机器视觉技术在边缘检测中的应用

　　机器视觉主要用计算机来模拟人的视觉功能，但并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能一一从客观事物的图像中提取信息，进行处理并加以理解，终用于实际检测、测量和控制。将机器视觉技术应用于禽蛋品质检测具有人工检测所无法比拟的优势。表面缺陷与大小、形状是蛋品品质的重要特征，利用机器视觉进行检测不仅可以排除人的主观因素的干扰，而且还能够对这些指标进行定量描述，避免了因人而异的检测结果，减小了检测分级误差，提高了生产率和分级。

　　图象的边缘信息对人或对机器视觉来说，都是非常重要的。由于边缘具有能勾画区域的形状，且能被局部定义以及能传递大部分图象信息等许多优点，因此，边缘检测可看作是处理许多复杂问题的关键，是图象分析和理解的步，检测出边缘的图象就可以进行特征提取和形状分析。

　　由于边缘是灰度值不连续的结果，这种不连续常可以利用求导数方便的检测到，一般选择一阶和二阶导数来检测边缘。在机器视觉检测中，常常借助空域微分算子（实际上是微分算子的差分近似）利用卷积来实现。常用的微分算子有梯度算子和拉普拉斯算子。

　　边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显着变化通常反映了属性的重要事件和变化。 这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的和值来检测边界，通常是将边界定位在梯度的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。

　　边缘检测可以借助空域微分算子通过卷积完成。实际上数字图像处理中求导数是利用差分近似微分来进行的。常用的微分算子有梯度算子和拉普拉斯算子。

　　边缘检测算法的基本步骤如下：

　　1、滤波：边缘检测算法主要是基于图象强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。

　　2、增强：增强边缘的基础是确定图象各点邻域强度的变化值。增强算法可以将邻域（或局部）强度值有显着变化的点突显出来。

　　3、检测：在图象中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。常采用梯度幅值Ill值判据。

　　4、定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子象素分辨率上来估计，边缘的方位也可以被估计出来。

　　在用机器视觉进行尺寸测量时，这四步必不可少，尤其必须指出边缘的位置和方位。机器视觉检测技术，以其强大的性能优势，使得产品质量标准化，检测速度快，检测结果可靠、稳定，并且可以长时间检测，广泛应用于各大领域。