Анализ и преобразование изображений в градациях серого в LabVIEW (Основы — 4)

компьютерное зрение
Анализ и преобразование изображений в градациях серого в LabVIEW (Основы — 4)

1. Анализ оттенков серого изображения

Анализ градаций серого изображения – это основное содержимое анализа изображений. В нем используются различные инструменты анализа градаций серого изображения для извлечения информации об элементах градаций серого в изображении или области интереса. На основе анализа и измерения уровня серого изображения может быть реализована самая простая система обнаружения машинного зрения, такая как система обнаружения наличия цели.

Гистограмма — это самый простой инструмент анализа изображений в градациях серого. Используйте его не только для того, чтобы определить, содержит ли изображение области, которые можно отделить от фона, подходят ли насыщенность и контрастность изображения для задачи обнаружения, но и для того, чтобы определить, как следует настроить систему получения изображения для получения более высокого качества. картинки.

В дополнение к гистограмме, кривая распределения серого (профиль линии), среднее значение серого для линии изображения (линейное среднее значение), граничная кривая серого цвета RO1, центроид изображения (центроид, также известный как геометрический центр) и центроид изображения (центр массы), количественные показатели оттенков серого. описание (количественное определение оттенков серого) и анализ подобия структуры изображения (индекс структурного сходства) также являются более эффективными инструментами анализа изображений в оттенках серого.

1.1 Анализ гистограммы

Гистограмма изображения — это самый простой инструмент анализа изображения. Из-за своих простых и удобных в использовании характеристик он играет важную роль в сегментации изображений, преобразовании изображений в оттенки серого и других процессах обработки. Общие функции гистограммы изображения включают в себя: оценку того, содержит ли изображение области, которые можно четко отделить от фона, анализ того, соответствуют ли яркость и контрастность изображения требованиям обнаружения системы машинного зрения, и определение того, как настроить и улучшить изображение. система приобретения.

Гистограмма изображения содержит обширную информацию об изображении и является его основной статистической характеристикой.Она описывает содержимое уровня серого в изображении и отражает распределение уровня серого в изображении. Гистограмма в градациях серого изображения графически показывает взаимосвязь между каждым уровнем серого в изображении и соответствующим ему количеством пикселей, где количество пикселей можно рассматривать как функцию уровня серого. Горизонтальная ось диаграммы — это уровень серого, а вертикальная ось — частота каждого уровня серого в изображении. Гистограмма представляет собой функцию плотности вероятности, и с точки зрения теории вероятностей частоту появления оттенков серого можно рассматривать как вероятность ее появления.

Для цифровых изображений распространенными типами гистограмм являются линейная гистограмма и кумулятивная гистограмма. В обоих случаях горизонтальная ось гистограммы — это уровень серого, вертикальная ось линейной гистограммы — это количество пикселей, соответствующих уровню серого, а вертикальная ось кумулятивной гистограммы — это количество всех пикселей меньше или равно уровню серого k.Sum. Если два типа гистограмм серого представлены в виде дискретных функций, линейная гистограмма может быть выражена как:

Кумулятивная гистограмма может быть выражена как:

в:

  • H(k) и n представляют количество пикселей, соответствующих уровню серого;
  • k представляет уровень серого;
  • max представляет максимальное значение, которое может представлять тип данных изображения, например, когда тип изображения U8, max=255.

На рисунках ниже показаны примеры линейных гистограмм и кумулятивных гистограмм соответственно. Линейная гистограмма показывает, что изображение в основном состоит из трех частей с разными уровнями серого, две части с более низкими уровнями серого близки, а третья часть с более высокими уровнями серого явно отличается от первых двух частей с более низкими уровнями. Совокупная гистограмма показывает, что две более низкие части оттенков серого составляют около 80% всего изображения, в то время как более высокие части оттенков серого составляют около 20% изображения.

Источник света системы машинного зрения имеет решающее значение для качества изображения. Когда свет в поле зрения слишком слабый, процесс формирования изображения датчика изображения будет недоэкспонирован; если свет слишком яркий, это приведет к передержке. Либо недодержка, либо передержка приведет к потере информации об обнаруженной цели на захваченных изображениях. С помощью гистограммы можно интуитивно судить о том, соответствует ли яркость изображения требованиям системы обнаружения. Поскольку недоэкспонированное изображение содержит большое количество пикселей с более низкими значениями серого, в левой части гистограммы часто появляется пик; наоборот, переэкспонированное изображение часто содержит большое количество пикселей с более высоким значением серого, и пик появляются в левой части гистограммы правый конец. Эти два случая показаны на следующем рисунке:

1.1.1 Анализ гистограмм изображений в градациях серого

Nl Vision предоставляет простые в использовании гистограммы IMAQ и гистограммы IMAQ для управления гистограммами изображений вLabVIEW Vision and Motion→Обработка изображений→Анализ Палитра функций анализа изображений,Как показано ниже:

Описание и использование функции можно найти в справочной документации:

В случае, чтобы понять использование и разницу между гистографом IMAQ и гистограммой IMAQ для расчета гистограммы изображения, идеи дизайна заключаются в следующем:

  • После того, как программа считывает изображение в память, она может напрямую использовать VI для расчета его гистограммы, где параметр #Classes указывает, на сколько уровней разделить пиксели в изображении;
  • По умолчанию пиксели 8-битного изображения в градациях серого будут разделены на 256 уровней, что означает, что каждый уровень градаций серого будет рассматриваться как отдельный класс. National Instruments рекомендует объединять пиксели в степени двойки. Параметр Interval Range представляет собой максимальное и минимальное граничные значения для расчета гистограммы, и в расчете гистограммы будут участвовать только те пиксели, которые попадают в диапазон, заданный максимальным и минимальным значениями;
  • Если указанное количество уровней пикселей превышает диапазон, указанный максимальным и минимальным значениями в диапазоне интервалов, окончательный расчетный уровень серого пикселя будет отличаться от указанного уровня серого.
  • Параметр Histograph, возвращаемый IMAQ Histograph, представляет собой данные гистограммы в градациях серого, организованные в формате данных LabVIEW Graph, которые можно напрямую подключить к элементу управления Graph для отображения кривой гистограммы. Параметр Среднее значение возвращает среднее значение оттенков серого для пикселей, участвующих в расчете гистограммы. Параметр Стандартное отклонение возвращает стандартное отклонение уровня серого гистограммы.Чем больше значение, тем более рассеяно распределение уровня серого, используемое при расчете гистограммы, и тем сильнее контраст для этого изображения. Также показана гистограмма рассчитанного изображения Iron.tif.

Схема программы следующая:

Эффект следующий:

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

1.1.2 Анализ гистограммы цветного изображения

Nl Vision предоставляет 3 функции для расчета гистограмм цветного изображения, IMAQ ColorHistogram, IMAQ ColorHistograph и IMAQ ColorEqualize, которые расположены вLabVIEW Vision and Motion→Обработка изображений→Палитра функций обработки цвета. Эти 3 функции работают аналогично функциям гистограммы IMAQ Histogram, IMAQ Histograph и IMAQ Equalize для изображений в градациях серого, за исключением того, что они воздействуют на 3 различных компонента цветного изображения следующим образом:

Описание и использование функции можно найти в справочной документации:

Описание этих трех функций следующее:

  • IMAQ ColorHistogram можно применять к 6 цветовым пространствам RGB, HSL, HSV, HSI, CIE Lab и CIE XYZ;
  • Хотя lMAQ ColorHistograph может поддерживать только 4 цветовых пространства RGB, HSL, HSV и HSI, возвращаемые им данные могут быть напрямую совместимы с форматом данных LabVIEW Graph, а кривая может быть вычерчена прямо на передней панели;
  • IMAQ ColorEqualize выполняет сопоставление гистограмм или операции выравнивания трех компонентов цветного изображения.

Через случай, чтобы понять метод реализации гистограммы цветного изображения (функция IMAQ ColorHistograp в качестве примера), идеи дизайна программы заключаются в следующем:

  • Программа сначала считывает в память цветное изображение формата RGB-U32 перец.png, а затем использует IMAQ Castlmage для преобразования его в формат HSL-U32;
  • Функция IMAQ ColorHistograph в программе заключается в вычислении данных гистограммы каждого слоя цветного изображения HSL и возврате данных в формате LabVIEW Graph для удобного отображения.

Схема программы следующая:

Эффект от программы следующий:

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

1.2, анализ кривой серого цвета

Профиль линии (профиль линии) отображает изменение уровня серого пикселя вдоль сегмента линии изображения. Горизонтальная ось — это индекс положения пикселя на линейном сегменте, а вертикальная ось — оттенки серого для каждой точки. Кривая линейного распределения серого может использоваться для определения границ смежных частей изображения, количественного представления изменения уровня серого и определения наличия на изображении определенной особенности. На линейной кривой оттенков серого пики и впадины представляют увеличение или уменьшение оттенков серого в определенной области изображения вдоль выбранного линейного сегмента, а ширина и амплитуда пиков и впадин представляют размер и яркость области в изображение соответственно. Например, если изображение содержит более яркую область, на кривой распределения оттенков серого, проведенной вдоль проходящего через нее отрезка, появится пик, и чем ярче область по отношению к фону, тем круче будет пик. Обратите внимание, что шум на изображении обычно приводит к серии более узких всплесков.

IMAQ LineProfile в Nl Vision может реализовать операцию анализа линейной кривой в градациях серого, которая находится вLabVIEW Vision and Motion→Обработка изображения→Анализ Палитра функций анализа изображения (расположение см. в статье: Раздел 1.1.1), описание и использование функции можно найти в справочной документации:

На примере подсчета количества определенного продукта в форме иглы на производственной линии, чтобы понять метод применения анализа кривых в градациях серого, идеи дизайна программы заключаются в следующем:

  • После того, как программа считывает изображение в память, она сначала получает ширину изображения через IMAQ GetlmageSize;
  • Затем используйте IMAQ Overlay Line, чтобы разместить отрезок линии той же ширины, что и изображение, вдоль верхней части продукта на изображении, слой без потерь;
  • Пиксели, покрываемые этим сегментом линии, являются точно такими же сегментами линии, которые используются профилем линии IMAQ для построения кривой в градациях серого.

Схема программы следующая:

На линейной кривой шкалы серого каждый восходящий или спадающий край представляет резкое изменение шкалы серого от темного к светлому или от светлого к темному, а каждая игольчатая часть соответствует ровно одному «импульсу». Следовательно, пока подсчитывается количество «импульсов», можно узнать количество обнаруживаемых частей, содержащихся в изображении.Эффект программы следующий:

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

1.3 Анализ среднего значения в градациях серого для строки изображения

Анализ среднего значения уровня серого для линии изображения (линейное среднее значение) может вычислять четыре типа среднего значения уровня серого для пикселей во всем изображении или заданной прямоугольной области, включая линейное среднее значение уровня серого для каждого столбца пикселей вдоль направления оси X (XAxis Average). , по линейному среднему значению оттенков серого каждого ряда пикселей в направлении оси Y (YAxis Average), вдоль диагонального направления от нижнего левого угла к верхнему правому углу, среднему значению оттенков серого пикселей (X+YAxisAverage) перпендикулярно диагонали линии, а вдоль верхнего левого угла вправо Среднее значение шкалы оттенков серого (×-YAxis Average) перпендикулярно диагонали в диагональном направлении нижнего угла. На рисунке ниже показана логическая схема вычисления среднего значения серого для 4 типов строк изображения, где пунктирная линия представляет среднее значение серого пикселя, а сплошная линия представляет пиксели, участвующие в расчете.

IMAQ LinearAverages в Nl Vision может реализовать операцию анализа среднего значения серого для линии изображения, которая находится вLabVIEW Vision and Motion→Обработка изображения→Анализ Палитра функций анализа изображения (расположение см. в статье: Раздел 1.1.1), описание и использование функции можно найти в справочной документации:

Метод применения анализа среднего значения серого на линии изображения понятен на примере использования среднего значения серого на линии изображения и кривой серого на границе ROI для проверки качества заполнения жидкими лекарствами Идеи дизайна программы заключаются в следующем:

  • Программа сначала считывает в память собранные изображения;
  • Затем используйте IMAQ LinearAverage для вычисления серого линейного среднего XAxis Average каждого столбца пикселей вдоль направления координаты X в указанной прямоугольной области;
  • Чтобы проверить, соответствует ли качество наполнения лекарства стандарту, прямоугольная область, заданная программой, как раз покрывает уровень жидкости, когда наполнение соответствует стандарту;
  • Чтобы визуально позволить пользователю видеть положение указанной области ROI, программа использует IMAQ Overlay Rectangle для обозначения прямоугольной области на изображении;
  • IMAQ ROIProfile используется для возврата профиля ROI кривой в градациях серого для указанной прямоугольной области ROI.

Схема программы следующая:

Наблюдая за кривыми XAxis Average и ROlProfile, возвращаемыми после запуска программы, можно обнаружить, что для нормально наполненных флаконов с лекарствами линейное среднее значение каждого столбца пикселей по оси X составляет около 160; для незаполненных флаконов с лекарствами линейное среднее значение каждого столбца пикселей по оси X составляет среднее значение оттенков серого каждого столбца пикселей вдоль направления оси X близко к максимальному значению диапазона оттенков серого, равному 255. Это связано с тем, что доля белой области в прямоугольной области интереса незаполненного флакона с лекарством больше, чем из обычной бутылочки с лекарством.большой. Граничная кривая оттенков серого прямоугольной области ROI аналогична линейной кривой распределения оттенков серого, она начинается от верхнего левого угла прямоугольной области ROI и рисует оттенки серого каждого пикселя, охваченного границей, по часовой стрелке. Из серой кривой границы ROI на рисунке видно, что изменение полутоновой кривой, соответствующей верхней границе прямоугольника, похоже на импульс, который формируется чередованием белого флакона с лекарством и черного задний план. Изменение кривой в градациях серого, соответствующей нижней границе прямоугольника, немного отличается, а значение «импульса» в градациях серого одного из флаконов с лекарствами, которые не заполнены нормально, значительно выше, чем у нескольких других флаконов с лекарствами, которые заполнены нормально. . Эффект от программы следующий:

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

1.4 Центроид изображения и анализ центроида

Центроид изображения, также известный как геометрический центр изображения, относится к среднему значению всех значений координат пикселей в геометрической области во всех направлениях. Если количество пикселей в области равно W × H (где W — ширина, а H — высота), геометрический центр можно рассчитать по следующей формуле:

Центроид изображения (центр масс) и центроид изображения - это два совершенно разных понятия. Центр масс (сокращение от center of mass) — это воображаемая точка, представляющая собой среднее положение распределения масс всех частиц, составляющих объект. Если предположить, что целевой объект состоит из n точек масс, то их массы равны m, m2, ..., mn соответственно, а векторные радиусы каждой точки массы относительно неподвижной точки О (начала координат в специальных случаях) равны r1, r2 соответственно, ..., rn, радиус вектора от центроида до O равен rmass, то имеются:

Другими словами, сумма масс всех частиц, составляющих мишень, и произведения радиусов от частицы до неподвижной точки равна произведению радиусов центра масс и суммы масс всех частиц. Векторный радиус частицы можно получить из приведенной выше формулы:

Центроид связан только с относительным положением размера массы и распределения каждой частицы. Координаты центра масс могут быть разными в зависимости от выбранной системы координат, но положение относительно каждой точки масс не имеет никакого отношения к выбору системы координат.

Для цифрового изображения размером W×H значение серого p каждого пикселя можно рассматривать как качество точки массы, а положение центроида изображения можно получить по следующим формулам для вычисления координат центроида в направления x и y:

Среди них xi и yi — координаты каждого пикселя изображения. Центроид и центроид изображения имеют очевидные характеристики относительно каждого пикселя изображения, и их положение обычно не сильно меняется под влиянием движения изображения, поворота, масштабирования и шума. Поскольку функции, основанные на центроиде изображения и центроиде, относительно стабильны, на основе этих функций можно построить более надежную систему машинного зрения. Кроме того, при анализе частиц центроид изображения или центроид часто используется в качестве базовой точки для анализа различных измерений.

IMAQ Centroid в Nl Vision может реализовать операцию анализа среднего значения серого в строке изображения, которая находится вLabVIEW Vision and Motion→Обработка изображения→Анализ Палитра функций анализа изображения (расположение см. в статье: Раздел 1.1.1), описание и использование функции можно найти в справочной документации:

Используя центроид изображения и центроид для расчета центроида изображения определенной клетки кожи, чтобы понять метод применения центроида и центроида изображения, идеи дизайна программы заключаются в следующем:

  • Программа сначала считывает собранное изображение клетки в память и выполняет бинаризацию изображения с помощью порога IMAQ;
  • После процесса бинаризации все пиксели в оттенках серого в диапазоне оттенков серого от 35 до 255 в исходном изображении устанавливаются на 255;
  • После этого IMAQ LowPass отфильтрует высокочастотный шум в бинарном изображении;
  • IMAQ FillHole используется для заполнения каждой «отверстия» в бинаризованном изображении ячейки для получения «сплошного» целевого изображения ячейки;
  • После этого с помощью IMAQ Remove Particle были удалены различные шумовые точки на изображении;
  • Поскольку IMAQCentroid необходимо использовать изображение маски цели при вычислении центроида цели на изображении, программа сначала использует IMAQ Label для маркировки бинарного изображения, то есть всех значений пикселей (т.е. частиц) в изображении. которые считаются принадлежащими к одной и той же группе. Измените на определенное фиксированное значение серого, а затем преобразуйте отмеченное изображение в RO1 и требуемое изображение маски с помощью IMAQ LabelToROl и IMAQ ROIToMask2;
  • Как только изображение маски, соответствующее ячейке, получено, центроид ячейки неправильной формы может быть рассчитан с помощью IMAQCentroid;
  • В программе IMAQ OverlayROl и IMAQ OverlayPoints добавляют к изображению неразрушающие слои контуров ячеек и центроиды ячеек соответственно.

Схема программы следующая:

Эффект от программы следующий:

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

1.5 Количественное описание и анализ оттенков серого изображения

Анализ количественного описания оттенков серого изображения (определение оттенков серого) относится к процессу количественного расчета уровня серого пикселя всего изображения или определенной области изображения. Он включает в себя вычисление среднего значения серого, максимального значения (максимального значения серого), минимального значения (минимального значения серого), стандартного отклонения уровня серого пикселя и площади определенной области. Если размер изображения H×W, а пиксели представлены как P(i,j), среднее значение u и стандартное отклонение o пикселей можно рассчитать по следующим формулам:

IMAQ Quantify 2 в Nl Vision может возвращать параметры количественного описания изображения или определенной области, в том числе: среднее значение серого в пикселях, стандартное отклонение, максимальное значение, минимальное значение, а также выраженное числом пикселей или заданными пользователем единицами измерения (координатами калибровки). и ед.) площадь области изображения. Это находитсяLabVIEW Vision and Motion→Обработка изображения→Анализ Палитра функций анализа изображения (расположение см. в статье: Раздел 1.1.1), описание и использование функции можно найти в справочной документации:

Чтобы использовать IMAQ Quantify2 для расчета данных в градациях серого для одной или нескольких областей изображения, каждая область должна быть описана с использованием маркированной маски изображения, каждая из которых помечена номером. То есть 8-битное изображение маски может помечать до 256 областей, а 16-битное изображение маски может помечать до 65535 областей.

При расчете с помощью IMAQ Quantify2, если в изображении с помощью отмеченной маски изображения указано несколько областей, IMAQ Quantify2 не только вернет данные количественного описания в градациях серого для всего изображения через кластер глобальных отчетов, но также вернет их через отчеты по регионам. Массив Параметр количественного описания в градациях серого каждой области (в порядке возрастания маркеров). Элементы массива относятся к кластерному типу и содержат количественные данные в оттенках серого для каждой области изображения.

Используя IMAQ Quantify2 для расчета данных количественного описания в градациях серого в прямоугольной области интереса, чтобы понять метод применения анализа количественного описания в градациях серого изображения, идеи разработки программы заключаются в следующем:

  • Программа сначала выделяет буферы в памяти для обрабатываемого изображения и изображения маски, а затем перечисляет путь к изображению ".jpg" в каталоге Экспонометра, который обрабатывается циклом For;
  • Для каждого файла изображения ".jpg" в каталоге цикл For сначала считывает его в буфер и очищает слой без потерь (если есть) в изображении с помощью IMAQ Clear Overlay;
  • IMAQ Convert Rectangle to ROI может преобразовать прямоугольник (110, 25, 160, 85, 0) в тип данных дескриптора ROI, IMAQ ROL в маску, а затем преобразовать прямоугольную ROI в маску изображения и сохранить ее в маске буфера изображения;
  • IMAQ Label пометит сгенерированное изображение маски и передаст его в IMAQ Quantify2 для расчета данных количественного описания оттенков серого в прямоугольной области;
  • Для простоты наблюдения цикл For также добавляет к исходному изображению прямоугольный слой без потерь с использованием ROI IMAQ Overlay;
  • Для сравнения, цикл For также непосредственно вычисляет информацию в градациях серого в прямоугольной области интереса, используя гистограмму IMAQ и изображение маски.

Схема программы следующая:

Глядя на результаты работы программы, можно обнаружить, что и IMAQ Quantify2, и IMAQ Histogram могут вычислять одни и те же данные в градациях серого, но первый требует в качестве входных данных помеченного изображения маски.

Инструменты количественного описания в градациях серого часто используются для проверки присутствия объектов в градациях серого и обнаружения дефектов. Обычно одна или несколько областей мониторинга сначала определяются на основе относительно фиксированного элемента объекта наблюдения. Затем выполняется статистическое измерение оттенков серого пикселей в области, и результаты измерения оттенков серого всесторонне анализируются, чтобы определить, существует ли цель обнаружения или есть ли дефекты в продукте. Например, если прямоугольная область ROI в приведенном выше примере представляет собой яркость экрана дисплея мобильного телефона, когда он работает, можно определить, соответствует ли диапазон яркости экрана дисплея мобильного телефона требованиям, установив пороговое значение диапазон среднего значения серого.

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

2. Преобразование изображения в оттенки серого

Преобразование градаций серого изображения является одним из основных компонентов обработки изображений и преобразует значение пикселя в градациях серого исходного изображения в новое значение градаций серого в режиме отображения точка-точка. Поскольку новое значение серого пикселя определяется только уровнем серого исходного пикселя и функцией преобразования уровня серого, преобразование уровня серого изображения не меняет пространственные отношения между пикселями. Преобразование оттенков серого в основном используется для улучшения изображения, оно может не только регулировать яркость и контрастность изображения, но также сжимать или расширять высокий уровень серого или низкий уровень серого в изображении, чтобы выделить важную информацию на изображении.

Если предполагается, что входным изображением является SrcA(x, y), а выходным изображением является Dst(x, y), преобразование градаций серого изображения может быть выражено следующим уравнением. Очевидно, что это определяется функцией преобразования оттенков серого GST и не меняет пространственных отношений между пикселями в изображении.

Преобразование градаций серого изображения можно разделить на две категории: линейное и нелинейное.

  • Функция преобразования градаций серого линейного преобразования является линейной функцией, и выходной уровень градаций серого после операции имеет линейную зависимость от входного уровня градаций серого. Для удобства кусочно-линейное преобразование, оконное преобразование и пороговое преобразование также объясняются как линейные преобразования.
  • Обычно используемые нелинейные преобразования включают логарифмическое преобразование, экспоненциальное преобразование и степенное преобразование.

Эти преобразования градаций серого могут не только растягивать или сжимать всю градацию серого изображения или определенную его часть, но также преобразовывать высокий интервал градаций серого при сжатии или растяжении нижнего интервала градаций серого. В следующей таблице приведены различные преобразования по функциям:

Nl Vision предоставляет удобные ВП для изменения оттенков серого изображения.LabVIEW Vision and Motion→Обработка изображений→Палитра функций обработки,Как показано ниже:

Для повышения эффективности эти ВП сначала преобразуют различные линейные и нелинейные функции преобразования оттенков серого в справочные таблицы (LUT), а затем выполняют преобразования градаций серого на входном изображении или области оттенков серого в таблице поиска. Поэтому Nl Vision называет преобразование в градациях серого также называемым преобразованием LUT. Таблица поиска содержит пиксельные оттенки серого входного изображения и соответствующее выходное значение оттенков серого, рассчитанное в соответствии с функцией преобразования оттенков серого.

Взяв в качестве примера 8-битное изображение в градациях серого, таблица поиска может быть представлена ​​массивом, содержащим элементы 256. Индекс элемента массива представляет уровень серого входного пикселя, а значение в элементе представляет собой результат, рассчитанный в соответствии с к функции преобразования оттенков серого значение оттенков серого. является преобразованным значением нового элемента. Если таблица поиска не содержит значения пикселя в исходном изображении, сохраните его значение без изменений. В соответствии с характеристиками IMAQ UserLookup, если вы хотите использовать преобразование в градациях серого, которое IMAQ MathLookup не определяет, например кусочно-линейное преобразование, вы можете сначала рассчитать пользовательскую таблицу поиска в соответствии с функцией преобразования в градациях серого, а затем вызвать IMAQ UserLookup для используйте пользовательскую таблицу поиска. Таблица поиска выполняет сопоставление оттенков серого с пикселями исходного изображения.

Конечно, для частного случая кусочно-линейного преобразования: порогового преобразования NI Vision предоставляет два ВП, IMAQ Threshold и IMAQ MultiThreshold.Первый использует метод двойного фиксированного порога, чтобы установить пиксели в пороговой области равным 1 или определяемому пользователем Остальным пикселям присваивается значение 0, что, в свою очередь, может ограничивать несколько областей оттенков серого. IMAQ Threshold и IMAQ MultiThreshold обеспечивают ручной метод определения порога изображения. Nl Vision также поддерживает другие методы автоматической сегментации порога изображения.Пожалуйста, обратитесь к справочной документации за инструкциями и использованием:

Понять метод применения преобразования оттенков серого изображения с помощью IMAQ BCGLookup для сжатия яркости, контрастности, а также высоких и низких уровней серого изображения.Идеи разработки программы заключаются в следующем:

Программа обнаружит, изменил ли пользователь значение элемента управления BCG.Если значение любого элемента в элементе управления BCG изменено, цикл While немедленно выполнит IMAQ BCGLookup и гистограмму IMAQ в структуре ветви Case, повторно настроит яркости и контрастности исходного изображения, а также регулировать яркость и контрастность исходного изображения, выполняя гамма-преобразование.

Схема программы следующая:

Программа показывает результаты работы программы с яркостью=145, контрастностью=60 и гаммой=1,5. Видно, что обработанное изображение не только улучшает яркость и контрастность, но и низкий уровень серого изображения сжимается, а высокий уровень серого расширяется, и эффект выглядит следующим образом:

Для загрузки ресурсов проекта см.:скачать.CSDN.net/download/нет 0…

Анализ и преобразование изображений в градациях серого являются одним из основных компонентов анализа и обработки изображений. Анализ градаций серого изображения Извлекайте информацию об элементах градаций серого в изображении или области интереса с помощью различных инструментов анализа градаций серого изображения. Преобразование оттенков серого изображения преобразует значение оттенков серого в пикселях исходного изображения в новое значение оттенков серого в режиме двухточечного сопоставления для повышения яркости и контрастности изображения.

Категории