有沒有可以恢復機器視覺的模糊圖像的算法？

摘要

表面特性對產品的質量和性能有很大的影響，因此在制造業中，表面特性的測定非常重要。傳統的表面測量方法是在零件的表面安裝探針，用機器視覺監視其運動，追蹤表面的微細輪廓。但是接觸測量有很多缺點。因此，隨著技術的發展，非接觸檢測方法得到了更廣泛的關注和應用。

這里模擬運動物體表面模糊圖像的獲取，并使用（LR）算法對圖像進行處理，驗證機器視覺圖像復原和識別的可行性。在未來的表面詳細分析。

運動模糊

將移動的物體曝光到感光體時，如果曝光持續一定時間，則會記錄其多個位置，結果可能會模糊。與運動相比，曝光時間足夠短的情況下，不介意抖動。但是，如果縮短曝光時間，噪音就會變高。假設，模糊過程可以建模為點分布函數（PSF）和理想圖像的卷積，如圖1的情況（a）和（b）所示，并在一個坐標上形成三角形或高斯形狀。

由于考慮了統一的運動模糊，因此可以認為所有零件都因相同量的模糊而劣化。因此，假定圖像引入的噪聲是高斯累積。此算法將考慮方差變化的平均零高斯噪聲。



（a）獲取坐標三角形



（b）獲取高斯格式

圖1通過將模糊處理建模為點圖像分布函數（PSF）和理想圖像卷積而獲得的圖像

在此階段，需要解決的問題可以表現為：

使用線性平移不變PSF函數h（x，y）對給定的灰度圖像g（x，y）進行退化，以找到實際圖像f（x，y）的可靠估計值。

算法設計

在此，我們將探索使用期望值LR最大化算法最大化獲取的圖像的可能性。從原始圖像推測開始，LR算法每次迭代都會更新其推測，傾向于走向潛像。理論上，算法迭代越長，越接近于收斂到潛像。

RL迭代可由成像方程和泊松統計方程導出



其中O是不模糊的對象，p(i∣j)是PSF從實際位置觀察到的像素內散射的光的比例。I（i）是沒有噪音的模糊圖像。當給定期望計數I（i）時，每個像素的觀測到的計數D（i）的同時似然性ζ 將顯示以下內容：。



最大似然解出現在ζ對O( j)的所有偏導數為零的地方：



因此，可以省略迭代RL算法，如下所示：



比較上述兩個機器視覺圖像算法表達式，您可以看到，如果RL迭代收斂，即校正因子隨著迭代的進行而接近一個單位，則必須收斂到數據中泊松統計的最大似然解。

應用3LR算法

為了評估LR算法的性能，我們在這里設置了一個二維模擬圖像，該圖像由兩個模糊且相近的峰值組成。在模擬中，合成圖像被用作128個圖像點的線性陣列，其中陣列位置69和72包含兩個長度為100的尖峰。然后，該數組將由標準偏差為1.5個圖像點的規范化高斯函數卷積。

此時，平均值為0%的5%的隨機白噪聲將添加到此模糊圖像中。原始圖像和模糊圖像分別如圖2A和2B所示。重復20次后，LR算法的應用如圖2（c）所示。重復100次后，如圖2（d）所示，畫質進一步改善，結果大幅收斂。



圖2模擬圖像

小結

實驗結果表明，RL算法對于恢復以前隱藏在噪聲中的數據是有效的。基于比較分析，機器視覺采用基于數字處理圖像的表面粗糙度估計方法，驗證實際生產和應用中圖像恢復的效率。

西安德伍拓自動化傳動系統有限公司在機器視覺領域擁有超過10年的項目開發經驗，在機器視覺的應用領域上有著眾多成功的案例。公司自成立以來一直以來致力于機器視覺的集成、研發、應用，為客戶提供整體機器視覺解決方案，把機器視覺技術應用到智能生產中。