,即
    在这里插入图片描述

    在这里插入图片描述

    展开全文
  • 浅谈数字图像处理技术的基本原理 、浅析数字图像处理技术、浅析数字图像处理技术的研究现状及其发展方向、数字图像处理技术的现状及其发展方向(1)、数字图像处理技术的应用、数字图像处理技术的应用与发展(1)(2)...
  • 因此,往往采用各种图像变换方法,如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术,将空间域处理转换为变换域处理,不仅可减少计算量,而且可获得更有效处理(如傅立叶变换可在频域中进行数字滤波处理...
    #1,数字图像处理常用方法:图像增强、复原、编码、压缩
    

    1 )图像变换:由于图像阵列很大,直接在空间域中进行处理,涉及计算量很大。因此,往往采用各种图像变换的方法,如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术,将空间域的处理转换为变换域处理,不仅可减少计算量,而且可获得更有效的处理(如傅立叶变换可在频域中进行数字滤波处理)。目前新兴研究的小波变换在时域和频域中都具有良好的局部化特性,它在图像处理中也有着广泛而有效的应用。

    2 )图像编码压缩:图像编码压缩技术可减少描述图像的数据量(即比特数),以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得,也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法,它在图像处理技术中是发展最早且比较成熟的技术。

    3 )图像增强和复原:图像增强和复原的目的是为了提高图像的质量,如去除噪声,提高图像的清晰度等。图像增强不考虑图像降质的原因,突出图像中所感兴趣的部分。如强化图像高频分量,可使图像中物体轮廓清晰,细节明显;如强化低频分量可减少图像中噪声影响。图像复原要求对图像降质的原因有一定的了解,一般讲应根据降质过程建立“降质模型”,再采用某种滤波方法,恢复或重建原来的图像。

    4 )图像分割:图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来,其有意义的特征有图像中的边缘、区域等,这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法,但还没有一种普遍适用于各种图像的有效方法。因此,对图像分割的研究还在不断深入之中,是目前图像处理中研究的热点之一。

    5 )图像描述:图像描述是图像识别和理解的必要前提。作为最简单的二值图像可采用其几何特性描述物体的特性,一般图像的描述方法采用二维形状描述,它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。随着图像处理研究的深入发展,已经开始进行三维物体描述的研究,提出了体积描述、表面描述、广义圆柱体描述等方法。

    6 )图像分类(识别):图像分类(识别)属于模式识别的范畴,其主要内容是图像经过某些预处理(增强、复原、压缩)后,进行图像分割和特征提取,从而进行判决分类。图像分类常采用经典的模式识别方法,有统计模式分类和句法(结构)模式分类,近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。

     

    #2,图像的基本属性

       亮度:也称为灰度,它是颜色的明暗变化,常用 0 ~ 255( 由黑到白 ) 表示。以下三幅图是不同亮度对比。

    亮度对图像色彩的影响

       对比度:是画面黑与白的比值,也就是从黑到白的渐变层次。比值越大,从黑到白的渐变层次就越多,从而色彩表现越丰富。

    对比度对图像色彩表现的影响

       直方图:表示图像中具有每种灰度级的象素的个数,反映图像中每种灰度出现的频率。图像在计算机中的存储形式,就像是有很多点组成一个矩阵,这些点按照行列整齐排列,每个点上的值就是图像的灰度值,直方图就是每种灰度在这个点矩阵中出现的次数。我们可以具体看一下下面两个不同图形的灰度直方图:

     

     

     

    #3,直方图均衡化

       通过灰度变换将一幅图像转换为另一幅具有均衡直方图的图像,即在一定灰度范围内具有相同的象素点数的图像的过程。下面是直方图均衡化前后的图形变化以及直方图变化:

     

     

    #4,图像的加减运算

       两幅图像的加减运算:对图像进行加减运算,就是将图像对应的存储矩形点列上的灰度值进行加减运算。图像相加可以将一幅图像的内容加到另一幅图像上,可以实现二次曝光,也可一对同一个场景的多幅图像求平均值,这样可以降低噪声。图像相减可以用于运动检测或去除图像中不需要的加性图案。

       图像的加法示例:图中运算为: (a)+(b)=(c)

    a
    b
    c

       图像的减法运算示例:图中运算为 (a)-(b)=(c)

     

    #5,图像的噪声

       图像的噪声:就像对于听觉而言,在打电话时对方说话我们有时候会听到很嘈杂的噪声,以至于听不清楚对方在说什么。同样的,对于图像,原本我们可以很清晰的看到一幅图像,但是有时候图像上会有一些我们不需要的图案,使我们无法很清楚的看清一幅图,这就是图像的噪声。

    常用的图像去噪声方法

       常用的去噪方法:主要是采用滤波器对带噪声图像进行滤波处理。

    带噪声的图
    算术平均滤波后的图
    中值滤波后的图
    无噪声图

     

    #6,数字图像处理技术的应用

       随着计算机技术的发展,图像处理技术已经深入到我们生活中的方方面面,其中,在娱乐休闲上的应用已经深入人心。图像处理技术在娱乐中的应用主要包括:电影特效制作、电脑电子游戏、数码相机、视频播放、数字电视等

       电影特效制作:自从 20 世纪 60 年代以来,随着电影中逐渐运用了计算机技术,一个全新的电影世界展现在人们面前,这也是一次电影的革命。越来越多的计算机制作的图像被运用到了电影作品的制作中。其视觉效果的魅力有时已经大大超过了电影故事的本身。如今,我们已经很难发现在一部电影中没有任何的计算机数码元素。

       电脑电子游戏:电脑电子游戏的画面,是近年来电子游戏发展最快的部分之一。从 1996 年到现在,游戏画面的进步简直可以用突飞猛进来形容,随着图像处理技术的发展,众多在几年前无法想象的画面在今天已经成为了平平常常的东西。

       数码相机:所谓数码相机,是一种能够进行拍摄,并通过内部处理把拍摄到的景物转换成以数字格式存放图像的特殊照相机。与普通相机不同,数码相机并不使用胶片,而是使用固定的或者是可拆卸的半导体存储器来保存获取的图像。数码相机可以直接连接到计算机、电视机或者打印机上。在一定条件下,数码相机还可以直接接到移动式电话机或者手持 PC 机上。由于图像是内部处理的,所以使用者可以马上检查图像是否正确,而且可以立刻打印出来或是通过电子邮件传送出去。

       视频播放与数字电视:家庭影院中的 VCD , DVD 播放器和数字电视中,大量使用了视频编码解码等图像处理技术,而视频编码解码等图像处理技术的发展,也推动了视频播放与数字电视象高清晰,高画质发展。

    展开全文
  • 被测对象光信息通过光学系统,在CCD光敏面元上形成光学图像,CCD器件把光敏元上光信息...整个测量过程包括:光学成像、图像信号输出、二值化处理确定图形轮廓、测定轮廓间像素数、通过计算或实验确定脉冲当量
  • 图像平滑是一种可以减少和抑制图像噪声实用数字图像处理技术。 1、均值滤波 对于图像中某个像素点值,其均值滤波后值为该像素邻域所有像素及自身均值,模板为: 2、高斯滤波 二维高斯函数为: ...

                                                      图像滤波

    基本的图像滤波包括两类:图像平滑与图像锐化。

    一、图像平滑

    图像平滑是一种可以减少和抑制图像噪声的实用数字图像处理技术。

    1、均值滤波

    对于图像中的某个像素点的值,其均值滤波后的值为该像素邻域所有像素及自身的均值,模板为:

    2、高斯滤波

    二维高斯函数为:

    因此,(2k+1)×(2k+1)高斯平滑模板可以表示为:

    如常见的3×3高斯模板为:

     

    3、中值滤波

    对于图像中的某个像素点的值,其中值滤波后的值为该像素邻域所有像素及自身的像素值的中值,中值滤波的一种经典应用是消除椒盐噪声。

    二、图像锐化

    图像锐化的目的是将模糊的图像变得更加清晰。

    (一)基于一阶导数的图像增强

     其中:

    对于二维离散函数,上式可近似为:

    实际应用中,常被采用的是另一种近似梯度-Robert交叉梯度,即:

    1、Robert交叉梯度

    2、Sobel梯度

    其中,w1和w2分别为对水平边缘有较大响应的竖直梯度和对竖直方向有较大响应的水平梯度。另外,还有对45°和135°方向响应的模板:

    (一)基于二阶导数的图像增强——拉普拉斯算子

    二维函数二阶微分为:

    对于离散的二维图像,上述微分可近似为:

    从而有:

    因此,对应的模板为:

    等同于:

    三、基于模板的滤波程序

    程序设计思路:

    遍历目标图像中的每个像素点,对于目标图像中某个坐标(x1, y1)处的点有:

    对于原图像,如果x0+i<0或y0+j<0或x0+i≥W或y0+j≥H则可以选择不同的填充方法:

    ①直接补0;②选择最近点填充;③收缩处理范围

    实现代码:

    /*****************************************************************************
    函数名		:	ImgFilter
    功能		:	图像滤波
    算法实现	:	<可选项>
    参数说明	:	tSrcImg 原图像[in]
    				ptDstImg 目标图像[out]
    				au8TempMat 模板[in]
    				u8TempH 模板高度/行数[in]
    				u8TempW 模板宽度/列数[in]
    返回值说明	:	无
    其他说明	:	无
    ******************************************************************************/
    void ImgFilter(MyImage tSrcImg, MyImage *ptDstImg, f32 *au8TempMat, u8 u8TempH, u8 u8TempW)
    {
    	/*原图像高、宽、通道数*/
    	l32 l32SrcImgHeight = tSrcImg.l32ImgH;
    	l32 l32SrcImgWidth = tSrcImg.l32ImgW;
    	l32 l32ImgChs = tSrcImg.l32ImgChs;
    
    	/*目标图像高、宽(等于原图像)*/
    	l32 l32DstImgHeight = l32SrcImgHeight;
    	l32 l32DstImgWidth = l32SrcImgWidth;
    
    	MyImageInit(ptDstImg, l32DstImgHeight, l32DstImgWidth, l32ImgChs);
    	for (l32 l32DstImgHeightIdx = 0; l32DstImgHeightIdx < l32DstImgHeight; l32DstImgHeightIdx++)
    	{
    		for (l32 l32DstImgWidthIdx = 0; l32DstImgWidthIdx < l32DstImgWidth; l32DstImgWidthIdx++)
    		{
    			for (l32 l32ImgChsIdx = 0; l32ImgChsIdx < l32ImgChs; l32ImgChsIdx++)
    			{
    				l32 l32DstImgPixelPos = l32DstImgHeightIdx * l32DstImgWidth * l32ImgChs + \
    					l32DstImgWidthIdx * l32ImgChs + l32ImgChsIdx; //目标图像像素在内存中的位置
    				l32 l32MatMulResult = 0;//目标图像像素值
    				for (u8 u8MatHeightIdx = 0; u8MatHeightIdx < u8TempH; u8MatHeightIdx++)
    				{
    					for (u8 u8MatWidthIdx = 0; u8MatWidthIdx < u8TempW; u8MatWidthIdx++)
    					{
    						l32 l32SrcImgHeightIdx = l32DstImgHeightIdx + u8MatHeightIdx - u8(u8TempH / 2);
    						l32 l32SrcImgWidthIdx = l32DstImgWidthIdx + u8MatWidthIdx - u8(u8TempW / 2);
    						if (l32SrcImgHeightIdx < 0 || l32SrcImgHeightIdx >= l32SrcImgHeight || l32SrcImgWidthIdx < 0 || l32SrcImgWidthIdx >= l32SrcImgWidth)
    						{
    							l32MatMulResult += 0; //边缘填充0
    						}
    						else
    						{
    							l32 l32SrcImgPixelPos = l32SrcImgHeightIdx * l32SrcImgWidth * l32ImgChs + \
    								l32SrcImgWidthIdx * l32ImgChs + l32ImgChsIdx; //原图像像素在内存中的位置
    							l32MatMulResult += au8TempMat[u8MatHeightIdx * u8TempW + u8MatWidthIdx] * tSrcImg.pu8Data[l32SrcImgPixelPos];
    							
    						}
    					}
    				}
    				if (l32MatMulResult < 0)
    				{
    					l32MatMulResult = 0;
    				}
    				if (l32MatMulResult > 255)
    				{
    					l32MatMulResult = 255;
    				}
    				ptDstImg->pu8Data[l32DstImgPixelPos] = u8(l32MatMulResult);
    			}
    		}
    	}
    }

    四、中值滤波程序

    程序设计思路:

    遍历目标图像中的每个像素点,对于目标图像中某个坐标(x1, y1)处的点,对其8邻域及其自身像素值排序,取中值作为Pdst(x1, y1)。

    实现代码:

    /*****************************************************************************
    函数名		:	ImgMedianFilter
    功能		:	图像中值滤波
    算法实现	:	<可选项>
    参数说明	:	tSrcImg 原图像[in]
    				ptDstImg 目标图像[out]
    				u8TempH 窗体区域高[in]
    				u8TempW 窗体区域宽[in]
    返回值说明	:	无
    其他说明	:	无
    ******************************************************************************/
    void ImgMedianFilter(MyImage tSrcImg, MyImage *ptDstImg, u8 u8AreaH, u8 u8AreaW)
    {
    	/*原图像高、宽、通道数*/
    	l32 l32SrcImgHeight = tSrcImg.l32ImgH;
    	l32 l32SrcImgWidth = tSrcImg.l32ImgW;
    	l32 l32ImgChs = tSrcImg.l32ImgChs;
    
    	/*目标图像高、宽(等于原图像)*/
    	l32 l32DstImgHeight = l32SrcImgHeight;
    	l32 l32DstImgWidth = l32SrcImgWidth;
    
    	u8 u8ArrSize = u8AreaH * u8AreaW;
    	u8 *pu8NghbPixel = (u8 *)malloc(u8ArrSize * sizeof(u8));
    	u8 *u8pStart = pu8NghbPixel;
    
    	MyImageInit(ptDstImg, l32DstImgHeight, l32DstImgWidth, l32ImgChs);
    	for (l32 l32DstImgHeightIdx = 0; l32DstImgHeightIdx < l32DstImgHeight; l32DstImgHeightIdx++)
    	{
    		for (l32 l32DstImgWidthIdx = 0; l32DstImgWidthIdx < l32DstImgWidth; l32DstImgWidthIdx++)
    		{
    			for (l32 l32ImgChsIdx = 0; l32ImgChsIdx < l32ImgChs; l32ImgChsIdx++)
    			{
    				l32 l32DstImgPixelPos = l32DstImgHeightIdx * l32DstImgWidth * l32ImgChs + \
    					l32DstImgWidthIdx * l32ImgChs + l32ImgChsIdx; //目标图像像素在内存中的位置
    				l32 l32MatMulResult = 0;//目标图像像素值
    				for (u8 u8MatHeightIdx = 0; u8MatHeightIdx < u8AreaH; u8MatHeightIdx++)
    				{
    					for (u8 u8MatWidthIdx = 0; u8MatWidthIdx < u8AreaW; u8MatWidthIdx++)
    					{
    						l32 l32SrcImgHeightIdx = l32DstImgHeightIdx + u8MatHeightIdx - u8(u8AreaH / 2);
    						l32 l32SrcImgWidthIdx = l32DstImgWidthIdx + u8MatWidthIdx - u8(u8AreaW / 2);
    						l32 l32SrcImgPixelPos = l32SrcImgHeightIdx * l32SrcImgWidth * l32ImgChs + \
    							l32SrcImgWidthIdx * l32ImgChs + l32ImgChsIdx; //原图像像素在内存中的位置
    						if (l32SrcImgHeightIdx < 0 || l32SrcImgHeightIdx >= l32SrcImgHeight || l32SrcImgWidthIdx < 0 || l32SrcImgWidthIdx >= l32SrcImgWidth)
    						{
    							//*pu8NghbPixel = 0; //边缘填充0
    							pu8NghbPixel[u8MatHeightIdx * u8AreaW + u8MatWidthIdx] = 0;
    
    						}
    						else
    						{
    							//*pu8NghbPixel = tSrcImg.pu8Data[l32SrcImgPixelPos];
    							pu8NghbPixel[u8MatHeightIdx * u8AreaW + u8MatWidthIdx] = tSrcImg.pu8Data[l32SrcImgPixelPos];
    						}
    						//pu8NghbPixel++;
    					}
    				}
    
    				for (u8 u8ArrIdx1 = 0; u8ArrIdx1 < u8ArrSize-1; u8ArrIdx1++)
    				{
    
    					for (u8 u8ArrIdx2 = u8ArrSize - 1; u8ArrIdx2 > u8ArrIdx1; u8ArrIdx2--)
    					{
    						u8 u8Temp;
    						if (pu8NghbPixel[u8ArrIdx2] > pu8NghbPixel[u8ArrIdx2 - 1])
    						{
    							u8Temp = pu8NghbPixel[u8ArrIdx2];
    							pu8NghbPixel[u8ArrIdx2] = pu8NghbPixel[u8ArrIdx2 - 1];
    							pu8NghbPixel[u8ArrIdx2 - 1] = u8Temp;
    						}
    					}
    				}
    
    				if (u8ArrSize % 2 == 0)
    					ptDstImg->pu8Data[l32DstImgPixelPos] = (pu8NghbPixel[u8ArrSize / 2 - 1] + pu8NghbPixel[u8ArrSize / 2]) / 2;
    				else
    					ptDstImg->pu8Data[l32DstImgPixelPos] = pu8NghbPixel[(u8ArrSize - 1) / 2];
    			}
    		}
    	}
    
    	free(pu8NghbPixel);
    }

     

    展开全文
  • 激光测距技术与一般光学测距技术相比,具有操作方便、系统简单及白天和夜晚都可以工作的优点. ...本文主要探讨下激光三角法的基本原理和工业相机原理: 1.1 激光三角法的基本原理 光电技术的快速发展,以及计算.
    • 1.0 激光测距的优势:

    激光测距技术与一般光学测距技术相比,具有操作方便、系统简单及白天和夜晚都可以工作的优点.

    与雷达测距相比,激光测距具有良好的抗干扰性和很高的精度,而且激光具有良好的抵抗电磁波干扰的能力,尤其在探测距离较长时,激光测距的优越性更为明显.

    激光测距技术是指利用射向目标的激光脉冲或连续波激光束测量目标距离的距离测量技术.

    比较常用的激光测距方法有脉冲法、相位法、三角法和干涉法激光测距.

     

    本文主要探讨下激光三角法的基本原理和工业相机原理:

    • 1.1 激光三角法的基本原理

    光电技术的快速发展,以及计算机的高速发展,数字处理技术的发展等等促使形成了三角激光测距技术.三角法激光测距系统拥有光源、待测物和图像接传感器,分别放置在三个点上,构成三角形的几何结构,所以称为光学三角法基本原理如图2.1所示,由激光器发射出一束激光入射到待测物体表面后发生漫反射,反射光经成像镜透镜聚焦,成像在图像传感器的光敏器件上,再通过计算机得到光斑的图像信息,最后经数字处理计算出光斑中心位置.

     

    在进行测量前一般有如下几步骤:

    1.准直镜头   激光平行光学入射

    2.对焦 即在基准面上观察光斑位置 是否在基准面原点位置 或在 X轴的轴线位置

    3.基准面为一十字交叉的线条为相机软件显示

    4.标定相机

    该图激光线测量物体三维信息的示意图。图中: i 为入射光;L 为透镜;N 为成像屏; u 为透镜L 的物距; v 为透镜L 的像距; O 为L 光轴与光线i 的交点; A 为物面上的光点; A′, O′分别为A , O 的像点; h 为物面上光点相对于基准面M 的高度;α为光线与光轴的夹角。

    接收面板光斑图像如下:

    测距几何关系的推导可以根据图2.1几何关系和相似三角形自行推导这里不在陈述

    • 1.2 关于工业相机的基本知识

    • 焦点(focus)

    • 弥散圆(confusion cirlce)

    • 景深(DOF)

    • 景深的计算

    • 焦点

    与光轴平行的光线射入凸透镜时,理想的镜头应该是所有的光线聚集在一点后,再以锥状的扩散开来,这个聚集所有光线的一点,就叫做焦点。 
    这里写图片描述

    • : 弥散圆

    在焦点前后,光线开始聚集和扩散,点的影象变成模糊的,形成一个扩大的圆,这个圆就叫做弥散圆。 
    在现实当中,观赏拍摄的影象是以某种方式(比如投影、放大成照片等等)来观察的,人的肉眼所感受到的影象与放大倍率、投影距离及观看距离有很大的关系,如果弥散圆的直径小于人眼的鉴别能力,在一定范围内实际影象产生的模糊是不能辨认的。这个不能辨认的弥散圆就称为容许弥散圆(permissible circle of confusion)。 
    这里写图片描述

    • 景深

    在焦点前后各有一个容许弥散圆,这两个弥散圆之间的距离就叫景深,即:在被摄主体(对焦点)前后,其影像仍然有一段清晰范围的,就是景深。换言之,被摄体的前后纵深,呈现在底片面的影象模糊度,都在容许弥散圆的限定范围内。 
    这里写图片描述 
    景深随镜头的焦距、光圈值、拍摄距离而变化。对于固定焦距和拍摄距离,使用光圈越小,景深越大。 主要不要过光了
    这里写图片描述

    • 景深的计算

    下面是景深的计算公式。其中:

     

    δ: 容许弥散圆直径 
    f:镜头焦距 
    F:镜头的拍摄光圈值 
    L:对焦距离 
    ΔL1:前景深 
    ΔL2:后景深 
    ΔL:景深

    从公式中可以看出,后景深 > 前景深。

    由景深计算公式可以看出,景深与镜头使用光圈、镜头焦距、拍摄距离以及对像质的要求(表现为对容许弥散圆的大小)有关。这些主要因素对景深的影响如下(假定其他的条件都不改变):

    (1)、镜头光圈:

    光圈越大,景深越小;光圈越小,景深越大;

    (2)、镜头焦距

    镜头焦距越长,景深越小;焦距越短,景深越大;

    (3)、拍摄距离

    距离越远,景深越大;距离越近,景深越小。

    参考文献:http://www3.xitek.com/xuetang/optics/depthoffield.htm

    展开全文
  • 遥感图像处理

    2012-12-22 19:27:20
    遥感图像处理技术的基本原理了解,对深入进行图像处理技术的研究有很重要的作用。
  • 本文简要介绍了空域图像增强中的图像基本运算和灰度变换、直方图技术。MATLAB函数具体使用可以查看MATLAB官方文档。 https://ww2.mathworks.cn/help/ 1.1 图像相加运算 原理表达式 Z(x,y)=a1X1(x,y)+a2X2(x,y)+⋯...
  • 本文讲述的图像处理的基本思路,希望大家能够对当前图像处理技术有一定了解。 现在有个概念叫泛产品经理,这个概念本身是好的,核心说的是产品思维,但是在工作上我认为还是有一定误导性。产品经理在工作中要...
  • 原文:Android图像处理 - 高斯模糊的原理及实现欢迎大家前往云+社区,获取更多腾讯海量技术实践干货哦~ 由 天天P图攻城狮 发布在云+社区 作者简介:damonxia(夏正冬),天天P图Android工程师 前言 高斯模糊是...
  • 这是医学上海交大顾力栩博士,基于医学图像处理技术讲解图像处理中的基本原理与方法,希望对有兴趣的朋友有所帮助!
  • 做为拍照手机核心模块之一,camera sensor效果调整,涉及到众多参数,如果对基本的光学原理及sensor软/硬件对图像处理的原理能有深入理解和把握话,对我们工作将会起到事半功倍效果。否则,缺乏了理论...
  • 智能图像处理技术PDF

    热门讨论 2010-10-28 17:31:22
    本书主要论述了智能图像处理技术,系统介绍了智能图像处理技术的有代表性的思想、算法与应用,跟踪了图像处理技术的发展前沿。全书共分为15章,重点讨论了图像边缘检测、图像分割、图像特征分析、图像配准、图像融合...
  • 多媒体技术图像处理

    2015-06-06 16:12:14
    首先介绍图像处理的基本原理,然后详细介绍Photoshop的基本功能,最后结合案例对Photoshop的高级功能进行剖析
  • 前言 图像和视频通常包含着大量的视觉信息,且视觉信息本身具有直观高效的描述能力,所以随着信息技术的高速...本文试着讲述超分辨率技术的正确打开方式,浅谈视频图像的超分辨率技术的基本概念和应用场景等问题。 ...
  • 做为拍照手机核心模块之一,camera sensor效果调整,涉及到众多参数,如果对基本的光学原理及sensor软/硬件对图像处理的原理能有深入理解和把握话,对我们工作将会起到事半功倍效果。否则,缺乏了理论...
  • 指纹识别技术的基本原理及过程

    千次阅读 2013-11-07 16:05:23
    指纹识别技术的基本原理及过程  尽管指纹识别技术已经进入了民用领域,但是其工作原理其实还是比较复杂的。与人工处理不同,生物识别技术公司不直接存储指纹的...这就是指纹识别技术的基本原理,即采集指纹图像并进行
  • Photoshop 图像处理课程标准 一概述 一课程性质课程性质和价值 Photoshop 图像处理是计算机应用专业的一门专业基础课本课程以图像处理为基本点 主要任务是使学生了解和掌握图像处理软件 Photoshop 工具的基本操作...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 866
精华内容 346
关键字:

图像处理技术的基本原理