幾何圖元分析處理若干問題的研究.pdf

1、計算機視覺圖像中所涉及的目標對象大多數(shù)可分解為由多個可解析的函數(shù)式來表達的幾何基元，如點、直線段、圓、矩形等。通過這些幾何基元組合的幾何圖元可以用來描述目標對象，尤其是在工業(yè)過程的計算機視覺檢測、控制系統(tǒng)中。目標對象形態(tài)的幾何學(xué)特性十分有助于提高視覺系統(tǒng)應(yīng)用算法的精度、效率。
　　 本文主要針對幾何圖元分析與處理過程中三個關(guān)鍵技術(shù)點：圖像分割、圖元形態(tài)識別和圖元形位參數(shù)檢測進行分析。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)建了自動圖像分割算法、幾何圖元形態(tài)識別算法及形位參數(shù)檢測算法。并分別將上述算法應(yīng)用于LED芯片檢測系統(tǒng)中LED芯片形位參數(shù)檢測和伺服運動控制系統(tǒng)的標定。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)是模擬小型哺乳動物視覺神經(jīng)細胞活動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的灰度相似性及空間分布的相似性來進行，分割過程完全依賴于圖像的自然屬性，有利保存圖像的細節(jié)。針對PCNN參數(shù)眾多和結(jié)構(gòu)復(fù)雜等應(yīng)用的難點問題，提出了基于粒子群(Particle Swarm Optimization，PSO)和PCNN模型自動圖像分割算法(PSO-PCNN)：首先，通過Lena和LED芯片圖像分割實驗，驗證基于簡化的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

4、則下的圖像分割效果和最佳迭代次數(shù)；其次，設(shè)計了一種綜合反映分割質(zhì)量和運行效率的適應(yīng)度函數(shù)，利用改進的粒子群優(yōu)化算法，實現(xiàn)PCNN模型參數(shù)的自動設(shè)置。仿真實驗結(jié)果表明PSO-PCNN能有效抑制了弱邊緣、背景噪聲的影響，圖元檢測的檢測準確性高于基于PCNN模型和OTUS自動閾值的分割算法。
　　 (2)幾何圖元形態(tài)識別算法
　　 針對特征、特征描述子和特征的相似性測度對幾何圖元的形態(tài)識別、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，重點研究了不變矩尤其是Hu矩在形態(tài)識別上的應(yīng)用和具體表現(xiàn)，針對區(qū)域矩運算數(shù)據(jù)量大的問題，引入輪廓矩描述方法，實驗結(jié)果表明輪廓矩對幾何圖元形態(tài)識別具有較好的平移、縮放、旋轉(zhuǎn)不變性，相對于區(qū)域矩，運算效率有了較大提升。
　　 (3)幾何圖元形位參數(shù)檢測算法
　　 針對現(xiàn)存的幾何圖元檢測算法存在運算復(fù)雜、檢測精度低、對噪聲及背景敏感等缺點，本文在標準Hough變換的基礎(chǔ)，對比分析了幾種典型的Hough

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

7、析，總結(jié)出通過劃分子區(qū)域，結(jié)合圖元先驗知識，剔除非目標點以降低無效抽樣概率的方法。仿真實驗表明RHT-LSM算法具有較強的目標檢測的能力和較高的檢測精度。
　　 (4)LED芯片視覺檢測系統(tǒng)應(yīng)用研究
　　 本文簡述了LED芯片檢測視覺檢測系統(tǒng)的組成、基本工作流程和LED芯片視覺檢測平臺。應(yīng)用實驗由兩部分組成：其一，通過該實驗平臺獲得LED芯片顯微圖像，利用PSO-PCNN自動圖像分割算法，提取LED芯片電極的二值化分割圖